文章编号：１００３—１４２１（２０１０）０９－－００６８—０５ 中图分类号：０２２９；Ｕｌ１６．２ 文献标识码：Ａ 运输路径优化蚁群算法问题研究 Ｒｅｓｅａｒｃｈ ｏｎ ａｎｔ ｃｏｌｏｎｙ ａｔｇ０ｄｔｈｍ ｆｏｒ ｔｒａｎｓｐｏｒｔ ｒｏｕｔｅ ｏｐｔｉｍｉｚａｔｉｏｎ 陈钢铁，帅斌 ＣＨＥＮ Ｇａｎｓ＂－ｔｉｅ，ＳＨＵＡＩ Ｂｉｎ （西南交通大学交通运输学院，四川成都 ６ｆ ００５１） （Ｓｃｈｏｏｌ ｏｆ Ｔｒａｆｆｉｃ ａｎｄ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ，Ｓｏｕｔｈｗｅｓｔ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ，Ｓｉｃｈｕａｎ ６ １ ００３ １，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｆｉｒｓｔ．ｔｈｅ ｒｏｕｔｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ 摘要：对于某一特定源点和目的地之间 ｒｉｓｋ ａｎｄ ｔａｋｉｎｇ ａｃｃｏｕｎｔ ｏｆ ｃｏｓｔ ａｎｄ ｔｉｍｅ—ｖａｒｙｉｎｇ ｃｏｎｄｉｔｉｏｎｓ 的车辆运输调度问题，建立基于风险、考 ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ ｆｏｒ ｔｈｅ ｔｒａｉｎ ｔｒａｆｆｉｃ ｄｉｓｐａｔｃｈｉｎｇ ｐｒｏｂｌｅｍｓ ｂｅｔｗｅｅｎ ｃｅｒｔａｉｎ ｏｒｉｇｉｎ ａｎｄ ｄｅｓｔｉｎａｔｉｏｎ．Ｉｎ ｔｈｉｓ ｐａｐｅｒ， 虑成本和时变条件下的路径优化模型，采 ｐｈｅｒｏｍｏｎｅ ｕｐｄａｔｅ ｓｔｒａｔｅｇｙ ｏｆ ａｎｔ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ ｉｓ ｕｓｅｄ， 用蚁群算法的信息素更新策略，使边上残 ｓｏ ｔｈａｔ ｔｈｅ ｍａｒｇｉｎ ｒｅｓｉｄｕａｌ ｐｈｅｒｏｍｏｎｅ ｃｏｕｌｄ ａｃｃｕｒａｔｅｌｙ 留信息素能够正确反映时变网络中边上权 ｒｅｆｌｅｃｔ ｔｈｅ ｃｈａｎｇｅ ｏｆ ｔｈｅ ｍａｒｇｉｎ ｖａｌｕｅ ｉｎ ｔｉｍｅ—ｖａｒｙｉｎｇ 值的变化，并结合遗传算法，采取最优个 ｎｅｔｗｏｒｋ．Ｔｈｅｎ，ｂｙ ｃｏｍｂｉｎｉｎｇ ｗｉｔｈ Ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍｓ， ｔｈｅ ａｎｔ ｃｏｌｏｎｙ ｆｏｒｍｅｄ ａｆｔｅｒ ｅａｃｈ ｔｒａｖｅｒｓａｌ ｓｏｌｕｔｉｏｎ ａｓ ｔｈｅ 体交叉策略将蚁群每次遍历后形成的解作 ｉｎｉｔｉａｌ ｓｐｅｃｉｅｓ ｉｎ ｔｅｒｍｓ ｏｆ ｓｉｎｇｌｅ—ｐｏｉｎｔ ｃｒｏｓｓｏｖｅｒ，ｉｎ ｏｒｄｅｒ 为初始群种进行单点交叉计算，以避免陷 ｔｏ ａｖｏｉｄ ｇｅｔｔｉｎｇ ｉｎ ｌｏｃａｌ ｏｐｔｉｍａｌ ｓｏｌｕｔｉｏｎ ａｎｄ ｉｍｐｒｏｖｅ ｔｈｅ 入局部最优解，提高算法的收敛性。通过 ｃｏｎｖｅｒｇｅｎｃｅ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ．Ｔｈｅ ｖａｌｉｄｉｔｙ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ 算例分析验证算法的有效性。 ｉｓ ｐｒｏｖｅｄ ｂｙ ｔｈｅ ｅｘａｍｐｌｅ． 关键词：时变网络；路径优化；蚁群算法 Ｋｅｙ ｗｏｒｄｓ：Ｔｉｍｅ－ｖａｒｙｉｎｇ Ｎｅｔｗｏｒｋ；Ｒｏｕｔｅ Ｏｐｔｉｍｉｚａｔｉｏｎ； Ａｎｔ Ｃｏｌｏｎｙ Ａｌｇｏｒｉｔｈｍ 一 第３２卷第９期 运输路径优化蚁群算法问题研究陈钢铁等 ｆ—Ｎ；Ｅ一（ｇ ）为弧集， 石雨时间窗的车辆路径问题（Ｖｅｈｉｃ ｅ Ｒ。ｕ ｉｎｇ 顶点集，ｆ是众多车辆路径问题（Ｖｅｃｈｉｃｌｅ Ｒｏｕｔｉｎｇ Ｐｒｏｂｌｅｍ， ＝ 。Ｐ（ ）表 Ｐｒｏｂｌｅｍ ｗｉｔｈ Ｈａｒｄ Ｔｉｍｅ Ｗｉｎｄｏｗ．ＶＲＰＨＴＷ） 示顶点ｖ 的前点集；ｓ（ｉ）表示顶点ｖ 的后点集； 表 示完成运输的总时间上界；ｃ表示完成运输的总费 ＶＲＰ）中的一种。该问题既考虑车辆容量约束，也 用上界； 表示在顶点ｖ，的等待时间上界； 表示 考虑客户对货物送达的时间要求，并且每个客户 在顶点ｖ 等待的单位时间风险；ｃ 表示在顶点ｖ 等 都要求将货物在指定的时间窗内送达，既不能提 待的单位时间费用；ａ 表示在顶点ｖ 的到达时间； 前，也不能延后。ＶＲＰＨＴＷ问题的求解方法分为 『ｊ，表示弧ｅ０．的距离；ｗ 表示在顶点ｖ 的等待时间； 精确算法和启发式方法。精确算法由于引入严格的 ｃ （ 表示ｔ时刻进入弧Ｐ 的单位运费；ｔ ，（ 表示ｔ时 数学方法，无法避免指数爆炸问题，只能有效求 刻进入弧Ｐ 所需的时间； ，（ｆ）＝＝＝１表示ｔ时刻进入 解小规模ＶＲＰＨＴＷ问题 之］。而ＶＲＰＨＴｗ问题是强 弧ｅ ， ，（ ）一０表示ｔＮ刻没有进入弧ｅ 。 ＮＰ（Ｎｏｎｌｉｎｅａｒ Ｐｒｏｇｒａｍｍｉｎｇ）难题，只能寻找近似 ２．２建立模型 算法。因此，构造高质量的启发式算法显得尤其重 主要有遗传算法 、禁忌搜索算法 ］。对基于风 险考虑成本和时变条件下的问题建立模型，采用蚁 选取顶点１为源点，Ⅳ为目的地，建立混合整 要。目前，用于求解ＶＲＰＨＴＷＩ＇ｉｆ］题的启发式算法 数规划： ｍｉｎ∑∑ｒ （ × （ ＋∑ ｘｗ …１ ∈Ｅ ∈Ｖ （１） （２） 群算法的信息素更新策略，使边上残留信息素能够 正确反映时变网络中边上权值的变化，结合蚁群算 法和遗传算法，将蚁群每次遍历后形成的解作为初 始群种进行单点交叉计算，可以避免陷入局部最优 ｓ．ｔ． ∑∑ Ｆ １ ∈ Ｉ） （ｆ）一１ ∑∑ ，（，）一∑∑ （ ＝＝＝０ ｉ＝１，２，…，ＪＶ一１ （３） 解，提高算法的收敛性。 圭∑ （ｆ）一１ １ 问题描述 交通网络中特定源点与目的地之间的车辆运 输调度问题的运输风险依赖于时间，而且主要取 决于入弧的时间，但当车辆进入某一弧时，风险 由进入弧的时间决定。为操作方便，假定时间是 Ｆ１ ｆ∈，（Ⅳ） （４） ｉ＝１，…，Ⅳ一１ ＝２，…，Ⅳ （５） （６） ∑∑ ，（ ≤１ Ｆ１｝Ｅ ＇ １ ｉｃ尸（ｆ１ ∑∑Ｏ＋ （ ）× （ 一日，一０ ∑∑ｔｘ （ 一日，一ｗ，一０ ｔ－１／ｅＳ（ｉ） 一１，…，Ⅳ＿ｌ（７） 离散化的小单位（如１ ｈ或更小的１０ ｍｉｎ）。允许 ∑ｃ （ Ｘ （ｆ）Ｘ１ｕ＋∑ｃ ，ＸＷ ≤Ｃ Ｆｌ ｅ ∈Ｆ ｆ∈Ｐ （８） （９） （１ｏ） 车辆在每一顶点停靠等待，但不允许顶点间的停 靠，其中考虑了等待时间和驾驶时间的不同 情况，但考虑到允许等待和在现实中长途运输中 多个司机随车的现象，研究只考虑等待时间 的情况，即顶点上的等待时间必须在０和上界之 ａｊ一０，ａⅣ≤Ｔ ０≤ｗｆ≤ ，ａ ≥０ ｉ １，２，…，Ⅳ （ｆ）一０或１， ∈ ｆ—ｌ，２，‘。。， （１１） 间。在此基础上，考虑企业的实际运作情况，研 其中：约束条件（２）～（４）是留守恒的； ５）保证只有１条路径；约束条件（６）～（７） 究基于风险考虑成本和时变条件下物品运输的路 约束条件（径动态优化问题，以及在选定路径顶点上决定的 保证途经弧ｅ 时，弧ｅ 的后节点到达时间为前节 出发和等待时间的综合问题。 点的到达时间、等待时间和弧的旅行时间之和； 约束条件（８）满足在一定成本下进行运输活动的条 ２模型和算法 ２．１ 定义变量 件；约束条件（９）定义了整个运输活动的开始时间 和最迟结束时间；约束条件（１０）～【１１）表示变量的取 Ｇ一（ ， 表示交通网络图，其中， 一（ ）为 值范围。圈 运输路径优化蚁群算法问题研究陈钢铁等 ２．３模型算法 Ａｌｇｏｒｉｔｈｍ，ＡＣＯ）是新的仿生类进化算法，也是新 在公式㈦中，△Ｊｒ 表示第ｋ只蚂蚁在本次循环 般设置周游次数计数器 ，当达到设定值时 Ｄｏｒｉｇｏ首先提出的蚁群算法（Ａｎｔ ＣＯｌｏｎｙ 中留在路径卜，上的信息量。一的启发式算法。该算法模仿蚂蚁觅食行为，按照启 结束，最短路径为： 发式思想，通过外激素的诱发作用逐渐收敛到问题 的全局最优解。 假设ｍ为蚁群中蚂蚁的数量，ｄ ，（ｉ，Ｊ— Ｌ ｉ 一ｍｉｎ（ Ｉｎ（，１） ，一１，２，…，Ｊ７ｖ （１６ｊ ２．４最优个体交叉策略 基本的蚁群算法容易过早收敛，使搜索陷入局 ｌ，２，…，，ｚ）表示节点ｉ和节点．／之间的距离；ｒ ，（ ） 部最优解。为了避免这一情况，结合遗传算法，将 表示ｔ时刻在节点ｉ、Ｊ之间的径路ｆ一，上残留的 蚁群算法每次遍历后形成的解作为初始群种，然后 信息量。在初始时刻，各条路径上信息量相等， 扫描双亲，检查双亲是否有相同的基因。在所有相 设 （０）＝Ｃ（ｃ为常数），蚂蚁ｋ（足一１，２，…， ）在 同基因对中，挑选出单点交叉后得到的后代最优基 运动过程中，根据各条路径上的信息量决定转移 因对进行单点交叉。采用这种方法进行交叉，不会 方向， （ ）表示在ｔ时刻蚂蚁ｋ由节点ｉ转移到节 产生非可行解，同时使交叉操作具有方向性，不仅 能够加速收敛到全局最优解，而且能在一定程度上 点，的概率： （明“ｆ叩 ｐ （ ）＝ 避免陷入局部最优解。 ｊ睡Ｕｋ （１２１ Ｘ ２．５改进的蚁群算法步骤 根据以上改进策略，给出适合于时变网络的蚁 群算法ＴＤＮＡＣＯ，其算法步骤如下。 ∑［ （明 ［ 仉 ０ 步骤１：当算法开始运行时，初始化每条边上 式中： 为先验知识或称为能见度，在最优路径问 的信息量 ，（０）一Ｃ（Ｃ为常数），同时设置迭代次数。 题中是节点辟专移到节点，的启发信息，一般取叩 ＝＝＝ ．步骤２：将 只蚂蚁放在初始节点Ｓ，计算蚂 ． １／ ；ｏ【为路径 ＿，上残留信息的重要程度； 为启 蚁转移概率： 发信息的重要程度；Ｕｋ（ｋ＝１，２，…， ）是禁忌表， 用以记录蚂蚁ｋ当前所走过的节点，下一步不再允 【 （，）］ ［ Ｊ∈ 许选择，集合 随着进化过程作动态调整。 经过 个时刻，所有蚂蚁都完成了１次周游， 其本次周游的禁忌表将满，此时应清空，将当前蚂 ｐ （力 ， ０ 否则 蚁所在节点置入 ，准备下一次周游。这时，计算 式中： 每只蚂蚁所走过的路径厶，并保存最优路径： Ｌｋｍｉ 一ｍｉｎ（Ｌｋ） 七一１，２，…，／７／ （后一１，２，…， ）用以记录蚂蚁ｋ当前所走 一｛与ｉ相连的节点一 ｝； 过的节点； （１３） 叩 一ｇ （ｆ）～，ｇ （ｔ）为ｔ时刻出发时边（ｖ ，ｖｊ）的行走 随着时间的推移，以前留下的信息逐渐消失， 时间； 、 体现信息素和启发信息对蚂蚁决策。 步骤３：如果，是目的节点，保存路径及其花 用参数１一ｐ表示信息消失程度，蚂蚁完成１次循环 以后，路径上的信息量要根据公式（１４）作调整： ｒｕ（ｔ＋１）一（１－－ｐ）ｒｏ．（ｔ）＋ △ （１４） 费时间 ；如果，不是目的节点，继续查找下一个 节点，转到步骤２。 步骤４：当ｍ只蚂蚁搜索完后，则求得ｍ条路 △ 一盏△ 时，△ 一 （１５） 径，全局更新边上的信息量： ｒｕ（ｔ＋１）一［（１ ｐ） （ｆ）＋ｐｒｏ．］２ （１８） 当ｋ只蚂蚁在时刻 和，＋１之间经过路径卜 式中：Ｐ表示信息素的消失程度，０＜ｐ＜１。 一 ；否则，ＡｒＯ．：０。其中，９为常数； 表示第ｋ只蚂蚁在本次循环中走过的路径长度。 ｄ／ （１９） ＿ ９期 运输路径优化蚁群算法问题研究陈钢铁等 式中：岛ｏ 和ｇｆｎ／ 分别表示 上的原行走时间及 择相应节点进行了分析。 更新后的行走时间。 △ 一 Ａ 七＝ｌ 盯 当ｋ只蚂蚁在时刻ｔ和ｔ＋ｌ之间经过路径ｉ一， 时，△ 一Ｑ／Ｌ ；否则，△ｒ，，一０。其中，Ｑ为常数； 厶为蚂蚁ｋ从出发点到目的地所经历的时间。 图１运输网络 在公式【２０）中，△ 是蚂蚁ｋ在边（１， ， ，）上的信 表１ 各条有向边在不同时间条件下的运输时间、成本和风险 息素增量。 及相应概率 步骤５：扫描得到 个解，进行交叉计算。杂 目标值 交后的路径时间若小于杂交前的路径时间，则用新 有向边 ０，１２ １２，２４ 路径取代原路径，同时更新相应路径上每条边的信 息素；否则，不进行更新。 时间 成本 风险 时间 成本 风险 步骤６：在ｍ个解中求取局部最优解。 １．０／０．７ ５／０．４ ５／０．５ ５．０／０．８ ５／０．６ １０／０．６ （１，２） 厶 ｉ 一ｍｉｎ（Ｌ ） 一１，２，…，ｍ （２１） １．５／０．３ ｌ０／０．６ ８／０．５ ７．０／０．２ １５／０．４ ３５／０．２ 步骤７：到当前迭代次数为止，将建立的所有 １．ｏ／０．７ １０／０．６ １５／０．３ １．０／１ ｌ０／０．６ ２５，０．３ 局部最优解中最小值的解作为当前迭代次数的全局 （１，３） １．５／０．３ ｌ２／０．４ １８／０．７ １５／０．４ ３０／０．７ 最优解。 １／０．６ ｌ０／０．５ ８／０．６ ０．５／１ １５／１ ８／１ Ｌ ｉ ＝＝＝ｍｉｎ（Ｌ ｉｎ（／）） ，＝１，２，…，当前迭代 （２，３） 次数 （２２） １．２／０．４ １５／０．５ １４／０．４ 步骤８：如果到达设置的迭代次数，则退出程 ２．５／０．３ ５５／０．３ ２０／０．６ ３／０．５ ６０／０．４ ２ｏ／０．５ 序；否则，迭代次数加１，转步骤２。 （２，４） ３／０．３ ５０／０．２ ２５／０．４ ３．５／０．５ ７５／０．６ ３５／０．５ ３算例分析 ３．５／０．４ ６５／０．５ ２．ｏ／０．５ ２０／０．６ ５０／０．５ ３．５／０．５ ３０／０．６ ６０／０．３ 为验证算法，建立４个节点的拓扑网络，采 用ＴＤＮＡＣＯ算法进行计算。为模拟实际时变网络 （３，４） ２．５／０．５ ２５／０．４ ６５／０．５ ４／０．５ ２５／０．４ ７５，０．４ 中权值的变化情况，在计算过程根据设定的权值变 ８５／０．３ 化频率和权值变化系数用程序来随机挑选。设３只 蚂蚁同时进行计算，取系数ｏｃ一２， 一２，Ｐ一０．３， 表２违反规定等待惩罚和违规惩罚 一１，用ＴＤＮＡＣＯ算法进行计算。 惩罚 成本 风险 运输网络如图１所示。表１给出在运输过程 等待惩罚 ５ ２ 中，各节点之间不同时间条件下，运输过程中的 违规惩罚 １０ ５ 运输成本、运输时间和风险。节点２和节点３的 时间范围为１２：ＯＯ一１４：００和１７：Ｏ０—１９：００。 表３各个状态和阶段 阶段 表２给出到达某节点时违反规定时，给予的等待惩 Ｏ １ ２ ３ 罚和违反惩罚。假设车辆可以在０：００从起始点出 ｌ ２ ３ ４ 发，并每隔２ ｈ整点出发１次，在２４：００之前到达 状态 ３ ４ 终点的最优路径。在表３中，分别对０～３阶段，选 第卷第第３２ ９期—一 一 运输路径优化蚁群算法问题研究陈钢铁等 ｐｉｎｇ，ＣＨＡＩ Ｙｕｅｔｉｎｇ，ＣＡＯ Ｒｕｉ．Ｉｍｐｒｏｖｅｄ 计算结果为仅当出发时间在１６：００和１８：Ｏ０ 【３］ＺＨＡＮＧ Ｌｉ时，在硬性规定的条件下才能通行，此时存在可行 路径为ｌ一３—４。 ｇｅｎｅｔｉｃａ １ ｇｏｒｉｔｈｍ ｆｏｒ ｖｅｈｉｃｌｅ ｒｏｕｔｉｎｇ ｐｒｏｂｌｅｍ ｗｉｔｈ ｔｉｍｅ ｗｉｎｄｏｗｓ［ＪＪ．Ｃｏｍｐｕｔｅｒ Ｉｎｔｅｇｒａｔｅｄ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｓｙｓｔｅｍｓ， ２００２，８（６）：４５１—４５４． ４结束语 在基于风险考虑成本和时变的运输路径优化 过程中，采用时变网络中蚁群算法的信息素更新策 略，正确反映时变条件下的成本和风险的变化。同 时，改进传统蚁群算法的相邻节点选择策略，使蚂 蚁只需计算与当前节点存在直接路径的节点转移概 率，从而降低计算量。将蚁群算法和遗传算法结 ［４］ＺＨＡＮＧ Ｊｉｏｎｇ，ＬＡＮＧ Ｍａｏｘｉａｎｇ．Ｔｈｅ ｔａｂｕ ｓｅａｒｃｈ ａｌｇｏｒｉｔｈｍ ｏｆ ｄｉｓｔｒｉｂｕｔｉｏｎ ｖｅｈｉｃｌｅ ｓｃｈｅｄｕｌｉｎｇ ｐｒｏｂｌｅｍ ｗｉｔｈ ｔｉｍｅ ｗｉｎｄｏｗｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｅｒｎ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ， ２００４，２８（２）：１０３－１０６． ［５】孟庆春，张江华．基于风险的考虑成本和允许等待的车辆 运输调度问题研究［Ｊ］．中国管理科学，２００９（６）：８７—９１． ［６】肖美华，王命延．基于遗传算法和模拟退火算法的布局问 题研究［Ｊ］．计算机工程与应用，２００３，３９（３６）：７０—７２． 合，能够避免运算陷入局部最优解，提高算法收敛 速度。 ［７】高经纬，张 煦．求解ＴＳＰＩｈｑ题的遗传算法实现［Ｊ］．计算机 时代，２００４（２）：１９－２１． ［８李大卫，王８］参考文献： ［１】Ｂａｌｉｎｓｋｉ Ｍ，Ｑｕａｎｄｔ Ｒ．Ｏｎ ａｎ ｉｎｔｅｇｅｒ ｐｒｏｇｒａｍ ｆｏｒ ａ ｄｅｌｉｖｅｒｙ 莉，王梦光．遗传算法在有时间窗车辆路径 问题上的应用［Ｊ】．系统工程理论与实践，１９９９（８）：６－６９． ｐｒｏｂｌｅｍ［Ｊ］．Ｏｐｅｒａｔｉｏｎ Ｒｅｓｅａｒｃｈ，１ ９６２，１ ０（２）：３００—３０４． ［２］Ｂｅｒｇｅｒ Ｊ，Ｂａｒｋａｏｕｉ Ｍ．Ａ ｐａｒａｌｌｅｌ ｈｙｂｒｉｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｆｏｒ 收稿日期：２０１０—０３—２９ 修订日期：２０１０－０６—２ｌ ｔｈｅ ｖｅｈｉｃｌｅ ｒｏｕｔｉｎｇ ｐｒｏｂｌｅｍ ｗｉｔｈ ｔｉｍｅ ｗｉｎｄｏｗｓ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ ａｎｄＯｐｅｒａｔｉｏｎｓＲｅｓｅａｒｃｈ，２００４，３１（１２）：２ ０３７—２０５３． 责任编辑：付建飞 （上接第６４页） 利用方案进行科学论证外，还应严格按规定的权限 管理信息系统建设规划列入铁路发展规划，设计 进行审批，严格按经批准的开发利用方案实施，用 和制定铁路用地管理信息系统建设发展规划，确 严格的制度来维护铁路的整体利益，以保证铁路用 定发展的总体目标和阶段目标，明确建设任务和 地效益的最大化。 责任分工，制定促进铁路用地管理信息化发展的 和保障措施，提高铁路用地管理信息的利用 效率。 ３结束语 随着和谐铁路建设的不断深入和发展，铁路用 （５）促进铁路用地的开发利用。铁路用地具 地管理作为一项重要的基础性工作，在铁路改革发 有较强的区位优势，蕴含较大的经济效益，依法开 展中发挥着越来越大的作用。因此，必须加强铁路 发、合理利用铁路用地势在必行。铁路用地的开发 用地管理工作，努力为铁路运输生产服务，为我国 利用要以持续发展为基本出发点，通过优化资源配 铁路事业的发展创造必要条件。 置，盘活铁路用地资产。通过铁路用地的开发使铁 路用地布局趋于合理，用途结构不断优化，利用水 平明显提高，铁路安全生产条件和沿线生态环境明 收稿日期：２０１０－０８－２３ 责任编辑：金颖 显改善，铁路用地对铁路可持续发展的保障能力明 显增强。由于铁路用地的特殊性、用途的规定性、 安全的关联性和规划的确定性，对于铁路用地的开 发利用必须严格开发利用程序，除对铁路用地开发 一 ９期
