A dynamic programming (DP) approach with adaptive state generation and conflicts resolution is developed to address the timetable-rescheduling problem (TRP) at relatively lower computation costs. A multi-stage decision-making model is first developed to represent the timetable-rescheduling procedure in high-speed railways. Then, an adaptive state generation method by reordering the trains at each station is proposed to dynamically create the possible states according to the states of previous stages, such that the infeasible states can be removed and the search space is reduced. Then, conflicts are resolved by retiming the arrival and/or departure times of trains. Furthermore, the state transfer equation is built and Bellman equation is developed to derive the solution to minimize the total delay time (TT). A series of simulation experiments and a real-world case study are used to evaluate the performance of the proposed method. The simulation experiments indicate that the proposed method is able to find the optimal timetable with appropriate overtaking at right stations and reduce the total delay by 62.7% and 41.5% with respect to the First-Come-First-Serve (FCFS) and First-Schedule-First-Serve (FSFS) strategy that are widely used in practice. Comparing to the intelligent scheduling method (e.g., Ant Colony Optimization and Particle Swarm Optimization), similar objective performance can be achieved at a much lower cost of computation time, which make the proposed method more applicable to the TRP in daily operation of high-speed railway.

开发了一种具有自适应状态生成和冲突解决方案的动态编程（DP）方法，以相对较低的计算成本解决时间表重新安排问题（TRP）。首先建立一个多阶段决策模型来代表高速铁路的时间表重新安排程序。然后，提出了一种通过对每个站点的火车进行重新排序的自适应状态生成方法，以根据前一阶段的状态动态创建可能的状态，从而可以消除不可行的状态并减少搜索空间。然后，通过重新安排火车的到达和/或离开时间来解决冲突。此外，建立状态转移方程式并开发Bellman方程式以导出解决方案，以使总延迟时间（TT）最小化。一系列模拟实验和一个实际案例研究被用来评估该方法的性能。仿真实验表明，所提出的方法能够找到合适的超车时刻表，并在正确的车站超车，并且相对于先来先服务（FCFS）和先发计划，总延误减少了62.7％和41.5％。 -在实践中广泛使用的“先到先得（FSFS）”策略。与智能调度方法（例如蚁群优化和粒子群优化）相比，可以以更低的计算时间实现相似的目标性能，从而使该方法更适用于高速日常运行中的TRP。铁路。仿真实验表明，所提出的方法能够找到合适的超车时刻表，并在正确的车站超车，并且相对于先来先服务（FCFS）和先发计划，总延误减少了62.7％和41.5％。 -在实践中广泛使用的“先到先得（FSFS）”策略。与智能调度方法（例如蚁群优化和粒子群优化）相比，可以以更低的计算时间实现相似的目标性能，从而使该方法更适用于高速日常运行中的TRP。铁路。仿真实验表明，所提出的方法能够找到合适的超车时刻表，并在正确的车站超车，并且相对于先来先服务（FCFS）和先发计划，总延误减少了62.7％和41.5％。 -在实践中广泛使用的“先到先得（FSFS）”策略。与智能调度方法（例如蚁群优化和粒子群优化）相比，可以以更低的计算时间实现相似的目标性能，从而使该方法更适用于高速日常运行中的TRP。铁路。相对于实践中广泛使用的先来先服务（FCFS）和先计划先服务（FSFS）策略为5％。与智能调度方法（例如蚁群优化和粒子群优化）相比，可以以更低的计算时间实现相似的目标性能，从而使该方法更适用于高速日常运行中的TRP。铁路。相对于实践中广泛使用的先来先服务（FCFS）和先计划先服务（FSFS）策略为5％。与智能调度方法（例如蚁群优化和粒子群优化）相比，可以以更低的计算时间实现相似的目标性能，从而使该方法更适用于高速日常运行中的TRP。铁路。