薛新功， 李 偉， 蒲 浩(1. 中鐵上海設(shè)計(jì)院集團(tuán)有限公司，上海 200070； 2. 中南大學(xué) 土木工程學(xué)院，湖南 長(zhǎng)沙 410075；3. 高速鐵路建造技術(shù)國(guó)家工程實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410075；4. 中鐵第一勘察設(shè)計(jì)院集團(tuán)有限公司 軌道交通工程信息化國(guó)家重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710043)

選線設(shè)計(jì)作為鐵路勘察設(shè)計(jì)的龍頭和基礎(chǔ)，是鐵路建設(shè)中涉及面廣、系統(tǒng)性強(qiáng)的一項(xiàng)核心工作，對(duì)項(xiàng)目工程的難易程度、工程投資的大小及施工和運(yùn)營(yíng)的安全產(chǎn)生決定性的影響。其基本任務(wù)是根據(jù)設(shè)計(jì)項(xiàng)目的功能需求，結(jié)合所經(jīng)地區(qū)社會(huì)、經(jīng)濟(jì)環(huán)境和自然環(huán)境，確定合理的線路走向、主要技術(shù)標(biāo)準(zhǔn)和空間位置，多目標(biāo)協(xié)調(diào)統(tǒng)一布設(shè)各種結(jié)構(gòu)物。

理論上連接鐵路起訖點(diǎn)并滿足各類約束的線路方案有無(wú)限多個(gè)，選線設(shè)計(jì)人員需要從中選出最優(yōu)的方案。但受到時(shí)間、精力和設(shè)備的限制，設(shè)計(jì)人員只能憑經(jīng)驗(yàn)選取少量的方案進(jìn)行詳細(xì)研究，難以保證方案最優(yōu)。這可能會(huì)對(duì)后續(xù)的設(shè)計(jì)、建造及運(yùn)營(yíng)維護(hù)帶來(lái)諸多不良的影響，待鐵路建成，這些不良影響將難以甚至無(wú)法消除。

線路智能優(yōu)化是綜合應(yīng)用線路設(shè)計(jì)、人工智能、最優(yōu)化、地理信息系統(tǒng)等理論與方法，利用計(jì)算機(jī)自動(dòng)完成鐵路三維空間線路搜索和結(jié)構(gòu)物協(xié)調(diào)布設(shè)，生成滿足各種約束條件且目標(biāo)函數(shù)最優(yōu)的線路方案。模擬人類自動(dòng)完成狀態(tài)感知(地形、地質(zhì)等環(huán)境信息的自動(dòng)提取)，實(shí)時(shí)分析(空間線位的自動(dòng)搜索、分析、計(jì)算)，自主決策(方案比選評(píng)價(jià))，精準(zhǔn)執(zhí)行(輸出設(shè)計(jì)成果)，是智能選線系統(tǒng)的基本特征。線路智能優(yōu)化技術(shù)可有效解決現(xiàn)有人工選線設(shè)計(jì)中方案有限、決策周期長(zhǎng)、評(píng)價(jià)指標(biāo)單一、勞動(dòng)強(qiáng)度大等問(wèn)題，顯著提高設(shè)計(jì)效率與質(zhì)量。

1 線路智能優(yōu)化模型

選線設(shè)計(jì)是在特定的自然、經(jīng)濟(jì)、社會(huì)環(huán)境下，設(shè)計(jì)出滿足各類約束，安全、經(jīng)濟(jì)、舒適、環(huán)保的三維線路空間位置并協(xié)調(diào)布設(shè)橋梁、隧道、車站等結(jié)構(gòu)物，其本質(zhì)上是一個(gè)最優(yōu)化問(wèn)題。智能選線大都遵循先建立優(yōu)化模型，再自動(dòng)求解的研究思路。不同研究中建立的智能優(yōu)化模型稍有差異，但可用以下通用形式表示。

1.1 自變量

線路智能優(yōu)化模型應(yīng)選擇綜合反映空間線位與結(jié)構(gòu)物分布的特征參數(shù)向量作為自變量。線路的平面線位通常采用交點(diǎn)坐標(biāo)(Xi,Yi)、平面圓曲線半徑RHi、緩和曲線長(zhǎng)l0i；縱斷面則采用變坡點(diǎn)里程Mi、標(biāo)高Hi及豎曲線半徑RVi表示。因此其空間線位可采用如下7個(gè)列向量表示。

交點(diǎn)X坐標(biāo)列向量

X=[X1，X2，…，Xm]T

( 1 )

交點(diǎn)Y坐標(biāo)列向量

Y=[Y1，Y2，…，Ym]T

( 2 )

平面圓曲線半徑列向量

RH=[RH1，RH2，…，RHm]T

( 3 )

緩和曲線長(zhǎng)列向量

l0=[l01，l02，…，l0m]T

( 4 )

變坡點(diǎn)里程列向量

M=[M1，M2，…，Mn]T

( 5 )

變坡點(diǎn)設(shè)計(jì)標(biāo)高列向量

H=[H1，H2，…，Hn]T

( 6 )

豎曲線半徑列向量

RV=[RV1，RV2，…，RVn]T

( 7 )

式中：m、n分別為平面交點(diǎn)、縱面變坡點(diǎn)數(shù)量。

線路設(shè)計(jì)還需協(xié)同布設(shè)橋梁、隧道、車站等結(jié)構(gòu)物，可采用各類結(jié)構(gòu)物的起終點(diǎn)里程列向量表示。

橋梁起點(diǎn)里程列向量

BS=[BS1，BS2，…，BSnB]T

( 8 )

橋梁終點(diǎn)里程列向量

BE=[BE1，BE2，…，BEnB]T

( 9 )

隧道起點(diǎn)里程列向量

TS=[TS1，TS2，…，TSnT]T

(10)

隧道終點(diǎn)里程列向量

TE=[TE1，TE2，…，TEnT]T

(11)

車站起點(diǎn)里程列向量

SS=[SS1，SS2，…，SSnS]T

(12)

車站終點(diǎn)里程列向量

SE=[SE1，SE2，…，SEnS]T

(13)

式中：nB、nT、nS分別為橋梁、隧道、車站總數(shù)。

故線路智能優(yōu)化的自變量為上述式( 1 )～式(13)列向量構(gòu)建的矩陣

MA=[X，Y，RH，l0，M，H，RV，

BS，BE，TS，TE，SS，SE]

(14)

該矩陣中所有元素單位均為m。

1.2 目標(biāo)函數(shù)

線路設(shè)計(jì)的目標(biāo)是線路方案的安全、經(jīng)濟(jì)、舒適、環(huán)保性綜合最優(yōu)。但這其中每一項(xiàng)都包含大量的分項(xiàng)，如經(jīng)濟(jì)性包含路基、橋梁、隧道、車站等構(gòu)筑物的工程建設(shè)費(fèi)，機(jī)車車輛購(gòu)置、能源消耗、養(yǎng)護(hù)維修等運(yùn)營(yíng)費(fèi)，以及征地拆遷等其他費(fèi)用。而且很多分項(xiàng)都難以給出解析式，它們的計(jì)算通過(guò)專業(yè)的設(shè)計(jì)過(guò)程完成。如計(jì)算路基建造中的土石方工程費(fèi)用，需要構(gòu)建數(shù)字地面模型，內(nèi)插橫斷面地面線，再根據(jù)平縱面線形和橫斷面地面線進(jìn)行橫斷面設(shè)計(jì)，最后計(jì)算出各處土石方數(shù)量乘上相應(yīng)單價(jià)和運(yùn)距得到土石方費(fèi)用。由于地形是復(fù)雜多變的，不同區(qū)域的土石方單價(jià)也不同，平縱面線形本身是一個(gè)關(guān)于里程的分段函數(shù)，因此土石方工程費(fèi)與空間線位的關(guān)系難以用顯函數(shù)形式表達(dá)。類似的情況在整個(gè)目標(biāo)函數(shù)的計(jì)算中大量存在。因此本文將整個(gè)目標(biāo)函數(shù)表示為如下通用形式

minf(X，Y，RH，l0，M，H,RV，

BS，BE，TS，TE，SS，SE)=

wSfS+wEfE+wCfC+wPfP

(15)

式中：fS、fE、fC、fP分別為方案的安全、經(jīng)濟(jì)、舒適、環(huán)保代價(jià)，元；wS、wE、wC、wP為相應(yīng)的權(quán)重。

1.3 約束條件

選線設(shè)計(jì)過(guò)程中，需要考慮大量的復(fù)雜約束條件。這些約束可以分為以下3類：

空間線位幾何約束：如最小曲線半徑、限制坡度、豎曲線緩和曲線不重疊等，可表示為如下通式

gi(X,Y,RH,l0,M,H,RV)≤0i=1,…,nCA

(16)

式中：nCA為空間線位幾何約束條件數(shù)目。

結(jié)構(gòu)物約束：如橋梁高度、隧道長(zhǎng)度、路基邊坡限高、車站間距等，該類約束可表示為如下通式

hi(BS,BE,TS,TE,SS,SE)≤0i=1,…,nCS

(17)

式中：nCS為結(jié)構(gòu)物約束條件數(shù)目。

線路-結(jié)構(gòu)物-環(huán)境之間的高維耦合約束：這類約束較為復(fù)雜，反映的是線路、結(jié)構(gòu)物、環(huán)境之間相互影響、制約。如線路應(yīng)繞避不良地質(zhì)及環(huán)境敏感點(diǎn)；車站盡量設(shè)置在直線、平坡、地形平緩地段；長(zhǎng)大隧道縱坡采用人字坡，坡度值不小于3‰，隧道洞身的地質(zhì)條件應(yīng)當(dāng)穩(wěn)定，盡量避免淺埋偏壓，設(shè)置曲線時(shí)宜布置在洞口附近；橋渡選線應(yīng)滿足水文、通航等要求，并盡量設(shè)置在直線上；路基忌高陡邊坡，保證結(jié)構(gòu)穩(wěn)定，避免對(duì)自然環(huán)境產(chǎn)生較大干擾?？杀硎緸槿缦峦ㄊ?/p>

li(X,Y,RH,l0,M,H,RV,BS,BE,

TS,TE,SS,SE)≤0i=1,…,nCAS

(18)

式中：nCAS為線路-結(jié)構(gòu)物-環(huán)境耦合約束條件數(shù)目。

綜上，線路智能優(yōu)化模型的總體表達(dá)式為

minf(X,Y,RH,l0,M,H,RV,

BS,BE,TS,TE,SS,SE)=

wSfS+wEfE+wCfC+wPfP

s.t.gi(X,Y,RH,l0,M,H,RV)≤0i=1,…,nCA

hi(BS,BE,TS,TE,SS,SE)≤0i=1,…,nCS

li(X,Y,RH,l0,M,H,RV,BS,BE,

TS,TE,SS,SE)≤0i=1,…,nCAS

(19)

由此可見(jiàn)，線路智能優(yōu)化模型具有自變量數(shù)目眾多、目標(biāo)函數(shù)復(fù)雜、約束條件高維耦合的特點(diǎn)。如何讓計(jì)算機(jī)自動(dòng)求解該智能優(yōu)化模型一直是困擾鐵路線路設(shè)計(jì)與研究人員的難題。大量的學(xué)者對(duì)其進(jìn)行了持續(xù)而深入的研究。

2 線路智能優(yōu)化方法研究概況

自20世紀(jì)60年代至今，線路智能優(yōu)化一直是交通工程領(lǐng)域的國(guó)際前沿和熱點(diǎn)問(wèn)題，最新研究成果大量見(jiàn)諸于Computer-aided Civil and Infrastructure Engineering、Transportation Research Part B: Methodological、Transportation Research Part C: Emerging Technologies等國(guó)際頂級(jí)期刊上。這些研究大都遵循著先建立線路設(shè)計(jì)智能優(yōu)化模型，再提出不同的智能搜索方法自動(dòng)求解出滿足約束條件，目標(biāo)函數(shù)最優(yōu)的線路方案的思路。因此，空間線位的智能搜索方法是其中的關(guān)鍵難點(diǎn)問(wèn)題?，F(xiàn)有方法可分為解析法和啟發(fā)式搜索2大類，見(jiàn)圖1。

2.1 解析法

解析法的基本思想是首先采用解析式表達(dá)出線路智能優(yōu)化的目標(biāo)函數(shù)、約束條件，然后通過(guò)數(shù)學(xué)理論與方法求解目標(biāo)函數(shù)的極小值來(lái)解決線路智能優(yōu)化問(wèn)題，其代表性方法包括以下5種。

(1) 變分法

變分法是世界上最早的線路優(yōu)化方法，1968年Howard[1]將平面線路優(yōu)化視為在起終點(diǎn)范圍內(nèi)尋找一空間曲線使函數(shù)積分值最小的變分問(wèn)題，并提出了最佳曲率原則進(jìn)行線形的搜索。Shaw[2-3]在其基礎(chǔ)上建立了兩種數(shù)值積分方法，并對(duì)線路的擬合進(jìn)行了研究。變分法雖然理論是最優(yōu)的，但要求目標(biāo)函數(shù)連續(xù)，與實(shí)際不符。

(2) 梯度投影法

1979年中南大學(xué)(原長(zhǎng)沙鐵道學(xué)院)詹振炎教授[4-6]提出了梯度投影法求解最優(yōu)線路。這是國(guó)內(nèi)最早的線路智能優(yōu)化方法。該方法以線路平面交點(diǎn)坐標(biāo)、曲線半徑、縱面變坡點(diǎn)里程及標(biāo)高為自變量，工程運(yùn)營(yíng)費(fèi)最小為目標(biāo)，線路幾何規(guī)范為約束，建立優(yōu)化模型，并采用梯度投影算法不斷尋找下降方向，最終得到優(yōu)化線路方案。該方法不要求目標(biāo)函數(shù)可導(dǎo)，但必須給定初始線路方案，只能基于初始線路方案進(jìn)行局部搜索，難以求出全局優(yōu)化解。

(3) 數(shù)值搜索法

1970年Hayman[7]提出了一種數(shù)值搜索算法來(lái)解決線路縱斷面優(yōu)化問(wèn)題。該方法首先預(yù)估一個(gè)初始方案，作為搜索的初始點(diǎn)，然后將初始點(diǎn)沿著梯度下降方向按計(jì)算出的步長(zhǎng)移動(dòng)到一個(gè)新的點(diǎn)，重復(fù)這個(gè)過(guò)程直到無(wú)法移動(dòng)。該方法可在連續(xù)空間搜索，但只能得到局部最優(yōu)解，而且受初始方案影響較大。1988年Goh[8]提出了面向離散和連續(xù)搜索空間的動(dòng)態(tài)規(guī)劃法和數(shù)值搜索算法。其數(shù)值搜索算法用一系列三次樣條線函數(shù)表示縱斷面線形，將縱斷面線路智能優(yōu)化問(wèn)題轉(zhuǎn)化為求解樣條曲線系數(shù)的約束非線性規(guī)劃問(wèn)題，并給出了搜索算法。隨后Chew[9]在其基礎(chǔ)上，于1989年提出了一種三維空間線形智能優(yōu)化模型。該模型用一條三維空間的三次樣條曲線代表線路，并用牛頓下降法搜索線路方案。該類方法可實(shí)現(xiàn)連續(xù)空間的搜索，但模型中采用的線形與實(shí)際線路不符，并且該方法僅能保證局部最優(yōu)。另外，該方法要求目標(biāo)函數(shù)可微，線路設(shè)計(jì)的真實(shí)目標(biāo)函數(shù)十分復(fù)雜，難以滿足條件。

(4) 枚舉法

Easa[10]于1988年提出了一種基于枚舉思想的縱斷面優(yōu)化方法。該方法首先建立一個(gè)以土石方工程費(fèi)為目標(biāo)函數(shù)并考慮最大坡度、最小夾直線長(zhǎng)、坡度變化率等各項(xiàng)線路幾何約束條件的優(yōu)化模型，然后等間距劃分變坡點(diǎn)得到初始縱面線形，最后通過(guò)枚舉不同的變坡點(diǎn)組合方式搜索出滿足各項(xiàng)約束要求的最優(yōu)線路縱斷面方案。該方法計(jì)算策略簡(jiǎn)單，但計(jì)算量大，而且變坡點(diǎn)的分布是離散的，不能實(shí)現(xiàn)連續(xù)空間的最優(yōu)化。

(5) 線性規(guī)劃法

1997年Revelle[11]采用五次多項(xiàng)式描述線路縱斷面線形，以土石方造價(jià)為目標(biāo)函數(shù)，基于線性規(guī)劃法求出最優(yōu)的五次多項(xiàng)式系數(shù)。該方法實(shí)現(xiàn)簡(jiǎn)單，但是五次多項(xiàng)式代替縱斷面線形有一定誤差，且難以保證坡度、坡度代數(shù)差等完全滿足要求。

上述解析法理論上可以得到最優(yōu)解，且求解速度快，但通常要求目標(biāo)函數(shù)連續(xù)、可微或可導(dǎo)。而真實(shí)的地形、地質(zhì)環(huán)境及約束條件難以用連續(xù)可微的數(shù)學(xué)表達(dá)式完整地表達(dá)出來(lái)，因此在使用這些方法時(shí)，都需要引入一系列假設(shè)和近似，忽略部分因素，求解出的結(jié)果與實(shí)際存在差異。此外，由于該類方法對(duì)目標(biāo)函數(shù)的要求較高，因此在這些方法中考慮的因素較少，主要是簡(jiǎn)化后的工程費(fèi)和運(yùn)營(yíng)費(fèi)。

2.2 啟發(fā)式搜索

隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，大量啟發(fā)式算法被應(yīng)用于解決線路智能優(yōu)化問(wèn)題，此類方法無(wú)需求解目標(biāo)函數(shù)的導(dǎo)數(shù)、微分，甚至不需要將目標(biāo)函數(shù)表示為顯函數(shù)，解決了地形、地質(zhì)環(huán)境、約束條件難以表達(dá)，目標(biāo)函數(shù)需連續(xù)、可微的難題。這也使得考慮更為復(fù)雜的優(yōu)化目標(biāo)，如旅客舒適性、線路對(duì)環(huán)境的影響等成為可能。啟發(fā)式方法又可進(jìn)一步分為先搜索最優(yōu)路徑，再進(jìn)一步擬合成線路方案的間接法(網(wǎng)格優(yōu)化法、動(dòng)態(tài)規(guī)劃法、距離變換法)和直接搜索最優(yōu)線路方案的直接法(混合整數(shù)規(guī)劃、知識(shí)工程、遺傳算法、群智能搜索)。

2.2.1 間接法

(1) 網(wǎng)格優(yōu)化法

網(wǎng)格優(yōu)化法的基本思想是將整個(gè)線路研究區(qū)域劃分為一系列網(wǎng)格并賦予各網(wǎng)格不同的地理信息屬性及費(fèi)用信息，基于線路行經(jīng)網(wǎng)格信息計(jì)算不同網(wǎng)格間的連通費(fèi)用，最后采用最短路徑算法等成熟方法搜索出連接起、終點(diǎn)的最優(yōu)網(wǎng)格連接，并采用圓弧連接網(wǎng)格形成最終線路。該方法最早由Turner[12]于1971年提出并用于平面線路智能優(yōu)化。Parker[13]在此基礎(chǔ)上增加了縱斷面優(yōu)化并在優(yōu)化模型中融入了坡度約束條件。Trietsch[14]于1987年對(duì)該方法進(jìn)行了進(jìn)一步改進(jìn)，針對(duì)搜索過(guò)程中網(wǎng)格形狀單一、連接方向少的問(wèn)題，提出了4種不同的網(wǎng)格劃分方法，包括正方形、長(zhǎng)方形、橢圓形、蜂巢形，增加了網(wǎng)格劃分種類及網(wǎng)格連接方向。網(wǎng)格優(yōu)化法的根本問(wèn)題是得出的線路是一系列相互連接的圓弧，用這些相互連接的圓弧來(lái)近似代替線路的平面線形是不準(zhǔn)確的，而且對(duì)于較長(zhǎng)的線路，需要消耗巨大的空間來(lái)存儲(chǔ)網(wǎng)格數(shù)據(jù)。

(2) 動(dòng)態(tài)規(guī)劃法

動(dòng)態(tài)規(guī)劃法是求解決策過(guò)程最優(yōu)化的數(shù)學(xué)方法。在20世紀(jì)50年代初由美國(guó)數(shù)學(xué)家R.E.Bellman等在研究多階段決策過(guò)程(Multistep Decision Process)的優(yōu)化問(wèn)題時(shí)提出。其基本原理是把多階段過(guò)程轉(zhuǎn)化為一系列單階段問(wèn)題，并利用各階段之間的關(guān)系，逐個(gè)求解，進(jìn)而得到全局最優(yōu)解。1973年，Murchland[15]將動(dòng)態(tài)規(guī)劃法引入線路智能優(yōu)化問(wèn)題，以土石方工程費(fèi)最省為目標(biāo)建立動(dòng)態(tài)規(guī)劃模型進(jìn)行縱斷面線路優(yōu)化。該方法首先垂直于線路起始點(diǎn)連線作一系列直線，將整個(gè)線路劃分為一系列階段；然后在垂線上劃分一系列結(jié)點(diǎn)，以結(jié)點(diǎn)作為狀態(tài)，在智能優(yōu)化過(guò)程中，由后往前計(jì)算各階段的土石方費(fèi)用函數(shù)，生成整體土石方費(fèi)用最省的結(jié)點(diǎn)連接路徑；最后將生成的最優(yōu)路徑擬合成最終線路方案。1988年，Goh、Chew和Fwa[8]在線路縱斷面優(yōu)化的目標(biāo)函數(shù)中增加了運(yùn)營(yíng)費(fèi)，并詳細(xì)介紹了土石方工程費(fèi)用函數(shù)構(gòu)建方法以及動(dòng)態(tài)規(guī)劃優(yōu)化流程。在此基礎(chǔ)上Fwa[16]于1989年對(duì)優(yōu)化過(guò)程中的各項(xiàng)優(yōu)化參數(shù)進(jìn)行了敏感性分析，并提出60 m的最優(yōu)劃分間距。但該類方法只能保證通過(guò)各結(jié)點(diǎn)的折線連接是最優(yōu)的，擬合成線路之后無(wú)法保證其最優(yōu)性，而且搜索范圍被限定在結(jié)點(diǎn)上，無(wú)法實(shí)現(xiàn)連續(xù)空間的搜索。針對(duì)這些問(wèn)題，中南大學(xué)Li和Pu[17]提出了三維動(dòng)態(tài)規(guī)劃法，在平面和縱面兩個(gè)方向?qū)⒄麄€(gè)搜索空間劃分為一系列三維網(wǎng)格，以三維網(wǎng)格的頂點(diǎn)為結(jié)點(diǎn)，采用動(dòng)態(tài)規(guī)劃生成三維走廊線，最后采用方向加速法對(duì)線路擬合出一條與最優(yōu)走廊線最接近的線路方案，使線路位置不再受限于固定的網(wǎng)格點(diǎn)。但將該方法應(yīng)用于大區(qū)域范圍的鐵路選線，網(wǎng)格數(shù)據(jù)量極大，運(yùn)算時(shí)間過(guò)長(zhǎng)。

(3) 距離變換法

距離變換是圖像學(xué)中的常用變換，可將位圖變換為距離圖。距離圖中記錄了每個(gè)像素點(diǎn)到目標(biāo)像素點(diǎn)的最短距離。De Smith[18]于2006年首次將其引入線路智能優(yōu)化領(lǐng)域。首先將研究區(qū)域劃分為規(guī)則格網(wǎng)，整個(gè)格網(wǎng)視為一張圖像；然后將線路的起/訖點(diǎn)作為距離變換的目標(biāo)點(diǎn)；再用格網(wǎng)之間連接所需的工程費(fèi)用來(lái)代替距離變換中的“距離”，并加入最大坡度約束；最后距離變換生成距離圖。通過(guò)距離圖可得到連接線路起訖點(diǎn)滿足最大坡度約束，且工程造價(jià)最省的格網(wǎng)連通路徑，最后采用樣條曲線對(duì)路徑進(jìn)行擬合，生成優(yōu)化線路方案。該方法非常適合在緊坡地段自動(dòng)生成優(yōu)化的導(dǎo)向線，為解決復(fù)雜山區(qū)的鐵路展線難題提供了一個(gè)較好的解決方案。但該方法還存在以下不足：①格網(wǎng)之間采用路基連接，未考慮橋隧，而復(fù)雜山區(qū)橋梁、隧道無(wú)法避免的大量出現(xiàn)；②僅僅考慮了最大坡度約束，還有大量的如最小曲線半徑等約束未處理；③由于搜索的鄰域模板固定，在復(fù)雜艱險(xiǎn)山區(qū)可能無(wú)法產(chǎn)生方案；④距離變換過(guò)程中未考慮擬合問(wèn)題，容易出現(xiàn)尖銳轉(zhuǎn)角，擬合會(huì)產(chǎn)生較大的偏差。針對(duì)這些不足，Li和Pu[19-20]于2016年對(duì)其進(jìn)行了改進(jìn)，提出了面向復(fù)雜山區(qū)的自適應(yīng)雙向距離變換算法。改進(jìn)主要包括：①格網(wǎng)連接時(shí)加入了橋隧處理；②考慮了最小曲線半徑、限制坡度、坡度代數(shù)差、最大橋高、最大隧長(zhǎng)、必經(jīng)區(qū)域、繞避區(qū)域、高程控制點(diǎn)等一系列選線設(shè)計(jì)的約束條件；③設(shè)計(jì)了自適應(yīng)鄰域模板，提出了以起終點(diǎn)分別為目標(biāo)點(diǎn)，雙向掃描生成兩幅距離圖，最后疊加形成多路徑的雙向掃描策略，有效避免復(fù)雜約束條件下無(wú)法生成方案的難題；④在生成路徑的過(guò)程中考慮了曲線半徑和轉(zhuǎn)角等約束，生成的路徑較平滑，擬合過(guò)程不易出現(xiàn)較大的偏差。這些改進(jìn)有效避免了既有距離變換方法的不足，可在復(fù)雜山區(qū)環(huán)境下自動(dòng)生成大量的連接起終點(diǎn)的優(yōu)化路徑。

2.2.2 直接法

(1) 混合整數(shù)規(guī)劃

2006年Cheng和Lee[21]以工程建造費(fèi)最省為目標(biāo)首次采用了鄰域啟發(fā)式搜索來(lái)尋找最優(yōu)平面線形，然后基于混合整數(shù)規(guī)劃方法進(jìn)行縱斷面線形智能優(yōu)化。該方法可生成滿足平曲線約束的平面線形，并加入了緩和曲線。但是該方法將平面和縱斷面分開(kāi)，并非整體優(yōu)化。

(2) 知識(shí)工程

西南交通大學(xué)易思蓉教授[22-24]將人工智能的知識(shí)工程引入的鐵路選線設(shè)計(jì)。該方法對(duì)鐵路選線領(lǐng)域知識(shí)進(jìn)行了系統(tǒng)深入的研究，探討了其體系結(jié)構(gòu)，提出了面向?qū)ο箢愐?guī)則知識(shí)表達(dá)模式，實(shí)現(xiàn)了鐵路選線知識(shí)的有效靈活表達(dá)；建立了面向鐵路選線的多方案綜合評(píng)價(jià)模型；并綜合利用地理信息系統(tǒng)、工程數(shù)據(jù)庫(kù)等技術(shù)構(gòu)建了鐵路線路智能優(yōu)化系統(tǒng)，可生成經(jīng)濟(jì)合理的線路方案。該方法的實(shí)施效果取決于選線領(lǐng)域知識(shí)的構(gòu)建。

(3) 遺傳算法

1998年，美國(guó)Maryland大學(xué)研究團(tuán)隊(duì)提出了基于遺傳算法的公路線路智能優(yōu)化模型HAO(Highway Alignment Optimization)[25]，首次將仿生進(jìn)化算法引入公路線路設(shè)計(jì)領(lǐng)域，并開(kāi)展了持續(xù)深入的研究。HAO模型的基本思想是：首先在線路起終點(diǎn)間劃分一系列切割面，并假定線路平縱面控制點(diǎn)均位于切割面；然后以切割面上控制點(diǎn)的位置為基因進(jìn)行線路染色體編碼，并形成初始種群；最后設(shè)計(jì)交叉、變異算子逐代產(chǎn)生不斷進(jìn)化的線路方案群，最終收斂。

自HAO模型提出后，有大量學(xué)者對(duì)其進(jìn)行了改進(jìn)研究：2000年Jha[26]針對(duì)目標(biāo)函數(shù)中的土地使用費(fèi)進(jìn)行了深化研究，細(xì)化考慮了不同用地類別以及不同建造物的用地補(bǔ)償費(fèi)用；2003年Jong和Schonfeld[27]在原HAO模型的基礎(chǔ)上提出一種三維線路智能優(yōu)化方法，可實(shí)現(xiàn)線路路平、縱面的協(xié)同優(yōu)化；Jha[28]于2007年將HAO模型用于解決鐵路線路優(yōu)化問(wèn)題，針對(duì)鐵路選線要求對(duì)HAO模型進(jìn)行了改進(jìn)；2009年Kang[29]針對(duì)HAO模型在線路搜索過(guò)程中浪費(fèi)大量時(shí)間用于評(píng)價(jià)不可行方案的問(wèn)題，提出了一種高效的搜索方法，可避免對(duì)不可行方案進(jìn)行評(píng)價(jià)，改進(jìn)了HAO模型的計(jì)算效率；2014年Yang[30]等提出一種多目標(biāo)線路智能優(yōu)化方法，在HAO模型中融入設(shè)計(jì)人員的偏好信息，使其在搜索過(guò)程中可根據(jù)設(shè)計(jì)偏好自動(dòng)權(quán)衡工程造價(jià)、運(yùn)輸效率、環(huán)境影響等多項(xiàng)影響因素，并生成一系列Pareto最優(yōu)解，供設(shè)計(jì)人員選擇；2017年Davey[31]將新建線路對(duì)生態(tài)保護(hù)區(qū)內(nèi)動(dòng)物活動(dòng)的影響融入HAO模型，實(shí)現(xiàn)基于HAO模型的生態(tài)選線。國(guó)內(nèi)學(xué)者針對(duì)我國(guó)鐵(公)路線路設(shè)計(jì)的特點(diǎn)，也對(duì)HAO模型進(jìn)行改進(jìn)，使其適用于國(guó)內(nèi)選線設(shè)計(jì)，如增加約束條件[32]，更改遺傳算法切割面劃分方法[33]。目前HAO模型已成為當(dāng)前應(yīng)用最為廣泛的線路智能優(yōu)化方法。

基于遺傳算法的線路智能優(yōu)化方法的不足在于其通常需要預(yù)設(shè)線路控制點(diǎn)的數(shù)目及切割面的分布，而且預(yù)設(shè)的切割面對(duì)最終的結(jié)果影響極大。在不太復(fù)雜的平原和丘陵地區(qū)，尚可按經(jīng)驗(yàn)沿著線路終點(diǎn)航空線布置分布，在復(fù)雜環(huán)境下線路設(shè)計(jì)人員難以給定合理的初始分布，從而導(dǎo)致無(wú)法生成可行解。

(4) 群智能算法

群智能算法是一種近年來(lái)新興的智能搜索方法，其主要通過(guò)對(duì)社會(huì)性動(dòng)物的各種群體行為的模擬，以達(dá)到群體中的個(gè)體之間的信息交互和合作來(lái)實(shí)現(xiàn)尋優(yōu)的目的。2011年中南大學(xué)的繆鹍[34]在其博士論文中將群智能算法用于鐵路線路優(yōu)化，建立了以土方工程費(fèi)用為目標(biāo)函數(shù)的優(yōu)化模型并提出了基于蟻群算法的縱斷面線路優(yōu)化方法，解決了變坡點(diǎn)自動(dòng)確定難題；論文針對(duì)鐵路三維空間線路優(yōu)化問(wèn)題，提出了基于Rosenbrock方法的粒子群算法，提高了粒子群算法在多維變量、多約束條件下的全局搜索能力。伊朗謝里夫理工大學(xué)的Yousef Shafahi[35-36]教授分別于2013年、2017年將粒子群算法、蟻群算法應(yīng)用于解決公路三維線路優(yōu)化問(wèn)題，針對(duì)公路設(shè)計(jì)變量多、約束復(fù)雜的特點(diǎn)，設(shè)計(jì)了改進(jìn)算子提高其優(yōu)化效率。2018年Babapour[37]分別采用遺傳算法和粒子群算法進(jìn)行線路智能優(yōu)化，并對(duì)比分析了兩種算法的優(yōu)缺點(diǎn)。與遺傳算法類似，群智能算法也需要預(yù)設(shè)線路控制點(diǎn)的數(shù)目及初始分布，存在復(fù)雜環(huán)境下應(yīng)用受限問(wèn)題。

(5) 曠達(dá)選線系統(tǒng)

曠達(dá)三維線路智能優(yōu)化系統(tǒng)是由澳大利亞政府主導(dǎo)，聯(lián)邦科學(xué)院組織道路交通、地理信息、數(shù)學(xué)、計(jì)算機(jī)等方面的科學(xué)家，從1988年開(kāi)始研發(fā)，到1998年研發(fā)成功的一個(gè)商業(yè)化智能選線系統(tǒng)。該系統(tǒng)以模糊數(shù)學(xué)等理論為基礎(chǔ)，以工程費(fèi)用為主要目標(biāo)函數(shù)，配合地形地貌，在給定約束條件下，優(yōu)化迭代出一系列線路方案供設(shè)計(jì)人員決策。但該智能選線系統(tǒng)主要面向公路，未考慮鐵路車站的布設(shè)問(wèn)題，只能進(jìn)行區(qū)間內(nèi)的智能選線，大大限制了它的使用范圍；并未與中國(guó)的規(guī)范相結(jié)合，難以處理鐵路獨(dú)有的約束條件；而且優(yōu)選方案時(shí)主要以工程投資最省為目標(biāo)，對(duì)運(yùn)營(yíng)、安全等因素考慮較少。此外，由于商業(yè)機(jī)密和知識(shí)產(chǎn)權(quán)保護(hù)等緣故，在國(guó)際學(xué)術(shù)期刊和交通工程出版物中未見(jiàn)有關(guān)算法和數(shù)學(xué)模型的報(bào)道，其方法難以借鑒。

(6) 網(wǎng)格自適應(yīng)直接搜索算法

網(wǎng)格自適應(yīng)直接搜索算法是2006年由Audet等[38]提出的一種啟發(fā)式搜索算法。該方法無(wú)需目標(biāo)函數(shù)解析式，可處理復(fù)雜的非線性約束，與其他啟發(fā)式搜索算法相比，可在數(shù)學(xué)上證明其收斂性。2015年，加拿大英屬哥倫比亞大學(xué)的Mondal、Lucet等[39]建立了以平面交點(diǎn)坐標(biāo)、圓曲線半徑為自變量、填挖方工程費(fèi)為目標(biāo)函數(shù)的線路智能優(yōu)化模型，并將該算法引入解決線路優(yōu)化問(wèn)題，實(shí)現(xiàn)了給定線路走廊帶內(nèi)的平面線路智能優(yōu)化。該方法的缺點(diǎn)在于需預(yù)先給定合理的初始線位，而且預(yù)設(shè)的初始線位對(duì)最終的結(jié)果影響極大。因此，該算法僅適用于對(duì)已有線路的進(jìn)一步優(yōu)化。

(7) 距離變換+遺傳算法

上述方法在平原、丘陵和一般山區(qū)可以自動(dòng)生成令人滿意的優(yōu)化線路方案，但存在復(fù)雜環(huán)境下應(yīng)用受限的難題。近年來(lái)，中南大學(xué)與中鐵二院工程集團(tuán)有限責(zé)任公司以川藏鐵路為背景，對(duì)復(fù)雜艱險(xiǎn)山區(qū)環(huán)境下的鐵路線路智能優(yōu)化開(kāi)展了深入研究，對(duì)距離變換和遺傳算法進(jìn)行了深度改進(jìn)，并將兩者緊密結(jié)合，實(shí)現(xiàn)了復(fù)雜山區(qū)環(huán)境下的線路智能優(yōu)化[40]。該方法遵循人工選線設(shè)計(jì)由面到帶，再由帶到線的逐步求精思想，包含由面到帶、由帶到線兩個(gè)階段。

由面到帶階段通過(guò)對(duì)距離變換進(jìn)行改進(jìn)，提出了面向復(fù)雜山區(qū)的自適應(yīng)雙向距離變換算法，自動(dòng)生成大量有價(jià)值的滿足各類約束的優(yōu)化路徑，再提取路徑中的特征點(diǎn)，形成線路搜索走廊帶。由帶到線階段則以走廊帶中心線上拐點(diǎn)的角平分面作為遺傳算法的切割面，有效地解決了既有遺傳算法在復(fù)雜山區(qū)難以給定合適的控制點(diǎn)分布的難題。同時(shí)也對(duì)遺傳算法進(jìn)行了大量改進(jìn)：①針對(duì)既有遺傳算法縱面變坡點(diǎn)與平面交點(diǎn)重疊問(wèn)題，設(shè)計(jì)了平縱獨(dú)立切割面以及平面交點(diǎn)-平曲線-縱斷面變坡點(diǎn)的分布遺傳編碼方法；②提出了回頭曲線自動(dòng)生成方法，以更好的實(shí)現(xiàn)復(fù)雜緊坡地段的展線；③提出了基于動(dòng)態(tài)可行域的縱斷面變坡點(diǎn)生成方法，有效避免了復(fù)雜環(huán)境下縱坡生成失敗的難題。通過(guò)上述改進(jìn)的遺傳算法，可在走廊帶內(nèi)自動(dòng)生成滿足各類復(fù)雜約束的優(yōu)化線路方案。

該方法充分利用了距離變換和遺傳算法各自的優(yōu)勢(shì)，避免了距離變換生成的路徑難以擬合，遺傳算法難以給出適宜的切割面分布的不足；并處理了鐵路線路設(shè)計(jì)中的各類復(fù)雜約束，尤其是復(fù)雜艱險(xiǎn)環(huán)境下，線路-結(jié)構(gòu)物(橋、隧、路、站)-環(huán)境的高維動(dòng)態(tài)耦合約束，實(shí)現(xiàn)了線站協(xié)同智能搜索。目前該方法已在環(huán)境最復(fù)雜的川藏鐵路選線設(shè)計(jì)中試用，可為設(shè)計(jì)人員快速自動(dòng)生成大量有價(jià)值的線路方案，有效提高了選線設(shè)計(jì)效率。

綜上所述，線路智能優(yōu)化一直是國(guó)內(nèi)外交通土建工程領(lǐng)域的熱點(diǎn)、難點(diǎn)及前沿問(wèn)題。經(jīng)過(guò)半個(gè)世紀(jì)的發(fā)展，線路智能優(yōu)化方法不斷推陳出新：研究對(duì)象已從二維的線路平面或縱斷面發(fā)展為三維空間的平縱面整體智能優(yōu)化；智能優(yōu)化目標(biāo)從最初的只考慮工程費(fèi)到后續(xù)的不斷加入運(yùn)營(yíng)費(fèi)、經(jīng)濟(jì)、環(huán)境影響代價(jià)等；搜索方法從傳統(tǒng)的數(shù)學(xué)解析法演變?yōu)閱l(fā)式搜索算法；研究重點(diǎn)也從平原區(qū)選線向復(fù)雜山區(qū)選線拓展；并且已在大量的實(shí)際工程中成功應(yīng)用，顯著降低了設(shè)計(jì)人員的勞動(dòng)強(qiáng)度，提升了設(shè)計(jì)效率和質(zhì)量。但目前的線路智能優(yōu)化技術(shù)仍然無(wú)法達(dá)到人類水平，只能輔助設(shè)計(jì)人員決策，要實(shí)現(xiàn)真正的達(dá)到甚至超越人類水平，還有以下問(wèn)題尚待深入研究解決。

3 尚待解決的難點(diǎn)問(wèn)題

為了讓計(jì)算機(jī)具備人類的智慧，模擬人類自動(dòng)設(shè)計(jì)出滿足各類約束條件，綜合代價(jià)最優(yōu)的線路方案，應(yīng)解決好“知識(shí)模型，評(píng)價(jià)目標(biāo)，搜索方法”三個(gè)方面的問(wèn)題。首先，收集、整理、總結(jié)和提煉足夠的選線原則、規(guī)律，構(gòu)建計(jì)算機(jī)可識(shí)別應(yīng)用的知識(shí)模型，使計(jì)算機(jī)具備充足的選線專業(yè)領(lǐng)域知識(shí)；然后，建立可全面準(zhǔn)確評(píng)價(jià)線路方案的多目標(biāo)決策模型，作為線路智能優(yōu)化的目標(biāo)；最后，針對(duì)線路智能優(yōu)化這一復(fù)雜決策問(wèn)題的特點(diǎn)，建立高度智能化的空間線位搜索算法，實(shí)現(xiàn)模擬甚至超越人類水平的線路智能設(shè)計(jì)。

3.1 多維環(huán)境因素與線路之間的規(guī)律認(rèn)知

正如人類從事選線設(shè)計(jì)先要儲(chǔ)備足夠的選線專業(yè)知識(shí)，通過(guò)計(jì)算機(jī)進(jìn)行選線設(shè)計(jì)亦需如此。多維環(huán)境因素與線路之間的規(guī)律認(rèn)知是開(kāi)展線路智能優(yōu)化知識(shí)建模的基礎(chǔ)，而人工智能技術(shù)的發(fā)展又將促進(jìn)人類對(duì)多維環(huán)境因素與線路之間復(fù)雜規(guī)律的認(rèn)知。

影響鐵路線路方案的因素眾多，按環(huán)境屬性可劃分為：自然、經(jīng)濟(jì)、社會(huì)、路網(wǎng)等不同維度(多維)；多維環(huán)境因素與線路方案相互作用，相互影響(耦合)；而且隨著時(shí)間的推移，自然環(huán)境動(dòng)態(tài)演變，經(jīng)濟(jì)與社會(huì)環(huán)境不斷發(fā)展變化，路網(wǎng)環(huán)境不斷改善，使得多維環(huán)境與線路之間的關(guān)系呈現(xiàn)顯著的時(shí)變性(動(dòng)態(tài))，因此，復(fù)雜多維環(huán)境因素與線路之間的關(guān)系具有多維、耦合、動(dòng)態(tài)的基本特征。

現(xiàn)有研究忽視了上述基本特征，雖然鐵路線路設(shè)計(jì)人員依據(jù)長(zhǎng)期的設(shè)計(jì)實(shí)踐經(jīng)驗(yàn)已總結(jié)出各種地貌、地質(zhì)、生態(tài)環(huán)境特征下的選線原則，如各種緊、緩坡地段定線原則，河谷區(qū)、越嶺區(qū)、黃土區(qū)、凍土區(qū)、風(fēng)沙區(qū)、高寒區(qū)等各種自然條件下的定線原則，但總體看來(lái)，主要集中于單一因素(如地形或地質(zhì))對(duì)線路的單向作用或影響，缺乏對(duì)多維環(huán)境因素共同影響下，線路與環(huán)境之間的耦合作用規(guī)律的研究，并且經(jīng)常置于靜態(tài)或者準(zhǔn)動(dòng)態(tài)的環(huán)境下開(kāi)展研究，較少考慮這種耦合作用的時(shí)變特征，導(dǎo)致獲取的先驗(yàn)知識(shí)常常是片面的，無(wú)法全面準(zhǔn)確地反映客觀規(guī)律。

近年來(lái)，大數(shù)據(jù)、數(shù)據(jù)挖掘、并行計(jì)算等技術(shù)的飛速發(fā)展，為認(rèn)知多維環(huán)境因素與線路之間復(fù)雜的客觀規(guī)律提供了新的解決途徑。

(1) 我國(guó)已擁有運(yùn)營(yíng)里程居世界第一的高速鐵路和運(yùn)營(yíng)里程居世界第二的普速鐵路，已具備建立線路案例大數(shù)據(jù)的條件。

(2) 數(shù)據(jù)挖掘技術(shù)取得了長(zhǎng)足進(jìn)步，進(jìn)入了商用階段，通過(guò)對(duì)海量數(shù)據(jù)的分析挖掘，發(fā)現(xiàn)了大量有價(jià)值的規(guī)律。

(3) 通過(guò)計(jì)算機(jī)集群、多GPU并行等技術(shù)可達(dá)到單CPU數(shù)百倍的計(jì)算速度，為解決規(guī)律發(fā)掘中的高復(fù)雜度計(jì)算問(wèn)題提供了保障。

因此，以數(shù)據(jù)為中心，從海量的線路案例大數(shù)據(jù)中挖掘出復(fù)雜多維環(huán)境因素與線路方案之間的潛在規(guī)律，不斷充實(shí)人類現(xiàn)有的選線知識(shí)庫(kù)，建立日漸全面、準(zhǔn)確的選線知識(shí)模型，引導(dǎo)計(jì)算機(jī)自動(dòng)設(shè)計(jì)出達(dá)到甚至超越人類知識(shí)水平的線路方案，是線路智能優(yōu)化未來(lái)的重要研究方向之一。

3.2 線路方案多目標(biāo)智能決策方法

如何科學(xué)、全面、準(zhǔn)確地評(píng)價(jià)線路方案的優(yōu)劣，即線路優(yōu)化的目標(biāo)問(wèn)題，一直是鐵路設(shè)計(jì)及研究人員面臨的難題。鐵路選線是一個(gè)復(fù)雜的多目標(biāo)決策問(wèn)題，需要綜合考慮安全、經(jīng)濟(jì)、舒適、環(huán)保等諸多因素和目標(biāo)，這些目標(biāo)往往是矛盾和沖突的，因此需要綜合協(xié)調(diào)各因素之間關(guān)系，最終形成整體最優(yōu)的線路方案。

現(xiàn)有研究大多采用了以工程費(fèi)、運(yùn)營(yíng)費(fèi)等經(jīng)濟(jì)指標(biāo)為主的單一目標(biāo)評(píng)價(jià)函數(shù)，即自動(dòng)搜索出的是經(jīng)濟(jì)性最好的線路方案。顯然，實(shí)際工作中，經(jīng)濟(jì)性最好的方案并不等于最優(yōu)的線路方案。雖然有部分學(xué)者對(duì)環(huán)境、社會(huì)影響等方面開(kāi)展了有益的探索，如：墨爾本大學(xué)的Davey[31]教授研究了新建線路對(duì)生態(tài)保護(hù)區(qū)內(nèi)動(dòng)物活動(dòng)的影響，并將其作為重要評(píng)價(jià)指標(biāo)融入線路設(shè)計(jì)過(guò)程中；馬里蘭大學(xué)的Yang[30]在其建立的線路優(yōu)化模型中除工程運(yùn)營(yíng)費(fèi)用外，還考慮了社會(huì)經(jīng)濟(jì)影響費(fèi)用。但現(xiàn)有研究的評(píng)價(jià)目標(biāo)仍然極其有限，采用的指標(biāo)往往是上述眾多目標(biāo)的子集，且計(jì)算模型中進(jìn)行了大量的簡(jiǎn)化，特別是在線路方案對(duì)環(huán)境及社會(huì)影響的量化分析研究方面還十分薄弱，遠(yuǎn)未實(shí)現(xiàn)對(duì)線路方案全面準(zhǔn)確的評(píng)估。

因此，應(yīng)在現(xiàn)有以經(jīng)濟(jì)目標(biāo)為主的單一評(píng)價(jià)目標(biāo)基礎(chǔ)上，進(jìn)一步構(gòu)建全面考慮安全、經(jīng)濟(jì)、舒適、環(huán)保等因素的綜合評(píng)價(jià)目標(biāo)體系；建立各評(píng)價(jià)目標(biāo)(特別是線路方案舒適度、環(huán)境、社會(huì)影響)與空間線位之間準(zhǔn)確的量化計(jì)算方法；協(xié)調(diào)、平衡處理這些目標(biāo)之間的關(guān)系，建立多目標(biāo)決策模型，從而實(shí)現(xiàn)對(duì)線路方案的全面準(zhǔn)確評(píng)價(jià)。

3.3 智能搜索方法

高效的智能搜索方法是實(shí)現(xiàn)線路智能優(yōu)化的關(guān)鍵核心，也是國(guó)內(nèi)外線路智能優(yōu)化領(lǐng)域的研究熱點(diǎn)。前已述及，智能搜索方法經(jīng)歷了由解析法到啟發(fā)式搜索的演進(jìn)，目前在地形不復(fù)雜的平易地區(qū)可以生成令人滿意的結(jié)果。但總體看來(lái)，這些算法大多基于貪婪策略，即搜索過(guò)程中的每一步?jīng)Q策，均選擇當(dāng)前局部的最優(yōu)解，亦即遵循“步步優(yōu)則總體優(yōu)”的思想。而線路智能優(yōu)化追求的是最終線路方案達(dá)到整體最優(yōu)，并不要求線路的每一個(gè)局部路段均為最優(yōu)。相反，每一個(gè)局部最優(yōu)的方案，往往并不能最終實(shí)現(xiàn)總體優(yōu)。因此，貪婪策略并不適于鐵路選線的智能尋優(yōu)。

再者，線路搜索過(guò)程中每一步的決策不僅需要局部計(jì)算，更需要對(duì)全局態(tài)勢(shì)的感知，在對(duì)局部和全局態(tài)勢(shì)綜合評(píng)估后，做出最優(yōu)的決策?，F(xiàn)有算法強(qiáng)于局部計(jì)算，往往僅能依據(jù)前序的已知結(jié)果，以及當(dāng)前的局部狀態(tài)確定每一步下降或進(jìn)化方向，缺乏對(duì)后續(xù)未知以及全局態(tài)勢(shì)的感知能力。這種“大局觀”的缺失，導(dǎo)致了現(xiàn)有的空間線位智能搜索方法還無(wú)法達(dá)到和超越人類水平。這也是當(dāng)前智能搜索算法出現(xiàn)“智能”不智的根本原因。

而近兩年的基于深度學(xué)習(xí)研發(fā)的Alpha Go圍棋程序在搜索計(jì)算過(guò)程中使用了蒙特卡洛方法對(duì)全局進(jìn)行隨機(jī)模擬，最后與神經(jīng)網(wǎng)絡(luò)結(jié)合給出選點(diǎn)的勝率預(yù)估。這種基于全局勝率的算法使其具備了“大局觀”，對(duì)全局有著比專業(yè)棋手更為清晰的認(rèn)識(shí)，這也成為了Alpha Go能在圍棋領(lǐng)域取勝人類的關(guān)鍵。Alpha Go的“大局觀”為線路智能優(yōu)化方法研究提供了很好的借鑒和參考。但同時(shí)也應(yīng)該看到，線路智能優(yōu)化面臨的領(lǐng)域知識(shí)、搜索空間、約束條件、目標(biāo)函數(shù)等方面比圍棋要復(fù)雜得多，因此在智能搜索方法的研究上將面臨著更多更復(fù)雜的問(wèn)題。在未來(lái)，如何修正現(xiàn)有算法的貪婪搜索策略，設(shè)計(jì)出兼具局部計(jì)算與全局態(tài)勢(shì)感知的智能搜索方法，是提升鐵路選線智能化水平的關(guān)鍵。

3.4 拓展鐵路線路智能優(yōu)化研究范疇

就鐵路線路智能優(yōu)化的研究范疇而言，國(guó)內(nèi)外幾乎所有研究都局限在給定主要技術(shù)標(biāo)準(zhǔn)下的新建鐵路線路設(shè)計(jì)。對(duì)于更為宏觀，對(duì)鐵路全生命周期影響更為深遠(yuǎn)的主要技術(shù)標(biāo)準(zhǔn)的智能決策尚屬研究空白，在實(shí)際工作中，還是以人工決策為主。同時(shí)，我國(guó)面臨著大量的既有鐵路增改建任務(wù)。既有線的增改建設(shè)計(jì)要求在滿足功能需求的前提下，盡可能利用既有線路，并避免對(duì)既有鐵路的行車造成較大的干擾，由此帶來(lái)了既有線智能改建的目標(biāo)函數(shù)和約束條件與新建鐵路顯著不同。然而遺憾的是，國(guó)內(nèi)外在該領(lǐng)域尚未開(kāi)展相關(guān)研究。因此，開(kāi)展主要技術(shù)標(biāo)準(zhǔn)的智能決策，既有鐵路的智能增改建設(shè)計(jì)的研究具有重要的理論意義與現(xiàn)實(shí)價(jià)值，應(yīng)成為未來(lái)線路智能優(yōu)化的重要研究方向。

4 結(jié)論

線路智能優(yōu)化一直是國(guó)內(nèi)外交通土建工程領(lǐng)域的熱點(diǎn)、難點(diǎn)及前沿問(wèn)題。經(jīng)過(guò)半個(gè)世紀(jì)的發(fā)展，智能優(yōu)化方法不斷推陳出新：智能優(yōu)化對(duì)象已從二維的線路平面或縱斷面優(yōu)化發(fā)展為三維空間的平縱面整體優(yōu)化；智能優(yōu)化目標(biāo)從最初的只考慮工程費(fèi)到后續(xù)的不斷加入運(yùn)營(yíng)費(fèi)、經(jīng)濟(jì)、環(huán)境影響代價(jià)等；智能搜索方法從傳統(tǒng)的數(shù)學(xué)解析法演變?yōu)閱l(fā)式搜索算法；研究重點(diǎn)也從平原區(qū)選線向復(fù)雜山區(qū)選線拓展；并且已在大量的實(shí)際工程中成功應(yīng)用，提升了設(shè)計(jì)效率和質(zhì)量。但由于問(wèn)題本身的復(fù)雜性，線路智能優(yōu)化技術(shù)目前仍然無(wú)法達(dá)到人類水平，未來(lái)可從以下幾個(gè)方面開(kāi)展深入研究：

(1) 基于線路案例大數(shù)據(jù)認(rèn)知復(fù)雜多維環(huán)境因素與線路方案之間的潛在規(guī)律，實(shí)現(xiàn)線路智能優(yōu)化的知識(shí)建模；

(2) 構(gòu)建綜合考慮安全、經(jīng)濟(jì)、舒適、環(huán)保等因素的多目標(biāo)決策模型，實(shí)現(xiàn)對(duì)線路方案的全面準(zhǔn)確評(píng)價(jià)；

(3) 建立兼具局部計(jì)算與全局態(tài)勢(shì)感知的智能搜索方法，提升智能搜索“大局”意識(shí)；

(4) 拓展研究范疇，開(kāi)展主要技術(shù)標(biāo)準(zhǔn)智能決策、既有鐵路的智能增改建設(shè)計(jì)研究。

隨著上述問(wèn)題的深入研究并解決，實(shí)現(xiàn)真正意義上的達(dá)到甚至超越人類水平的線路智能優(yōu)化設(shè)計(jì)終將成為可能。

參考文獻(xiàn)：

[1] HOWARD B E, BRAMNICK Z, SHAW J F B. Optimum Curvature Principle in Highway Routing[J].Journal of the Highway Division,1968,94 (1):61-82.

[2] SHAW J F B, HOWARD B E. Comparison of Two Integration Methods in Transportation Routing[J]. Transportation Research Record, 1981, 806：8-13.

[3] SHAW J F B, HOWARD B E. Expressway Route Optimization by OCP[J].Journal of Transportation Engineering,1982,108(3):227-243.

[4] 詹振炎，宋治倫. 鐵路縱斷面的優(yōu)化設(shè)計(jì)[J]. 鐵道學(xué)報(bào),1982,4(4):78-88.

ZHAN Zhenyan, SONG Zhilun. Optimization Design of Railway Profile[J]. Journal of the China Railway Society, 1982,4(4):78-88.

[5] 常新生，詹振炎. 鐵路縱斷面優(yōu)化設(shè)計(jì)——二次規(guī)劃法的研究及應(yīng)用[J]. 鐵道學(xué)報(bào),1988,10(4):75-85.

CHANG Xinsheng, ZHAN Zhenyan. Railway Profile Optimization Design：the Study and Application of Quadratic Programming Methods[J]. Journal of the China Railway Society, 1988,10(4):75-85.

[6] 詹振炎, 常新生. 鐵路線路平縱面整體優(yōu)化設(shè)計(jì)的理論與方法[J]. 鐵道學(xué)報(bào), 1995,17(4)：75-81.

ZHAN Zhenyan, CHANG Xinsheng. Theory and Study Method of Overall Optimization Design for Railway Horizontal and Vertical Alignment[J]. Journal of the China Railway Society,1995,17(4):75-81.

[7] HAYMAN R W. Optimization of Vertical Alignment for Highways through Mathematical Programming[J]. Highway Research Record, 1970,306: 1-9.

[8] GOH C J, CHEW E P, FWA T F. Discrete and Continuous Model for Computation of Optimal Vertical Highway Alignment[J]. Transportation Research Part B：Methodological,1988,22(6):399-409.

[9] CHEW E P, GOH C J, FWA T F. Simultaneous Optimization of Horizontal and Vertical Alignments for Highways[J]. Transportation Research Part B：Methodological,1989,23(5):315-329.

[10] EASA S M. Selection of Roadway Grades That Minimize Earthwork Cost Using Linear Programming[J]. Transportation Research Part A：General,1988,22(2):121-136.

[11] REVELLE C A, WHITLATCH E E. Civil and Environmental Systems Engineering[M]. New Jersey:Prentice Hall,PTR Upper Saddle River,1996.

[12] TURNER A K, MILES R D. A Computer Assisted Method of Regional Route Location[J]. Highway Research Record, 1971, 348:1-15.

[13] PARKER N A. Rural Highway Route Corridor Selection[J]. Transportation Planning & Technology,1977,3(4):247-256.

[14] TRIETSCH D. A Family of Methods for Preliminary Highway Alignment[J]. Transportation Science,1987,21(1):17-25.

[15] MURCHLAND J D. Methods of Vertical Profile Optimization for an Improvement to an Existing Road[C]//PTRC Seminar Proceedings on Cost Models and Optimisation in Highways (Session L12), London,1973.

[16] FWA T F. Highway Vertical Alignment Analysis by Dynamic Programming[J]. Transportation Research Record 1239,1989, 1-9.

[17] LI W, PU H, ZHAO H, et al. Approach for Optimizing 3D Highway Alignments Based on Two-stage Dynamic Programming[J]. Journal of Software,2013,8(11):2967-2973.

[18] DE SMITH M J. Determination of Gradient and Curvature Constrained Optimal Paths[J]. Computer-aided Civil and Infrastructure Engineering,2006,21(1):24-38.

[19] LI W, PU H, SCHONFELD P, et al. Methodology for Optimizing Constrained 3-dimensional Railway Alignments in Mountainous Terrain[J]. Transportation Research Part C：Emerging Technologies,2016,68:549-565.

[20] 李偉，蒲浩，鄭曉強(qiáng). 基于雙向廣義距離變換的復(fù)雜環(huán)境鐵路線路優(yōu)化[J]. 鐵道學(xué)報(bào),2017,39(2):90-98.

LI Wei, PU Hao, ZHENG Xiaoqiang. Methodology for Railway Alignment Optimization in Complex Environment Based on Bidirectional Generalized Distance Transform[J]. Journal of the China Railway Society,2017,39(2):90-98.

[21] CHENG J F, LEE Y. Model for Three-dimensional Highway Alignment[J]. Journal of Transportation Engineering,2006,132(12):913-920.

[22] 易思蓉. 面向?qū)ο箢愔^詞邏輯知識(shí)表達(dá)模式及其在選線系統(tǒng)中的應(yīng)用[J]. 中國(guó)鐵道科學(xué),2003,24(6):32-36.

YI Sirong. A Class-predicate Logic Knowledge Expression Model and Its Application to Railway Alignment System[J]. China Railway Science,2003,24(6):32-36.

[23] 易思蓉. 虛擬環(huán)境選線系統(tǒng)中的知識(shí)表達(dá)模式[J]. 鐵道學(xué)報(bào),2004,26(1):88-92.

YI Sirong. Knowledge Representation Model for the Virtual Environment Railway Location System[J]. Journal of the China Railway Society,2004,26(1):88-92.

[24] 易思蓉，韓春華，段曉峰. 虛擬環(huán)境選線系統(tǒng)的地理超圖模型[J]. 中國(guó)鐵道科學(xué),2006,27(1):133-137.

YI Sirong, HAN Chunhua, DUAN Xiaofeng. A Geo-hypergraph Model for Railway Location System in Virtual Environment[J]. China Railway Science,2006,27(1):133-137.

[25] JONG J C. Optimizing Highway Alignments with Genetic Algorithms[D].Maryland :University of Maryland, College Park ,1998.

[26] JHA M, SCHONFELD P. Geographic Information System-based Analysis of Right-of-way Cost for Highway Optimization[J]. Transportation Research Record, 2000, 1719(1):241-249.

[27] JONG J C, SCHONFELD P. An Evolutionary Model for Simultaneously Optimizing Three-Dimensional Highway Alignments[J]. Transportation Research Part B: Methodological, 2003, 37(2):107-128.

[28] JHA M K, SCHONFELD P, SAMANTA S. Optimizing Rail Transit Routes with Genetic Algorithms and Geographic Information System[J]. Journal of Urban Planning and Development,2007,133(3):161-171.

[29] KANG M W, SCHONFELD P, YANG N. Prescreening and Repairing in a Genetic Algorithm for Highway Alignment Optimization[J]. Computer-Aided Civil and Infrastructure Engineering,2009,24(2):109-119.

[30] YANG N, KANG M, SCHONFELD P, et al. Multi-objective Highway Alignment Optimization Incorporating Preference Information[J]. Transportation Research Part C：Emerging Technologies,2014,40:36-48.

[31] DAVEY N, DUNSTALL S, HALGAMUGE S. Optimal Road Design Through Ecologically Sensitive Areas Considering Animal Migration Dynamics[J]. Transportation Research Part C：Emerging Technologies, 2017, 77：478-494.

[32] 許金良，王海君，楊少偉. 基于遺傳算法的公路縱斷面優(yōu)化[J]. 交通運(yùn)輸工程學(xué)報(bào),2003,3(2):48-52.

XU Jinliang, WANG Haijun, YANG Shaowei. Optimization of Highway Profile Based on Genetic Algorithms[J]. Journal of Traffic and Transportation Engineering,2003,3(2):48-52.

[33] 李偉，蒲浩，趙海峰，等. 基于分步編碼改進(jìn)遺傳算法的鐵路智能選線[J]. 西南交通大學(xué)學(xué)報(bào),2013,48(5):831-838.

LI Wei, PU Hao, ZHAO Haifeng, et al. Intelligent Railway Alignment Optimization Based on Stepwise Encoding Genetic Algorithm[J]. Journal of Southwest Jiaotong University, 2013, 48(5)：831-838.

[34] 繆鹍. 公(鐵)工程三維選線的群智能算法研究[D]. 長(zhǎng)沙:中南大學(xué),2011.

[35] SHAFAHI Y, BAGHERIAN M. A Customized Particle Swarm Method to Solve Highway Alignment Optimization Problem[J]. Computer-Aided Civil and Infrastructure Engineering,2013,28(1):52-67.

[36] HASANY R M, SHAFAHI Y. Ant Colony Optimisation for Finding the Optimal Railroad Rath[J]. Proceedings of the Institution of Civil Engineers-Transport, 2017,170(4)：218-230.

[37] BABAPOUR R, NAGHDI R, GHAJAR I, et al. Forest Road Profile Optimization Using Meta-heuristic Techniques[J]. Applied Soft Computing, 2018, 64：126-137.

[38] AUDET C, JR J E D. Mesh Adaptive Direct Search Algorithms for Constrained Optimization[J]. SIAM Journal on Optimization, 2006, 17(1)：188-217.

[39] MONDAL S, LUCET Y, HARE W. Optimizing Horizontal Alignment of Roads in a Specified Corridor[J]. Computers & Operations Research, 2015, 64(C)：130-138.

[40] LI W, PU H, SCHONFELD P, et al. Mountain Railway Alignment Optimization with Bidirectional Distance Transform and Genetic Algorithm[J]. Computer-Aided Civil and Infrastructure Engineering,2017,32(8):691-709.