CC BY
63
УДК 381.31.00
В. О. Борознов
ОЦЕНКА ЭФФЕКТИВНОСТИ МЕТОДА РЕШЕНИЯ ЗАДАЧИ «ОПРЕДЕЛЕНИЕ ПОРЯДКА РОСПУСКА СОСТАВОВ НА СОРТИРОВОЧНОЙ ЖЕЛЕЗНОДОРОЖНОЙ СТАНЦИИ»
Введение
Рассмотрим общую технологию составления плана роспуска поездов. Маневровый диспетчер (ДСЦ) принимает решение о составление плана на заданный временной интервал в зависимости от специфических особенностей сортировочной станции (СС). Определившись с временным интервалом, ДСЦ приступает к составлению плана роспуска поездов - составляет прогноз прибытия поездов, находящихся в подходе станции, и берёт в расчёт только те поезда, которые успевают дойти до станции в запланированный интервал. Прогноз прибытия поездов может быть составлен на основе справки подхода поездов, взятой из АСОУП (автоматизированная система оперативного управления перевозками), в которой отображено время последней операции, совершённой с поездом, и его дислокация. Время хода до станции можно рассчитать исходя из средней участковой скорости с учётом технологического времени в случае проследования через другие станции. В случае возникновения затруднений или получения более точной достоверности, время прибытия поездов можно уточнить у поездного диспетчера дорожного автоматизированного диспетчерского центра управления (ДАДЦУ). После того как прогноз прибытия поездов составлен, на поезда запрашиваются телеграфно-натурные листы (ТГНЛ) (содержат сведения о количестве вагонов, грузе, станции назначения и т. д.) из АСОУП. Маневровый диспетчер просматривает перечень вагонов, находящихся под накоплением, и привлекает причастных лиц с целью выяснить занятость приемоотправочных путей, наличие свободных локомотивов, наличие вагонов, высвобожденных из-под грузовых операций, и т. д. Опираясь на прогноз прибытия поездов, накопление и нормативное время на обработку, ДСЦ составляет план очередности роспуска поездов, стараясь минимизировать простой, и параллельно с этим составляет план формирования поездов. Затем ДСЦ согласовывает план с дежурным по отделению и утверждает его у поездного диспетчера ДАДЦУ. Утвердив план, ДСЦ ознакомливает с ним причастных: дежурного по станции (ДСП), дежурного по горе (ДСПГ). Дальнейшая реализация плана возлагается на ДСПГ и ДСП, ДСЦ же осуществляет контроль его выполнения. В случае возникновения обстоятельств, приводящих к изменению плана (занятость приёмоотправочных путей, задержка при движении поездов и т. д.), ДНЦ вносит в него корректировки. Наглядно это показано на рис. 1.
I--------------------------* ~
Просмотр поездов, находящихся в подходе к станции ▼
Составление прогноза прибытия поездов — ▼ —
Ознакомление с вагонами, находящимися под накоплением
~~ * ------------------------
Оценка общей ситуации на станции
~~ ▼ -------------------------------------------------
Просмотр натурных листов на поезда, включенные в план
~~ V
Определение очередности роспуска — > —
Составление сортировочных листов
~~ * ------------------------
Составление плана по формированию поездов =: ▼
Согласование плана
Т
Реализация плана
▼ ~~
Изменение плана
В настоящее время ДСЦ самостоятельно принимает решение о порядке расформирования поездов на СС, опираясь на общую картину полигона и свой опыт работы в данной области. Таким образом, оптимальность работы зависит от «опытности» ДСЦ. Решение данной оптимизационной задачи позволит повысить эффективность работы СС, её экономическую эффективность и экономическую эффективность всего перевозочного процесса в целом. Автоматизированную систему лучше всего выполнить как систему поддержки принятия решений (СППР). Это позволит ДСЦ видеть оптимальные варианты порядка роспуска, самостоятельно принимать решения, т. к. не все факторы могут быть отражены в информационной системе. Для автоматизации данного процесса необходимы:
— построение математической модели;
— построение информационной модели;
— выбор методов решения.
Построение математической модели было рассмотрено в [1], рассмотрим остальные составляющие системы.
Построение информационной модели
Связующим звеном в АСУ грузовых перевозок является система АСОУП, которая содержит интересующие нас модели: вагонную и поездную. Для рассматриваемой задачи объема информации в рамках АСОУП достаточно.
Для составления прогноза прибытия поездов следует выяснить, какие поезда имеются в подходе к станции (их дислокация, время последней операции). Для этого необходимо получить информацию из запросной системы АСОУП о подходе поездов. После определения списка поездов, включенных в план для роспуска, необходимо получить пономерной список вагонов для каждого из поездов в объёме ТГНЛ. Информация о количестве вагонов под накоплением и в составах также берется из АСОУП. Затем для каждого вагона под накоплением запрашивается вес и код груза, станция назначения и т. д. После разработки плана по роспуску поездов идет его согласование с руководством станции, дежурным по отделению, диспетчером ДАДЦУ. Общая информационная схема показана на рис. 2.
В случае использования АСОУП-2 можно отказаться от использования запросной системы и перейти на SQL-запросы, при этом общая информационная схема не изменится. Наиболее целесообразно использовать собственную базу данных для хранения информации о вагонах, находящихся под накоплением. Это позволит уменьшить число запросов к АСОУП и хранить дополнительные сведения, в частности о физическом местоположении вагонов после расформирования.
Выбор объекта исследования
Решение данной задача особенно необходимо для крупных СС, с количеством распускаемых поездов в сутки N > 50. Следует также учесть, что чем больше сортировочная работа станции, тем больший эффект будет получен от автоматизации процесса определения очередности роспуска составов. Это связано прежде всего с неравномерностью прибывающих поездов и возможностью возникновения ситуации, когда на станции имеется несколько поездов. Определение очередности в такой ситуации проходит без «жертв» (не требуется держать состав в парке станции в ожидании поезда, который еще не прибыл, но должен быть расформирован раньше). Не следует выбирать станции, где интервалы между прибытием поездов больше технологического времени роспуска состава с горки, т. к. оптимальное решение задачи в таком случае будет всегда найдено «жадным» методом. Поэтому наиболее целесообразно рассмотреть крупные СС по России (табл. 1). Поскольку в решения задачи включаются не все поезда, а только попадающие в интервал планирования - 12 часов, то условно примем, что количество поездов в 2-х сменах равное. Это позволяет нам примерно оценить размерность решаемой задачи, для того чтобы определить, каким из методов её целесообразно решать.
Таблица 1
Станция Сортировка в сутки Поездов в смену
поездов вагонов
Им. Максима Г орького 71 4 783 35
Алтайская 73 4 833 36
Инская 120 9 334 60
Рассмотрим эффективность методов решения в зависимости от количества поездов в планируемом интервале, с учетом того, что маневровый диспетчер действует по принципу «жадного» алгоритма.
Анализ возможных процедур решения задачи
Для решения данной задачи предлагается использовать эвристические методы: БУ-метод и алгоритмы поиска: генетический алгоритм (ГА) и ACS-Q, т. к. использование точных методов, вообще говоря, невозможно [2]. В этом можно убедиться из рис. 3, на котором видно, что время решения точным методом алгоритма полного перебора (АПП) на интересующей нас размерности 20 < N< 80 является недопустимо большим. Поэтому для станций Инская, Алтайская, им. Максима Горького возможно применение только эвристических алгоритмов.
1Е+44
1Е+40
1Е+36
1Е+32
1Е+28
1Е+24
1Е+20
1Е+16
1Е+12
1Е+08
10000
1
*
ф
ф ф
ф
* ф
ф
ф
ф
ф ^ ф
-- -АПП ■ -•— БУ
—■ МВД
...... ГА
-А—АСЭ-О
20
40
60
80
100
0
N
Использование таких эвристических алгоритмов, как «венгерский» и метод включения дальнего, невозможно. Это связано с тем, что на каждом этапе (после расформирования поезда) матрица «стоимость» изменяется за счёт изменения количества вагонов под накоплением. Адаптация данных поисковых алгоритмов для решения рассматриваемой нами задачи не требуется, изменится лишь алгоритм вычисления целевой функции.
Данные моделирования
Для выбора оптимального метода решения проведём компьютерное моделирование. Для каждой задачи определение размерности N проводилось по 33 испытаниям, что соответствует доверительной вероятности 0,75 и ошибке 0,1. Случайным образом генерировались N поездов длиной 65-85 вагонов, а также вагоны под накоплением согласно плану формирования по каждому направлению в количестве 0-65 вагонов, после чего задача решалась четырьмя методами. Минимальная длина поезда для всех направлений - 80 вагонов, количество групп под накоплением - 20. Генетические алгоритмы были взяты со следующимим параметрами: вероятность кроссинговера 0,85, вероятность мутации - 0,1. Критерий окончания эволюции следующий: за последние 30 поколений целевая функция не улучшилась, размер популяции = N. Алгоритм АС8^ был взят с параметрами а = 1, Ь = 3, глобальное испарение ОБ = 0,5, локальное испарение ЬБ = 1, параметр баланса между использованием накопленных знаний и исследованием новых решений д0 = 0,3, начальное значение феромона 0,0001, муравьёв = N. Результат моделирования представлен в табл. 2.
Таблица 2
Абсолютная ошибка методов
N Эвристические методы Алгоритмы поиска
БУ, % «Жадный», % ГА, % АС8-д, %
6 1,00 3,56 1,56 0,40
7 0,31 6,25 1,56 0,62
8 0,46 9,72 1,25 0,68
9 0,36 10,47 1,72 1,93
10 0,11 12,53 1,47 1,31
Абсолютная погрешность (относительно точного результата) рассматриваемых методов существенно мала, «жадный» метод показан для наглядности, т. к. мы считаем, что ДСЦ действует по его принципу (в лучшем случае).
Для выбора метода решения задачи о порядке роспуска составов на СС проведем испытания на интересующих нас размерностях задачи 20 < N< 80. Результаты испытаний представлены в табл. 3 и 4. Относительная эффективность рассчитывалась относительно «жадного» метода (чтобы наглядно показать выигрыш в процентах от использования того или иного метода) по формуле
. Результат " жадного" алгоритма - Результат рассматриваемого метода 1ПГ.0/
Дотн =-----------------------------------------------------------------------100 /о.
Результат рассматриваемого метода
Таблица 3
Относительная эффективность методов
N Эвристические методы Алгоритмы поиска
БУ, % ГА, % АС8-д, %
20 17,889 20,026 19,664
40 15,779 16,894 16,686
60 15,048 16,199 15,915
80 15,789 16,658 16,417
Таблица 4
Временная сложность методов
N Эвристические методы Алгоритмы поиска
«Жадный», 1м с БУ, мс ГА, мс ЛС8-д, мс
20 14,78 27,47 250,76 123,45
40 57,67 88,65 790,87 1 032,85
60 169,27 423,78 2 338,94 3 946,15
80 419,13 1 005,40 4 499,72 11 215,38
Для более наглядного представления данных табл. 3 построим график (рис. 4).
N
. . . -БУ---ГА------ДСБ-О
Рис. 4. Эффективность рассматриваемых методов
Из рис. 4 видно, что эффективность всех методов имеет пик на размерности 20, далее идёт на спад и после N = 50 нормализируется. Спад эффективности можно объяснить тем, что для поисковых алгоритмов, в частности ГА, более целесообразно разработать дополнительные эвристические операторы для решения этой задачи, как, например, это сделано для задачи коммивояжера. Спад эффективности алгоритмов связан также с эффективностью «жадного» метода: когда его результативность возрастает, «эффективность» остальных методов уменьшается.
Согласно данным моделирования, чем больше размерность задачи, тем целесообразнее её решение. Следует отметить, что если её размерность больше чем 16 поездов в смену, решение становится возможным только с помощью эвристических алгоритмов. Эффективнее всего для этой цели использовать ГА, причём их временная сложность уступает только временной сложности БУ-метода, а относительная погрешность решения является минимальной.
Оценка эффективности
Согласно единой сетевой разметке (ЕСР), вся сеть железных дорог СНГ и стран Балтии разбита на 99 сетевых районов. В каждый сетевой район включена одна опорная станция (как правило, крупная сортировочная) и не более 99 других станций, открытых для грузовых операций. Таким образом, общее число крупных СС примерно равно количеству районов. Для России их количество составит 58 ^ = 30-60).
Время простоя вагона под накоплением - величина непредсказуемая и для каждой станции является индивидуальной.
Примем в качестве метода решения задачи ГА, а его эффективность равной 16,199 % (как худшую на интервале 20 < N < 80) и сведём данные по СС в табл. 5.
Таблица 5
Итоги за сутки по работе СС
Станция Сортировка Простой под накоплением Эффективность
поездов в сутки вагонов в сутки Средний простой одного вагона под накоплением Общий простой вагонов под накоплением в сутки, ваг • ч
Им. Максима Горького 71 4 783 6 ч 05 мин 29 096 4 713 ваг• ч
Алтайская 73 4 833 4 ч 59 мин 23 681 3 836 ваг• ч
Инская 120 9 334 6 ч 52 мин 62 537 10 130 ваг • ч
Общий приблизительный эффект по снижению простоя вагона под накоплением по всей России за одни сутки будет следующим:
Количество сортировочных станций х среднее время простоя X среднее количество вагонов в сутки.
Примем среднее время простоя = 5 ч 30 мин, среднее количество вагонов в сутки = 4 800 ваг.,
тогда
Эпу,™и°й = 58 • 5,5 • 0,16199 » 248 000 ваг • час.
Это оценка является приближенной, т. к. каждая СС индивидуальна (имеет свои нормы простоев, и количества перерабатываемых вагонов в сутки). Следует также учесть допущение, сделанное нами в начале параграфа, о том, что мы приняли в расчёт лишь крупные СС согласно ЕСР.
Можно дать примерную оценку влияния сокращения простоя вагона под накоплением на весь перевозочный процесс. Если принять, что вагон от пункта отправки до пункта назначения проходит в среднем 4 крупные СС и среднее время простоя на СС = 5 ч 30 мин, то получим
Эпрр™ = 4 • 5,5 • 0,16199 » 3 ч 33 мин.
Выводы
Таким образом, эффективным методом решения задачи в автоматизированном режиме является ГА. Следует отметить, что чем крупнее СС, тем больше эффект. Для СС с количеством роспуска поездов в сутки > 50 эффективность может быть повышена на 16,199 %, что в масштабах России существенно снижает простой вагонного парка под накоплением и позволяет увеличить вагонооборот.
СПИСОК ЛИТЕРАТУРЫ
1. Борознов В. О. Построение модели для задачи о порядке роспуска составов на сортировочной желез-
нодорожной станции // Вестн. Астрахан. гос. техн. ун-та. - 2007. - № 6. - С. 178-182.
2. МаккониеллДж. Основы современных алгоритмов. - М.: Техносфера, 2004. - 368 с.
Статья поступила в редакцию 27.03.2008
EFFICIENCY TEST OF PROBLEM-SOLVING TECHNIQUE "DEFINITION OF THE PROCEDURE OF TRAIN SORTING AT A RAILROAD YARD"
V. O. Boroznov
The common scheduling technology of train sorting at a railroad yard is considered in the paper. Components necessary for automation of the given process within the limits of the expert support system are revealed. Its two components are considered: information model and methods of solution. Recommendations for choosing introduction objects are given. The analysis of possible procedures of problem-solving is shown. The efficiency of methods of solution is estimated on the basis of computer modeling of the given problem. The comparison of productivity of the considered procedures concerning the decisions of the shunting dispatcher is made under the condition that it works by the principle of a "greedy" algorithm. The choice of an optimum method of the decision is made, and the calculation of its efficiency is done. The efficiency can be raised up to 16,199 % at those railroad yards where the quantity of train sorting in a day > 50, thus on Russian scale it will essentially reduce idle time of car fleet under storage and will also allow to increase a turn of cars.
Key words: railroad yard, scheduling of train sorting, information model, efficiency test.
