Optimization of train schedule with uncertain maintenance plans in high-speed railways: A stochastic programming approach

火车 地铁列车时刻表 计算机科学 随机规划 持续时间(音乐) 运筹学 数学优化 北京 集合(抽象数据类型) 分解 水准点(测量) 工程类 数学 中国 法学 艺术 生态学 地图学 文学类 大地测量学 政治学 生物 程序设计语言 地理 操作系统
作者
Hangyu Ji,Rui Wang,Chuntian Zhang,Jiateng Yin,Lin Ma,Lixing Yang
出处
期刊:Omega [Elsevier]
卷期号:124: 102999-102999 被引量:3
标识
DOI:10.1016/j.omega.2023.102999
摘要

In high-speed railways, unexpected disturbances on maintenance activities may cause serious delays of the scheduled trains and greatly affect the service quality for traveling passengers. In contrast to most existing studies that focused on deterministic maintenance activities, this paper develops a two-stage stochastic programming approach to address the optimization of train schedules under uncertain maintenance plans. Specifically, in the first stage, we aim to determine the departure times of trains from the origin station, since this information needs to be public to passengers in advanced. The objective function is to minimize the expected travel time of trains under uncertain duration time of maintenance activities. In the second stage, given the specific information of maintenance activities, we generate the train schedule by adjusting the stop patterns, train orders and the assignment of tracks at key stations. Due to the computational difficulties arising from the large number of discrete decision variables, we particularly develop a dual decomposition based solution approach to solve the two-stage stochastic model. Our approach decomposes the original problem into a set of scenario-dependent subproblems with much fewer number of variables, which greatly improves the computational efficiency. Finally, we conduct several sets of real-world instances based on the Beijing–Guangzhou high-speed railway corridor to verify the effectiveness of the proposed model and solution approach. The results demonstrate that our approach evidently outperforms state-of-art solvers (Gurobi), especially for large-scale instances that Gurobi cannot even return feasible solutions.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
结实山水完成签到 ,获得积分10
刚刚
干果发布了新的文献求助10
1秒前
1秒前
菘蓝泽蓼完成签到,获得积分10
2秒前
liu欣慰完成签到,获得积分20
3秒前
郦稀完成签到,获得积分10
3秒前
3秒前
高高的坤完成签到 ,获得积分10
4秒前
4秒前
秋秋发布了新的文献求助10
6秒前
大模型应助严惜采纳,获得10
7秒前
8秒前
Soda发布了新的文献求助20
12秒前
Penny发布了新的文献求助30
12秒前
13秒前
14秒前
文艺书雪完成签到 ,获得积分10
15秒前
桐桐应助李瑞瑞采纳,获得10
16秒前
16秒前
17秒前
18秒前
坤仔发布了新的文献求助10
18秒前
来日方长发布了新的文献求助10
19秒前
ziyiziyi发布了新的文献求助10
19秒前
19秒前
钱多多完成签到,获得积分10
19秒前
20秒前
20秒前
可研小冲完成签到,获得积分10
20秒前
21秒前
小白发布了新的文献求助10
23秒前
知之然完成签到,获得积分10
23秒前
可研小冲发布了新的文献求助10
24秒前
25秒前
Ergou发布了新的文献求助10
25秒前
炸天完成签到 ,获得积分10
25秒前
彭于晏应助小巧的傲松采纳,获得10
25秒前
25秒前
HEIKU应助liu欣慰采纳,获得10
27秒前
史道夫发布了新的文献求助10
29秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
An Introduction to Geographical and Urban Economics: A Spiky World Book by Charles van Marrewijk, Harry Garretsen, and Steven Brakman 600
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3153522
求助须知:如何正确求助?哪些是违规求助? 2804730
关于积分的说明 7861275
捐赠科研通 2462658
什么是DOI,文献DOI怎么找? 1310909
科研通“疑难数据库(出版商)”最低求助积分说明 629416
版权声明 601809