Mixed Integer Linear Programming Based Speed Profile Optimization for Heavy-Haul Trains
Notice bibliographique
Résumé
Automatic heavy‐haul train (HHT) operation technology has recently received considerable attention in the field of rail transportation. In this paper, a discrete‐time‐based mathematical formulation is proposed to address the speed profile optimization problem in order to ensure the safe, efficient, and economical operation of heavy‐haul trains (HHTs). Due to the presence of long and steep downgrades (LSDs) on some heavy‐haul lines, the brake forces of the HHT are typically jointly determined by air braking and electric braking. The time characteristics of the air braking, such as the command delay and the change process caused by the air pressure, are taken into account, and then formulas are presented to calculate the air brake force. In addition, the influence of the neutral section on the control of the electric braking is considered via space‐based constraints. The resulting problem is a nonlinear optimal control problem. To achieve linearization, auxiliary 0‐1 binary variables and the big‐M approach are introduced to transform the nonlinear constraints regarding slope, curve, neutral section, air brake force, and air‐filled time into linear constraints. Moreover, piecewise affine (PWA) functions are used to approximate the basic resistance of the HHT. Finally, a mixed integer linear programming (MILP) model is developed, which can be solved by CPLEX. The experiments are carried out using data from a heavy‐haul railway line in China, and the results show that the proposed approach is effective and flexible.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».