CC BY
13
4. Руденко В.И. Обоснование управляющих параметров гидравлических устройств удаления окалины / Руденко В.И., Суков Г.С., Руденко Р.В., Ошовская Е.В., Антыкуз О.В. // Прогрессивные технологии и системы машиностроения: Междунар. сб. науч. трудов. - Донецк: ДонНТУ, 2004. Вып. 27. - С. 186-190.
5. Антыкуз О.В. Разработка конструкции и исследование энергосиловых параметров усовершенствованного устройства для гидросбива окалины с поверхности листа - Донецк: ДонНТУ, 2004.
Abstract
Hydraulic descaling is one of the most progressive method for scale removal in metallurgy. The most rational way to identify key reservoir parameters for hydraulic descaling is to provide the necessary liquid jets energy to remove the scale. These parameters are specific for each grade of steel. Specific scale deleting energy e * achieving is needed to provide the effectively scale removing. Scale density is defined by real time thermal images for each section of steel sheet. Value e * exceeding is due to the additional water flow. Also, we need to minimize the cost of management.
Therefore the control criterion can be represented as function of three variables f(H,p,y).
Presented in the above problem belongs to a class of nonlinear optimization problems. That's why it is advisable to use genetic algorithms. The system uses an integer encoding that match to the desired control variables value: the water pressure in the nozzles, beam position, angle nozzle.
The authors have developed a fitness function of the system.
The following statements have been used in algorithm:
• selection of roulette;
• single-point crossover;
• simple mutation.
Authors have developed software to perform the calculation of the control variables values
Keywords: descaling, genetic algorithms, specific scale deleting energy
□-
В статтi розглянута одна з основних задач системи оперативного планування погз-ног роботи залiзниць: забезпечення порож-тми вагонами та гх передача мiж станциями, сусидтми дирекциями, залiзницями. Сформована щльова функщя щодо оптимiза-ци використання порожнього парку ваготв
Ключовi слова: оперативне планування, генетичний алгоритм, хромосома, функ-щя пристосованостi, ращональний розподт ваготв
□-□
В статье рассмотрена одна из основных задач системы оперативного планирования поездной работы железных дорог: обеспечение порожними вагонами и их передача между станциями, соседними дирекциями, железными дорогами. Сформирована целевая функция оптимизации использования порожного парка вагонов
Ключевые слова: оперативное планирование, генетический алгоритм, хромосома, функция приспособленности, рациональное
распределение вагонов -□ □-
1. Вступ
В умовах розвитку транспортного ринку одним Í3 ключових питань для системи перевезень е сво-ечасне забезпечення вагонами необхщного типу
УДК 656.223.2.001.18
ВИЗНАЧЕННЯ ЦШЬОВОТ ФУНКЦП ОПТИМ1ЗАЦИ ВИКОРИСТАННЯ ПОРОЖНЬОГО ПАРКУ
ВАГОН1В
Л. I. Рибальченко
Астрант, асистент Кафедра управлшня експлуатацтною роботою УкраТнська державна академия залiзничного
транспорту
м. Фейербаха ,7, м. Хармв, УкраТна, 61050 Контактный тел.: (057) 730-10-88 E-mail: rubalchenko_liliya@mail.ru
ycix вщправниюв вантажу вщповщно ix заявок. Але виршення цього питання ускладнюеться у зв'язку з великим вщсотком зношеноси рухомого складу. Для придбання нового рухомого складу потрiбнi значш кашталовкладення, тому постае проблема
ращонального використання наявних в експлуата-цп одиниць транспорту. Варiантом рацiоналiзацiï е освоення нових пiдходiв до оргашзацп вагонопото-KiB оптимальною кiлькiстю вагошв i локомотивiв, та оптимiзацiя регулювання використання порожнього парку вагонiв. А це означае, що вирiшення пробле-ми стосуеться удосконалення системи оперативного планування.
2. Аналiз дослщжень i публжацш
Питання оптимiзацiï розподiлу рухомого складу розглянут у наукових роботах багатьох вггчизняних та закордонних вчених. А саме, увагу цьому питанню придiляли такi вченi: Акулжчев В.М., Бутько Т.В., Данько М.1., Дувалян С.В., Жуковський 6.М., Кова-льов В.1., Котенко А.М., Лаврухш О.В., Ломотько Д.В., Негрей В.Я., Осьмшш О.Т., Смехов О.А. В результат проведеного аналiзу було виявлено, що саме в цьому питанш оперативного планування недостатньо при-дшялося уваги людському фактору.
3. Формування мети та постановка задачi дослщження
Згiдно проведеного аналiзу, постае актуальна задача розробки моделi розпод^у порожнiх вагонiв мiж станцiями, дирекщями, залiзницями. Потрiбна модель повинна враховувати в« фактори, якi мають вплив при робоп по1зного диспетчера у визначенш напрямку вiдправлення вагонiв для надання ванта-жовiдправникам. В робой [1] була розроблена модель розпод^у порожшх вагонiв мiж залiзничними пiдроздiлами, але функцiя пристосованостi хромосом, яка необхщна для функщонування генетичного алгоритму, була представлена в неявному виглядь А також не в« фактори впливу були взяп до уваги. Тому на подальшому етапi розробки моделi розподь лу порожшх вагошв необхщно сформувати щльову функцiю в явному виглядi, яка буде вщтворювати внутрiшню залежнiсть мiж параметрами, якi безпо-середньо оказують вплив на прийняття рiшення щодо рацiонального розподiлу порожнiх вантажних вагошв. До зазначених параметрiв можна вщнести наступ-нi: кiлькiсть станцш на дирекцii; кiлькiсть станцiй, на яких е порожш вагони; юльюсть станцiй, на якi треба подати вагони тд навантаження; кiлькiсть вагошв, вказана в заявщ вантажовiдправника; юльюсть ваго-нiв, яка е в наявноси на станцiях; кiлькiсть вагошв, яю необхiдно доставити зi станцп на станцiю; вар-тiсть вагоно-години та локомотиво-години у русг, час знаходження вагошв та час знаходження локомотива у ру« мiж станщями; вартiсть вагоно-кiлометра та локомотиво-кiлометра; вщстань, пройдена вагонами; вiдстань, пройдена локомотивом; юльюсть вагонiв у складi поiзда; кiлькiсть дiльниць або перегонiв на дирекцп [2,4].
Модель буде постшно аналiзувати i враховувати всi фактори впливу, та надавати ршення щодо рацюнального розпод^у порожнiх вантажних вагошв мiж станцiями залiзничних шдроздШв на основi прюри-тетiв, яю базуються на розрахунках техшко-еконо-мiчних показникiв.
4. Виклад основного матерiалу
Для вирiшення задачi розподiлу порожшх вагошв у данш робот пропонуеться застосувати метод генетичного алгоритму. В даному випадку цей тдхвд дозволить аналiзувати та врахувати значну юльюсть чинни-кiв, яю впливають на розподiл порожнiх вагошв.
Для цього спочатку необхвдно визначитися з вибо-ром вихiдноi популяцп хромосом та представленням генiв. В якост генiвg1, g2,..., gv пропонуеться при-йняти певнi залiзничнi станцп, мiж якими необхiдно розпод^ити порожнi вагони, при цьому назву кожноi станцп замiнити на код, який буде складатися з набору арабських цифр.
Хромосома р буде представляти з себе певну по-слщовшсть генiв, тобто кожна хромосома е варiантом послiдовностi розподiлу порожшх вагошв мiж станщ-ями р = {g1,g2,...gv}. Для легкого розшифрування отри-маного результату роботи алгоритму дощльно кожнiй хромосомi присвоГти номер.
Сукупнiсть всiх хромосом являе собою популящю
[3]:
P' = {PiP2,...,Piv..PNph (1)
де t = 0,1,2... - номер генерацп генетичного алгоритму; NP - розмiр популяцп.
Шсля декодування виконуеться оцiнювання при-стосованостi хромосом. Ця операцiя складаеться з розрахунку функцп пристосованостi для кожноГ хро-мосоми цiеi популяцп.
Отже, щльова функцiя в явному вигляд^ з ураху-ванням вказаних параметрiв впливу та обмеженнями, необхщними для встановлення залежностi мiж змш-ними, мае вигляд:
f(x) = cB ± c2 ±
i=l j=l ¡=1 j=l n m n m (2) +< £ ¿sgn(xö )tj + с2л]Г £sgn(xö )SJ ^ min ¡=1 j=1 i=1 j=1
a„
i=1
•X^ bj
j=1
X x = inf(£ a, X b),
xH <тд ,i = 1...n,j = 1...m,k = 1...пд,
у к ^
де:
С - одинична витратна ставка одше'Г вагоно-годи-ни у русi, грн;
xij - кiлькiсть вагонiв, яю необхiдно доставити зi станцп i на станцiю j, шт;
tij - час знаходження вагошв у руа мiж станцiями i та j ,год;
i - станщя вiдправлення порожнiх вагонiв; j - станщя призначення порожшх вагошв; n - юльюсть станцiй на дирекцп, шт; m - кiлькiсть станцш, на яю треба подати вагони тд навантаження, шт;
С - одинична витратна ставка одше'Г електровозо (тепловозо)-години мапстрального руху, грн;
^ - час знаходження локомотива в руа мiж станщ-ями i та j, год;
С - одинична витратна ставка одного електровозо (тепловозо)-юлометра, грн;
SЛ - вiдстань, пройдена локомотивом мiж станщя-ми i та j, км;
а! - елемент матрицi юлькосп наявних порожнiх вагонiв на станщях дирекцii;
Ь - елемент матриц потрiбностi у порожнiх вагонах на станщях дирекцп;
xij - юльюсть вагонiв у складi поiзда, в якому бу-дуть доставлен порожнi вагони на станцiю наванта-ження, шт;
тд - юльюсть вагонiв у складi поiзда з урахування допустимоi маси та довжини на кдшьнищ або перегон^ шт;
пд - кiлькiсть д^ьниць або перегонiв на дирекцii.
На кожнш iтерацii генетичного алгоритму розра-ховуеться значення функцii пристосованостi для в«х хромосом цiеi популяцii, шсля чого перевiряеться умова зупинки алгоритму ^ або фiксуеться результат у виглядi хромосоми з найменшим значенням функцп пристосованостi, або виконуеться перехщ до наступ-ного кроку генетичного алгоритму, тобто до селекцп. Ця функщя виконуеться за допомогою генетичних операторiв, в результатi '¿х дп отримуються новi хромосоми, як включаються до составу ново' популяцп. Вона стае так званою поточною популяцiею для дано' iтерацii генетичного алгоритму.
Шсля цього перевiрка зупинки алгоритму виконуеться спочатку [3]. Якщо умова зупинки алгоритму виконана, то виводиться результат роботи, тобто хромосома, яка е варiантом ращонального розподшу по-
рожн1х вантажних вагон1в м1ж станц1ями зал1зничних тдроздШв. Наприклад, в результат! роботи генетичного алгоритму пошуку ращонального розподшу по-рожшх натввагошв м1ж станщями, була обрана така "найкраща" хромосома:
Станцiя вщправлення
НВ
5 12 7 3 20 13 8 6
Станцiя призначення
Рис. 1. Один з результалв роботи алгоритмiв "найкращоТ" хромосоми
5. Висновки
В данш науковш робот1 було сформовано щльову функщю щодо ршення автоматизацп процесу роз-подшу порожшх вагошв м1ж станщями, сусщшми дирекщями, зал1зницями. Завдяки цьому було отри-мано можлившть виключити д1ю "людського" фактору на прийняття ршення, швидко i яюсно здшснювати розпод1л порожнiх вагошв мiж станцiями, що приведе до своечасного виконання заявок перевiзникiв, та ви-конувати розподiл з урахуванням мiнiмiзащi витрат та максимiзацii доходiв для залiзниць.
Також застосування моделi е одним iз рiшень про-блеми рацiонального використання наявного парку рухомого складу.
Лиература
1. Данько, М.1., Лаврухш, О.В., Рибальченко, Л.1. Оптимiзацiя використання порожнього парку вагошв за допомогою генетичних алгорш^в зб. наук. праць. - Харгав: УкрДАЗТ, 2011. - № 122. С 7-12.
2. Практичш рекомендацй з технолого-економiчного управлiння експлуатацiйною роботою залiзниць / Мшютерство транспорту та зв'язку Украши: Кшв, 2007 - 80с.
3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы . - М.: Горячая линия - Телеком, 2006. - 452 с.
4. Управление эксплуатационной работой и качеством перевозок на железнодорожном транспорте / Под ред. Грунтова П. С. - М.: Транспорт, 1994. - 543 с.
Abstract
With the development of the transport market and competition, one of the major issues for the transportation system is the timely provision of required type cars all consignors according to their applications. Certain conditions are fulfilled complicated by the acute shortage of wagons and their poor condition. Options to address this issue is to improve technology services in transportation, which is possible in improving the quality of operational planning trainset of the Railways. In this paper apply the method of genetic algorithm for solving the problem of distribution of empty wagons at landfills directorates. For the operation of the genetic algorithm fitness function is formed and represented explicitly. In this case, this approach will analyze and take into account many factors that affect the distribution of empty wagons
Keywords: operational planning, genetic algorithm, chromosome, fitness function, rational distribution of cars
