18459

۱۸۴۵۹

زمان بندي مجدد حركت قطارها در شرايط اختلال باهدف كاهش تاخير

دكتراي تخصصي

برنامه ريزي حمل و نقل

مهرماه ۱۳۹۶

دكتر عبدالرضا شيخ الاسلامي

عمران

اثرات بروز اختلال در شبكه‌هاي راه‌آهن شامل بروز تأخير و طولاني شدن زمان سير است. در شرايطي كه اختلالات بزرگ‌ رخ دهند، تأخيرات ايجاد شده باعث كاهش قابليت اطمينان و ايجاد نارضايتي مسافران يا صاحبان كالا مي‌شود. زمان‌بندي مجدد در سيستم راه‌آهن، شامل به‌كارگيري راهكارهايي مؤثر براي مديريت عمليات و كاهش تأخير در طول دوره اختلال و بعد از آن، در كوتاه‌ترين زمان ممكن است. در مدل پيشنهادي در رساله دكتري، بروز اختلالات بزرگ به دو صورت انسداد كامل يا جزئي از مسير و همچنين تصادفي بودن زمان سير قطارها، در قالب سناريوهاي مختلف، به‌عنوان منبع اختلال در نظر گرفته مي‌شود. زمان و مكان وقوع انسداد و همچنين زمان رفع آن مشخص است. براي اين منظور يك مدل بهينه‌سازي مبتني بر شبيه‌سازي كه شامل قوانين اولويت اعزام پويا است در دو حالت تك هدفه، به‌منظور كاهش متوسط كل تأخير زماني قطارها در ايستگاه‌ها و چندهدفه، به‌منظور 1- كاهش مجموع متوسط تأخير قطارها در مقصد و 2- كاهش مجموع انحراف از برنامه زمان‌بندي اوليه در نقاط مشخصي از شبكه ريلي، ارائه مي‌شود. علاوه بر اين به‌منظور مديريت ترافيك تحت محدوديت‌هاي گلوگاهي و ظرفيتي نزديك به محل انسداد، يك مدل فرا ابتكاري مبتني بر جستجوي همسايگي متغير طراحي شده است. زمان‌بندي جديد حاصل ازاين‌روش شامل زمان‌هاي اعزام جديد و توالي مجدد حركت قطارها، پس از بلاك مسدود شده است. كارايي مدل ارائه شده با استفاده از مجموعه‌ سناريوهاي مختلف اختلال، ارزيابي شده است. نتايج نشان مي‌دهد كه رويكرد توسعه يافته اين تحقيق، از جنبه‌هاي بهبود سرعت همگرايي، افزايش قابليت اطمينان، كاهش ميزان متوسط تأخير و بهبود شاخص‌هاي آماري، داراي مزاياي قابل‌توجهي در توليد راه‌حل عملي مديريت اختلال در زمان معقول، در مقايسه با نرم‌افزارهاي بهينه‌يابي تجاري از جمله OptQuest و NSGA II مي‌باشد. در حالت تك هدفه، براي مدت ده دقيقه اجراي مدل و تعداد 30 تكرار براي هر اجرا، ميزان تأخير روش پيشنهادي در مقايسه با روش‌هاي OptQuest و FCFS، به طور ميانگين، تقريباً 12.48% و 29.18% كاهش داشته است. با مقايسه خروجي روش پيشنهادي با جواب بهينه، مشخص گرديد كه مقدار متوسط فاصله بهينگي حدود 6% است.

1396/11/23

10/22/2017 12:00:00 AM

The effects of disturbances in rail networks include delays and increased travel time. In the case of major disturbances, the delays cause the loss of reliability and dissatisfaction of the passengers. Re-scheduling in the rail system involves the use of effective strategies for managing operations and reducing delays during and after the disruption period in the shortest possible time. In this thesis, the occurrences of major disruptions in both the full or partial blockage of the route as well as the randomness of the running time in various scenarios are considered as the sources of the disruption. The time, duration and location of blockage are given. A simulation-based optimization model that includes dynamic dispatch priority rules is proposed in order to reduce the average total delay time of trains at stations. In addition, a multi-objective VND algorithm is proposed in order to (1) minimizing the total average delay of trains at the destination and (2) minimizing the total deviation from the initial schedule at certain points in the rail network. The variable neighborhood search algorithm is designed to manage traffic under bottleneck constraints and capacity close to the blockage. The new timetable resulting from this involves new dispatch times and train sequences. The performance of the proposed model is assessed using a variety of disruptive scenarios. The results show that the developed approach of this research, in terms of improving the convergence rate, increasing reliability, reducing average delay and improving the statistical indexes, has significant advantages in generating a reasonable solution to disruptive management solutions, compared to commercial software (OptQuest) and state-of-the-art solution method (NSGA II). In single-objective case, the proposed method could decrease the delay by approximately 12.48% and 29.18% compared to OptQuest and FCFS methods, respectively. By comparing the output of the proposed method with the optimal solution, it was found that the average value of the optimality gap is about 6%.