不确定条件下编组站调度系统配流模型及算法研究

摘要

编组站是铁路运输的重要基层生产单位，主要办理货物列车的解体和编组作业，主要功能简单地说就是“生产列车”，也就是将到达车站的各种车流进行分类处理，依据列车编组计划、列车运行图和《技规》的有关要求编组成各种出发列车，并按照运行图或铁路局日(班)计划规定的时刻正点发车，在路网点、线能力协调中还担负着车流、列流调节的作用。编组站智能调度系统是编组站综合集成自动化系统的重要组成部分，而编组站阶段计划的优化编制又是编组站智能调度系统的关键环节和理论难点。阶段计划的核心问题是确定出发列车的编组内容和车流来源，即配流问题。解决配流问题就是要合理安排列车的解编方案和配流方案，使编组站各项工作平稳、有序地进行，提高运输效率，完成运输任务，并保证整个路网的畅通。配流问题分为动态配流和静态配流两个阶段，动态配流通过制定列车的解编方案，确定列车解编顺序；静态配流则通过确定出发列车具体的编组内容和车流来源得到最终的配流方案。
　　 在编组站调度系统中，存在着各种不确定性，既有信息的不确定(如列车预确报、到达时刻等)，也有作业的不确定(如列车到、解、编、发作业)，还有换算方面的不确定(如列车编成辆数)。对于阶段计划而言，因时间跨度较短，信息可以认为是确定的，不确定性主要体现在作业时间及列车编成辆数上。在“到、解、编、发”4项作业中，到达和出发技术作业时间又相对稳定，而解体作业和编组作业时间则存在较大的不确定性，其中解体时间的变化又更大一些。为了更加客观、准确的估计列车解、编作业时间，借鉴调度人员的工作经验，分析影响解、编作业时间的各种因素，同时考虑到各站的设备及作业组织方法各有不同，本文以概率论为基础，利用回归分析及参数估计方法来合理估计作业时间。由于编组站解、编作业时间存在一定的波动性，根据模糊数学理论，将其作为模糊变量对待，用变量的悲观值表示在一定置信水平下的解、编作业时间，以阶段内出发车辆数最大为目标，建立不确定条件下的编组站动态配流模型，并采用近似非确定性树搜索(approximate nondeterministic tree search，ANTS)算法寻找有利的解体方案。该算法是一种利用数学规划思想的ACO算法，通过定义不确定条件下的可解集合、待解集合和选解集合将动态配流问题映射为方案树，保证了时间约束条件。由于改进了蚂蚁系统的选择策略和信息素更新，并在每次转移过程中对模型的约束条件进行判断，提高了解的性能和算法的收敛速度。
　　 在静态配流中，主要的不确定性因素是列车编成辆数的波动。通过构建配流问题的网络模型，设定虚拟到达列车，把出发列车分为可欠轴与不可欠轴两类，将目标函数转化为求最小虚拟到达列车车辆数，将静态配流问题转化为固定费用的产销平衡运输问题。模型的求解应用神经网络算法的思想。在动态配流得到解编方案的基础上，首先对虚拟到达列车赋初值，在计算过程中调用学习规则，并将编组辆数与牵引定数和换长联系起来，保证出发列车满轴，然后计算虚拟到达列车的最小值，进一步确定列车的配流方案。经过逐步迭代求得最优方案，最终完整地解决配流问题。