基于两阶段优化策略的重型运输综合调度方法，该方法采用虚拟耦合技术

《Expert Systems with Applications》：Integrated scheduling method for heavy-haul transportation with virtual coupling based on two-phase optimization strategy

虚拟耦合重载列车集成调度模型与算法研究

　　重载铁路运输作为大宗货物运输的重要方式，其运营过程中存在复杂的调度依赖关系，涉及车站操作、时刻表和列车组合等多个环节。传统方法在处理这些环节时往往采用分阶段的方式，即先解决车站作业计划，再安排列车组合，最后制定时刻表，这种分步处理方式虽然降低了问题的复杂度，但也导致了整体调度方案的次优解。为了解决这一问题，本文提出了一种基于虚拟耦合（Virtual Coupling, VC）的重载列车综合调度方法，旨在通过集成优化实现更高效的列车运行管理。

虚拟耦合技术是一种基于车车通信（Vehicle-to-Vehicle, V2V）的列车控制系统，允许由多个短编组列车组成的长编组列车在不进行物理连接的情况下运行。这种技术的引入，使得列车组合和解组可以在更灵活的条件下进行，不再局限于特定的技术站。与传统的移动闭塞信号系统（Moving-Block Signaling System, MBS）相比，虚拟耦合技术在通信架构和安全分离原则上有显著优势。它通过更先进的V2V通信方式，使得列车能够实时交换位置、速度和加速度等动态信息，从而实现动态组合。此外，虚拟耦合的安全分离距离基于前方列车的制动特性，而非简单的绝对制动距离，这使得列车之间的间隔可以进一步缩短，从而提升线路的运输密度。

在实际应用中，重载列车的调度问题通常包括三个关键子问题：车站作业计划、列车组合计划和时刻表安排。这些子问题之间存在高度的耦合关系，因此需要一种综合的调度方法来同时处理这些问题。本文提出了一种新的两阶段优化框架，即TPO-GLM（Two-Phase Optimization based on Genetic Algorithm, Local Search, and Monte Carlo Tree Search），该框架结合了遗传算法（GA）、局部搜索（LS）和蒙特卡洛树搜索（MCTS）三种优化技术，以提高大规模重载列车调度问题的求解效率和质量。

在TPO-GLM框架中，高阶的遗传算法负责进行全局搜索，确定列车的运行顺序和车站作业线路的分配。低阶的局部搜索和蒙特卡洛树搜索则用于细化作业线路的选择和虚拟耦合的组合方案。通过这种分层优化结构，TPO-GLM能够在较短时间内处理涉及数百列列车的大规模调度问题，其求解速度远超现有的启发式和元启发式方法。同时，该框架还能够提供与商业求解器相当的高质量解决方案，尤其在小规模问题上表现优异。

为了确保调度方案的可行性，本文提出了一种基于深度优先搜索（Depth-First Search, DFS）的解码方法。这种方法能够将编码的调度方案直接转换为高质量的时刻表和作业计划，无需额外的编码修复步骤。在传统调度问题中，解码方法往往需要处理复杂的约束条件，例如列车之间的最小间隔距离。然而，在虚拟耦合技术的应用下，这些约束条件变得更加复杂，因为虚拟耦合的决策会影响列车之间的间隔距离。因此，基于DFS的解码方法能够更有效地处理这些约束，从而提高调度方案的质量和可行性。

在实验部分，本文基于真实场景的线路信息进行了模拟实验，包括三个装车站和五个卸车站。实验结果表明，TPO-GLM在处理大规模调度问题时具有显著的优势，不仅能够快速求解，还能提供高质量的调度方案。此外，本文还对各个优化组件（DFS、LS和MCTS）的有效性以及参数设置的影响进行了深入研究，发现GA的参数设置对整体调度方案的影响最为关键，其次是LS，最后是MCTS。因此，本文建议在进行参数调优时，应优先调整GA的相关参数，如种群大小和最大迭代次数，然后再优化LS的预算参数，最后调整MCTS的参数。

本文的主要贡献包括三个方面：首先，提出了一种集成优化模型，能够全面考虑重载列车调度问题中的各个子问题，从而克服传统分步调度方法的局限性；其次，设计了一种高效的两阶段优化框架，结合遗传算法、局部搜索和蒙特卡洛树搜索三种技术，以提升大规模问题的求解效率；最后，提出了一种创新的基于DFS的解码方法，能够直接生成高质量的调度方案，避免了传统解码方法中常见的不可行解问题。通过这些创新，TPO-GLM不仅能够在小规模问题上达到与商业求解器相当的性能，还能在大规模问题上实现更快速的求解，为重载铁路运输的调度优化提供了新的思路和方法。

在实际应用中，TPO-GLM框架能够有效应对重载铁路运输中面临的复杂调度问题。传统的调度方法由于缺乏对车站作业、列车组合和时刻表之间的综合考虑，往往导致次优解，而TPO-GLM通过集成优化，能够在全局范围内找到更优的调度方案。此外，该框架的高效性使其适用于实际的重载铁路运营场景，特别是在涉及大量列车的调度问题中，能够显著提升求解速度和方案质量。因此，TPO-GLM为重载铁路运输的调度优化提供了一种全新的解决方案，具有重要的理论和实践意义。

本文的研究还表明，现有的文献在处理重载列车调度问题时存在一定的局限性。大多数研究集中于传统调度方法或虚拟耦合技术的应用，但很少有研究能够同时考虑车站作业、列车组合和时刻表的综合调度。此外，现有的优化方法在处理大规模问题时往往效率低下，无法满足实际运营需求。因此，本文提出的TPO-GLM框架不仅填补了这一研究空白，还为未来的重载铁路调度优化提供了新的方向。

总的来说，本文通过引入虚拟耦合技术，提出了一种新的综合调度方法，解决了传统方法在处理大规模重载列车调度问题时的效率和质量瓶颈。该方法的创新点在于其两阶段优化框架和基于DFS的解码方法，这些技术的结合使得TPO-GLM能够在较短时间内生成高质量的调度方案，适用于实际的重载铁路运营场景。未来的研究可以进一步探索该框架在其他类型的铁路调度问题中的应用，以及如何优化其参数设置以提高求解效率和方案质量。