CN108657232B - 一种城轨列车的多目标控制方法 - Google Patents

一种城轨列车的多目标控制方法 Download PDF

Info

Publication number
CN108657232B
CN108657232B CN201810480325.2A CN201810480325A CN108657232B CN 108657232 B CN108657232 B CN 108657232B CN 201810480325 A CN201810480325 A CN 201810480325A CN 108657232 B CN108657232 B CN 108657232B
Authority
CN
China
Prior art keywords
module
train
channel
solution
control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810480325.2A
Other languages
English (en)
Other versions
CN108657232A (zh
Inventor
徐凯
杨飞凤
杨世聪
徐文轩
何周阳
吴仕勋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Binzhou Xilong Building Materials Co ltd
Original Assignee
Chongqing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Jiaotong University filed Critical Chongqing Jiaotong University
Priority to CN201810480325.2A priority Critical patent/CN108657232B/zh
Publication of CN108657232A publication Critical patent/CN108657232A/zh
Application granted granted Critical
Publication of CN108657232B publication Critical patent/CN108657232B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种城轨列车多目标控制方法，包括列车控制系统和列车驾驶曲线生成系统，列车驾驶曲线生成系统能为列车控制系统生成自动驾驶曲线，列车控制系统能根据自动驾驶曲线控制列车运行，其特征在于：所述列车驾驶曲线生成系统包括基础群模块、精英群模块、全局外部档案模块、局部外部档案模块、通信控制模块和驾驶曲线生成模块。采用本发明所述的方法，多目标粒子集群算法的收敛性好，Pareto前沿解的多样性好，多目标优化效果提高。

Description

一种城轨列车的多目标控制方法
技术领域
本发明涉及城轨列车自动控制技术领域，特别是一种城轨列车的多目标控制方法。
背景技术
城市轨道列车的控制问题是一个典型的多目标优化问题，即在保证列车运行安全性和平稳性的前提下，兼顾节能、省时和停车精度等指标。传统的方法是在一定约束条件下，采用对多个目标加权求和的方法，将多目标优化问题转换为单目标优化问题进行处理。传统加权方法由于没有考虑各目标间的相互影响，多目标优化的结果是相互独立、排斥的最优解集，即某一目标性能优化必然损害其它目标性能。
基于Pareto原理和粒子集群算法的原理，本领域技术人员已经进行了一些探索。如María Domínguez采用MOPSO(多目标粒子集群优化)方法来解决列车自动驾驶速度模式曲线问题，并证明了MOPSO在收敛性和多样性上均优于NSGA-II(非劣排序遗传算法)。因此，基于Pareto原理的多目标粒子集群算法是一种更为优秀的处理方法。
基于Pareto原理的多目标粒子集群算法的收敛性和多样性，直接决定了列车的自动驾驶曲线的优劣：Pareto前沿解的收敛性好即意味着列车的耗能小、运行时间短且停车精度高，Pareto前沿解的多样性好即意味着所生成的自动驾驶方案在上述三个目标上跨度大、分布均匀且方案数量更多。
目前，基于Pareto原理的多目标粒子集群算法主要针对时间和能耗两个目标进行优化，针对对列车运行耗能、时间和停车精度三个目标进行优化时，多目标粒子集群算法的收敛性不好，Pareto前沿解的多样性不好，所以多目标优化效果不好。
发明内容
针对背景技术的问题，本发明提供一种城轨列车的多目标控制方法，以解决现有技术中，采用基于Pareto原理的多目标粒子集群算法对列车运行耗能、时间和停车精度三个目标进行优化时，优化效果不好的问题。
为实现本发明的目的，本发明提供了一种城轨列车的多目标控制方法，包括列车控制系统和列车驾驶曲线生成系统，列车驾驶曲线生成系统能为列车控制系统生成自动驾驶曲线，列车控制系统能根据自动驾驶曲线控制列车运行，其创新在于：所述列车驾驶曲线生成系统包括基础群模块、精英群模块、全局外部档案模块、局部外部档案模块、通信控制模块和驾驶曲线生成模块；所述基础群模块包括4个小种群模块，其中1个小种群模块记为权衡优化模块，另外3个小种群模块记为目标优化模块；所述4个小种群模块均与全局外部档案模块连接，驾驶曲线生成模块与全局外部档案模块连接，局部外部档案模块通过通道一与全局外部档案模块连接，精英群模块与局部外部档案模块连接，全局外部档案模块通过通道二与精英群模块连接，通信控制模块与权衡优化模块连接，通信控制模块能控制通道一和通道二同步开启或关断；
所述自动驾驶曲线按如下方法生成：
(一)列车控制系统将列车的基础数据和约束参数传输到列车驾驶曲线生成系统；
(二)列车驾驶曲线生成系统根据基础数据和约束参数生成最优前沿解集，最优前沿解集由多个Pareto前沿解组成；
(三)操作人员根据需要从最优前沿解集中选出一个Pareto前沿解，列车驾驶曲线生成系统根据选定的Pareto前沿解生成自动驾驶曲线；
所述步骤(二)中，所述最优前沿解集按如下方法生成：
上电后，所述基础群模块根据基础数据和约束参数生成基础粒子，然后将基础粒子发送至小种群模块；收到基础粒子后，小种群模块采用方法一生成可行解，并将可行解送入全局外部档案模块，全局外部档案模块生成相应的Pareto前沿解；通道二开启时，全局外部档案模块将当前的Pareto前沿解传输至精英群模块；
精英群模块根据Pareto前沿解生成多个精英粒子群，然后采用粒子集群算法生成精英可行解，并将精英可行解实时送入局部外部档案模块，局部外部档案模块根据精英可行解生成精英解；通道一开启时，局部外部档案模块将当前的精英解传输至全局外部档案模块，全局外部档案模块生成相应的Pareto前沿解；
小种群模块的迭代次数达到设定值时，全局外部档案模块内当前的Pareto前沿解即形成最优前沿解集，得到最优前沿解集后，全局外部档案模块将最优前沿解集传输到驾驶曲线生成模块；
通信控制模块控制通道一和通道二，初次开启的时机为设定值；通道一和通道二每次开启后，延迟一定时间，通信控制模块控制通道一和通道二关断；通道一和通道二每次关断后，通信控制模块按如下方式确定通道一和通道二下一次的开启时机：
通信控制模块对权衡优化模块的当前迭代次数和当前迭代步长进行实时检测，然后根据模糊推理规则表，确定下一次开启通道一和通道二的时机；
所述模糊推理规则表为：
{LI，SI，MI}为迭代次数模糊论域，其中，LI表示次数少，SI表示次数适中，MI表示次数多；
{NB，NM，NS，ZO，PS，PM，PB}为迭代步长模糊论域，其中，NB表示负大，NM表示负中，NS表示负小，ZO表示零，PS表示正小，PM表示正中，PB表示正大；
通道一和通道二关断后至再次开启的过程，记为一个通信周期，{VS，S，M，L，VL}为通信周期模糊论域，其中，VS表示很短，S表示短，M表示适中，L表示长，VL表示很长；
所述方法一包括：
基础群模块(1)中的各个小种群模块根据粒子集群算法进行第一个迭代周期的运算，第一个迭代周期的运算结束后，小种群模块将得到的可行解传输至全局外部档案模块；后续过程中，小种群模块每次收到全局外部档案模块输出的引导粒子，就进行一个迭代周期的运算，每个迭代周期的运算结束后，小种群模块将得到的可行解传输至全局外部档案模块；
每次生成相应的Pareto前沿解后，全局外部档案模块向各个小种群模块输出引导粒子：将当前Pareto前沿解中列车运行时间最短那者作为第一目标优化模块的引导粒子，将当前Pareto前沿解中列车能耗最少那者作为第二目标优化模块的引导粒子，将当前Pareto前沿解中列车停车误差最小那者作为第三目标优化模块的引导粒子，在当前Pareto前沿解中随机选择一者作为权衡优化模块的引导粒子。
本发明与现有技术比较，能提高列车多目标优化效果的原理在于：
一方面，采用三个目标优化模块和权衡优化模块协同进化的机制：三个目标优化模块分别对应于一个目标寻优，最大限度地挖掘各个目标上的最优边沿解，有利于Pareto前沿解在各个目标的分布上更为宽广，然而由于多目标优化要使所有的目标同时达到最佳的值，所以各个解之间存在冲突问题，本发明中，利用权衡优化模块对多个目标进行综合权衡寻优，使4个小种群模块形成一个既相互独立又多方位协同进化的高效搜索群体，得到的Pareto前沿解的多样性好，从而使自动驾驶方案在三个目标上跨度大、分布均匀且解的数量多；
另一方面，在进化的前期和中期，基础粒子的迭代步长较大，在各自目标上的信息差异大，Pareto前沿收敛快，需要较小的通信周期，让全局外部档案模块中的Pareto前沿解及时送入精英群，以便迅速挖掘各自目标上的信息；当进化进行到后期时，各目标均已临近最优解的区域，此时主要是发挥精英群模块的局部搜索作用，需要给定较大的通信周期来实现精细搜索，让精英群模块在最优解附近区域搜索滞留较长时间，从而获取最优解。现有技术中采用固定通信周期，无法顾及粒子进化前、中、后期迭代步长的差异性，从而导致进化效果不好。本发明中，通信控制模块通过对权衡优化模块进行检测，根据得到的粒子迭代次数和迭代步长信息，采用模糊推理，动态地确定下一个通信周期的长度，在粒子进化前期，粒子的迭代步长大，设置较小的通信周期值，通过频繁的通信让相关模块之间信息交流快、共享度高，实现迅速收敛；而在中期和后期，由于已接近Pareto前沿最优值，粒子迭代步长逐渐减小，可设置较大的通信周期值，通过精英群模块的精细搜索，让算法能寻找到最优的解。
采用本发明的方法，具有以下的有益效果：多目标粒子集群算法的收敛性好，Pareto前沿解的多样性好，多目标优化效果提高。
附图说明
本发明的附图说明如下。
图1为本发明所述的列车驾驶曲线生成系统结构示意图；
图2为迭代次数隶属度曲线图；
图3为迭代步长隶属度曲线图；
图4为通信周期隶属度曲线图。
图中：1、基础群模块；2、精英群模块；3、全局外部档案模块；4、局部外部档案模块；5、通信控制模块；6、驾驶曲线生成模块；11、权衡优化模块；12、第一目标优化模块；13、第二目标优化模块；14、第三目标优化模块；2-1～2-m、m个精英粒子群。
具体实施方式
下面结合实施例对本发明作进一步说明。
本发明所述的方法包括列车控制系统和列车驾驶曲线生成系统，列车驾驶曲线生成系统能为列车控制系统生成自动驾驶曲线，列车控制系统能根据自动驾驶曲线控制列车运行.
如附图1所示的列车驾驶曲线生成系统结构示意图，所述列车驾驶曲线生成系统包括基础群模块1、精英群模块2、全局外部档案模块3、局部外部档案模块4、通信控制模块5和驾驶曲线生成模块6；所述基础群模块1包括4个小种群模块，其中1个小种群模块记为权衡优化模块11，另外3个小种群模块记为目标优化模块；所述4个小种群模块均与全局外部档案模块3连接，驾驶曲线生成模块6与全局外部档案模块3连接，局部外部档案模块4通过通道一与全局外部档案模块3连接，精英群模块2与局部外部档案模块4连接，全局外部档案模块3通过通道二与精英群模块2连接，通信控制模块5与权衡优化模块11连接，通信控制模块5能控制通道一和通道二同步开启或关断；
所述自动驾驶曲线按如下方法生成：
(一)列车控制系统将列车的基础数据和约束参数传输到列车驾驶曲线生成系统；
(二)列车驾驶曲线生成系统根据基础数据和约束参数生成最优前沿解集，最优前沿解集由多个Pareto前沿解组成；
(三)操作人员根据需要从最优前沿解集中选出一个Pareto前沿解，列车驾驶曲线生成系统根据选定的Pareto前沿解生成自动驾驶曲线；
所述步骤(二)中，所述最优前沿解集按如下方法生成：
上电后，所述基础群模块1根据基础数据和约束参数按如下方式生成基础粒子：
设列车运营线路上有多个站点，相邻两个站点之间的路段记为一个子线路；
为列车设计控制序列；所述控制序列由多个顺次排列的控制阶段组成，每个控制阶段均对应一种列车工况，列车工况切换时控制阶段也随之切换；列车工况切换时，列车在子线路上所处的位置记为工况转换点；当控制阶段的数量及各个控制阶段的列车工况种类确定后，即形成了一种控制模态；对控制阶段的数量及各个控制阶段的列车工况种类进行调整，即可得到多种控制模态；在单种控制模态条件下，对工况转换点的位置进行调节，即可为该种控制模态生成多种控制情况，同一控制情况及其所辖的多个工况转换点记为一个基础粒子，多种控制情况分别对应多个基础粒子。
基础群模块1将基础粒子分配至各小种群模块，小种群模块采用方法一生成可行解，并将可行解送入全局外部档案模块3，全局外部档案模块3生成相应的Pareto前沿解；通道二开启时，全局外部档案模块3将当前的Pareto前沿解传输至精英群模块2；
所述方法一包括：
基础群模块1中的各小种群模块，根据粒子集群算法按如下方式进行第一个迭代周期的运算：
小种群模块根据公式一对各个基础粒子进行粒子速度更新处理，得到各个基础粒子当前的粒子速度；然后根据各个基础粒子当前的粒子速度采用公式二对各个基础粒子进行粒子位置更新处理，得到各个基础粒子当前的粒子位置；
所述公式一为：
Figure GDA0002262414880000061
其中，w为惯性权重，w为设定值；
Figure GDA0002262414880000064
为第i个粒子群中第j个粒子第t次搜索时的粒子速度，
Figure GDA0002262414880000065
为设定值；
Figure GDA0002262414880000066
为相应粒子群中第j个基础粒子第t+1次搜索时的粒子速度；c1为自学习因子，c2为群学习因子，c2和c2均是数值为正的常数，c2和c2均为设定值；r1和r2均为[0,1]区间上的随机数，r1和r2均根据粒子集群算法随机产生；pBestij为第i个粒子群中第j个粒子的历史最优值，pBestij由各个粒子根据粒子集群算法随机产生；gBesti为相应粒子群中最优粒子；
Figure GDA0002262414880000067
为第i个粒子群中第j个粒子在第t次搜索时的位置向量，
Figure GDA0002262414880000068
为设定值；
所述公式二为：
Figure GDA0002262414880000062
其中，
Figure GDA0002262414880000069
为第i个粒子群中第j个粒子第t+1次搜索时的粒子的位置向量；
第一个迭代周期的运算结束后，小种群模块将得到的可行解传输至全局外部档案模块3，所述可行解即满足约束参数条件的粒子位置。
后续过程中，小种群模块每次收到全局外部档案模块3输出的引导粒子，就按公式三和公式二进行一个迭代周期的运算，每个迭代周期的运算结束后，小种群模块将得到的可行解传输至全局外部档案模块3；
所述公式三为：
Figure GDA0002262414880000063
其中，c3是数值为正值的常数，为整个基础群模块的学习因子，c3为设定值；r3为[0,1]区间上的随机数，r3的具体数值根据粒子集群算法随机生成；gBest′i为小种群的引导粒子，每次生成相应的Pareto前沿解后，全局外部档案模块3向各个小种群模块输出引导粒子：将当前Pareto前沿解中列车运行时间最短那者作为第一目标优化模块12的引导粒子，将当前Pareto前沿解中列车能耗最少那者作为第二目标优化模块13的引导粒子，将当前Pareto前沿解中列车停车误差最小那者作为第三目标优化模块14的引导粒子，在当前Pareto前沿解中随机选择一者作为权衡优化模块11的引导粒子。
精英群模块2根据Pareto前沿解生成多个精英粒子群，然后采用如下粒子集群算法生成精英可行解：
收到Pareto前沿解后，精英群模块2根据公式四对每个Pareto前沿解进行扰动，对单个Pareto前沿解进行一次扰动就得到一个精英粒子，对单个Pareto前沿解进行多次扰动就得到多个精英粒子，单个Pareto前沿解和通过对其进行多次扰动得到的多个精英粒子形成一个精英粒子群；对多个Pareto前沿解进行上述操作就生成多个精英粒子群；
所述公式四为：
其中，xij为扰动后第i个精英粒子群中第j个精英粒子的位置向量；l_besti为扰动前第i个Pareto前沿解的位置向量；Regionimax、Regionjmin分别为第i个精英粒子群的搜索范围的上下界；rand()为[-1,1]内的随机数；
然后，精英群模块2根据与公式一和公式二相同的数学模型对各个精英粒子的粒子速度和位置进行更新处理，得到各个精英粒子当前的粒子位置，将满足约束参数条件的精英粒子位置记为精英可行解；精英群模块2将精英可行解实时送入局部外部档案模块4，局部外部档案模块4根据精英可行解生成精英解；通道一开启时，局部外部档案模块4将当前的精英解传输至全局外部档案模块3，全局外部档案模块3生成相应的Pareto前沿解；
通信控制模块5控制通道一和通道二初次开启的时机为设定值；通道一和通道二每次开启后，延迟一定时间，通信控制模块5控制通道一和通道二关断；通道一和通道二每次关断后，通信控制模块5按如下方式确定通道一和通道二下一次的开启时机：
通信控制模块5对权衡优化模块11的当前迭代次数和当前的迭代步长进行实时检测，然后根据模糊推理规则表，采用模糊推理确定下一次开启通道一和通道二的时机；
所述模糊推理规则表为：
Figure GDA0002262414880000072
{LI，SI，MI}为迭代次数模糊论域，其中，LI表示次数少，SI表示次数适中，MI表示次数多；
{NB，NM，NS，ZO，PS，PM，PB}为迭代步长模糊论域，其中，NB表示负大，NM表示负中，NS表示负小，ZO表示零，PS表示正小，PM表示正中，PB表示正大；
通道一和通道二关断后至再次开启的过程，记为一个通信周期，{VS，S，M，L，VL}为通信周期模糊论域，其中，VS表示很短，S表示短，M表示适中，L表示长，VL表示很长；
如附图2至附图4所示，作为输入变量，迭代次数隶属度函数和迭代步长都选用高斯函数；作为输出变量，通信周期隶属度函数选用三角形函数；
局部外部档案模块4对收到的精英可行解进行支配关系识别得到精英解；
全局外部档案模块3对最初收到的可行解进行支配关系识别得到Pareto前沿解，在后续迭代过程中，全局外部档案模块3每次都将新收到的可行解或精英可行解与已有的Pareto前沿解进行支配关系识别得到新的Pareto前沿解，小种群模块的迭代次数达到设定值时，全局外部档案模块3内当前的Pareto前沿解即形成最优前沿解集。
得到最优前沿解集后，全局外部档案模块3将最优前沿解集传输到驾驶曲线生成模块6，操作人员根据控制目标如：时间最短、能耗最少或停车误差最小从最优前沿解集中选择对应的Pareto前沿解用于生成列车的自动驾驶曲线。
本发明中应用到的粒子集群算法、Pareto原理、速度控制命令求解技术和模糊推理理论都为现有技术中十分常见的处理手段，相关的内容，本领域技术人员可从现有技术的相关文献中获取。

Claims (2)

1.一种城轨列车的多目标控制方法，包括列车控制系统和列车驾驶曲线生成系统，列车驾驶曲线生成系统能为列车控制系统生成自动驾驶曲线，列车控制系统能根据自动驾驶曲线控制列车运行，其特征在于：所述列车驾驶曲线生成系统包括基础群模块(1)、精英群模块(2)、全局外部档案模块(3)、局部外部档案模块(4)、通信控制模块(5)和驾驶曲线生成模块(6)；所述基础群模块(1)包括4个小种群模块，其中1个小种群模块记为权衡优化模块(11)，另外3个小种群模块记为目标优化模块；所述4个小种群模块均与全局外部档案模块(3)连接，驾驶曲线生成模块(6)与全局外部档案模块(3)连接，局部外部档案模块(4)通过通道一与全局外部档案模块(3)连接，精英群模块(2)与局部外部档案模块(4)连接，全局外部档案模块(3)通过通道二与精英群模块(2)连接，通信控制模块(5)与权衡优化模块(11)连接，通信控制模块(5)能控制通道一和通道二同步开启或关断；
所述自动驾驶曲线按如下方法生成：
(一)列车控制系统将列车的基础数据和约束参数传输到列车驾驶曲线生成系统；
(二)列车驾驶曲线生成系统根据基础数据和约束参数生成最优前沿解集，最优前沿解集由多个Pareto前沿解组成；
(三)操作人员根据需要从最优前沿解集中选出一个Pareto前沿解，列车驾驶曲线生成系统根据选定的Pareto前沿解生成自动驾驶曲线；
所述步骤(二)中，所述最优前沿解集按如下方法生成：
上电后，所述基础群模块(1)根据基础数据和约束参数生成基础粒子，然后将基础粒子发送至小种群模块；收到基础粒子后，小种群模块采用方法一生成可行解，并将可行解送入全局外部档案模块(3)，全局外部档案模块(3)生成相应的Pareto前沿解；通道二开启时，全局外部档案模块(3)将当前的Pareto前沿解传输至精英群模块(2)；
精英群模块(2)根据Pareto前沿解生成多个精英粒子群，然后采用粒子集群算法生成精英可行解，并将精英可行解实时送入局部外部档案模块(4)，局部外部档案模块(4)根据精英可行解生成精英解；通道一开启时，局部外部档案模块(4)将当前的精英解传输至全局外部档案模块(3)，全局外部档案模块(3)生成相应的Pareto前沿解；
小种群模块的迭代次数达到设定值时，全局外部档案模块(3)内当前的Pareto前沿解即形成最优前沿解集，得到最优前沿解集后，全局外部档案模块(3)将最优前沿解集传输到驾驶曲线生成模块(6)；
通信控制模块(5)控制通道一和通道二，初次开启的时机为设定值；通道一和通道二每次开启后，延迟一定时间，通信控制模块(5)控制通道一和通道二关断；通道一和通道二每次关断后，通信控制模块(5)按如下方式确定通道一和通道二下一次的开启时机：
通信控制模块(5)对权衡优化模块(11)的当前迭代次数和当前的迭代步长进行实时检测，然后根据模糊推理规则表，确定下一次开启通道一和通道二的时机；
所述模糊推理规则表为：
Figure FDA0002262414870000021
{LI，SI，MI}为迭代次数模糊论域，其中，LI表示次数少，SI表示次数适中，MI表示次数多；
{NB，NM，NS，ZO，PS，PM，PB}为迭代步长模糊论域，其中，NB表示负大，NM表示负中，NS表示负小，ZO表示零，PS表示正小，PM表示正中，PB表示正大；
通道一和通道二关断后至再次开启的过程，记为一个通信周期，{VS，S，M，L，VL}为通信周期模糊论域，其中，VS表示很短，S表示短，M表示适中，L表示长，VL表示很长；
所述方法一包括：
基础群模块(1)中的各个小种群模块根据粒子集群算法进行第一个迭代周期的运算，第一个迭代周期的运算结束后，小种群模块将得到的可行解传输至全局外部档案模块(3)；后续过程中，小种群模块每次收到全局外部档案模块(3)输出的引导粒子，就进行一个迭代周期的运算，每个迭代周期的运算结束后，小种群模块将得到的可行解传输至全局外部档案模块(3)；每次生成相应的Pareto前沿解后，全局外部档案模块(3)向各个小种群模块输出引导粒子：将当前Pareto前沿解中列车运行时间最短那者作为第一目标优化模块(12)的引导粒子，将当前Pareto前沿解中列车能耗最少那者作为第二目标优化模块(13)的引导粒子，将当前Pareto前沿解中列车停车误差最小那者作为第三目标优化模块(14)的引导粒子，在当前Pareto前沿解中随机选择一者作为权衡优化模块(11)的引导粒子。
2.根据权利要求1所述的城轨列车的多目标控制方法，其特征在于：所述步骤(二)中的基础粒子按如下方式设置：
设列车运营线路上有多个站点，相邻两个站点之间的路段记为一个子线路；
为列车设计控制序列；所述控制序列由多个顺次排列的控制阶段组成，每个控制阶段均对应一种列车工况，列车工况切换时控制阶段也随之切换；列车工况切换时，列车在子线路上所处的位置记为工况转换点；当控制阶段的数量及各个控制阶段的列车工况种类确定后，即形成了一种控制模态；对控制阶段的数量及各个控制阶段的列车工况种类进行调整，即可得到多种控制模态；在单种控制模态条件下，对工况转换点的位置进行调节，即可为该种控制模态生成多种控制情况，同一控制情况及其所辖的多个工况转换点记为一个基础粒子，多种控制情况分别对应多个基础粒子。
CN201810480325.2A 2018-05-18 2018-05-18 一种城轨列车的多目标控制方法 Expired - Fee Related CN108657232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810480325.2A CN108657232B (zh) 2018-05-18 2018-05-18 一种城轨列车的多目标控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810480325.2A CN108657232B (zh) 2018-05-18 2018-05-18 一种城轨列车的多目标控制方法

Publications (2)

Publication Number Publication Date
CN108657232A CN108657232A (zh) 2018-10-16
CN108657232B true CN108657232B (zh) 2020-02-18

Family

ID=63776380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810480325.2A Expired - Fee Related CN108657232B (zh) 2018-05-18 2018-05-18 一种城轨列车的多目标控制方法

Country Status (1)

Country Link
CN (1) CN108657232B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345022B (zh) * 2018-10-17 2021-08-31 重庆交通大学 一种优化铁路固定闭塞分区的方法
CN110588448B (zh) * 2019-10-10 2022-08-02 重庆交通大学 二次牵引节能条件下的城轨列车运行控制方法
CN111516735B (zh) * 2020-05-14 2022-02-08 重庆交通大学 虚拟重联小编组列车自动驾驶的控制系统及其控制方法
CN112158238B (zh) * 2020-10-28 2022-05-24 重庆交通大学 基于目标和客流差异的列车自动驾驶曲线生成方法
CN112224244B (zh) * 2020-10-28 2022-08-26 重庆交通大学 基于温度、载重条件的高速列车自动驾驶曲线生成方法
CN112896244B (zh) * 2021-02-22 2022-07-19 同济大学 基于目标速度曲线跟踪的列车站间运行控制方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012158258A (ja) * 2011-02-01 2012-08-23 Railway Technical Research Institute 列車先頭部形状の決定方法
CN105785795A (zh) * 2016-05-05 2016-07-20 北京交通大学 一种基于粒子群算法的列车运行速度曲线节能优化方法
CN106503804A (zh) * 2016-10-11 2017-03-15 南京理工大学 一种基于Pareto多目标遗传算法的列车定时节能运行方法
CN106707764A (zh) * 2017-02-27 2017-05-24 华东交通大学 基于多级切换的动车组制动过程rbf模型参考自适应控制方法
CN106842901A (zh) * 2017-01-19 2017-06-13 重庆交通大学 为列车自动驾驶系统生成速度控制命令的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012158258A (ja) * 2011-02-01 2012-08-23 Railway Technical Research Institute 列車先頭部形状の決定方法
CN105785795A (zh) * 2016-05-05 2016-07-20 北京交通大学 一种基于粒子群算法的列车运行速度曲线节能优化方法
CN106503804A (zh) * 2016-10-11 2017-03-15 南京理工大学 一种基于Pareto多目标遗传算法的列车定时节能运行方法
CN106842901A (zh) * 2017-01-19 2017-06-13 重庆交通大学 为列车自动驾驶系统生成速度控制命令的方法
CN106707764A (zh) * 2017-02-27 2017-05-24 华东交通大学 基于多级切换的动车组制动过程rbf模型参考自适应控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于行驶状况识别的HEV驾驶人意图辨识模型研究;郭海龙等;《内燃机与配件》;20161010(第10期) *
基于遗传算法的列车自动运行系统的优化研究;刘亚丽等;《电子测量技术》;20130415(第04期) *

Also Published As

Publication number Publication date
CN108657232A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
CN108657232B (zh) 一种城轨列车的多目标控制方法
CN109861211B (zh) 一种基于数据驱动的配电网动态重构方法
CN110363343B (zh) 一种混合自适应的水电站群智能优化调度方法及系统
CN113890015B (zh) 基于改进模糊c均值聚类算法的配电网动态重构方法
CN108394429B (zh) 一种为城轨列车群生成自动驾驶曲线的方法
CN110858718B (zh) 考虑经济性的交流微电网分布式事件驱动的频率控制方法
CN101673085B (zh) 基于逆动力学模型的自适应pid控制器的设计方法
CN104834215A (zh) 一种变异粒子群优化的bp神经网络pid控制算法
CN113554875B (zh) 一种基于边缘计算的高速公路异质交通流可变限速控制方法
CN108674452B (zh) 一种移动闭塞下的高铁列车群多目标控制方法
CN112012875B (zh) 一种水轮机调节系统pid控制参数的优化方法
CN107069831B (zh) 一种下垂控制方法
CN113452033A (zh) 分区自治的含高比例光伏配电网电压控制方法及存储介质
Tian et al. Generalized predictive PID control for main steam temperature based on improved PSO algorithm
CN114722693A (zh) 一种水轮机调节系统二型模糊控制参数的优化方法
CN106611951A (zh) 一种基于两阶段粒子群优化的配电网多目标无功优化方法
CN104965981B (zh) 一种可逆变流岸电网侧控制器多参数优化方法
Deb Single and multi-objective dynamic optimization: two tales from an evolutionary perspective
CN113110061B (zh) 基于改进粒子群算法优化的智能灌溉模糊控制方法及系统
CN115860169A (zh) 一种火电机组深度调峰改造多目标优化规划方法及系统
CN101739602A (zh) 一种用于量子遗传算法的多因子决策量子变异方法
CN112488442B (zh) 基于深度强化学习算法及源荷不确定性的配电网重构方法
CN111130150B (zh) 基于IPM-intPSO的两阶段动态无功优化方法
Wongsathan Performance of hybrid fuzzy and neuro-fuzzy controller with MOHGA based MPPT for a Solar PV module on various weather conditions
CN114740713A (zh) 一种湿法烟气脱硫过程的多目标优化控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20201230

Address after: 256600 sangwang Road, Weiji Town, Binzhou City, Shandong Province

Patentee after: Binzhou Xilong building materials Co.,Ltd.

Address before: 402247 No. 1 Fuxing Road, Shuang Fu New District, Jiangjin District, Chongqing.

Patentee before: CHONGQING JIAOTONG University

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200218

CF01 Termination of patent right due to non-payment of annual fee