close

Вход

Забыли?

вход по аккаунту

?

Нейросетевое моделирование и упорядоточение транспортных потоков на линиях железных дорог

код для вставкиСкачать
На правах рукописи
ИГНАТЕНКОВ Александр Владимирович
НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ
И УПОРЯДОЧЕНИЕ ТРАНСПОРТНЫХ ПОТОКОВ
НА ЛИНИЯХ ЖЕЛЕЗНЫХ ДОРОГ
Специальность 05.13.18 – Математическое моделирование,
численные методы и комплексы программ
Автореферат
диссертации на соискание ученой степени
кандидата технических наук
Пенза 2018
Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего образования «Самарский государственный
университет путей сообщения».
Научный руководитель –
Прохоров Сергей Антонович,
заслуженный работник высшей школы РФ,
доктор технических наук, профессор
Официальные оппоненты: Малыгин Александр Юрьевич,
доктор технических наук, профессор;
ФГБОУ ВО «Пензенский государственный
университет», профессор кафедры радиои космической связи;
Степанов Михаил Федорович,
доктор технических наук, доцент; ФГБОУ ВО
«Саратовский государственный технический
университет имени Гагарина Ю. А.»,
профессор кафедры радиоэлектроники
и телекоммуникаций
Ведущая организация –
АО «Пензенский научноисследовательский электротехнический
институт»
Защита состоится 17 мая 2018 г. в 14 часов на заседании диссертационного совета Д212.186.04 ФГБОУ ВО «Пензенский государственный университет» по адресу: 440026, Россия, г. Пенза, ул. Красная, 40.
С диссертацией можно ознакомиться в библиотеке ФГБОУ ВО «Пензенский государственный университет» и на сайте: http://dissov.pnzgu.ru/
ecspertiza/Tehnicheskie_nauki/ignatenkov
Автореферат разослан «___»__________2018 г.
Ученый секретарь
диссертационного совета
Косников Юрий Николаевич
2
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. В любой транспортной системе, в том числе на
железнодорожном транспорте, принципиально важным является построение
эффективного адаптивного расписания (графика движения) для регулирования транспортных потоков.
C математической точки зрения задачу составления графика движения
поездов можно рассматривать как задачу составления расписания высокой
размерности. Задача усложняется топологической сложностью сети железных
дорог, большим числом изменяемых параметров, связанных с эксплуатацией
этой сети (многопутность, конфигурация магистральных и станционных путей сообщения, различный характер тяги, определяющий в свою очередь,
временные интервалы между поездами одного направления).
Традиционные способы решения этой задачи (последовательный способ
с использованием жесткой нормативно-справочной информации; способ пониточной прокладки) часто базируются на неэффективных приемах, алгоритмы на их основе опираются на неадаптивные решения, требуют значительных
затрат вычислительного времени и постоянной корректировки решений при
изменении условий, а также не учитывают неформальные факторы.
До настоящего времени задача построения адаптивного расписания
с позиции эффективного использования мощностей инфраструктуры не реализована. Для конкретных случаев построения расписания на заданном
участке все алгоритмы сводятся к перебору всех возможных случаев с вкраплениями оптимизаций типа отбрасывания ветви неправильных решений
(Р. Кормен, Ч. И. Лейзерсон). Проблема заключается и в том, что большая
часть задач построения графика является NP-трудной, т.е. алгоритмы их решения, используемые для автоматизации процесса, могут требовать неприемлемо большого времени выполнения (В. С. Танаев, В. В. Шкурба, Д. И. Батищев).
В то же время известна способность искусственных нейронных сетей
к самообучению и решению слабоформализованных задач, что может быть
использовано для нейросетевого моделирования и решения задач теории расписаний.
Задачи составления расписаний на основе использования аппарата искусственных нейронных сетей для статических процессов с равной длительностью любого процесса исследовались в работах R. Chen, В. А. Костенко,
А. В. Назарова, А. И. Лоскутова, Дж. Хопфилда, Б. М. Калмыкова и др.
Основными проблемами полученных авторами решений являются как
невозможность установить соответствие между содержательными аспектами
задачи расписания и параметрами функции энергии нейронной сети, так и вопрос вычисления коэффициентов уравнения данной функции.
Данные решения являются многоступенчатыми: для получения базисного решения используется один из эвристических алгоритмов, далее такое
3
решение подается на вход искусственной нейронной сети Хопфилда, результат работы которой вновь подвергается обработке алгоритмами локальной
оптимизации.
Сеть Хопфилда применяется в задачах построения расписаний лишь
для тех случаев, когда важно только конечное распределение ресурсов (доступен / не доступен). Данный метод не может применяться тогда, когда важно, каким образом менялось состояние этих ресурсов, а также в том случае,
если состояние ресурса в выбранный момент времени должно быть эквивалентно состоянию предшествующего ресурса в прошедший момент времени
и если данные последовательности требуется не только запоминать, но
и смещать в пространстве «время – расстояние».
Известно, что решения, основанные на использовании искусственных
нейронных сетей, часто оказываются субоптимальными, а по соотношению
затраченных времени и вычислительной мощности относительно качества
полученных решений значительно выигрывают у строгих классических постановок. Процесс построения графика движения традиционными методами
требует значительных итерационных перестроений и согласований промежуточных результатов между участками, что требует многократной перестройки
графика в процессе его разработки. В отличие от существующих решений,
использование нейросетевого подхода позволит создавать график единовременно в процессе расчета, что сократит затраты времени и труда на его разработку. Именно это обусловило выбор данного подхода при написании настоящего исследования.
Объектом исследования являются транспортные потоки на железнодорожных линиях.
Предметом исследования выступает упорядочение потоков с помощью нейросетевого моделирования.
Работа по своей цели и задачам соответствует приоритетам научнотехнологического развития РФ в редакции п. 20 пп. «а» Указа Президента РФ
от 01.12.2016 № 642 «О стратегии научно-технологического развития Российской Федерации»: «переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам, новым материалам и способам конструирования, создание систем обработки больших
объемов данных, машинного обучения и искусственного интеллекта».
Целью работы является разработка нейросетевой модели, алгоритмов
обучения специальных искусственных нейронных сетей (ИНС), а также создание комплекса программ на их основе для упорядочения транспортных потоков во времени на заданной железнодорожной инфраструктуре.
В соответствии со сформулированной целью решены следующие основные задачи диссертации:
1) исследование существующих подходов и анализ основных результатов в области постановки и методов решения задач упорядочения транспортных потоков;
2) разработка нейросетевой модели для решения задачи построения
расписания транспортных потоков;
4
3) проведение нейросетевого моделирования процесса упорядочения
транспортных потоков (на примере графика движения поездов);
4) разработка численных алгоритмов расчета выходных сигналов сети
и ее обучения в процессе построения расписания, а также способа применения ИНС для упорядочения транспортных потоков;
5) разработка комплекса программ на основе специализированной архитектуры ИНС для решения задач упорядочения транспортных потоков
с последующей апробацией на тестовом участке.
Методы исследования. При выполнении исследования использовались: теория и методы системного анализа, математическое моделирование,
методы и приемы построения искусственных нейронных сетей, методика
планирования частичного факторного эксперимента, объектно ориентированное программирование. Для построения комплекса программ использовался объектно ориентированный язык С#, для обработки сигналов нейронных сетей – язык программирования R.
Научная новизна работы заключается в следующем:
1. Разработана нейросетевая модель, в основе которой лежит топология многослойной ИНС с переменной проводимостью сигнала. Ее особенности заключаются в представлении пункта маршрута в расписании как слоя сети, временной шкалы как ряда нейронов в слое, в наличии двух комплектов
весов, связей между нейронами как внутри самого слоя, так и с соседними
слоями.
2. Разработан алгоритм расчета выходных сигналов многослойной
ИНС с переменной проводимостью сигнала для упорядочения транспортных
потоков на основе прохождения сигналов внутри ИНС, реализующий специальные виды функции ошибки, учитывающие особенности графиков движения поездов на линиях железных дорог.
3. Разработано семейство алгоритмов обучения ИНС для упорядочения транспортных потоков. В отличие от существующих способов обучения,
данные алгоритмы базируются на мягкой конкуренции нейронов, выборе решающей связи и различной скорости и направления изменения весов в зависимости от положения данной связи, а также предусматривают введение переменной скорости обучения, ограниченной сверху.
4. Разработан способ упорядочения транспортных потоков, заключающийся в функционировании двух независимых многослойных нейронных
сетей и отличающийся от известных постепенным шаговым изменением параметров, нормирующих график движения поездов.
5. Разработан комплекс программ, реализующий нейросетевую модель
упорядочения потоков и алгоритмы обучения нейронных сетей. В отличие от
известных программных продуктов для упорядочения транспортных потоков,
вариант расписания получается в процессе обучения ИНС для всего рассматриваемого направления (полигона) в целом.
5
Практическая значимость работы. Работа предлагает способ построения расписания с использованием ИНС, включающий в себя специализированные алгоритмы обучения, учитывающие специфику эксплуатации железных дорог как на двухпутных, так и на однопутных линиях. Разработан и
внедрен комплекс программ, который применяется на промышленном и магистральном железнодорожном транспорте для построения графика движения
поездов с возможностью разрешения конфликтов. Время разработки одного
графика инженером сокращается в среднем на 28 %.
Получен один патент и одно свидетельство о регистрации программного продукта.
Соответствие паспорту научной специальности. Область исследования соответствует паспорту специальности 05.13.18 «Математическое моделирование, численные методы и комплексы программ» по пунктам 2, 3, 4, 5,
8: построена модель прохождения сигналов внутри специализированной
ИНС, разработаны способы расчета расписания с помощью специализированной ИНС, математическая модель функционирования такой сети, численные алгоритмы обучения для разных задач построения расписаний, способ
раздельного построения графика движения, проведены комплексные исследования процесса построения расписания с помощью ИНС и разработан комплекс программ.
На защиту выносятся:
1. Нейросетевая модель, в основе которой лежит использование многослойной ИНС с переменной проводимостью сигнала; результаты ее применения для решения задачи построения расписания для двухпутных и однопутных линий.
2. Алгоритмы вычисления выходных сигналов нейронной сети, расчета
величины ошибки, алгоритмы обучения многослойной искусственной
нейронной сети с переменной проводимостью сигнала (для различных сценариев).
3. Способ упорядочения транспортных потоков, заключающийся
в функционировании двух независимых многослойных нейронных сетей и
отличающийся от известных постепенным шаговым изменением параметров,
нормирующих график движения поездов.
4. Комплекс программ для упорядочения транспортных потоков на основе разработанной нейронной сети.
Реализация работы и внедрение результатов. Разработан комплекс
программ для построения графика движения поездов (свидетельство
№ 2017613361 от 16.03.2017 о государственной регистрации программы для
ЭВМ).
Отдельные положения проведенного исследования внедрены в работу
АО НИИАС, г. Москва, используются в учебном процессе ФГБОУ ВО
СамГУПС при проведении лекционных и практических занятий по дисциплинам «Производственный менеджмент на железнодорожном транспорте»,
6
«Основы теории автоматического управления», «Транспортная логистика», а
также на занятиях с магистрами по кафедре «Менеджмент и логистика на
транспорте».
Апробация работы. Результаты диссертационного исследования были
представлены и обсуждены на конференциях: Международной научнопрактической конференции «Перспективные информационные технологии
ПИТ» в (г. Самара, НИУ Самарский университет, 2015, 2016, 2017 гг.);
X Юбилейной Международной научно-практической конференции «Современные информационные технологии и ИТ-образование» (г. Москва, ВМК
МГУ, 21–22 ноября 2015 г.); Всероссийской научно-практической конференции «Современные подходы к управлению на транспорте и в логистике»
(г. Москва, МГУПС, 10 февраля 2016 г.); Международной научнопрактической конференции «Современные методы, принципы и системы автоматизации управления на транспорте» (г. Нижний Новгород, НФ МГУПС,
19–20 апреля 2016 г.); XVII и XVIII Международной научной конференции
«Системы компьютерной математики и ее приложения» (г. Смоленск,
СмолГУ, май 2016 г., май 2017 г.); X Международной научно-технической
конференции молодых специалистов, аспирантов и студентов «Проблемы
автоматизации и управления в технических системах» (г. Пенза, ПГУ,
15–18 мая 2016 г.); 3 Международной конференции по информационным технологиям и нанотехнологиям «ИТНТ-2017» (г. Самара, Самарский университет); XXXII Международной научно-технической конференции «Проблемы
автоматизации и управления в технических системах – 2017» (г. Пенза, ПГУ,
6–8 июня 2017 г.).
Публикации. По результатам исследования подготовлено 26 публикаций, в том числе четыре в изданиях, рекомендованных ВАК РФ для публикации результатов научных исследований.
Объем и структура работы. Диссертация состоит из введения, четырех
глав, заключения, списка использованных источников и приложений. Материалы диссертации изложены на 144 страницах основного текста, содержат 35 иллюстраций, 5 таблиц, 2 приложения. Библиография включает
107 наименований.
В приложении приведены копии актов о внедрении, копия свидетельства о регистрации программного продукта, а также примеры полученных
графиков движения.
ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении показана актуальность темы диссертации, определена
цель работы, изложены научная новизна, практическая и теоретическая значимость полученных результатов, сформулированы основные положения,
выносимые на защиту, приведено краткое содержание работы.
Первая глава посвящена исследованию существующих подходов
к решению задач построения расписаний и применению приемов искусственного интеллекта к упорядочению транспортных потоков.
7
В работе рассмотрены труды отечественных и зарубежных исследователей, таких как Р. Ривест, Р. Кормен, Дж. Хопфилд, С. Хайкин, В. С. Танаев,
А. А. Лазарев, В. А. Костенко, С. А. Прохоров, Б. М. Калмыков, М. Х. Прилуцкий, Р. Беллман, Л. А. Мугинштейн, А. В. Назаров, R. Chen, М. А. Щербаков, И. Ю. Мирецкий и др.
Задачи построения адаптивных расписаний относятся к одним из
наиболее распространенных и востребованных на транспорте.
Для железнодорожных линий задача построения расписаний формулируется следующим образом.
На множестве M = {1, 2, …, m} перегонов требуется разместить множество N = {1, 2, …, n} прохождений поездов. Имеется целочисленное множество K = {1, 2, …, k} приоритетов. Каждый из поездов множества N имеет
ровно один приоритет из множества K. Для каждого поезда множества N
определена длительность pjl времени прохождения по l-му перегону и время
rjl отправления на каждый перегон.
Для каждого поезда j заданы директивные положительные моменты dj
прибытия поездов с последнего перегона и времена aj отправления поездов на
первый перегон.
Требуется: для каждого поезда j на каждом перегоне l определить момент начала rjl и окончания sjl занятия данного перегона, причем
sjl ≥ rjl + pjl, rjl,sjl Т,
где T = {1, 2, …, t} – дискретное время.
Ограничения:
1) длительность прохождения каждого поезда по перегону ограничена
во времени и определяется категорией поезда;
2) набор перегонов из М занимается каждым поездом последовательно,
т.е. sjl  rjk(l+1);
3) на каждом перегоне допускается нахождение более чем одного поезда при соблюдении условия достаточного временного интервала между ними,
т.е. для всех пар поездов j1, j2 на перегоне l справедливо rj2l – rj1l > I, где I – некоторое наперед заданное число (межпоездной интервал);
4) не допускаются попутные конфликты на одном перегоне, т.е. для поездов j1, j2 на перегоне l из rj2l > rj1l следует sj2l > sj1l;
5) во время движения по перегону прерывания не допускаются;
6) существуют интервалы времени, в которых движение по перегону
отсутствует.
Замечание 1. Для однопутной линии в задаче частично заданы отношения предшествования между поездами, т.е. первоначально задача решается
для поездов более высокого приоритета.
Замечание 2. Для однопутных линий дополнительно к ограничению 4
должно выполняться условие отсутствия встречных конфликтов, т.е. для поездов j1 и j2, следующих во встречных направлениях, для каждого перегона l
справедливо, что поезд, отправившийся раньше, должен прибыть раньше:
8
из rj1l < rj2l следует sj1l < sj2l.
Замечание 3. Категория приоритета одного и того же поезда может меняться с течением времени. Например, пригородный поезд, отправляющийся
в утренний час пик, может иметь приоритет, равный 1, а отправляющийся
в дневное время может иметь приоритет, равный 4.
Замечание 4. Время pjl следования в реальности является переменным и
меняется в некотором диапазоне. Для одной категории поездов на выбранном
перегоне время следования может отличаться.
Замечание 5. Решаемая задача может быть динамической, т.е. моменты
прибытия заранее не заданы и определяются в процессе решения.
Функционалом качества найденного расписания могут выступать следующие:
1. Минимальное общее время F1 занятости полигона (максимизирует
использование пропускной способности):
F1  min  p jl .
(1)
M N
2. Минимальная величина F2 суммарного отклонения моментов прибытия поездов на конечную станцию (максимизация точности):


F2  min v jk max 0, s jk  d jk ,
K J
(2)
где v jk – некоторые веса, задаваемые пользователем.
Каждый из указанных функционалов формирует соответствующую задачу упорядочения транспортных потоков. На практике требование (1) часто
дополняется требованием (2).
Доказано, что полученная задача для ацикличного ориентированного
мультиграфа, содержащего множество вершин прибытия и отправления,
а также стоковых и истоковых вершин, является NP-трудной.
Можно увидеть, что в поставленной выше задаче при фиксации только
таких элементов, как конечное множество N поездов, длительности pjl прохождения по перегонам, количество перегонов m, директивных времен dj
прибытия, – содержится задача разбиения множества N на конечное число
непересекающихся множеств таких, что верхняя граница общего времени занятости полигона (1) меньше некоторого значения. Задача разбиения является
NP-сложной.
Специфика поставленной задачи по сравнению с классической задачей
расписания проявляется в ограничениях 3, 6 и замечаниях 1, 4, 5.
Установлено, что рассмотренные традиционные методы характеризуются следующими недостатками: NP-сложность, отсутствие общих способов
решения, использование различных допущений для получения хороших решений, неприменимость ряда рассмотренных способов составления расписания к сфере транспорта в силу ряда специфических требований железнодорожного транспорта.
9
С учетом этого предлагается способ решения задачи построения расписаний с помощью ИНС.
Вторая глава посвящена рассмотрению специфических категорий, используемых на железнодорожном транспорте при составлении расписания
с точки зрения их формализации в виде элементов нейросетевой модели.
График движения поездов – система событий и процессов между ними,
выбранная и заданная на многомерном графе путей и станций, включая необходимые условия и ограничения на отношения между элементами графа и категорией процесса.
Для создания ИНС основными параметрами графика движения поездов
выступают:
– времена хода поездов по перегонам (четному и нечетному);
– времена на разгон и замедление;
– станционные интервалы – промежутки времени между прибытием
или отправлением одного поезда на раздельный пункт и прибытием или отправлением другого;
– интервалы между поездами, зависящие от длины блок-участков или
межпостовых перегонов и скорости движения поездов;
– нормы стоянок поездов на промежуточных станциях;
– технологические нормы на обработку поездов в парках станций.
Обычно при построении графика движения все нормативы принимаются фиксированными. Использование ИНС предполагает гибкие нормативы,
которые будут использоваться сетью в виде ограничений каждого параметра.
В категориях ИНС времена хода выражаются через интервал доступных
нейронов в слое сети. Учет четности/нечетности поездов достигается путем
выключения/включения соответствующих нейронов слоя. Вводятся такие характеристики нейрона, как его состояние и технологический статус. Состояние принимает следующие значения: «off» – нейрон не может принять сигнал,
«active» – нейрон может принять сигнал, «sleep» – нейрон принял сигнал.
Технологический статус принимает значения «arrival» – поезд прибыл и «departure» – поезд отправился.
Интервал между поездами в пакете выражается как присвоение нескольким нейронам, примыкающим к нейрону, который символизирует момент прибытия конкретного поезда, состояния «off».
При проектировании ИНС для однопутных участков одним из способов
построения графика с минимальным занятием пропускной способности перегонов является вариант моделирования движения поездов всех категорий по
минимальным временам хода.
В третьей главе приводится описание разработанной топологии ИНС,
разработаны алгоритмы расчета выходного сигнала сети, алгоритмы обучения
и разрешения конфликтов попутного и встречного направлений.
Разработанная ИНС относится к классу многослойных ИНС с переменной проводимостью сигнала. Она представляет собой расширение сети
10
Уилшоу – ван дер Мальсбурга в части произвольного количества слоев, введения категории «связь – победитель», правила выбора этой категории при
отсутствии использования принятой у Уилшоу и ван дер Мальсбурга системы
выбора геометрической близости нейронов по их активности.
Архитектура ИНС представлена на рисунке 1.
Рисунок 1 – Архитектура ИНС
Каждый слой нейронной сети соответствует железнодорожной станции
(по их числу), в каждом слое нейроны имеют номер от 0 до 1439 (по числу
минут в сутках). Состояния «off» существуют как для четного, так и нечетного направления. Из каждого нейрона i-го слоя идут связи к каждому нейрону
слоя с номером (i – 1). Кроме того, каждый нейрон связан с нейронами слева
(т.е. с нейронами с меньшим номером) и справа (с нейронами с большим номером). Веса связей инициализируются случайными числами от 0 до 0,1 и
изменяются в процессе обучения нейронной сети. Прохождение сигнала по
связи между нейронами соседних слоев отображает процесс прохождения поезда по перегону между станциями.
Расчет выходных сигналов ИНС осуществляется путем последовательного вычисления потенциалов активных нейронов в соседних слоях по траектории прохождения сигнала с использованием сигмоидной функции активации с учетом мягкой конкуренции связей за прохождение сигнала: для
каждого активного нейрона в очередном слое из множества связей, ведущих
к следующему слою, выбирается связь с максимальным значением веса.
Укрупненная блок-схема функционирования ИНС приведена на рисунке 2: countLayers – число слоев сети; countMinutes – число минут в рассматриваемом периоде; trainspeed0 – начальная скорость обучения сети; trainspeed –
текущая скорость обучения сети; iLayers – номер рассматриваемого слоя;
iNeuron – номер рассматриваемого нейрона; Delta – ожидаемая точность расчета сети; Wchet, Wnechet – веса четных и нечетных связей между нейронами
соседних слоев; dW – приращение веса связи; Eu – ошибка сети; epochs – номер эпохи; maxEpochs – максимальное число эпох.
11
12
∗ ′ц
2
Рисунок 2 – Укрупненная блок-схема функционирования ИНС
ц
Функция ошибки вводится для сравнения желаемых и фактических
времен прибытия поездов по границам участка (выходного слоя ИНС) и
представляет собой сумму двух слагаемых, первое из которых минимизирует
отклонение прохождения сигнала по слоям сети (наказывается как излишне
быстрое прохождение, так и запаздывание сигнала) в пределах задаваемой
точности, а второе – штрафует за факт погашения сигнала в процессе его
прохождения.
Обучение сети преследует следующие цели:
1. Не допустить встречных и попутных конфликтов между сигналами.
2. Обеспечить значение ошибки, не превосходящее заданной величины.
Процесс обучения основывается на применении набора приемов и алгоритмов, каждый из которых изменяет значения весов связей, соединяющих
нейроны разных слоев сети:
– алгоритм для увеличения либо уменьшения значения весов связей
в некотором диапазоне, граничащем с конкретной связью, по которой прошел
сигнал на предыдущей эпохе обучения;
– алгоритм для предотвращения излишне раннего прибытия сигнала на
выходной слой;
– алгоритм для избегания конфликтов встречных и попутных сигналов
(в модификации для двухпутной и однопутной ИНС).
Для однопутной ИНС задействован прием двойного обучения в циклах.
Разработанная нейросетевая топология имеет следующие особенности:
1. Наличие раздельного обучения связей и нейронов сети для прокладки четных и нечетных поездов.
2. Введение разнонаправленного обучения, в ходе которого повышаются значения стимулируемых групп весов связей и снижаются значения весов ингибируемых связей.
3. Результирующая интенсивность изменения весов связей нейронов
для стимулируемых связей и для ингибируемых связей отличается в определенное число раз, задаваемое коэффициентом ускоренного роста, который зависит от номера слоя сети.
4. В процессе обучения сети для двухпутного участка скорость обучения увеличивается в зависимости от номера эпохи.
5. Введен прием искусственного усиления связей для разрешения конфликтов попутного следования.
6. Для функционирования ИНС однопутных линий применяется техника адаптивного разрешения конфликтов.
7. В случае недостаточности усилий по разрешению конфликтов на
однопутных линиях проводится мутация входного вектора и используется
техника двойного обучения, при которой происходит повторная прокладка
ряда поездов. Процесс обучения сети для однопутной линии проводится в несколько циклов.
8. Для однопутной железнодорожной линии применяется модификация сети с двумя идентичными наборами слоев и нейронов с зеркальным
13
отображением последовательности прохождения сигналами слоев, результат
работы которых в дальнейшем объединяется.
В четвертой главе представлены результаты серии экспериментов по
испытанию и отладке прототипов ИНС на основе принципов планирования
эксперимента. Разработаны структуры классов и интерфейс для комплекса
программ, реализующего разработанные решения применительно к реальным
условиям железной дороги.
Для испытаний нейросетевой модели были выбраны следующие факторы: начальная скорость обучения, желаемая точность выхода сети, величина
коэффициента ускоренного роста.
Наилучшие результаты работы сети достигались при установлении коэффициента ускоренного роста весов, равного 120. При его фиксированном
значении рассматривалась зависимость величины итоговой ошибки от
начальной скорости обучения и желаемой точности выхода сети (рисунок 3).
Рисунок 3 – Ошибка ИНС
В результате испытаний установлено, что для двухпутной ИНС
наилучшее значение начальной скорости обучения равняется 0,0104.
Была проанализирована частота сходимости сети в зависимости от
начальной скорости обучения и желаемой точности выхода сети и число потребовавшихся эпох при различных сочетаниях скорости обучения и желаемой точности выхода сети.
Для различных участков разработанная ИНС способна формировать как
новые графики движения поездов, так и решать конфликты в попутном и
встречном направлениях. В зависимости от условий ее запуска удовлетворительные графики получаются в пределах от 35 до 90 % от общего количества
запусков сети за число эпох от 113 до 1312.
В дополнение к представленным на рисунке 3 результатам испытаний
выявлено, что наблюдается стохастический характер поведения функции
ошибки для двухпутной сети, включающий трендовую компоненту в том и
только том случае, если сеть сходится.
14
Вычислительная сложность алгоритмов функционирования рассматриваемой нейронной сети составляет O(mn2) + O(nm2), где n – число слоев, m –
число нейронов в слое.
Для реализации алгоритмов ИНС создан комплекс программ на языке
C# в среде разработки MS Visual Studio. Диаграммы классов представлены на
рисунке 4.
Рисунок 4 – Диаграмма классов для ИНС
Разработанная структура классов для многослойных ИНС является универсальной для построения пространственно-распределенных сетей, она может быть легко дополнена новыми признаками.
По итогам испытаний установлено:
1. Результативные графики для однопутного участка получаются на
эпохах с номерами 4–96 из 350 (в каждом цикле запуска). Введение приема
«двойное обучение» с элементами мутаций снижает среднее количество конфликтов после обучения в 3,2 раза по сравнению с тем сценарием, при котором мутация входного вектора не применяется.
2. Уровень заполнения пропускной способности, получаемый с помощью нейросетевой модели на однопутной линии, составляет 68 %. Это
близко к рациональному показателю
70–72 %, который считается в теории
эксплуатационной работы субоптимальным значением. При этом сохраняется резерв пропускной способности
линии.
Получившийся график движения
поездов для модельного однопутного
Рисунок 5 – Фрагмент графика
полигона приведен на рисунке 5.
15
Результаты испытаний на двухпутном участке сведены в таблицу 1.
Таблица 1 – Сводная таблица результатов расчета
Показатель
Средняя
ошибка
(чет.)
Средняя
ошибка
(нечет.)
Знач.
294
203
Минималь- Минимальная ошибка ная ошибка
(чет.)
(нечет.)
221
143
Максимальная
ошибка
(чет.)
Максимальная
ошибка
(нечет.)
2556
2551
В заключении сформулированы основные выводы, перечислены полученные в работе результаты.
Приложения содержат акты внедрения результатов диссертационной
работы, примеры графиков движения поездов.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ
1. Современные методы построения расписаний на транспорте отличаются высокой сложностью, не являются адаптивными и часто не учитывают
влияние неформализуемых факторов. В исследовании выдвинута и подтверждена гипотеза о том, что нейронные сети могут быть использованы для
класса задач упорядочения транспортных потоков. График движения поездов
является отображением траектории прохождения сигналов от нейронов на
стандартную железнодорожную сеть с заданной точностью.
2. Разработана специализированная искусственная нейронная сеть для
упорядочения движения поездов различных категорий на железнодорожных
линиях, представляющая собой расширение сети Уилшоу – ван дер Мальсбурга. Ее отличие заключается в наличии: произвольного количества слоев,
введения категории «связь-победитель», правила выбора этой категории,
и в отсутствии использования принятой у Уилшоу и ван дер Мальсбурга системы выбора геометрической близости нейронов по их активности.
3. Проведено нейросетевое моделирование процесса упорядочения потоков на данных линиях с помощью комплекса моделей, включающего в себя
модели расчета выхода искусственной нейронной сети и ее ошибки. Данные
модели включают в себя комплекс логико-математических соотношений,
описывающих функционирование искусственной нейронной сети.
Наилучшей начальной скоростью обучения для построения графиков
является 0,0104 при установлении коэффициента неравномерного роста весов
в 120.
4. Для данной конструкции разработаны алгоритмы обучения искусственной нейронной сети с переменной скоростью обучения: общий алгоритм
обучения, алгоритм обучения с разрешением конфликтов на двухпутных
участках, алгоритм обучения сети для поездов, прибывающих раньше срока,
а также алгоритм обучения искусственной нейронной сети для однопутного
16
участка. Разработан способ упорядочения транспортных потоков, при котором параметры сети, описывающие эксплуатационные характеристики, изменяются пошагово.
Установлено, что результативные графики для однопутного участка получаются на эпохах с номерами 4–96 из 350 (в каждом цикле запуска). Введение приема «двойное обучение» с элементами мутаций снижает среднее количество конфликтов после обучения в 3,2 раза по сравнению с тем
сценарием, при котором мутация входного вектора не применяется.
Для разработанных моделей обеспечивается уровень заполнения пропускной способности 68 % (для однопутной линии). Это близко к рациональному показателю 70–72 %, который считается в теории эксплуатационной работы субоптимальным значением. При этом сохраняется резерв пропускной
способности линии. Время разработки одного графика инженером сокращается в среднем на 28 %.
5. Разработан и внедрен комплекс программ для решения задач построения расписания движения поездов, защищенный свидетельством о регистрации программного продукта № 2017613361, работающий в режиме как однопутной, так и двухпутной линий.
ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ
Публикации в изданиях, рекомендованных ВАК РФ
1. Игнатенков, А. В. Интеллектуальные технологии управления движением на железнодорожном транспорте / А. В. Игнатенков, А. М. Ольшанский, М. Г. Лысиков // Известия Самарского научного центра Российской
академии наук. – 2015. – Т. 17, № 2 (5). – С.1010–1014.
2. Игнатенков, А. В. Разработка искусственной нейронной сети для
построения графика движения поездов / А. В. Игнатенков, А. М. Ольшанский //
Вестник Рязанского государственного радиотехнического университета. –
2016. – № 55. – С. 73–80.
3. Игнатенков, А. В. Способ построения нейронной сети с переменной
проводимостью сигнала для разработки графика движения поездов на однопутном участке / А. В. Игнатенков, А. М. Ольшанский // Вестник СамГУПС. –
2016. – № 3 (33). – С. 11–16.
4. Игнатенков, А. В. Управление величиной ошибки в нейронных сетях / А. В. Игнатенков, А. М. Ольшанский // Известия Самарского научного
центра Российской академии наук. – 2016. – Т. 18, № 4 (4). – С. 733–738.
Публикации в других изданиях
5. Игнатенков, А. В. Применение искусственной нейронной сети для
построения расписаний процессов на примере графика движения поездов /
А. В. Игнатенков, А. М. Ольшанский // Современные информационные технологии и ИТ-образование. – 2015. – Т. 2, № 11. – С. 50–55.
17
6. Игнатенков, А. В. Модель искусственной нейронной сети для построения графика движения поездов на двухпутном участке / А. В. Игнатенков // Перспективные информационные технологии (ПИТ-2016) : тр. Междунар. науч.-техн. конф. / под ред. С. А. Прохорова. – Самара : Изд-во Самар.
науч. центра РАН, 2016. – С. 619–624.
7. Игнатенков, А. В. О теоретических подходах к задаче построения
расписания / А. В. Игнатенков // Современные методы, принципы и системы
автоматизации управления на транспорте : сб. материалов Междунар. науч.практ. конф. – М. : Мос. гос. ун-т пут. сообщ., 2016. – С. 81–86.
8. Игнатенков, А. В. О некоторых особенностях поведения искусственных нейронных сетей с переменной проводимостью сигнала / А. В. Игнатенков, А. М. Ольшанский // Математическое и компьютерное моделирование естественно-научных и социальных проблем : материалы X Междунар.
науч.-техн. конф. молодых специалистов, аспирантов и студентов / под ред.
д.ф-м.н., проф. И. В. Бойкова. – Пенза : Изд-во ПГУ, 2016. – С. 275–280.
9. Игнатенков, А. В. Одновременное использование двух искусственных нейронных сетей с переменной проводимостью сигнала для решения задачи построения графика движения / А. В. Игнатенков // Системы компьютерной математики и их приложения : материалы XVIII Междунар. науч.
конф., посвящ. 70-летию В. И. Мунермана. – Смоленск : Изд-во СмолГУ,
2017. – Вып. 18. – С. 82–84.
10. Ignatenkov, A. One approach to control of a neural network with variable signal conductivity / A. Ignatenkov, A. Olshansky // Информационные технологии и нанотехнологии (ИТНТ-2017) : сб. тр. III Междунар. конф. и молодежной школы. – Самара : Новая техника, 2017. – С. 984–987.
11. Игнатенков, А. В. Проектирование информационного обеспечения
для реализации способа управления искусственной нейронной сетью
с переменной проводимостью сигнала / С. А. Прохоров, А. В. Игнатенков,
А. М. Ольшанский // Проблемы автоматизации и управления в технических
системах : сб. ст. XXXII Междунар. науч.-тех. конф. (г. Пенза, 6–8 июня
2017 г.) : в 2 т. / под ред. д.т.н., проф. М. А. Щербакова. – Пенза : Изд-во ПГУ,
2017. – Т. 1. – С. 66–68.
Патенты, свидетельства о регистрации программных продуктов
12. Пат. № 139988 Российская Федерация, МПК В61 27/00. Система
для определения показателей работы крупной железнодорожной станции /
Гургенидзе И. Р., Игнатенков А. В., Лысиков М. Г., Степанов А. В., Сухинин В. Н. – № 2012152576 ; заявл. 07.12.2012 ; опубл. 27.04.2014, Бюл. № 12.
13. А. с. 2017613361. Программа упорядочения процессов на основе
искусственной нейронной сети с переменной проводимостью сигнала /
А. В. Игнатенков, М. Г. Лысиков, А. М. Ольшанский. – № 2017610675 ; заявл.
25.01.2017 ; опубл. 16.03.2017.
18
Научное издание
ИГНАТЕНКОВ Александр Владимирович
НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ И УПОРЯДОЧЕНИЕ
ТРАНСПОРТНЫХ ПОТОКОВ НА ЛИНИЯХ ЖЕЛЕЗНЫХ ДОРОГ
Специальность 05.13.18 – Математическое моделирование,
численные методы и комплексы программ
Редактор А. Г. Темникова
Технический редактор М. Б. Жучкова
Компьютерная верстка М. Б. Жучковой
Распоряжение № 2/140-2018 от 27.02.2018.
Подписано в печать 28.02.2018.
1
Формат 6084 /16. Усл. печ. л. 1,25.
Тираж 100. Заказ № 90.
_______________________________________________________
Отпечатано в типографии «Риглет»
г. Москва, ул. Фридриха Энгельса, 3–5с2.
19
20
Документ
Категория
Без категории
Просмотров
5
Размер файла
599 Кб
Теги
нейросетевые, моделирование, потоков, линия, дорога, транспортной, железные, упорядоточение
1/--страниц
Пожаловаться на содержимое документа