Inspired by real life maintenance operations, we introduce a vehicle maintenance scheduling problem in an urban light rail line which considers service level agreement (SLA), preventive maintenance cycles and corrective jobs on a single dead-end track. We show that the problem is strongly NP-Hard. Experts in real life make use of a heuristic. Yet, the heuristic calls vehicles in their preventive maintenance cycles as early as possible, which increases the number of maintenance calls in the long term. We build a mixed integer linear programming (MILP) model that handles all aspects of this problem. To improve the quality of the model, we modify it based on the structure of the problem and call MILP2. We enhance the heuristic and name ImprHeur. We introduce ImprHeur to provide a starting solution for the MILP2 model and call ImprHeur + MILP2. We perform computational experiments on random test instances and show that the ImprHeur + MILP2 drastically heightens the solution quality of the MILP model. We define key performance indicators (KPI) to assess the system behavior. We create a discrete-event simulation framework for different problem parameters to test the performance of these heuristics and ImprHeur + MILP2. We conclude that ImprHeur + MILP2 improves the real life heuristic by 74.72% with regard to the objective function value of the MILP model.

受现实生活维护操作的启发，我们在城市轻轨中引入了车辆维护调度问题，该问题考虑了服务水平协议（SLA），预防性维护周期和单个死角轨道上的纠正工作。我们表明问题很明显是NP-Hard。现实生活中的专家会利用启发式方法。然而，启发式呼叫尽早在预防性维护周期中呼叫车辆，从长远来看，这会增加维护呼叫的次数。我们建立了一个混合整数线性规划（MILP）模型来处理此问题的所有方面。为了提高模型的质量，我们根据问题的结构对其进行了修改，并将其称为MILP2。我们增强了启发式方法，并命名为ImprHeur。我们介绍ImprHeur为MILP2模型提供一个入门解决方案，并称为ImprHeur + MILP2。我们在随机测试实例上进行了计算实验，结果表明ImprHeur + MILP2大大提高了MILP模型的求解质量。我们定义关键性能指标（KPI）来评估系统行为。我们为不同的问题参数创建了离散事件仿真框架，以测试这些启发式方法和ImprHeur + MILP2的性能。我们得出的结论是，就MILP模型的目标函数值而言，ImprHeur + MILP2将现实生活中的启发式方法提高了74.72％。我们为不同的问题参数创建了离散事件仿真框架，以测试这些启发式方法和ImprHeur + MILP2的性能。我们得出的结论是，就MILP模型的目标函数值而言，ImprHeur + MILP2将现实生活中的启发式方法提高了74.72％。我们为不同的问题参数创建了离散事件仿真框架，以测试这些启发式方法和ImprHeur + MILP2的性能。我们得出的结论是，就MILP模型的目标函数值而言，ImprHeur + MILP2将现实生活中的启发式方法提高了74.72％。