[发明专利]基于对偶种群差分进化算法的周期列车时刻表调度优化方法

说明书

技术领域：

本发明涉及列车调度和智能计算两大领域，主要涉及一种基于对偶种群差分进化算法的周期列车时刻表调度优化方法。

背景技术：

列车时刻表调度优化问题是铁路工业领域的基础问题。它要求设定列车的出站和到站时刻，从而避免列车之间的冲突并满足乘客安全、快捷等要求。目前常用的设定列车时刻表的方法有整数规划、分支定界法以及其它非线性的技术。本发明专注于求解周期列车时刻表调度问题，即每条服务路线上的列车周期性从始发站开出。目前，周期列车时刻表调度在许多国家的巴士、地铁和铁路系统都有广泛的应用，如澳大利亚、比利时、中国、丹麦，德国和英国等。

在过去的十多年里，研究者提出许多设定周期列车时刻表的方法，用于最小化乘客换乘的等待时间以及减少列车的平均延迟等。传统的方法有周期事件调度方法和分支定界法等。这些方法在求解大规模问题时需要巨大的存储空间和计算量。近年来，也有一些研究者尝试采用启发式搜索算法，如遗传算法和模拟退火算法来求解周期列车时刻表调度优化问题。目前对周期列车时刻表调度优化的研究还存在一些不足之处。一方面，现有的研究主要基于服务路线发车周期固定的前提假设。然而，现实生活中，各条服务路线的列车发车往往具有变周期的特性(如上下班高峰时段列车发车周期通常比低峰期小)。另一方面，目前提出的启发式算法主要基于基本的遗传算法或者模拟退火算法，还未有运用新兴的启发式算法来求解该问题的研究。围绕上述两个问题，本发明首先建立扩展的模型用于描述具有变周期特性的周期列车时刻表调度优化问题，然后将改进的差分进化算法运用于求解该问题。

差分进化算法是由Storn和Price于1995年提出的一种新型启发式搜索算法。在过去的十多年里，差分进化算法吸引了越来越多研究者的关注，在众多科学和工程领域取得成功的应用，尤其适合于求解变量之间具有关联关系的问题。而周期列车时刻表调度优化问题正是一个变量之间具有复杂关联关系的多峰优化问题，因此，本发明将基于差分进化算法设计求解周期列车时刻表调度优化问题的算法。传统的差分进化算法在实际的应用中对参数和算子设置比较敏感、而且存在陷入局部最优化和收敛速度较慢等缺点。针对上述问题，本发明在差分进化算法的基础上引入一种对偶种群的参数和算子控制机制，降低了差分进化算法的参数设置敏感性，提高了差分进化算法求解周期列车时刻表调度优化问题的效率和鲁棒性。

发明内容：

本文将差分进化算法用于周期列车时刻表调度优化中。该差分进化算法采用基于对偶种群的参数和算子控制机制。发明的算法步骤为：

(1)根据各条服务路线的始发时刻范围，生成G个全局种群目标向量和L个局部种群目标向量，并计算所有初始目标向量的目标函数值。

(2)对于全局种群中的每个目标向量，按照全局种群的参数和算子设置生成一个测试向量，并与对应的目标向量进行比较。如果测试向量的目标函数值等于或优于原目标向量的目标函数值，则将该测试向量替换掉原来的目标向量。

(3)对于局部种群中的每个目标向量，按照局部种群的参数和算子设置生成一个测试向量，并与对应的目标向量进行比较。如果测试向量的目标函数值等于或优于原目标向量的目标函数值，则将该测试向量替换掉原来的目标向量。

(4)执行双向迁移操作。一方面，如果局部种群的最优目标向量优于全局种群的最优目标向量，则将局部种群的最优目标向量替换全局种群的最优目标向量。另一方面，如果全局种群的最优目标向量优于局部种群的最优目标向量，则将全局种群的最优目标向量替换局部种群的最优目标向量。反之，如果全局种群的最优目标向量优于局部种群的最差目标向量，则将全局种群的最优目标向量替换局部种群的最差目标向量。

(5)如果算法达到结束条件则终止，否则转步骤(2)执行。

差分进化算法是一种基于种群的智能算法。在优化过程中，算法能够同时对N个潜在的解进行优化，因而具有较强的全局搜索能力。为了进一步提高算法的全局搜索能力和效率，本发明在差分进化算法中引入一个基于对偶种群的参数和算子控制机制，有效提高了算法的求解效率和鲁棒性。

附图说明：

图1基于对偶种群的差分进化算法流程图

图2中国广州地铁网络主要线路示意图

具体实施方式：

下面结合附图对本发明的方法作进一步的描述。