Norfolk Southern plant Lokomotiven für ein großes Schienennetz und wollte ein Modell, das bei der Entscheidung hilft, wie groß seine Flotte sein sollte.
Exakte ganzzahlige Programmiermodelle lagen außerhalb der Reichweite der Solver und erforderten Annahmen, die die Flotte kleiner erscheinen ließen, als sie sein musste.
Forschende entwickelten ein Modell der approximativen dynamischen Programmierung, das Simulation und Optimierung mit rückkopplungsbasiertem Lernen verbindet und an historischen Kennzahlen kalibriert wird, sodass es Flottengröße und -zusammensetzung planen und viele Betriebsszenarien testen kann.
Simulation plus Lernen nutzen, um eine Flotte zu dimensionieren, nicht ein starres LP
Die Flottendimensionierung erforderte ein hochdetailliertes Modell
Ganzzahlige Programmierung erzwang Vereinfachungen, die die Flotte zu klein darstellten
Simulation plus Lernen ermöglichte es dem Modell, die reale Geschichte abzubilden
Das Ergebnis plant Flottengröße und -zusammensetzung unter vielen Szenarien
Wenn ein reales Problem zu groß oder zu detailliert für ein exaktes Modell ist, kann approximative dynamische Programmierung aus Simulation lernen, um teure Anlagen genau zu dimensionieren.
Das Modell wurde für Norfolk Southern zur Methode, um Größe und Zusammensetzung der Lokomotivflotte zu untersuchen und betriebliche Änderungen zu testen – ein bemerkenswerter Einsatz approximativer dynamischer Programmierung im Schienengüterverkehr.
DEN BELEGEN FOLGEN
Die Quellen
- Locomotive Planning at Norfolk Southern: An Optimizing Simulator Using Approximate Dynamic Programming Research with NJ / INFORMS Interfaces · researchwithnj.com
- Operations Research at Norfolk Southern Railway Company Springer / Operations Research Forum · link.springer.com