【《铁路选线和路径规划研究的国内外文献综述》2600字】

致谢-PAGE128--PAGE127-铁路选线和路径规划研究的国内外文献综述铁路选线设计发展现状铁路选线规划设计作为设计工作中关键的一环，历经了多年变化。从最初科技落后时期的实地测绘和手工制图，到后来信息智能化的三维勘测和选线技术，技术手段的革新大大提高了选线工作人员的效率。不仅提高了地质勘测的精度和效率，也实现了在智能化选线的道路上长足进步。60年代初，电子计算机技术已经被应用于选线设计领域，被研究人员使用在线路设计工作的平、纵断面线型，横断面设计以及土石方计算当中。随着数字地面模型(digitalterrainmodel，DTM)和数字高程模型(digitalelevationmodel，DEM)在1958年由美国麻省理工学院Miller教授提出后，被广泛用于遥感、地理信息系统、大地测量和电子地图等领域。而后，Autodesk公司的CAD技术飞速发展并不断完善，这类软件很大程度上提高了选线设计效率，拉开了计算机智能绘图的序幕。到了80年代，德国一家公司研发了CARD/1道路选线系统，可以实现铁路、道路等多方面的设计工作[2]。之后又涌现出了很多强大的铁路选线设计软件，例如美国公司的InRail和InRoad系统[3]、日本的STRAXcube系统[4]、澳大利亚旷达系统[5]等等。相比而言，我国的铁路选线设计研究起步较晚，在70年代到80年代，大部分学者主要集中在利用CAD对线路平纵断面的优化设计上。进入2000年后，西南交通大学易思蓉[6]在线路勘测设计信息技术领域首次提出了“虚拟环境”的概念。实现虚拟地质环境建模，促进铁路选线的智能化，使得“计算机辅助线路设计”的概念更加规范和统一。吴小萍、杨晓宇[7]等人利用ArcGIS的图形叠置功能，研究提出了适宜我国国情的铁路选线环境影响评价体系。韩春华[8]建立了基于ArcGIS平台的智能选线系统，研究铁路选线自动化或智能化的理论依据和可操作方法。高山[9]建立了三维可视化的GIS集成体系，实现了选线的三维可视化，使得山区铁路选线的效率有了提高。路径规划算法的发展现状路径规划指的是在具有障碍物的二维平面环境中，通过算法的计算来合理绕避障碍物，从而找到一条从起始位置到目标位置的最优线路。常用的全局路径规划算法包括Dijkstra算法、遗传算法、蚁群算法、A-star算法等。Dijkstra算法是一种十分经典的单源最短路径算法，采用的是贪心算法策略，一般用于计算模拟从某一节点单元到其他任意节点单元的最短路径。简单来说，算法是进行遍历搜索，对区域的所有单元进行分析，筛选出最优线路。该算法多应用于数据结构、图论、运筹学等等方面[10]。虽然Dijkstra算法能够最终搜索得到最优的路径，但该算法在搜索过程中遍历节点过多，搜索过程繁琐，耗时太长，所以有时算法的效率偏低，而且其最终路径偶尔容易出现冗余拐点[11]。遗传算法的发展最初是来源于对生物进化论中一些现象和规律的研究分析。这些现象包括了遗传、突变、自然选择以及杂交等。上世纪90年代，美国马里兰大学的Jyh-ChengJong将遗传算法应用在线路的设计方案优化上，这也是遗传算法首次在选线工程上的应用。其他国家的学者也在该领域有一定的研究[12][13]。在国内，遗传算法的研究相对要晚，最初主要应用在电网规划的优化上[14][15]。陈艳艳和宋健民[16]将GIS和遗传算法相结合，应用于道路规划和改扩建优化决策。马庆雷[17]则提出了一种公路平面线形优化方法，将遗传算法应用到线路的优化设计当中。杨忠振、贾鹏和左志[18]结合道路设计理论与交通规划理论，基于GIS平台，利用遗传算法来判断选线方案的优劣。蚁群算法的出现是在20世纪90年代，意大利学者M.Dorigo[19]首次提出了蚁群算法。蚁群算法是通过借鉴并且模拟自然中蚁群在觅食过程中的搜索方式而得到的，蚁群在觅食过程中会释放信息素，对后续觅食的蚂蚁有引导作用。蚁群算法是一种仿生进化算法。詹振炎[20]在2001年将蚁群算法应用于铁路纵断面线形优化，并且提出了较为完整的铁路纵断面优化蚁群优化理论。重庆交通大学的潘玲玲[21]结合遗传算法和蚁群算法的组合算法进行线路纵断面优化，并以此建立了遗传算法和蚁群算法相结合的道路平、纵组合优化模型。西南交通大学的王广开[22]将遗传算法和蚁群算法应用于复杂山区铁路选线走向研究中。A-star算法（俗称A*算法）是常见的启发式路径规划算法，普遍适用于全局静态路网的寻径操作流程。不同于蚁群算法，它运用的是启发式函数，不需要遍历全部节点，对障碍物或无障碍物情况进行识别，搜索得到最优路径，较为高效。在搜索扩展的过程中，运用估价函数，对所有待扩展节点进行成本的估算与分析，估价成本越接近实际耗费成本则说明该条路径越准确[23]。Nilsson于1980年首先提出了A*算法[24]。近年来，国内外的很多研究学者都对A*算法进行了深入的研究，多研究其应用于机器人路径规划、无人机路径规划等线路设计工作的泛用性和经济合理性，对此提出了一系列基于A*算法的改进算法[25~29]。V.Goldberg等人[30]于2005年提出了一种改进最短路径算法，主要通过提高启发式函数的精度来提高A*算法的搜索效率。武汉大学的张红梅等人[31]改进了A*算法关于路径平滑的细节处理方法。江苏大学的吴麟麟、杨俊辉等人[32]基于A*算法提出加入S算法改进其搜索过程，使搜索结果更优，同时解决路径规划中小车的转弯安全性问题，本文的研究内容就是基于A*算法以及改进SA混合算法进行铁路的路径规划研究。参考文献郭海东.基于GIS的不良地质体表达及其选线应用研究[D].兰州交通大学,2018.朱照宏.德国道路设计软件CARD/1中文版投入运行[J].国外公路,2000(04):30-32.李松林.INroad软件包在公路设计中的应用[J].交通与计算机,1996(02):18-19+23.叶亚丽.公路智能选线与决策支持系统研究及开发[D].长安大学,2010.赵艳,胡志梅.智能化三维路线优化决策系统进入中国——访旷达清正(北京)科技有限公司总经理罗明[J].交通世界(建养.机械),2008(04):78-81．易思蓉.虚拟环境铁路选线设计系统的理论与方法研究[D].西南交通大学,2000．吴小萍,杨晓宇,冉茂平.基于图形叠置法的铁路选线环境影响综合评价研究[J].中国铁道科学,2004(04):126-129．韩春华.基于GIS的铁路选线系统智能环境建模方法研究[D].西南交通大学,2008.高山.铁路工程地质选线三维可视化技术与评价方法研究[J].铁道工程学报,2011,28(02):27-31+36.RimmerAJ,CebonD.PlanningCollision-FreeTrajectoriesforReversingMultiply-ArticulatedVehicles[J].IEEETransactionsonIntelligentTransportationSystems,2016,17(7):1998-2007.FADZLISA，ABDULKADIRSI，MAKHTARM，etal.RoboticindoorpathplanningusingDijkstra’salgorithmwithmulti-layerdictionaries［C］//20152ndInternationalConferenceonInformationScienceandSecurity（ICISS）.Seoul：IEEE，2015：1-4.EungcheolKim,ManojK.Jha,DavidJ.Lovell,PaulSchonfeld.IntersectionModelingforHighwayAlignmentOptimization[J].Computer‐AidedCivilandInfrastructureEngineering,2004,19(2).FwaTF,ChanWT,SimYP.Optimalverticalalignmentanalysisforhighwaydesign[J].Journaloftransportationengineering,2002,128(5):395-402.王秀丽,王锡凡.遗传算法在输电系统规划中的应用[J].西安交通大学学报,1995(08):1-9+16.张俊芳,王秀丽,王锡凡.遗传算法在电网规划应用中的改进[J].电网技术,1997(04):25-27+32.陈艳艳,宋健民.基于地理信息系统及遗传算法的道路规划[J].计算机工程与应用,2002(03):21-22+59.马庆雷.基于遗传算法的公路平面优化[J].中国公路学报,2006(01):42-46.杨忠振,贾鹏,左志.基于道路设计与交通规划的道路选线优化模型[J].公路交通科技,2006(02):56-60.DorigoM,ManiezzoV,ColorniA.Antsystem:optimizationbyacolonyofcooperatingagents..1996,26(1):29-41.EungcheolKim,ManojiK.Jha,BonsooSon.AStepwiseHighwayAlignmentOptimizationUsingGeneticAlgoritums[M].TRBPaper2003:2-3.詹振炎.铁路选线设计的现代理论和方法[M].北京:中国铁道出版社.2001.潘玲玲.基于遗传算法和蚁群算法的道路平纵线形优化应用[D].重庆交通大学,2013.王广开.基于遗