大型有色冶煉企業(yè)鐵路運輸智能優(yōu)化調(diào)度方法及應用.pdf

1、鐵路運輸是大型有色冶煉企業(yè)的大動脈，它肩負著運送物資保障生產(chǎn)的重任，在有色冶煉企業(yè)物流環(huán)節(jié)中具有十分重要的地位。但隨著國民經(jīng)濟的發(fā)展，有色冶煉企業(yè)生產(chǎn)規(guī)模日益擴大，物料的運輸量迅猛增加，而我國有色冶煉企業(yè)鐵路規(guī)模偏小，鐵路布局、調(diào)度方式與企業(yè)生產(chǎn)方式密切相關，具有各站場分布分散、調(diào)車以小運轉(zhuǎn)作業(yè)為主、鐵路線路短、自備車與租用車混合編組等特點，并存在檢斤作業(yè)滯留罰金等問題，使得企業(yè)鐵路運輸調(diào)度作業(yè)問題較復雜、難度大。目前，我國有色冶煉企業(yè)

2、鐵路大多以人工調(diào)度為主，使得貨運站長期處于滿負荷運行狀態(tài)，容易導致列車運行效率低，物料運輸不及時問題，甚至出現(xiàn)堵車、安全事故等現(xiàn)象，嚴重制約了有色冶煉企業(yè)發(fā)展。因此，針對大型有色冶煉企業(yè)貨運鐵路特點，研究有色冶煉企業(yè)貨運站列車的編組與調(diào)度方法，對縮短車輛周轉(zhuǎn)時間，避免滯留罰金問題，提高我國有色冶煉企業(yè)的鐵路貨運組織作業(yè)效率具有重要現(xiàn)實意義。
　　 論文在分析研究大型有色冶煉企業(yè)鐵路運輸作業(yè)特點的基礎上，依據(jù)企業(yè)鐵路運輸編解作業(yè)、

3、取送車作業(yè)及調(diào)車計劃編制需求，建立了鐵路運輸調(diào)度模型，并研究了基于蟻群交互式優(yōu)化算法的鐵路調(diào)度優(yōu)化方法，提出了企業(yè)鐵路調(diào)車計劃編制優(yōu)化方法和不同布局的企業(yè)鐵路取送車作業(yè)優(yōu)化方法，成功應用于企業(yè)鐵路運輸智能調(diào)度系統(tǒng)中。論文主要研究工作及創(chuàng)新性成果包括:
　　 (1)針對有色冶煉企業(yè)鐵路運輸網(wǎng)調(diào)度過程復雜，情況多變且影響因素多的問題，分析研究了運輸調(diào)度過程的特點及作業(yè)流程，將復雜的鐵路運輸調(diào)度模型分解為鐵路編解模型、樹枝型鐵路取送車

4、作業(yè)模型及混合型鐵路取送車作業(yè)模型，降低了調(diào)度模型的復雜度，提高了企業(yè)鐵路運輸調(diào)度模型的普適性。
　　 (2)為了大型企業(yè)鐵路運輸調(diào)度模型實時求解需要，針對經(jīng)典遺傳算法的局限性，提出了一種蟻群交互式優(yōu)化算法。該算法將蟻群與遺傳算法融入文化算法框架，組成基于蟻群的主群體空間和信念空間兩大空間，主群體空間在進化過程中定期組織最差個體向信念空間提供的種群最優(yōu)模式學習，從而充分利用了優(yōu)秀個體所包含的特征信息，避免了蟻群算法種群單一性的問

5、題，在很大程度上提高了算法的收斂速度。
　　 (3)針對企業(yè)鐵路的調(diào)度作業(yè)計劃人工制定準確率低、負擔重、作業(yè)連貫性差等問題，根據(jù)大型企業(yè)鐵路運輸各作業(yè)子系統(tǒng)具有前后串聯(lián)、相互影響的特點，把復雜的調(diào)度問題分解為列車分組、列車解編組、列車進路安排、列車取送車作業(yè)四個子問題，將優(yōu)化方法分別用于鐵路調(diào)度作業(yè)中的幾個不同的子問題，避免了復雜優(yōu)化計算問題，極大地提高了模型優(yōu)化求解的效率。同時，運用遺傳精英蟻群算法對協(xié)調(diào)優(yōu)化模型進行求解，優(yōu)化

6、了有色冶煉企業(yè)某段時刻內(nèi)的配流，縮短了列車在站停留時間。針對企業(yè)租用國家鐵路列車延時罰款問題，將罰款因素作為約束條件加入優(yōu)化問題中，設計了自適應的懲罰函數(shù)，并將其與遺傳精英蟻群算法相結合，解決了帶有懲罰時間約束的鐵路調(diào)度問題，有效地避免了企業(yè)鐵路運輸租用列車的罰款問題。
　　 (4)根據(jù)企業(yè)編組站樹枝型專用線的特點，利用圖論的知識把編組站裝卸貨專用線分布抽象為漢密爾頓圖，將樹枝型取送車問題轉(zhuǎn)化為旅行商(TSP)問題，采用了一種新

7、的融合算法——遺傳蟻群算法對該問題進行求解，經(jīng)過遺傳算法的初步搜索并生成初始信息素分布，增強了蟻群算法的正反饋機制，降低了蟻群算法中的參數(shù)調(diào)整程度。此外，遺傳算法與蟻群算法結合后，在算法的收斂速度加快的同時，蟻群算法中的α、β、ρ參數(shù)對取送車問題規(guī)模變化的敏感度降低，提高了算法的魯棒性。在蟻群算法階段使用最大-最小螞蟻系統(tǒng)(MMAS)，而且同時采用信息素的局部更新和全局更新規(guī)則，有效避免了陷入局部最優(yōu)問題。
　　 (5)設計開發(fā)