[论文解读] An efficient memetic, permutation-based evolutionary algorithm for real-world train timetabling

Marc Schoenauer, Yann Semet|ArXiv.org|Oct 31, 2005

Railway Systems and Energy Efficiency参考文献 1被引用 11

一句话总结

本文提出一种基于排列的膜遗传算法，与CPLEX混合，用于求解涉及超过一百万个变量和两百万个约束的现实世界列车时刻表问题。通过使用半贪婪调度器将排列解码为时刻表，并利用CPLEX对最优解进行精炼，该方法在早期搜索阶段及部分高性能运行中，相较于单独使用CPLEX，展现出更优的速度和解的质量。

ABSTRACT

Train timetabling is a difficult and very tightly constrained combinatorial problem that deals with the construction of train schedules. We focus on the particular problem of local reconstruction of the schedule following a small perturbation, seeking minimisation of the total accumulated delay by adapting times of departure and arrival for each train and allocation of resources (tracks, routing nodes, etc.). We describe a permutation-based evolutionary algorithm that relies on a semi-greedy heuristic to gradually reconstruct the schedule by inserting trains one after the other following the permutation. This algorithm can be hybridised with ILOG commercial MIP programming tool CPLEX in a coarse-grained manner: the evolutionary part is used to quickly obtain a good but suboptimal solution and this intermediate solution is refined using CPLEX. Experimental results are presented on a large real-world case involving more than one million variables and 2 million constraints. Results are surprisingly good as the evolutionary algorithm, alone or hybridised, produces excellent solutions much faster than CPLEX alone.

研究动机与目标

• 为解决小扰动后实时本地列车时刻表重构的计算不可行性问题。
• 开发一种高效的进化方法，以处理铁路调度中的复杂运营、安全和商业约束。
• 通过混合优化策略减少扰动后列车时刻表的总累积延迟。
• 在大规模真实世界案例上，评估间接的、基于排列的进化算法与确定性MIP求解器（CPLEX）的性能对比。
• 探究在组合爆炸的实时调度场景下，进化算法是否能优于或补充精确方法。

提出的方法

• 该算法使用列车的排列作为基因型，表示列车被插入时刻表的顺序。
• 半贪婪启发式调度器通过按顺序逐个插入列车，每次在节点处做出局部最优选择但非全局最优，将每个排列解码为可行的时刻表。
• 进化算法在排列空间上应用标准遗传算子（选择、交叉、变异）以探索解空间。
• 将进化运行中得到的最佳个体用作CPLEX的热启动，CPLEX利用混合整数规划进一步精炼解。
• 该方法在包含超过一百万个变量和两百万个约束的真实世界实例上进行评估，模拟4小时的时刻表重构。
• 混合方法结合了EA在早期收敛阶段的速度优势与CPLEX在实现全局最优解方面的能力。

实验结果

研究问题

• RQ1 基于排列的进化算法能否有效求解具有复杂约束的大规模现实世界列车时刻表问题？
• RQ2 在解的质量和计算时间方面，间接进化方法与直接MIP求解器（CPLEX）相比表现如何？
• RQ3 将进化算法与CPLEX混合在多大程度上提升了解的质量和收敛速度？
• RQ4 为何在初始适应度相似的情况下，某些进化算法运行能显著改善CPLEX的精炼结果，而其他运行则不能？
• RQ5 半贪婪调度器在捕捉如超车等关键调度优化方面存在哪些局限性？

主要发现

• 仅使用进化算法，在30分钟内即获得总延迟约为16,800的解，远快于单独使用CPLEX。
• 在最佳情况下，混合算法在25分钟内达到12,800的延迟，而单独使用CPLEX超过3小时才达到15,000的延迟。
• 在计算的前一小时内，混合方法在速度和解的质量方面均优于单独使用CPLEX。
• 约20%的运行（五分之一）导致显著更优的CPLEX精炼结果，表明高性能EA解中存在隐藏的结构差异。
• 由于其局部优化策略，半贪婪调度器未能识别出有益的超车操作，而这类操作已知可减少延迟。
• 尽管EA的最佳解存在次优性，但混合方法由于具备快速收敛能力以及在非可忽略比例的运行中获得高质量最终结果，展现出在实时应用中的强大潜力。