.png){kind=icon}
返回
Solving train scheduling with vehicle flexibility using an ensembled Q-learning multi-objective optimization algorithm
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102459.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着虚拟耦合技术的发展，列车编组灵活性和乘客满意度可进一步提升。本研究探讨了在车辆灵活性约束下城市轨道交通网络的列车调度问题。首先，将问题建模为带有阻塞约束的特殊作业车间调度问题，考虑了三项目标，包括迟滞惩罚最小化、乘客不满意程度最小化以及车辆总数最小化。提出了一种混合整数线性规划（MILP）模型，用于优化每列车的车辆数量、各站点的到达/出发时间以及列车的调度顺序。其次，设计了一种基于Q学习的多目标进化优化方法，具有以下特点：(1) 为提高全局和局部搜索能力，嵌入了一种结合Q学习与变邻域搜索（VNS）启发式的混合框架；(2) 为处理阻塞约束，提出了一种问题特定引理，并用于设计高效的多元块左插入解码启发式；(3) 设计了十种关键路径搜索算子，以充分探索搜索空间。第三，为评估所提算法的效率与有效性，测试了三类实例，包括用于验证数学模型的小规模实例以及来自深圳地铁系统的真实数据，用于评估大规模实例的性能。全面的计算比较和统计分析表明，所提算法相比六种现有先进多目标算法实现了约1.68%-3.03%的平均改进。
Keyword:
Train scheduling
Vehicle flexibility
Passenger dissatisfaction
Ensemble Q-learning
Multi-objective optimization algorithm
