Computationally Efficient Dynamic Traffic Optimization of Railway Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we investigate dynamic traffic optimization in railway systems, i.e., the behavior of these systems through time when their movements are dictated by solutions to optimization models with finite horizons. As interactions between trains are not considered beyond the limits of finite horizons, the danger of leading the system into a deadlock arises. In this paper we present new procedures to establish finite prediction horizons that are formally guaranteed to operate the system in a way that is compatible with the physical constraints of the network while avoiding deadlocking and minimizing computations. The key to this result is the notion of <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">recursive feasibility</i> . This paper introduces conditions sufficient to attain it. We then discuss several important ramifications of recursive feasibility that enable efficient computations. We examine the possibility of decomposing the underlying optimization models into smaller models with shorter horizons, or into models that only consider subsets of all trains. We also discuss warm starting and anytime approaches. We finally perform numerical experiments verifying these results on models that include a real-world railway system used for freight transport. On harder instances, some of our approaches outperform solving the same models as monolithic MILPs by more than two order of magnitude in terms of median computation times, while also achieving better worst–case optimality gaps.
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.
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 | 0,001 |
| 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 découle