Optimization of Locomotive Management and Fuel Consumption in Rail Freight Transport
Notice bibliographique
Résumé
For the enormous capital investment and high operation expense of locomotives, the locomotive management/assignment and fuel consumption are two of the most important areas for railway industry, especially in freight train transportation. \nSeveral algorithms have been developed for the Locomotive Assignment Problem (LAP), including exact mathematics models, approximate dynamic programming and heuristics. These previously published optimization algorithms suffer from scalability or solution accuracy issues. In addition, each of the optimization models lacks part of the constraints that are necessary in real-world train/locomotive operation, e.g., maintenance/shop constraints or consist busting avoidance. Furthermore, there are rarely research works for the reduction of total train energy consumption on the locomotive assignment level. \nThe thesis is organized around our three main contributions. Firstly we propose a “consist travel plan” based LAP optimization model, which covers all the required meaningful constraints and which can efficiently be solved using large scale optimization techniques, namely column generation (CG) decomposition. Our key contribution is that our LAP model can evaluate the occurrence of consist busting using the number of consist travel plans, and allows locomotive status transformation in flow conservation constraints. \nIn addition, a new column generation acceleration architecture is developed, that allows the subproblem, i.e., column generator to create multiple columns in each iteration, that each is an optimal solution for a reduced sub-network. This new CG architecture reduces computational time greatly comparing to our original LAP model. \nFor train fuel consumption, we derive, linearize and integrate a train fuel consumption model into our LAP model. In addition, we establish a conflict-free pre-process for time windows for train rescheduling without touching train-meet time and position. The new LAP-fuel consumption model works fine for the optimization of the train energy exhaustion on the locomotive assignment level. \nFor the optimization models above, the numerical results are conducted on the railway network infrastructure of Canada Pacific Railway (CPR), with up to 1,750 trains and 9 types of locomotives over a two-week time period in the entire CPR railway network.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».