1.2　智能选线现状分析

1.2.1　人工智能发展概况

计算机的出现，导致了一门可以追溯到亚里士多德三段论的学科的萌芽与发展，那就是人工智能。人工智能这一学科诞生于1956年由麦卡锡（McCarthy）和明斯基（Minsky）等人发起的关于用机器模拟智能的学术讨论会上[10]，在这次会议上首次使用了“artificial intelligence”这一术语。目前人工智能的主要学派有下列三家[11]：

（1）符号主义（Symbolicism），又称为逻辑主义（Logicism）、心理学派（Psychlogism）或计算机学派（Computerism），其原理主要为物理符号系统（即符号操作系统）假设和有限合理性原理。

（2）连接主义（Connectionism），又称为仿生学派（Bionicsism）或生理学派（Physiologism），其原理主要为神经网络及神经网络间的连接机制与学习算法。

（3）行为主义（Actionism），又称进化主义（Evolutionism）或控制论学派（Cyberneticsism），其原理为控制论及感知—动作型控制系统。

尽管人工智能发展初期并不是一帆风顺，但是20世纪60～70年代知识工程所取得的成就使人工智能研究开始走向实用[12]。而20世纪80年代，连接主义也有了突破性的进展，特别是霍普菲尔德（Hopfield）提出的网络模型和鲁梅哈特（Rumelhart）等人提出的多层网络学习算法，也把连接主义的研究推向新高潮[10]。在这一时期，符号主义的研究也取得了极大进展。而起源于1975年约翰·霍兰（John Holland）发表《Adaptation in Natural and Artificial Systems》的遗传算法（人工智能的行为主义学派）的研究，也在20世纪80年代末90年代初蓬勃发展，并且应用到了控制、规划、设计、图像处理等领域[13，14]。

近年来基于神经网络的深度学习[15]获得了长足发展，该技术的成功应用，使人机博弈、自然语言理解、图像视频识别等取得巨大成功，进而促进人工智能在生产自动化与生活便利化方面做出卓越贡献。但基于神经网络的铁路选线方法鲜有研究。

在选线领域有应用的人工智能方法包括知识工程和智能优化（以遗传算法为主）。二者中以智能优化为主，因此相关的资料较多。本书将聚焦知识工程，成体系的介绍相应的理论、方法与实现。

1.2.2　知识工程概况

知识工程（Knowledge Engineering，简称KE）是人工智能的分支，指基于知识系统（Knowledge Based System）的构建、开发与维护技术[16]。该概念是1977年由美国斯坦福大学计算机科学家费根鲍姆（Feigenbaum）教授提出的，他认为[10]：“知识工程是人工智能的一种技艺，它运用人工智能的原理和方法，对那些需要专家知识才能解决的应用难题提供求解的手段。恰当运用专家知识的获取、表达和推理过程的构成与解释，是设计基于知识的系统的重要技术问题。”知识工程这一概念的提出，标志着人工智能的研究进入实际应用阶段。其研究内容主要包括[17]：

（1）知识表示，把专门领域内的事实、经验、知识形式化，以便计算机接受和操作，涉及知识库的设计和管理。

（2）知识利用，利用形式化的知识解决问题，涉及推理机的设计问题。

（3）知识获取，就是对于假设的对象问题领域，把事实知识和经验知识移植到知识库。它包括从专家获取知识和知识挖掘。

（4）知识库系统。针对不同领域应用的知识库、知识管理和知识使用系统。

知识工程提出以后被广泛的应用于各行各业，而且随着计算机、数据库、网络和人工智能技术的发展，逐渐扩大其应用范围，而且理论与技术也日渐更新，使学科从知识工程向知识科学渐变。

但知识工程基本上是关于“知识”的“工程”，而不是侧重于关于“工程”的“知识”。为把知识工程用于解决实际工程问题，基于知识的工程（Knowledge-Base Engineering，简称KBE）应运而生。KBE是面向产品/工程全生命周期和设计过程的计算机集成处理技术，它以知识为内核，通过对全程知识的动态扩充、繁衍、继承、集成、管理和应用来并行地解决工程实际问题[18]。简要的说，KBE就是把KE应用到工程领域，以实现工程问题的自动化、智能化。

KBE伴随计算机辅助技术（Computer Aided technologies，简称CAX）的发展于20世纪80年代产生，在20世纪90年代得到普遍关注[19]，现在是CAX的研究热点。KBE在机械、结构、材料工艺等领域的设计、集成制造方面有广泛应用研究，我们主要关注其在设计方面的应用。进入21世纪随着信息相关技术的发展和KBE研究的深入，网络化或分布式、创新设计、自适应设计、人机协同设计等概念被提出，并进行相关的研究。

最近知识工程研究关注知识自动化问题，知识工程离不开知识自动化。利用知识自动化的方法，对虚拟空间的大数据进行深度的开发和智力挖掘，才有可能有效应对不确定性、多样性和复杂性问题[20]。自然语言是最佳的人机交互方式，自动问答领域就涉及知识的管理，国内外在这方面的研究也有了较大的进展[21]。

KBE研究和应用的发展为铁路选线自动化或智能化设计的研究，提供了可供借鉴的参考模式。

1.2.3　国外智能选线研究状况

人工智能的普遍发展，引发了其在铁路和公路领域的应用研究，尤其是在智能交通系统和运输管理方面。但是人工智能在选线方面的应用却不多，在铁路选线方面的应用就更少了，当然公路选线的应用也不普遍，就检索到的资料来看，近年来，其应用主要体现在把遗传算法引入平、纵断面及整体优化中，以增加优化方法的实用性、费用函数计算的准确性以及优化效率。下面就人工智能在选线方面的应用研究作简要介绍。

1.知识工程的应用

最早把知识工程引入选线的是苏格兰斯特拉思克莱德大学的米尔恩（Milne，P.H.），其1986年研究开发的曲线半径选择和设计集成系统RODEOS，根据输入的现场地物约束和设计要求，利用规则知识选择、设计平面曲线或缓和曲线，并能协调处理平、竖曲线的重合问题[22]。随后两年，美国就利用专家系统对公路路网的危险地段和交叉口自动识别进行过研究，希望能节约调查分析时间和人力物力消耗[23，24]。1988年哥伦比亚大不列颠大学的德·卡斯蒂略（de Castilho）、伯纳多（Bernardo）等发表了题为《公路选线产生式系统》的文章，对不确定信息处理、空间数据的结构描述和常规评价与启发式原理的结合进行了探索[25]。由于知识工程方法的局限性和选线设计本身的复杂性，此后，知识工程在公路选线领域的应用就难得一见了。1994年，哥伦比亚大学的可汗（Khan）、萨罗斯（Sarosh I.）等人在《Journal of Transportation Engineering》介绍了他们开发的集成数据库管理的公路维修专家系统4RSCOPE，该系统根据室内或现场数据来决定工程措施（重铺、保养、维修或重建等）[26]。

2004年，西班牙蒙窦·劳伦斯（Lawrence Mandow）等联合西班牙工程公司开发的用于辅助公路初步设计的智能系统Sindi，已经在西班牙工程公司安装，用于辅助设计人员快速产生方案和进行方案评价。该系统采用了多目标决策和启发式状态空间搜索技术，其提供四个核心功能是[27]：①允许设计者修改方案的人机界面，因而系统产生的方案可以是程序生成、设计人员手动生成或通过人机交互迭代生成；②自动对方案进行评价，并产生方案的描述信息；③能记录设计历史，把设计要求和相应的方案、评价和遇到的问题记录下来；④由设计者激发的启发式搜索方法。Sindi不是单独的设计系统，而是初步设计的智能助手，软件使用LISP语言实现，采用了数字地形模型和禁区约束，但生成的方案只能由曲线组成，方案是首尾相接的曲线链，适用于小规模线路方案选择和评价（比如3km的长度，原文认为是中等规模）。

由以上的介绍可知，虽然知识工程在线路领域应用的研究不多，但也取得了一定成就，从单独的曲线半径选择发展到了考虑多目标的初步设计智能助手。尽管Sindi取得了一定的实用性，但是一方面它基于大量的人机交互，另一方面不能自动产生符合规范的设计方案，只能处理简单设计情况，而且对设计人员的要求较高。

2.遗传算法的应用

优化算法在选线中的应用研究，国内外早期采用的都是以工程投资为目标的单目标优化，也有主要技术标准综合优化。由于传统优化对约束和目标函数要求高，且全局搜索能力不强，因此实用困难。因此，20世纪末起，智能优化开始用于线路优化，主要采用遗传算法。

第一个使用遗传算法进行公路路线优化的是美国马里兰大学的钟志诚（Jyh-Cherng Jong），1998年在其博士论文中，在分析了现有优化方法的不足之处后，引入了遗传算法[28]。随后在美国、英国和新加坡都开始出现这方面的研究，研究范围从纵断面优化、平面优化到平纵断面的联合优化，其目标函数建立不仅考虑了土石方，而且把隧道、桥梁、交叉道口等因素考虑进去，同时为了目标函数的快速准确建立，把GIS和计算机可视化技术也引入优化系统[29-31]。该方法的基本原理是：首先自动生成连接起、终点的大量方案组成方案集合，然后对各方案进行费用和约束满足情况评价，从方案集合中选出较优的方案进行选择、交叉、变异等操作，以产生下一代方案集合，如此反复计算，直到评价指标没有较大改进为止。

在这方面的研究中，美国摩根马州立大学的库马尔·马洛奇（Manoj Kumar Jha）和马里兰大学的保罗·舍恩菲尔德（Schonfeld Paul）等人的研究比较引人注目，他们2004年发表的《A highway alignment optimization model using geographic information systems》一文集中介绍了他们在基于遗传算法和GIS进行路线优化的成果，并展示了四个演示实例[32]。在其开发的系统中用C语言实现了方案产生、费用计算和遗传优化等算法，其中费用计算是联合GIS和C语言实现的，可以实现平面、纵断面单独优化或三维空间曲线的联合优化，在展示的实例中考虑了土方、用地、路面、交通事故、时间消耗等费用，考虑了小范围选线时的应用情况（其最长的线路为1.7km），具有一定的适用性和借鉴价值。

由于遗传算法算子通常不受约束条件限制，因此路线优化时会生成很多不可行方案，对这些方案进行评价会浪费计算时间，文献[33]因此提出了采用修正和预先去除不可行方案的方法，以提高遗传算法的效率。为使优化结果更符合实际，有研究者开始用遗传算法进行路线的多目标优化[34]。

遗传算法在轨道交通线路设计方面也有少量研究。在2001年IEEE智能交通会议上，波兰格但斯克理工大学的科茨·瓦迪斯瓦夫（Wladyslaw Koc）提出了一种平面线形计算的新方法，他研究了用遗传算法计算考虑地形障碍时，铁路反向曲线间非标准连接曲线的计算方法，这样设计出的线形不仅能合理处理地形障碍，而且有更好的动力特性[35]，但距现场实用还有很长的距离。美国摩根马州立大学的库马尔·马洛奇和马里兰大学的保罗·舍恩菲尔德把基于遗传算法和GIS的线路优化方法推广到了城市轨道交通领域，在研究模型中考虑了包括线路建设费、车站建设费、用地费、运营费在内的操作费用和包括使用费、驾驶时间费用和等候时间费用等在内的用户费用，并把模型应用于马里兰州Anne Arundel郡内连接Glen Burnie和巴尔的摩华盛顿国际机场的既有轻轨铁路中，对两个车站间长5.1km路线进行了优化，展示了该模型应用于城市轨道线路优化的潜力[36]。在2004年5月第九届国际铁路计算机应用大会上，库马尔·马洛奇又展示了利用遗传算法和GIS技术进行已知线路位置的城市轨道交通车站定位问题研究的情况[37]。

1.2.4　国内智能选线研究状况

人工智能在公路选线中应用始于1987年国家自然科学基金重大项目“工程建设中智能辅助决策系统”应用研究中的“公路路线设计方案生成专家系统”子课题。该系统属工程设计型专家系统，系统针对公路选线设计的特点，将整个设计过程分成若干阶段，采用循环反复的控制流程，知识表示以框架和产生式规则为主，在约束控制下利用深度优先搜索策略生成路线路径，然后利用评价模块对方案进行评价，在生成与判断之间合理地分配知识并对知识进行分块和分类处理[38-40]。该课题在公路线形的模糊综合评判、用隶属函数进行知识整理与形式化、用条件过程网络表示知识等方面，进行了若干有益探索。人工智能在公路路线中的又一个研究是：基于BP神经网络的立交匝道布线方法，就BP神经网络对给定线形的设计知识表达、联想记忆和网络结构进行了研究，提出了立交匝道布线的BP神经网络方法[41]。

国内人工智能在铁路选线领域中的研究始于20世纪80年代：1988年由北方交通大学主持的“单线铁路技术改造方案决策专家系统”，该研究属于国家自然科学基金重大项目“工程建设中智能辅助决策系统”中的一个三级子课题，该系统由“方案拟定子系统”、“方案评价子系统”和“方案经济评价子系统”组成，用于模拟专家的思维过程进行单线铁路技术改造方案拟定，并对各可行方案进行综合评估、工程数量和造价计算[42-44]。随后国内在铁路选线领域内就人工智能的应用做过以下探索性研究：1992年的铁路平面选线专家系统[45]；1993～1996年，采用黑板结构和产生式规则知识表示方法，用扩充与或图的深度优先搜索算法和不精确推理，用Turbo Prolog语言实现的铁路中间站选址智能辅助决策系统[46，47]；1994年，用Turbo Prolog和Turbo C语言实现，具有数据处理与分析、判别与评价、对策建议与决策支持的黄土地区铁路工程地质评价系统[48]；基于专家系统的铁路工程造价估测系统[49]；1994年，用Turbo Prolog语言编制、在COMPAQ386微机及兼容机上实现、采用谓词逻辑和产生式规则表示知识的铁路工程地质选线咨询系统[50]；1998年，采用面向对象知识表示方法，运用包括模糊规则推理、约束满足推理、数据库查询与数值计算等推理方法的国防交通铁路工程保障指挥决策专家系统[51]。由于铁路选线本身的复杂性，以上的研究都尚未达到实用。

为给铁路选线提供新的解决方案，西南交通大学以易思蓉教授为首的研究者，通过铁道部“九五”铁路科技发展重大项目“勘测设计一体化、智能化技术研究”的“铁路新线智能CAD系统研究”子项目，以及国家自然科学基金项目“基于GIS的虚拟环境选线系统智能环境建模方法及应用”的开展，借助知识工程、工程数据库、计算机图形、优化算法、地理信息系统及遥感等技术，以实现在室内模拟的室外环境中进行交互及自动线路方案设计和方案综合评价为目标，进行了积极有效的探索，在虚拟环境铁路选线的三维地理建模[52]、知识建模表示及利用[53，54]、初始平面生成[55]、纵断面满意优化[56]、虚拟环境下的线路设计技术[57]、线路方案综合评价[58]等方面取得了丰硕成果，对引领选线设计方法变革具有重要意义。

针对传统优化方法难以得到全局最优解和要求目标函数连续、可导、单峰的缺陷，21世纪初国内开始出现了把遗传算法引入公路、铁路选线的研究。遗传算法首先在公路纵断面优化中得到应用[59，60]，然后在平面[61]，整体优化[62]和最优路径[63]也出现研究；在铁路选线的纵断面上的也有应用[64，65]。对以上研究文献的分析发现，遗传算法在公路选线中的应用比铁路选线成熟，但都还不具备投入现场应用的条件。

进入21世纪第二个十年，优化算法继续得到发展，并逐步实用化。中南大学在这方面的研究比较有起色，比如：2012年蒲浩教授提出的基于动态规划的三维空间智能选线方法，采用更符合线路实际的“直线—曲线—直线”线形，在三维空间中搜索满足平纵约束的全局最优和较优方案[66]；缪鹃把蚁群优化及粒子群优化方法用于三维连续空间中三维线形的平纵面同时优化[67]；李伟等在染色体生成过程中提出了分步编码思路，并把分步编码改进遗传算法用于铁路智能选线[68]。此外，刘威、胡光常等依托中铁二院工程集团有限责任公司课题“铁路三维空间智能选线技术研究及系统开发”，结合铁路线路规划特点，开发了铁路三维空间智能选线系统[69]。

1.2.5　研究现状分析

人工智能的三个主要分支，在选线领域得到应用的主要是知识工程和遗传算法。优化方法在铁路、公路选线中的应用研究推进了空间线形设计速度和质量的提高，但主要适用于局部方案，且单纯依靠优化也不能解决铁路、公路选线问题，原因是：选线设计是一项综合性很强的决策工作，需要处理多种类型信息，决策涉及大量难以量化的定性信息，整个设计工作的完成需要设计人员丰富的从业经验及知识，不能完全通过数学模型解决。

目前为止，国内外在智能选线技术运用上较为成熟的有澳大利亚的旷达系统[3]，它是基于优化方法建立的路线规划优化辅助决策系统，实现了大面积高效率选线，多方案比选，快速工程数量计算和投资估算等功能。在美国加利福尼亚州高速铁路项目、昆士兰州东南山区公路项目、中国浙江150km黄衢南高速公路项目有成功应用。但一方面由于商业机密和知识产权保护等缘故，在国际学术期刊和交通工程出版物中见不到旷达系统算法和数学模型的相关科研成果，其方法难以借鉴；另一方面该系统给出的只是空间路径，并不是满足设计规范的平纵面。要实现智能选线，还需要进一步探索。

知识工程在选线领域内的应用研究已有近三十多年历史，国内外都做了一定的理论研究和方法探索，但在开发实用性系统方面遇到一些困难。其主要原因有：

（1）没能有效识别和利用地理信息。以往研究没能识别和处理选线工程师能处理的地形、地貌、水文、地质等自然信息和各种社会经济信息，而过分依赖于人为的信息输入，系统除了能做一些简单的运算和推理以外，不能给人以“智能”感觉，相反是在人的“服务”下进行推理和计算，而不能为工程师提供“智能服务”。

（2）方法研究没能把握选线设计的知识利用特点，统一规划铁路选线设计知识。选线设计是总体性、综合性很强的创造性工作，知识面广、经验性强，涉及经济、运量、运输等问题，以及各种站前、站后专业，还需分析各种包括地质、水文、地形在内的地理信息，处理各种数值的、字符的、图形的、图像的资料。因此要统一规划选线设计涉及的知识，只有从整体上综合考虑铁路选线设计，有机组合、管理各种知识，使之形成一个整体，才符合选线设计的知识特性，才有可能真正实现智能选线。

（3）方法的研究过分依赖于机器的自动实现。这样导致两种极端，即：要么依靠计算机自动给出问题的解，要么由设计人员手工完成或通过交互方式一步一步完成任务。事实上可以通过人与计算机的协同，发挥各自优势，共同完成设计任务。在选线设计时，把重复性大、知识含量低的任务交由计算机自动完成，领域人员则从事创造性大、知识含量高的任务。为实现人机协同作业，计算机设计系统应为用户提供便于地理信息、经济技术资料和运输要求捕获与理解的可视化环境，应提供便于二者交互的交互环境，建立内部知识表达模式与领域人员知识模式之间的映射关系。

（4）既有研究没能集成数值与符号方法。选线设计是设计和评价并行、定性分析和定量计算相结合的异构信息分析、处理、决策过程，数值分析和符号推理在选线设计任务中具有同等重要的地位。应该通过软件工程方法与知识工程方法集成的策略处理线路设计问题，实现符号推理时直接使用数值方法中的对象，在常规软件系统中直接调用推理机，把符号推理与数值分析计算集成为一体。

当然，在此之前的研究，由于计算机软件工程技术、数据库技术和空间信息技术的局限性，要在选线设计领域内构建“智能”的软件也缺乏相应的技术条件。本书理论与方法之所以能得以实现，离不开不断进步的信息技术的支持。