35、列车调度与空间隐马尔可夫模型优化算法研究

列车调度与空间隐马尔可夫模型优化算法研究

列车调度数值实验

在列车调度问题中，以BTS线为例对双轨铁路系统进行研究。为评估所提出的算法，进行了相关的数值实验。

实验采用了两种并行算法（pMoEA - HSS和基于学习变异的pMoEA - HSS）以及三种顺序CPU算法（MoEA - HSS、SPEA2和NSGA - II），每种算法运行10次以比较结果。所有算法采用相同的选择、交叉和存档机制，顺序CPU算法使用单点变异过程，且两种算法的参数相同，存档大小设为种群大小的一半。

实验的计算环境为NVIDIA Quadro K620 GPU和2.10 GHz Intel Xeon E5 - 2620 CPU，操作系统为Windows 10 Pro，代码使用Python 3.6和pyCUDA 2017.1编写和编译。采用的参数如下表所示：
| 参数 | 值 |
| ---- | ---- |
| 种群大小 | 100 |
| 最大代数 | 1000 |
| 存档大小 | 50 |
| 交叉概率 | 0.8 |
| 变异概率 | 0.3 |
| GPU块大小 | 32 |
| TOPSIS权重 (wq) | (0.7, 0.3), (0.5, 0.5), (0.3, 0.7) |

为评估算法性能，考虑了以下两个指标：
1. 平均折衷距离 (Dc(Qr)) ：用于计算每个算法的解Qr与所有比较算法得到的所有帕累托集组合Q∗在欧几里得n维距离上的平均最小距离。Dc(Qr)越小，表明折衷调度对决策者越优，因为最佳替代方案应与理想解的距离最短