CN109345022A - 一种优化铁路固定闭塞分区的方法 - Google Patents
一种优化铁路固定闭塞分区的方法 Download PDFInfo
- Publication number
- CN109345022A CN109345022A CN201811208570.4A CN201811208570A CN109345022A CN 109345022 A CN109345022 A CN 109345022A CN 201811208570 A CN201811208570 A CN 201811208570A CN 109345022 A CN109345022 A CN 109345022A
- Authority
- CN
- China
- Prior art keywords
- population
- module
- competitive
- mini
- modules
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000000903 blocking effect Effects 0.000 title claims abstract description 10
- 238000005192 partition Methods 0.000 claims abstract description 38
- 230000002860 competitive effect Effects 0.000 claims description 109
- 239000000178 monomer Substances 0.000 claims description 64
- 230000002068 genetic effect Effects 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 3
- 239000000427 antigen Substances 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种优化铁路固定闭塞分区的方法,包括分区方案优化系统,其特征在于:所述分区方案优化系统由多个子模块和全局外部档案模块组成;所述方法包括:(一)确定子模块的个数;(二)每个子模块将生成的最优前沿解送入全局外部档案模块;(三)全局外部档案模块内的所有最优前沿解形成离散形式的Pareto前沿解;(四)操作人员选择一个最优前沿解作为布置方案进行信号机布置。采用本发明所述的方法,对铁路固定闭塞分区优化充分,能得到在不同信号机数量条件下最优的布置方案,最大程度地根据实际需要提高列车的通行效率及控制投资成本。
Description
技术领域
本发明涉及交通运输技术领域,特别是一种优化铁路固定闭塞分区的方法。
背景技术
目前,我国高速铁路要求在保证闭塞制式下,不同列车通过相隔数个闭塞分区时,能够实现线路上列车的安全追踪运行。在高铁线路上采用固定闭塞制式时,通过采用信号机来进行分区。线路上的闭塞分区数目少,信号机的使用数量就少,投资成本就较低,但这将使列车追踪间隔时间延长,列车的通行效率降低;反之,线路上的闭塞分区数目越多,列车追踪间隔时间越短,越有利于列车通行效率的提高,但同时信号机的使用数量也越多,投资成本也较高。
在保证行车安全的前提下,既要减小信号机的投资成本,又要提高铁路列车的运输能力,这是两个不同的目标,其中某一目标性能的提高,必然会损害另一个目标的性能,这是一对矛盾体,属于典型的多目标优化问题。多目标优化的结果是相互独立、相互排斥的一组最优解集,应用Pareto原理来解决此问题,能体现出其本质。现有技术中,通常采用人工智能的方法对高速铁路固定闭塞分区进行划分并以此来实施信号机布置,但由于算法单一、优化深度不够,获取的信号机布置方案未得到最大程度的优化,未能实现在最大程度地降低信号机投资成本的同时充分提高高铁列车的通行效率。
发明内容
针对背景技术的问题,本发明提供一种优化铁路固定闭塞分区的方法,以解决现有技术中,铁路固定闭塞分区优化不充分,不能有效降低信号机投资成本的同时充分提高列车通行效率的问题。
为实现本发明的目的,本发明提供了一种优化铁路固定闭塞分区的方法,包括分区方案优化系统,其创新点在于:所述布置方案生成系统由多个子模块和全局外部档案模块组成;所述单个子模块由局部外部档案模块、规模调整模块、2个竞争小种群模块和2个协作小种群模块组成;所述单个竞争小种群模块分别与规模调整模块和局部外部档案模块连接,单个协作小种群模块与局部外部档案模块连接,2个协作小种群模块相互连接;局部外部档案模块与全局外部档案模块连接;所述方法包括:
(一)分区方案优化系统按方法一确定子模块的个数;
(二)分区方案优化系统内的每个子模块均生成一个最优前沿解,每个子模块将生成的最优前沿解送入全局外部档案模块;单个子模块按方法二生成最优前沿解;
(三)当全局外部档案模块收到所有子模块发送的最优前沿解后,全局外部档案模块内的所有最优前沿解形成离散形式的Pareto前沿解;
(四)操作人员根据实际需要从分区方案优化系统所生成的Pareto前沿解中选择一个最优前沿解作为布置方案在固定闭塞区间内进行信号机布置;
所述方法一包括:
将高速铁路上A站与B站之间的区域记为一个固定闭塞区间,所述固定闭塞区间内设置有多个信号机,将所述固定闭塞区间内每相邻两个信号机之间的区域记为一个闭塞分区;
将A站与B站之间的信号机架数记为Ns,将A站的出站信号机的位置记为x0,将B站进站信号机的位置记为
按公式一确定Ns的取值范围;
设信号机架数Ns在公式一所述范围内的取值个数为n个,则设置n个子模块,所述n个子模块与n个信号机架数Ns的取值一一对应;
所述公式一为:
其中,lsection为A站与B站之间的距离,lcircuit为轨道电路的极限长度;lmin为工程设计人员根据现场实际情况确定的闭塞分区最小长度;Ns取整数,为向上取整数,为向下取整数;
所述方法二包括:
1)在2个竞争小种群模块内分别生成一个竞争小种群;
单个竞争小种群模块在搜索空间内随机生成多个单体,当单个竞争小种群模块内的单体数达到设定值T时,竞争小种群模块停止生成新的单体,此时竞争小种群模块内的全部单体形成一个竞争小种群;将竞争小种群所辖单体数记为竞争小种群的规模,将2个竞争小种群的规模分别记为δ1、δ2,则2个竞争小种群初始的规模δ1=δ2=T;
竞争小种群中的单体按如下方式进行编码:其中xi表示所述固定闭塞区间内任意一个信号机的具体位置,表示所述固定闭塞区间内第NS个信号机的位置;
2)2个竞争小种群模块分别控制2个竞争小种群对所辖的单体进行优化处理获取可行解,其中一个竞争小种群模块采用遗传算法进行优化处理,另一个竞争小种群模块采用差分进化进行优化处理,2个竞争小种群模块的优化处理并行进行;竞争小种群模块每进化一代就将竞争小种群中生成的可行解送入局部外部档案模块,竞争小种群模块每进化y代就将竞争小种群中生成的可行解送入规模调整模块,其中y为设定值;2个竞争小种群模块每次同步向规模调整模块发送可行解;
在保证2个竞争小种群模块的总规模为2T不变的条件下,规模调整模块每次收到2个竞争小种群模块发送的可行解,就分别控制2个竞争小种群模块对所辖的竞争小种群按如下方式调整规模:
将一个竞争小种群模块所辖的竞争小种群记为第一竞争小种群,将另一个竞争小种群模块(4)所辖的竞争小种群记为第二竞争小种群;
a)根据公式七、公式八确定2个竞争小种群当次应调整的规模大小;
所述公式七为:
δ1=τ1×2T
其中,τ1为第一竞争小种群当次的贡献率,τ1按公式九确定;
所述公式八为:
δ2=τ2×2T
其中,τ2为第二竞争小种群当次的贡献率,τ2按公式十确定;
所述公式九为:
其中,p1为当次从第一竞争小种群中发送到规模调整模块的可行解个数,p2为当次从第二竞争小种中发送到规模调整模块的可行解个数;当τ1<0.2时,τ1取值0.2;当τ1>0.8时,τ1取值0.8;
所述公式十为:
其中,当τ2<0.2时,τ2取值0.2;当τ2>0.8时,τ2取值0.8;
b)比较单个竞争小种群当次应调整的规模与当前同一个竞争小种群的规模大小:如果竞争小种群当次应调整的规模大于当前同一个竞争小种群的规模,竞争小种群的规模需要增大,则采用随机的方式生成新的单体,直到竞争小种群的规模达到当次应调整的规模;如果竞争小种群当次应调整的规模小于当前同一个竞争小种群的规模,竞争小种群的规模需要减小,则将竞争小种群中的单体从适应度值小的向适应度值大的逐一删除,直到竞争小种群的规模达到当次应调整的规模;如果竞争小种群当次应调整的规模等于当前同一个竞争小种群的规模,则竞争小种群的规模不需要调整;
3)判断如下两个条件是否满足,当满足如下两个条件中任意一个条件或两个条件同时满足时,进入步骤4),否则返回步骤2);
条件一:经过3y代进化后,一个竞争小种群的规模是另一个竞争小种群的规模的4倍;
条件二:2个竞争小种群的进化代数均已达到设定值;
4)局部外部档案模块对收到的可行解采用免疫克隆法进行优化处理,将得到的全部优化抗体按亲和度值从大到小排序,并选取前S个优化抗体作为优化解集,局部外部档案模块将所述优化解集分别发送至2个协作小种群模块,单个协作小种群模块将收到的优化解集作为初始的协作小种群;所述优化解集所包含优化抗体的个数S为设定值;
5)其中一个协作小种群模块控制所辖协作小种群内的单体采用遗传算法进行优化处理获取可行解,另一个协作小种群模块控制所辖协作小种群内的单体采用差分进化进行优化处理获取可行解,2个协作小种群模块的优化处理并行进行;
2个协作小种群模块每进化一代就将协作小种群中生成的可行解送入局部外部档案模块;每进化一代后,2个协作小种群模块分别对各自所辖协作小种群内的单体按适应度值从大到小排序,2个协作小种群模块均用各自适应度值排在前10%的单体去替换对方适应度值排在后10%的单体;
6)当2个协作小种群模块的优化处理均完毕后,局部外部档案模块将当前所辖的全部可行解按适应度值大小进行排序,将适应度值最大的可行解记为最优前沿解,并将最优前沿解发送至全局外部档案模块;
所述步骤2)中,所述可行解为满足约束条件的单体,所述约束条件由公式二至公式五确定:
将A站与B站之间的闭塞分区个数记为Nsection,Nsection=Ns+1;将闭塞分区的长度记为li;
所述公式二为:
lmin≤li≤lcircuit
所述公式三为:
所述公式四为:
其中,为列车自xi-1处从任一较高速度等级制动到相邻较低速度等级所需制动距离的最大者;la为司机瞭望到信号到采取制动动作的时间内列车行驶的距离;
所述公式五为:
Ii≤H
Ii为追踪列车之间的间隔时间,H是给定的追踪列车之间的间隔时间;
所述步骤2)中,所述遗传算法和差分算法采用的适应度函数fitness由公式六确定:
所述公式六为:
其中:
其中,α和β为惩罚因子,α的取值范围为20-50,β的取值范围为0.7-0.9;k1为常数0.001;Nbeyond为公式二所定义范围外的闭塞分区的个数;max(I1,I2,…,Ii,…,Ik)为追踪列车之间的间隔时间的最大值。
本发明的原理如下:
铁路固定闭塞分区优化问题是一个在满足安全性的前提下提高列车通行效率和经济性的问题。现有技术中,不论采用遗传算法还是差分算法等人工智能的方法进行固定闭塞分区的设计优化,都只设置一个大的种群,对种群中的单体(遗传算法中将所述单体称之为染色体,差分算法中将所述单体称之为个体)进行编码时,不区分信号机布置的数量,导致种群中的单体长度不一。事实上,不管是遗传算法还是差分算法都涉及到交叉操作,而交叉操作要求单体的长度相同,如果种群中单体的长度不统一,难以对种群中的单体进行梳理和匹配,十分不利于交叉操作的进行,从而影响信号机布置方案的优化质量。
本发明通过将两目标问题转化为单目标问题,对单目标进行深度优化后,再将单目标问题转化为两目标问题,从而创造性地解决了上述现有技术存在的问题。
具体来说,首先根据公式一确定信号机架数NS的取值范围,根据信号机架数NS在取值范围内的取值个数来确定子模块的个数,每一个子模块对应一个信号机架数NS;由于单个子模块对应的信号机架数NS确定,所以在子模块中的优化问题就从两目标问题转化为了单目标问题,即在信号机架数确定的情况下如何合理布置信号机,以寻求追踪列车之间的间隔时间最小,从而提高列车通行效率这个单目标问题。将单个子模块所辖小种群中的单体按如下方式进行编码:由于信号机架数NS均相同,所以各个单体的长度相同,非常有利于交叉操作的进行,从而有利于优化过程的顺利进行,提高优化质量,为子模块内的深度优化创造了有利条件。
在单个子模块内部,首先对2个竞争小种群模块内的单体分别采用遗传算法、差分进化的方式进行优化,并将2个小种群生成的可行解送入局部外部档案模块,由于2个竞争小种群模块采用的算法不同,此时局部外部档案模块里综合了遗传算法和差分算法两种算法的可行解,可行解的数量比仅有一种算法生成的可行解多,且结合了两种算法的优势,可行解的质量更高;研究发现,随着进化代数的增加,可能会出现某个竞争小种群算法停滞的现象,从而影响整体进化的性能和效率,发明人通过引入规模调整模块,根据每代进化后2个竞争小种群的贡献率,动态地调整2个竞争小种群规模的大小,贡献率高的竞争小种群规模调大,贡献率低的竞争小种群规模调小,通过上述动态调整,大大提高了进化的自适应性和效率。
当竞争小种群模块达到设定条件结束进化后,局部外部档案模块对收到的可行解采用免疫克隆法进一步深度优化,并将得到的优化解集分别装载到2个协作小种群模块作为初始的协作小种群,接下来2个协作小种群模块分别采用遗传算法、差分进化对所辖的协作小种群进行优化处理,每代进化后,2个协作小种群通过交换优质单体并替换劣质单体的方式完成协作,并将生成的可行解发送到局部外部档案模块;当协作小种群模块达到设定条件结束进化后,局部外部档案模块将适应度值最大的可行解作为最优前沿解发送给全局外部档案模块;
在子模块内进行的单目标优化过程中,2个竞争小种群模块采用竞争的机制在全局范围内获取可行解,主要任务是对解空间进行“勘探”搜索;接下来,局部外部档案模块进行的免疫克隆优化过程,不仅能扩大解空间,也是优化过程从竞争模式转换到协作模式的衔接和过渡;然后,2个协作小种群模块采用协作的机制在最优解附近作进一步的搜索获取可行解,主要任务是对解空间进行“开采”搜索。
每个子模块都将获取的最优前沿解发送给全局外部档案模块后,全局外部档案模块就最终获得了在不同信号机数量下追踪列车之间的间隔时间最小的信号机布置方案,全局外部档案模块内的所有最优前沿解就形成离散形式的Pareto前沿解。此时,优化过程又从单目标问题回到了双目标问题上。操作者可以根据实际需求(比如成本预算等)从离散形式的Pareto前沿解中选择一个最优前沿解作为最为合理的信号机布置方案来对高铁固定闭塞区间进行信号机布置,为操作者提供了更多、更灵活的选择方案和选择空间。
采用本发明的方法,具有以下的有益效果:对铁路固定闭塞分区优化充分,能得到在不同信号机数量条件下最优的布置方案,最大程度地根据实际需要提高列车的通行效率及控制投资成本。
附图说明
本发明的附图说明如下。
图1为本发明所述分区方案优化系统的结构示意图;
图2为固定闭塞分区及信号机布置示意图;
图3为离散形式的Pareto前沿解的示意图。
图中:1、全局外部档案模块;2、局部外部档案模块;3、规模调整模块;4、竞争小种群模块;5、协作小种群模块。
具体实施方式
下面结合实施例对本发明作进一步说明。
如附图1所示,本发明所述的方法包括分区方案优化系统,所述分区方案优化系统由多个子模块和全局外部档案模块1组成;所述单个子模块由局部外部档案模块2、规模调整模块3、2个竞争小种群模块4和2个协作小种群模块5组成;所述单个竞争小种群模块4分别与规模调整模块3和局部外部档案模块2连接,单个协作小种群模块5与局部外部档案模块2连接,2个协作小种群模块5相互连接;局部外部档案模块2与全局外部档案模块1连接;所述方法包括:
(一)分区方案优化系统按如下方式确定子模块的个数:
将高速铁路上A站与B站之间的区域记为一个固定闭塞区间,所述固定闭塞区间内设置有多个信号机,将所述固定闭塞区间内每相邻两个信号机之间的区域记为一个闭塞分区;
将A站与B站之间的信号机架数记为Ns,将A站的出站信号机的位置记为x0,将B站进站信号机的位置记为
按公式一确定Ns的取值范围;
设信号机架数Ns在公式一所述范围内的取值个数为n个,则设置n个子模块,所述n个子模块与n个信号机架数Ns的取值一一对应;
所述公式一为:
其中,lsection为A站与B站之间的距离,lcircuit为轨道电路的极限长度;lmin为工程设计人员根据现场实际情况确定的闭塞分区最小长度;Ns取整数;为向上取整数,例如:则取22;为向下取整数,例如则取40;
按上述方法就设置了n个子模块,每个子模块对应一个信号机架数Ns的取值,例如:按公式一得到Ns的取值范围为21到40,则第1个子模块对应的信号机架数Ns为21个,第2个子模块对应的信号机架数Ns为22个,以此类推,第20个子模块对应的信号机架数Ns为40个。
(二)分区方案优化系统内的每个子模块均生成一个最优前沿解,每个子模块将生成的最优前沿解送入全局外部档案模块1;
单个子模块按如下方式生成最优前沿解:
1)在2个竞争小种群模块4内分别生成一个竞争小种群;
单个竞争小种群模块4在搜索空间内随机生成多个单体,当单个竞争小种群模块4内的单体数达到设定值T时,竞争小种群模块4停止生成新的单体,此时竞争小种群模块4内的全部单体形成一个竞争小种群,设定值T根据经验设置;将竞争小种群所辖单体数记为竞争小种群的规模,将2个竞争小种群的规模分别记为δ1、δ2,则2个竞争小种群初始的规模δ1=δ2=T;
竞争小种群中的单体按如下方式进行编码:其中xi表示所述固定闭塞区间内任意一个信号机的具体位置,表示所述固定闭塞区间内第NS个信号机的位置;例如,子模块所对应的信号机架数Ns为25个,则子模块所辖的小种群的单体编码就为:(x1,x2…xi…x25),i的取值就为1到25。
2)2个竞争小种群模块4分别控制2个竞争小种群对所辖的单体进行优化处理获取可行解,其中一个竞争小种群模块4采用遗传算法进行优化处理,另一个竞争小种群模块4采用差分进化进行优化处理,2个竞争小种群模块4的优化处理并行进行;竞争小种群模块4每进化一代就将竞争小种群中生成的可行解送入局部外部档案模块2,竞争小种群模块4每进化y代就将竞争小种群中生成的可行解送入规模调整模块3,其中y为设定值,通常y值通常取5~10;2个竞争小种群模块4每次同步向规模调整模块3发送可行解;
所述可行解为满足约束条件的单体,所述约束条件由公式二至公式五确定:
将A站与B站之间的闭塞分区个数记为Nsection,Nsection=Ns+1;将闭塞分区的长度记为li;
所述公式二为:
lmin≤li≤lcircuit
所述公式三为:
所述公式四为:
其中,为列车自xi-1处从任一较高速度等级制动到相邻较低速度等级所需制动距离的最大者;la为司机瞭望到信号到采取制动动作的时间内列车行驶的距离,通常取50米;
所述公式五为:
Ii≤H
Ii为追踪列车之间的间隔时间,H是给定的追踪列车之间的间隔时间;
高铁的固定闭塞区间通常分为三显示固定闭塞区间和四显示固定闭塞区间,本实施例以三显示固定闭塞区间为例,追踪列车之间的间隔时间,需要根据3个相邻的闭塞区间按公式十一来计算:
所述公式十一为:
其中,li、li+1和li+2分别为相邻3个闭塞区间的长度,ltrain为列车的长度,v为列车的运行速度;
本实施例中,采用遗传算法的竞争小种群模块4按如下方式进行:
遗传算法中,将竞争小种群中的所述单体称之为染色体,
A1)根据公式六所示的适应度函数fitness计算竞争小种群中每个染色体的适应度值,并按适应度值升序排列小种群中的染色体;
A2)采用轮盘赌的方式进行选择操作;
A3)进行交叉操作;
A4)进行变异操作;
A5)将竞争小种群中的可行解送入局部外部档案模块2;
A6)判断迭代次数是否达到y次的整数倍,若达到,将竞争小种群中的可行解送入规模调整模块3,否则进入步骤A7);
A7)判断迭代次数是否达到预先设定的最大迭代次数,若未达到,则返回步骤A1),否则停止优化处理,优化处理完毕。
采用差分进化的竞争小种群模块4按如下方式进行:
差分算法中,将竞争小种群中的所述单体称之为个体,
B1)根据公式六所示的适应度函数fitness计算小种群中每个个体的适应度值;
B2)进行变异操作;
B3)进行交叉操作;
B4)进行选择操作;
B5)将小种群中的可行解送入局部外部档案模块2;
B6)判断迭代次数是否达到y次的整数倍,若达到,将竞争小种群中的可行解送入规模调整模块3,否则进入步骤B7);
B7)判断迭代次数是否达到预先设定的最大迭代次数,若未达到,则返回步骤A1),否则停止优化处理,优化处理完毕。
所述公式六为:
其中:
其中,α和β为惩罚因子,α的取值范围为20-50,β的取值范围为0.7-0.9;k1为常数0.001;Nbeyond为公式二所定义范围外的闭塞分区的个数;max(I1,I2,…,Ii,…,Ik)为追踪列车之间的间隔时间的最大值,对于三显示自动闭塞区间来说,表示从出站信号机开始的第一个闭塞分区,至第k+2个闭塞分区与最后一个闭塞分区重合为止,所计算的Ii中的最大值;
在保证2个竞争小种群模块4的总规模为2T不变的条件下,规模调整模块3每次收到2个竞争小种群模块4发送的可行解,就分别控制2个竞争小种群模块4对所辖的竞争小种群按如下方式调整规模:
将一个竞争小种群模块4所辖的竞争小种群记为第一竞争小种群,将另一个竞争小种群模块4所辖的竞争小种群记为第二竞争小种群;
a)根据公式七、公式八确定2个竞争小种群当次应调整的规模大小;
所述公式七为:
δ1=τ1×2T
其中,τ1为第一竞争小种群当次的贡献率,τ1按公式九确定;
所述公式八为:
δ2=τ2×2T
其中,τ2为第二竞争小种群当次的贡献率,τ2按公式十确定;
所述公式九为:
其中,p1为当次从第一竞争小种群中发送到规模调整模块3的可行解个数,p2为当次从第二竞争小种中发送到规模调整模块3的可行解个数;当τ1<0.2时,τ1取值0.2;当τ1>0.8时,τ1取值0.8;
所述公式十为:
其中,当τ2<0.2时,τ2取值0.2;当τ2>0.8时,τ2取值0.8;
为避免某一种算法强占优于另一种算法,竞争小种群规模的上限设置为总规模2T的80%,竞争小种群规模的下限设置为总规模2T的20%,即最多一个竞争小种群规模为另一个竞争小种群规模的4倍即可。
b)比较单个竞争小种群当次应调整的规模与当前同一个竞争小种群的规模大小:如果竞争小种群当次应调整的规模大于当前同一个竞争小种群的规模,竞争小种群的规模需要增大,则采用随机的方式生成新的单体,直到竞争小种群的规模达到当次应调整的规模;如果竞争小种群当次应调整的规模小于当前同一个竞争小种群的规模,竞争小种群的规模需要减小,则将竞争小种群中的单体从适应度值小的向适应度值大的逐一删除,直到竞争小种群的规模达到当次应调整的规模;如果竞争小种群当次应调整的规模等于当前同一个竞争小种群的规模,则竞争小种群的规模不需要调整;
3)判断如下两个条件是否满足,当满足如下两个条件中任意一个条件或两个条件同时满足时,进入步骤4),否则返回步骤2);
条件一:经过3y代进化后,一个竞争小种群的规模是另一个竞争小种群的规模的4倍;
条件二:2个竞争小种群的进化代数均已达到设定值;
4)局部外部档案模块2对收到的可行解采用免疫克隆法进行优化处理,将得到的全部优化抗体按亲和度值从大到小排序,并选取前S个优化抗体作为优化解集,局部外部档案模块2将所述优化解集分别发送至2个协作小种群模块5,单个协作小种群模块5将收到的优化解集作为初始的协作小种群;所述优化解集所包含优化抗体的个数S为设定值,根据协作小种群模块所需规模设定;
上述免疫克隆法本实施例中按如下方式进行:
C1)局部外部档案模块2将可行解作为抗体,局部外部档案模块2中所有抗体形成种群P;
C2)抗原识别:将最小追踪列车之间的间隔时间目标和所述约束条件作为待求问题的抗原;追求最小追踪列车之间的间隔时间目标即追求max(I1,I2,…,Ii,…,Ik)值最小;
C3)对种群P中的抗体进行亲和度计算;
C4)对种群P中的所有抗体进行克隆,得到扩增后的种群C;
C5)对种群C的抗体进行高频变异,每次变异后都进行约束检验,检验合格后得到种群C*;
C6)将种群C*和种群P进行重组,得到多个优化抗体;
5)其中一个协作小种群模块5控制所辖协作小种群内的单体采用遗传算法进行优化处理获取可行解,另一个协作小种群模块5控制所辖协作小种群内的单体采用差分进化进行优化处理获取可行解,2个协作小种群模块5的优化处理并行进行;本实施例中,协作小种群模块5中采用的遗传算法和差分进化的具体方式与竞争小种群模块4相同;
2个协作小种群模块5每进化一代就将协作小种群中生成的可行解送入局部外部档案模块2;每进化一代后,2个协作小种群模块5分别对各自所辖协作小种群内的单体按适应度值从大到小排序,2个协作小种群模块5均用各自适应度值排在前10%的单体去替换对方适应度值排在后10%的单体;
具体地,其中一个协作小种群模块5将所辖协作小种群内适应度值排在前10%的单体发送到另一个协作小种群模块5,同时,另一个协作小种群模块5将所辖协作小种群内适应度值排在后10%的单体删除;2个协作小种群模块5都按上述方式进行单体更新操作一次。
6)当2个协作小种群模块5的优化处理均完毕后,局部外部档案模块2将当前所辖的全部可行解按适应度值大小进行排序,将适应度值最大的可行解记为最优前沿解,并将最优前沿解发送至全局外部档案模块1;
(三)当全局外部档案模块1收到所有子模块发送的最优前沿解后,全局外部档案模块1内的所有最优前沿解形成离散形式的Pareto前沿解;如附图3所示即为离散形式的Pareto前沿解的示意图,图中每一个点即为以信号机布置架数Ns(经济性)与最小追踪列车之间的间隔时间Imin(通行效率)为目标得到的最优前沿解,其中,每一个最优前沿解就是一套信号机布置方案,这就为设计者提供了更多、更灵活的选择方案。
(四)如附图2所示的固定闭塞分区及信号机布置示意图,操作人员根据实际需要从分区方案优化系统所生成的Pareto前沿解中选择一个最优前沿解作为布置方案在所述固定闭塞区间内进行信号机布置;在进行信号机布置时,操作人员具有更大的选择空间,可以根据需要从离散形式的Pareto前沿解中选择一个或者一些最符合实际需求的最优前沿解,由此来设计最为合理的信号机布置方案。
本发明中应用到的遗传算法、差分进化、免疫克隆法、Pareto原理等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 (1)
1.一种优化铁路固定闭塞分区的方法,包括分区方案优化系统,其特征在于:所述分区方案优化系统由多个子模块和全局外部档案模块(1)组成;所述单个子模块由局部外部档案模块(2)、规模调整模块(3)、2个竞争小种群模块(4)和2个协作小种群模块(5)组成;所述单个竞争小种群模块(4)分别与规模调整模块(3)和局部外部档案模块(2)连接,单个协作小种群模块(5)与局部外部档案模块(2)连接,2个协作小种群模块(5)相互连接;局部外部档案模块(2)与全局外部档案模块(1)连接;所述方法包括:
(一)分区方案优化系统按方法一确定子模块的个数;
(二)分区方案优化系统内的每个子模块均生成一个最优前沿解,每个子模块将生成的最优前沿解送入全局外部档案模块(1);单个子模块按方法二生成最优前沿解;
(三)当全局外部档案模块(1)收到所有子模块发送的最优前沿解后,全局外部档案模块(1)内的所有最优前沿解形成离散形式的Pareto前沿解;
(四)操作人员根据实际需要从分区方案优化系统所生成的Pareto前沿解中选择一个最优前沿解作为布置方案在固定闭塞区间内进行信号机布置;
所述方法一包括:
将高速铁路上A站与B站之间的区域记为一个固定闭塞区间,所述固定闭塞区间内设置有多个信号机,将所述固定闭塞区间内每相邻两个信号机之间的区域记为一个闭塞分区;
将A站与B站之间的信号机架数记为Ns,将A站的出站信号机的位置记为x0,将B站进站信号机的位置记为
按公式一确定Ns的取值范围;
设信号机架数Ns在公式一所述范围内的取值个数为n个,则设置n个子模块,所述n个子模块与n个信号机架数Ns的取值一一对应;
所述公式一为:
其中,lsection为A站与B站之间的距离,lcircuit为轨道电路的极限长度;lmin为工程设计人员根据现场实际情况确定的闭塞分区最小长度;Ns取整数,为向上取整数,为向下取整数;
所述方法二包括:
1)在2个竞争小种群模块(4)内分别生成一个竞争小种群;
单个竞争小种群模块(4)在搜索空间内随机生成多个单体,当单个竞争小种群模块(4)内的单体数达到设定值T时,竞争小种群模块(4)停止生成新的单体,此时竞争小种群模块(4)内的全部单体形成一个竞争小种群;将竞争小种群所辖单体数记为竞争小种群的规模,将2个竞争小种群的规模分别记为δ1、δ2,则2个竞争小种群初始的规模δ1=δ2=T;
竞争小种群中的单体按如下方式进行编码:其中xi表示所述固定闭塞区间内任意一个信号机的具体位置,表示所述固定闭塞区间内第NS个信号机的位置;
2)2个竞争小种群模块(4)分别控制2个竞争小种群对所辖的单体进行优化处理获取可行解,其中一个竞争小种群模块(4)采用遗传算法进行优化处理,另一个竞争小种群模块(4)采用差分进化进行优化处理,2个竞争小种群模块(4)的优化处理并行进行;竞争小种群模块(4)每进化一代就将竞争小种群中生成的可行解送入局部外部档案模块(2),竞争小种群模块(4)每进化y代就将竞争小种群中生成的可行解送入规模调整模块(3),其中y为设定值;2个竞争小种群模块(4)每次同步向规模调整模块(3)发送可行解;
在保证2个竞争小种群模块(4)的总规模为2T不变的条件下,规模调整模块(3)每次收到2个竞争小种群模块(4)发送的可行解,就分别控制2个竞争小种群模块(4)对所辖的竞争小种群按如下方式调整规模:
将一个竞争小种群模块(4)所辖的竞争小种群记为第一竞争小种群,将另一个竞争小种群模块(4)所辖的竞争小种群记为第二竞争小种群;
a)根据公式七、公式八确定2个竞争小种群当次应调整的规模大小;
所述公式七为:
δ1=τ1×2T
其中,τ1为第一竞争小种群当次的贡献率,τ1按公式九确定;
所述公式八为:
δ2=τ2×2T
其中,τ2为第二竞争小种群当次的贡献率,τ2按公式十确定;
所述公式九为:
其中,p1为当次从第一竞争小种群中发送到规模调整模块(3)的可行解个数,p2为当次从第二竞争小种中发送到规模调整模块(3)的可行解个数;当τ1<0.2时,τ1取值0.2;当τ1>0.8时,τ1取值0.8;
所述公式十为:
其中,当τ2<0.2时,τ2取值0.2;当τ2>0.8时,τ2取值0.8;
b)比较单个竞争小种群当次应调整的规模与当前同一个竞争小种群的规模大小:如果竞争小种群当次应调整的规模大于当前同一个竞争小种群的规模,竞争小种群的规模需要增大,则采用随机的方式生成新的单体,直到竞争小种群的规模达到当次应调整的规模;如果竞争小种群当次应调整的规模小于当前同一个竞争小种群的规模,竞争小种群的规模需要减小,则将竞争小种群中的单体从适应度值小的向适应度值大的逐一删除,直到竞争小种群的规模达到当次应调整的规模;如果竞争小种群当次应调整的规模等于当前同一个竞争小种群的规模,则竞争小种群的规模不需要调整;
3)判断如下两个条件是否满足,当满足如下两个条件中任意一个条件或两个条件同时满足时,进入步骤4),否则返回步骤2);
条件一:经过3y代进化后,一个竞争小种群的规模是另一个竞争小种群的规模的4倍;
条件二:2个竞争小种群的进化代数均已达到设定值;
4)局部外部档案模块(2)对收到的可行解采用免疫克隆法进行优化处理,将得到的全部优化抗体按亲和度值从大到小排序,并选取前S个优化抗体作为优化解集,局部外部档案模块(2)将所述优化解集分别发送至2个协作小种群模块(5),单个协作小种群模块(5)将收到的优化解集作为初始的协作小种群;所述优化解集所包含优化抗体的个数S为设定值;
5)其中一个协作小种群模块(5)控制所辖协作小种群内的单体采用遗传算法进行优化处理获取可行解,另一个协作小种群模块(5)控制所辖协作小种群内的单体采用差分进化进行优化处理获取可行解,2个协作小种群模块(5)的优化处理并行进行;
2个协作小种群模块(5)每进化一代就将协作小种群中生成的可行解送入局部外部档案模块(2);每进化一代后,2个协作小种群模块(5)分别对各自所辖协作小种群内的单体按适应度值从大到小排序,2个协作小种群模块(5)均用各自适应度值排在前10%的单体去替换对方适应度值排在后10%的单体;
6)当2个协作小种群模块(5)的优化处理均完毕后,局部外部档案模块(2)将当前所辖的全部可行解按适应度值大小进行排序,将适应度值最大的可行解记为最优前沿解,并将最优前沿解发送至全局外部档案模块(1);
所述步骤2)中,所述可行解为满足约束条件的单体,所述约束条件由公式二至公式五确定:
将A站与B站之间的闭塞分区个数记为Nsection,Nsection=Ns+1;将闭塞分区的长度记为li;
所述公式二为:
lmin≤li≤lcircuit
所述公式三为:
所述公式四为:
其中,为列车自xi-1处从任一较高速度等级制动到相邻较低速度等级所需制动距离的最大者;la为司机瞭望到信号到采取制动动作的时间内列车行驶的距离;
所述公式五为:
Ii≤H
Ii为追踪列车之间的间隔时间,H是给定的追踪列车之间的间隔时间;
所述步骤2)中,所述遗传算法和差分算法采用的适应度函数fitness由公式六确定:
所述公式六为:
其中:
其中,α和β为惩罚因子,α的取值范围为20-50,β的取值范围为0.7-0.9;k1为常数0.001;Nbeyond为公式二所定义范围外的闭塞分区的个数;max(I1,I2,…,Ii,…,Ik)为追踪列车之间的间隔时间的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811208570.4A CN109345022B (zh) | 2018-10-17 | 2018-10-17 | 一种优化铁路固定闭塞分区的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811208570.4A CN109345022B (zh) | 2018-10-17 | 2018-10-17 | 一种优化铁路固定闭塞分区的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109345022A true CN109345022A (zh) | 2019-02-15 |
CN109345022B CN109345022B (zh) | 2021-08-31 |
Family
ID=65309058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811208570.4A Active CN109345022B (zh) | 2018-10-17 | 2018-10-17 | 一种优化铁路固定闭塞分区的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345022B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005081902A2 (en) * | 2004-02-20 | 2005-09-09 | General Electric Company | Systems and methods for multi-objective portfolio optimization |
CN106777752A (zh) * | 2016-12-30 | 2017-05-31 | 华东交通大学 | 一种高速列车追踪运行曲线优化设定方法 |
CN106873366A (zh) * | 2017-01-19 | 2017-06-20 | 重庆交通大学 | 为城轨列车生成ato速度控制命令的方法 |
US20170364812A1 (en) * | 2016-06-16 | 2017-12-21 | The Aerospace Corporation | Progressive Objective Addition in Multi-objective Heuristic Systems and Methods |
CN108394429A (zh) * | 2018-02-06 | 2018-08-14 | 重庆交通大学 | 一种为城轨列车群生成自动驾驶曲线的方法 |
CN108657232A (zh) * | 2018-05-18 | 2018-10-16 | 重庆交通大学 | 一种城轨列车的多目标控制方法 |
-
2018
- 2018-10-17 CN CN201811208570.4A patent/CN109345022B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005081902A2 (en) * | 2004-02-20 | 2005-09-09 | General Electric Company | Systems and methods for multi-objective portfolio optimization |
US20170364812A1 (en) * | 2016-06-16 | 2017-12-21 | The Aerospace Corporation | Progressive Objective Addition in Multi-objective Heuristic Systems and Methods |
CN106777752A (zh) * | 2016-12-30 | 2017-05-31 | 华东交通大学 | 一种高速列车追踪运行曲线优化设定方法 |
CN106873366A (zh) * | 2017-01-19 | 2017-06-20 | 重庆交通大学 | 为城轨列车生成ato速度控制命令的方法 |
CN108394429A (zh) * | 2018-02-06 | 2018-08-14 | 重庆交通大学 | 一种为城轨列车群生成自动驾驶曲线的方法 |
CN108657232A (zh) * | 2018-05-18 | 2018-10-16 | 重庆交通大学 | 一种城轨列车的多目标控制方法 |
Non-Patent Citations (2)
Title |
---|
孙飞等: "基于Pareto多目标遗传算法的高峰时段多地铁列车节能优化", 《铁道标准设计》 * |
徐凯等: "多种群分层联合优化的城轨列车ATO研究", 《铁道学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109345022B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Bio-inspired speed curve optimization and sliding mode tracking control for subway trains | |
CN106842901B (zh) | 为列车自动驾驶系统生成速度控制命令的方法 | |
CN104881527A (zh) | 城市轨道交通列车ato速度命令优化方法 | |
CN106527381B (zh) | 一种面向并行批处理机动态调度的快速评估方法 | |
CN108674452B (zh) | 一种移动闭塞下的高铁列车群多目标控制方法 | |
CN112947319B (zh) | 一种钢铁企业冷轧区多产线的集批排程优化方法及系统 | |
CN112633596B (zh) | 地铁列车速度曲线和区间运行时间的一体化优化方法 | |
CN108629993A (zh) | 一种适用于高饱和度交叉口的公交优先信号配时优化方法 | |
CN102663224A (zh) | 基于信息熵的交通流量集成预测模型 | |
CN110533227B (zh) | 一种确定可变线路式公交固定站点和动态站点的方法 | |
CN109192284B (zh) | 一种带软时间窗的远程健康监护线下服务任务调度的方法 | |
CN109448371A (zh) | 一种实时可变车道控制方法及控制系统 | |
CN105956663A (zh) | 异形零件下料的并行排样优化方法 | |
CN102903038B (zh) | 基于用户轨迹的小件物流配送方法及系统 | |
CN111680413A (zh) | 基于双层算法的有轨电车定时节能运行优化方法及其系统 | |
CN111985619A (zh) | 一种基于短时交通流预测的城市单交叉口控制方法 | |
CN109345022B (zh) | 一种优化铁路固定闭塞分区的方法 | |
CN108394429B (zh) | 一种为城轨列车群生成自动驾驶曲线的方法 | |
CN115239021A (zh) | 一种城市轨道交通大小交路列车开行方案优化方法 | |
CN112613797A (zh) | 一种考虑能耗影响因素的城市轨道交通列车延误调整方法 | |
CN114564905A (zh) | 一种基于迭代禁忌搜索算法的电路示意图布局布线方法 | |
CN104751652B (zh) | 基于遗传算法的绿波优化算法 | |
CN106672032A (zh) | 一种列车运行的目标速度曲线优化方法 | |
CN110930696B (zh) | 一种基于ai导航的智慧城市交通管理运行方法及其系统 | |
CN109359320A (zh) | 基于多采样率自回归分布滞后模型的高炉指标预测方法 |
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 |