基于免疫克隆算法的重载铁路装车区车流组织的优化方法与流程
本发明涉及铁路运输技术领域，尤其涉及一种基于免疫克隆算法的重载铁路装车区车流组织的优化方法。
背景技术：
重载铁路具有容量大，成本低，效率高的优点，现已成为中国煤炭，矿石等资源的主要运输通道，对工业的发展具有重要意义。根据重载铁路线路的运行情况和网轨连接条件，其组织模式可分为全封闭模式、全开放模式和半封闭模式。半封闭模式重载铁路是介于前两种模式之间的重载铁路模式，这类重载铁路在铁路网中是相对独立的，两端衔接路网中的相关线路，车流来源和去向比较复杂，大部分车流需在线路两端技术站进行解编或组合拆解作业，从而形成半封闭的运输组织模式。半封闭式重载铁路一般都是作为地区间物资运输的大通道，线路一端是处于吸引范围内的货源地，货物装车点分布在与线路相连的集运干支线上，另一端是线路下游的货物消费地或转运节点。货物在货源地装车，通过重载线路直达运输到达位于货物消费地或转运节点的卸车端，由此形成一个完整的重载铁路运输集疏运系统。
现有技术中的一种半封闭式重载铁路运输系统如图1所示。满足开行重载列车各相邻始发车站组成的区域，被称为重载铁路装车区。随着重载铁路运量的不断提高，重载铁路装车区的车流量也在大幅增加，这就需要加强对装车区集疏运系统的车流组织方案的研究。
装车区集疏运系统的空、重车流方向明显不同，空车由卸车区以大列的形式返回装车区编组站，在编组站分解后依据装车地所需车种、车数分解成小列送至装车地。装车区车流组织方案的主要任务是规划装车区的重车流和空车流，即在已知各装车点空车需求的情况下，考虑线路运输能力约束和装车点装卸能力约束，将到达装车区编组站的空车合理分配到各装车点，并将装车点装好的重车取回编组站。
在装车区集疏运系统中，空车是重车的车流来源，车流组织方案应根据各装车点的需求，合理将空车按时送达各装车点装车，以保证装车区车流组织的连续性。由于各装车站空车需求在时空上具有不均衡性，若空车无法按时到达将影响装车点正常装车作业，不但浪费装车站装卸能力还将影响装车站重车出发时间，扰乱行车秩序；若空车集中到达装车站，将使装车点无法及时装车，增加空车在装车站的停留时间，降低空车周转率。所以，在集疏运系统日常车流组织工作中，调度人员需要根据现场实际情况安排本班车流组织方案，不间断向卸车地发出所需列车，保证重载铁路运输的连续性与稳定性。通过车流组织方案最大限度缩短车辆在装车区停留时间，提高货车周转率，保障重载铁路运输系统的日常调度工作平稳有序进行，提高重载铁路整体能力。
目前，现有技术中还没有一种有效地使得装车区所有车辆停留时间最短的综合车流组织方案。
技术实现要素：
本发明的实施例提供了一种基于免疫克隆算法的重载铁路装车区车流组织的优化方法，以克服现有技术的问题。
为了实现上述目的，本发明采取了如下技术方案。
一种基于免疫克隆算法的重载铁路装车区车流组织的优化方法，包括：
分析半封闭式重载铁路装车区空重车流的组织特征，以空重车辆在装车区停留时间最小为目标，建立重载铁路装车区系统空重车流的综合优化模型；
对装车区车流的作业过程中涉及的各变量进行因果分析，利用所述各变量建立表示装车区车流的编码方案的一维向量；
以所述一维向量和所述综合优化模型的目标函数为抗体，以所述综合优化模型中的约束条件为抗原，利用免疫克隆算法构建基于信息熵的亲和度表示方式，并依据亲和度进行变异操作，得到所述综合优化模型的最优解，将所述最优解作为重载铁路装车区车流组织的优化方案。
进一步地，所述的重载铁路装车区系统空重车流的综合优化模型中的参数包括：
o表示集疏运系统编组站，是大列空车的到达站；d表示装车区各装车点的集合；k表示列车类型，k＝{2,1,0.5}；mj表示中心站o的第j列到达空车列数，列车类型
ηj＝{1,2,4}表示空车的分解系数，即到达空列j被分解为i个小列的数量，若取值为1表示不进行分解，若取值为2表示将1个2万吨的空列分解为2个一万吨的空列，若取值为4表示将1个2万吨的空车分解为4个0.5万吨的空列；
ηi＝{4,2,1}表示组合系数，即组合列车j′所需的到达重车i的数量；
所述的重载铁路装车区系统空重车流的综合优化模型的目标函数包括：
minz＝z1+z2+z3(3)
式(3)表示车辆在装车区总停留时间；式(4)表示到达空车在编组站的总停留时间；式(5)表示出发空车在装车点进行装车并返回编组站所需要的时间，式(6)表示到达重车在编组站的总停留时间。
进一步地，所述的重载铁路装车区系统空重车流的综合优化模型中的约束条件包括：
(1)装车点能力约束：
式(7)表示从编组站发往装车站的列车数不得超过装车点的装车能力；式(8)表示各装车点在同一时间段只能为一列空车进行装车作业，且出发时间满足装车时间标准及追踪时间间隔；
(2)编组站能力约束：
式(9)表示编组站出发各类型空车的总吨数等于返回编组站的重车总吨数；式(10)表示出发空车的总列数等于到达空车分解后的总列车数；式(11)表示出发重车的总列数等于到达重车组合后的总列车数；式(12)表示出发空车i若由到达空车j分解，则必须满足分解时间约束；式(13)表示出发重车j′若包含到达重车i，则必须满足编组时间约束；
(3)线路能力约束：
式(14)表示从中心站出发的列车之间需要满足追踪时间间隔；式(15)表示回到中心站的重车之间需要满足追踪时间间隔。
进一步地，所述的对装车区车流的作业过程中涉及的各变量进行因果分析，利用所述各变量建立表示装车区车流的编码方案的一维向量，包括：
装车区车流的作业过程中涉及的变量包括：分解系数ηj；空车列在编组站出发时间、目的地和类型
装车区车流的编码方案的一维向量表示为：
d＝d1,d2,l,di,l,dd(17)。
进一步地，所述亲和力是抗体e与抗原z的结合程度，记为：
进一步地，所述的以所述一维向量和所述综合优化模型的目标函数为抗体，以所述综合优化模型中的约束条件为抗原，利用免疫克隆算法构建基于信息熵的亲和度表示方式，并依据亲和度进行变异操作，得到所述综合优化模型的最优解，将所述最优解作为重载铁路装车区车流组织的优化方案，包括：
所述综合优化模型的目标函数的求解算法的步骤如下：
step1初始化抗体v，依据编组站能力约束，利用式(12)、式(14)求解出发空车时间向量
step2依据线路能力约束，利用式(1)求解装车站到达空车时间向量
step3依据装车站能力约束，利用式(8)求解装车点出发重车时间向量
step4依据线路能力约束，利用式(15)求解编组站到达重车时间向量
step5依据编组站能力约束，利用式(13)求解编组站出发重车时间向量
step6计算目标函数，得出车辆在装车区停留时间z；
所述求解算法在进化过程中以抗体之间的亲和度大小为依据，采用变异操作获取下一代种群，所述变异操作的处理过程包括：
初始种群集合为n，抗体个数为n，抗体e与e′之间的亲和度αee′表示各抗体之间的相似程度，将抗体中的每个基因xi称之为等位基因，i＝{1,2,l,i,lm}，根据信息熵理论在集合n中基因ei的信息熵为:
式(19)中，pe(i)为变异概率，表示等位基因在集合e出现在ei处的概率，如果在位置ei上所有的等位基因都相同，那么φi(n)＝0，集合n中的平均信息熵为：
根据熵的定义得到具有同位基因的两个抗体e和e′的亲和度为：
αee′＝[1-φ(ee′)]-1(21)
式(21)中，αee′的取值范围是(0,1]，αee′越大表示两个抗体基因相似度越高，当φ(n)＝1表示抗体之间完全相同；
用抗体浓度ce表示抗体e与种群中其他n(e)-1个抗体的相似程度：
抗体浓度越大表示抗体与其他抗体的相似性越大；
所述免疫克隆算法在对父代抗体种群进行克隆时，种群规模与抗体浓度和亲和力相关，采取整体克隆的方法，对父代的优势抗体种群进行n(e)倍克隆。
式23中，int(·)为取整函数，n(e)为第e个抗体的克隆规模，表示该抗体克隆后的数量，亲和力越高，抗体浓度越小的抗体，克隆出的抗体就越多，经过竞争克隆后，原来的优秀抗体e就被扩张为n(e)个抗体；
采用计算种群的平均适应度确定所述综合优化模型的目标函数的求解算法是否终止，种群的平均适应度的收敛精度σ的计算公式为：
当所述收敛精度σ不小于预设值时，则判断所述综合优化模型的目标函数的求解算法不收敛，对求解算法的参数进行重新设置，继续运行所述综合优化模型的目标函数的求解算法；
当所述收敛精度σ小于预设值时，则判断所述综合优化模型的目标函数的求解算法收敛，终止所述综合优化模型的目标函数的求解算法，将亲和力最高的抗体记作为输出所述综合优化模型的最优解，将所述最优解作为重载铁路装车区车流组织的优化方案。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例利用免疫克隆算法对一维变量具有较高求解效率的特点，针对重载铁路装车区系统空重车综合优化模型，以目标函数为抗体，约束条件为抗原，构建基于信息熵的亲和度表示方式，最后通过克隆算子实现繁殖，利用抗体浓度对抗体进行抑制，防止早熟收敛，从而得到使装载端所有车辆停留时间最小的综合车流组织方案。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术中的一种半封闭式重载铁路运输系统示意图；
图2为本发明实施例提供的一种基于免疫克隆算法的重载铁路装车区车流组织的优化方法的流程图；
图3为本发明实施例提供的一种免疫克隆算法的流程图；
图4为本发明实施例提供的一种收敛速度比较情况示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
为了得到使装车区所有车辆停留时间最短的综合车流组织方案。本发明实施例首先对半封闭式重载铁路装车区空重车流组织特征进行分析，以空重车辆在装车区停留时间最小为目标，建立了重载铁路装车区系统空重车综合优化模型。在求解过程中首先将问题的解转换为一维向量并作为抗体，其次以目标函数为抗原计算亲和力，构建基于信息熵的亲和度表示方式，并依据亲和度进行变异操作，最后通过抗体浓度对种群规模进行控制，达到在规定时间内更快求得最优解，防止早熟收敛的目的。
本发明实施例提供了一种基于免疫克隆算法的重载铁路装车区车流组织的优化方法，利用免疫克隆算法对一维变量具有较高求解效率的特点，针对重载铁路装车区系统空重车综合优化模型，以目标函数为抗体，约束条件为抗原，构建基于信息熵的亲和度表示方式，最后通过克隆算子实现繁殖，利用抗体浓度对抗体进行抑制，防止早熟收敛，从而得到使装载端所有车辆停留时间最小的综合车流组织方案。
实施例一
本发明实施例提供的基于免疫克隆算法的重载铁路装车区车流组织的优化方法的免疫克隆算法的搜索效率高于其他算法，能够有效求解大规模车流组织优化问题，该方法的处理流程如图2所示，包括以下步骤：
步骤s210、分析半封闭式重载铁路装车区空重车流的组织特征，以空重车辆在装车区停留时间最小为目标，建立重载铁路装车区系统空重车流的综合优化模型。该模型考虑了装车点能力约束、编组站能力约束、线路能力约束，是具有普适性的模型，适用于不同的重载铁路系统。
步骤s220、分析车辆在装车区的作业过程，对上述重载铁路装车区系统空重车流的综合优化模型中的各变量进行因果分析，得出一个可以表示车流组织方案的一维向量。利用免疫克隆算法，以目标函数为抗体，约束条件为抗原，构建基于信息熵的亲和度表示方式，并依据亲和度进行变异操作；
免疫克隆算法的搜索效率高于其他算法，能够有效求解大规模车流组织优化问题。
步骤s230、利用抗体浓度对抗体进行抑制，达到在规定时间内更快求得最优解，防止早熟收敛的目的。
上述步骤s210中的重载铁路装车区系统空重车流的综合优化模型考虑了装车点能力约束、编组站能力约束和线路能力约束，是具有普适性的模型，适用于不同的重载铁路系统。该模型的构造过程如下：
模型参数与变量说明
o表示集疏运系统编组站，是大列空车的到达站；d表示装车区各装车点的集合；k表示列车类型，k＝{2,1,0.5}；mj表示中心站o的第j列到达空车列数，列车类型
重载铁路集疏运调度问题可以描述为：由卸车区大列送回装车区的空车mj需要在编组站分解为小列mi后，再分配到各装车点d，各装车点对空车的到达时间t、数量n、类型k有一定的要求，在满足装车点需求和运输能力限制(tod，td，γ)情况下得到合理的日班调度方案，使车辆在装车区停留时间最短。
由于不用类型空车的分解时间不同，设ηj＝{1,2,4}表示分解系数，即到达空列j被分解为i个小列的数量，若取值为1表示不进行分解，若取值为2表示将1个2万吨的空列分解为2个一万吨的空列，若取值为4表示将1个2万吨的空车分解为4个0.5万吨的空列。ηi＝{4,2,1}表示组合系数，即组合列车j′所需的到达重车i的数量。
模型建立，目标函数：
在建立重载铁路装车区系统空重车流的综合优化模型时，主要考虑如何使中心站发出的空车能够尽快完成装车回到中心站，提高空车利用率。目标函数包括三部分：
minz＝z1+z2+z3(3)
式(3)表示车辆在装车区总停留时间；式(4)表示到达空车在编组站的总停留时间；式(5)表示出发空车在装车点进行装车并返回编组站所需要的时间，式(6)表示到达重车在编组站的总停留时间。
约束条件如下：
(1)装车点能力约束：
式(7)表示从编组站发往装车站的列车数不得超过装车点的装车能力；式(8)表示各装车点在同一时间段只能为一列空车进行装车作业，且出发时间满足装车时间标准及追踪时间间隔。
(2)编组站能力约束：
式(9)表示编组站出发各类型空车的总吨数等于返回编组站的重车总吨数；式(10)表示出发空车的总列数等于到达空车分解后的总列车数；式(11)表示出发重车的总列数等于到达重车组合后的总列车数；式(12)表示出发空车i若由到达空车j分解，则必须满足分解时间约束；式(13)表示出发重车j′若包含到达重车i，则必须满足编组时间约束。
(3)线路能力约束：
式(14)表示从中心站出发的列车之间需要满足追踪时间间隔；式(15)表示回到中心站的重车之间需要满足追踪时间间隔。
在上述步骤s220中，利用免疫克隆算法，构建基于信息熵的亲和度表示方式，并依据亲和度进行变异操作。
免疫克隆算法
编码方案
装车区车流的组织方案涉及多个变量，这些变量包括分解系数ηj；空车列在编组站出发时间、目的地和类型
由于x中涉及变量较多，求解较为困难，而免疫克隆算法采用一维向量编码方式能够更好的发挥其优点。经分析发现，当确定出发列车的装车地di及其出发顺序后，x中其他信息也可相应确定。所以，编码方案实际上可以表示为一维向量：
d＝d1,d2,l,di,l,dd(17)
向量d表示的是装车区各装车点的集合；只要把向量d确定了，就能够根据上面的公式(16)把x求解出来。
抗体e是解，实际上就是向量d，确定了向量d也就基本确定了抗体e，抗体v为初始化抗体，抗原z为综合优化模型的目标函数，不同的抗体就是不同的解向量d，初始化抗体是包含在抗体e里面的。
此时，车流组织方案优化问题的解就转化为对于编组站出发空车列进行排序。
亲和力计算：
亲和力就是抗体e与抗原z的结合程度，记为：
模型要求在满足约束条件情况下使目标函数达到最优，直接采用优化问题的目标函数值作为抗原，能够加快算法的求解速度。目标函数的求解步骤如下：
step1初始化抗体v，依据编组站能力约束，利用式(12)、式(14)求解出发空车时间向量
step2依据线路能力约束，利用式(1)求解装车站到达空车时间向量
step3依据装车站能力约束，利用式(8)求解装车点出发重车时间向量
step4依据线路能力约束，利用式(15)求解编组站到达重车时间向量
step5依据编组站能力约束，利用式(13)求解编组站出发重车时间向量
step6计算目标函数，得出车辆在装车区停留时间z。
变异操作
为了保证解的可行性，算法在进化过程中以抗体之间的亲和度大小为依据，采用变异操作获取下一代种群，初始种群集合为n，抗体个数为n。抗体e与e′之间的亲和度αee′表示各抗体之间的相似程度，将抗体中的每个基因xi称之为等位基因，i＝{1,2,l,i,lm}。根据信息熵理论，在集合n中基因ei的信息熵为:
式(19)中，pe(i)为变异概率，表示等位基因在集合e出现在ei处的概率。如果在位置ei上所有的等位基因都相同，那么φi(n)＝0，集合n中的平均信息熵为：
根据熵的定义，得到具有同位基因的两个抗体e和e′的亲和度为，
αee′＝[1-φ(ee′)]-1(21)
式(21)中，αee′的取值范围是(0,1]，αee′越大表示两个抗体基因相似度越高，当φ(n)＝1表示抗体之间完全相同。变异操作的伪代码如下：
1.3.4抗体浓度
为了避免算法早熟收敛，保证种群的多样性，与种群中抗体e的基因xi相似的抗体越多，进行克隆后该抗体与抗原的亲和力越低。用抗体浓度ce表示抗体e与种群中其他n(e)-1个抗体的相似程度：
抗体浓度越大表示抗体与其他抗体的相似性越大，在进行细胞增殖时需要对这部分抗体进行抑制，依据抗体浓度选择高效进化基因的抗体能够有效保证下一代抗体的多样性。
1.3.5克隆竞争策略
克隆算子在本发明实施例算法中对解的多样性分布和逼近性起着重要的作用。算法在对父代抗体种群进行克隆时，种群规模与抗体浓度和亲和力相关，采取整体克隆的方法，对父代的优势抗体种群进行n(e)倍克隆。
式23中，int(·)为取整函数，n(e)为第e个抗体的克隆规模，表示该抗体克隆后的数量，亲和力越高，抗体浓度越小的抗体，克隆出的抗体就越多。经过竞争克隆后，原来的优秀抗体e就被扩张为n(e)个抗体。克隆和选择程序如下。
通常免疫克隆算法采用进化代数作为算法的终止条件，但是进化代数的确定需要根据问题的规模反复测试，鲁棒性较差。本发明实施例采用计算种群的平均适应度确定算法是否终止，当种群的平均适应度变化微小时，说明算法收敛，找到了满意解。收敛精度σ可以表示为，
当收敛精度小于预设值时，算法终止。否则说明算法不收敛，需要对算法参数进行重新设置。
1.3.7图3为本发明实施例提供的一种免疫克隆算法的处理流程图，包括如下的处理步骤：
开始
step1初始化参数，随机产生抗体种群n(v)，设置迭代参数v＝1；
step2根据公式(18)，计算种群抗体与抗原的亲和力
step3根据公式(21)，计算抗体e的亲和力αee′并对变异算子进行变异操作；
step4根据公式(22)，计算抗体的浓度cv。将获取具有高亲和力和低浓度的克隆抗体e及规模为n(v)的抗体种群。
step5将所有抗体的抗体浓度由小到大进行排列，删除浓度较高的抗体，保证种群规模为n。
v＝v+1
当σ≤σ*
step6将亲和力最高的抗体记为最优解，判断是否满足算法终止条件，若满足输出最优解；若不满足返回step2。上述最优解就是重载铁路装车区车流组织的优化方案。
结束
结束
5、计算求得最优解。
6、基于ica算法进行寻优能力与基于ga和pso算法进行寻优能力进行对比。
求亲和力是一种计算过程，不需要迭代。免疫克隆算法是需要迭代计算求解的。亲和力计算是包含在免疫克隆算法里面的。
实施例二
为了验证本发明实施例算法的有效性，实验利用大秦重载铁路装车区集疏运系统数据，经简化装车点信息如表1，技术作业时间如表2。
本发明实施例假设编组站每隔20min到达1列2万吨空车，第1列空车到达时刻记为0，4小时内共到达12列空车，重车在编组站编组时间为30min。目的是为了计算这些空车列在装车区的总停留时间。
2结果与分析
免疫克隆算法的运行参数设置为：初始种群规模v＝50，最大进化代数为100，收敛精度σ＝0.03。为了更好地验证本发明实施例算法的有效性和优越性，采用遗传算法(ga)和粒子群算法(pos)作为参比实验。
遗传算法是一类借鉴生物界的进化规律演化而来的自适应概率性随机化迭代搜索算法。ga算法只是一类具有固定种群(population)规模、个体用固定长度的基因链的抽象模型。根据适应度(fitness)来随机地选择双亲，并按交叉(crossover)和变异(mutation)算子来产生新的种群。交叉(crossover)是指，有性生物在繁殖下一代时两个同源染色体之间通过交叉而重组，亦即在两个染色体的某一相同位置处dna被切断，其前后两串分别交叉组合形成两个新的染色体。这个过程又称基因重组recombination，。变异(mutation)是指在细胞进行复制时可能以很小的概率产生某些复制差错，从而使dna发生某种变异，产生出新的染色体，这些新的染色体表现出新的性状。算法参数如表3所示。标准粒子群算法的速度更新方程为：
w为惯性权重,它决定了粒子先前速度对当前速度的影响程度,从而起到平衡算法全局搜索和局部搜索能力的作用，从试验的效果来说,当权重固定值的范围是,时,优化会得到一个好的结果,能更好地找到全局最优解。一个大的惯性权重有利于全局探测能力搜索新的区域,而一个小的惯性倾向于局部探索,精细搜索目前的小区域。因此,权重是一个随时间递减函数而不是一个固定不变的值。开始赋给大值,而后线性减少到一定值,一个好的递减值范围是从1到0.4。因此，算法参数如表3所示。
所有实验均在cpu频率2.8ghz，内存2g，操作系统windowsxp，matlab7环境下进行。为了对不同算法进行评价，通常利用平均值和平均计算时间个评估指标进行评估，其具体的定义如下：
(1)平均值：经过n次试验得到适应度函数值的算术平均值。
(2)平均计算时间：在进行n次试验中寻找成功的次数时间的平均值。
为了消除随机带来的偶然性，对每个函数寻优实验都进行100次，即n＝100，其实验结果见表4。
从测试结果中可以看出，三种算法都能很好的找到最优值，ica算法有效地克服了算法早熟问题，具有较好的全局寻优能力。ica算法较ga和pso算法能够跳出局部最优解，具有更强的全局搜索能力和稳定性。而且，算法的最优值的均值和平均计算时间也显著优于ga和pso算法，其中平均计算时间较其他两种算法减少36％，51％，优化效果明显。经过100次求解后，收敛速度比较情况见图4。
从图4可知，本发明实施例提出的免疫克隆算法能够保证在规定时间内求得最优解4629(列·min)。车流组织方案关键参数见表5。
表1装车点信息表
表2不同类型车辆的解体时间、装载时间和追踪间隔时间(min)
表3ga/pso算法参数
表4不同算法的优化效率比较
表5装车区车流组织方案
为了验证本发明实施例所提出的基于免疫克隆算法的重载铁路装车区车流组织的优化方法在实际情况中的应用效果，利用大秦重载铁路装车区车流组织进行了模型的应用分析，计算这些空车列在大秦重载特鲁装车区的总停留时间最小。结果表明，本发明实施例提出的算法能够保证在规定时间内求得最优解，算法有效地克服了算法早熟问题，相比于ga和pso算法具有较好的全局寻优能力，平均计算时间较其他两种算法减少36％，51％，优化效果明显。
综上所述，本发明实施例利用免疫克隆算法对一维变量具有较高求解效率的特点，针对重载铁路装车区系统空重车综合优化模型，以目标函数为抗体，约束条件为抗原，构建基于信息熵的亲和度表示方式，最后通过克隆算子实现繁殖，利用抗体浓度对抗体进行抑制，防止早熟收敛，从而得到使装载端所有车辆停留时间最小的综合车流组织方案。
本发明实施例的方法中的免疫克隆算法的搜索效率高于其他算法，能够有效求解大规模车流组织优化问题。该算法能够保证在规定时间内求得最优解，而且该方法能够有效地克服算法在常规实施中的早熟问题，搜索效率高于其他算法，平均计算时间较其他两种算法相比减少较多，能够有效求解大规模车流组织优化问题。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！