CN112948971B - 一种磁悬浮列车速度曲线的节能优化方法 - Google Patents

Abstract

本发明实施例提供了一种磁悬浮列车速度曲线的节能优化方法。该方法包括：设置磁悬浮列车速度的个体的初始种群及迭代条件限制；计算磁悬浮列车速度的种群中个体适应度值，利用最优个体和最差个体引导种群进化更新；计算进化后种群个体变异参数，产生新变异种群；利用新变异种群和原始种群混合形成新的混合种群；在混合种群中通过随机Q选择算法，选择磁悬浮列车速度的个体的最终的优质种群，获得磁悬浮列车速度曲线。本发明针对磁悬浮列车在线优化问题，在种群变异过程中利用小波变异增加种群多样性，为磁悬浮列车的在线速度曲线优化提供可靠快速的求解优化方案。

Description

一种磁悬浮列车速度曲线的节能优化方法

技术领域

本发明涉及磁悬浮列车运行控制技术领域，尤其涉及一种磁悬浮列车速度曲线的节能优化方法。

背景技术

磁悬浮列车的控制与优化技术是高速磁悬浮列车安全、高效、可靠运行的基础。在磁悬浮列车高速运行过程中，磁悬浮列车自动驾驶系统主要基于目标速度曲线控制磁悬浮列车运行。因此，在满足一定物理设备约束条件下，获得可在目标运行时间内完成运输距离、总能耗最小的目标速度曲线对实际运行工况具有重要的实际意义。

磁悬浮列车在运行过程中受到牵引力、制动力、空气阻力、电磁涡流阻力等作用，使的磁悬浮列车在运行过程中存在较大非线性、大量的不确定因素。因此，通过智能优化算法获得磁悬浮列车安全、节能运行曲线是磁悬浮列车运行控制的必要环节。

目前，现有技术中还没有一种有效的对磁悬浮列车速度曲线进的节能优化的方法。

发明内容

本发明的实施例提供了一种磁悬浮列车速度曲线的节能优化方法，以实现对磁悬浮列车速度曲线进行有效的节能优化。

为了实现上述目的，本发明采取了如下技术方案。

一种磁悬浮列车速度曲线的节能优化方法，包括：

Step0.根据磁悬浮列车的运行状况信息的优化问题条件及精度，设置磁悬浮列车速度的个体的初始种群及迭代条件限制；

Step1.计算磁悬浮列车速度的种群中个体适应度值，对个体适应度值进行排序，选择最优个体和最差个体；

Step2.根据所述最优个体和最差个体计算种群个体变异参数，产生新变异种群；

Step3.利用所述新变异种群和原始种群混合形成新的混合种群；

Step4.在所述混合种群中通过随机Q选择算法，选择磁悬浮列车速度的个体的最终的优质种群，根据所述磁悬浮列车速度的个体的最终的优质种群得到节能优化后的磁悬浮列车速度曲线。

优选地，所述的根据磁悬浮列车运行状况信息的优化问题条件及精度，设置磁悬浮列车速度的个体的初始种群及迭代条件限制，包括：

根据磁悬浮列车运行状况信息优化问题条件及精度，设置进化代数计数器i＝0，以及最大进化代数I；

读取磁悬浮列车运行状态信息及路况信息，根据磁悬浮列车运行状态信息形成优化变量约束条件；根据优化变量约束条件随机生成N个磁悬浮列车速度的个体作为初始种群x(0)；设置磁悬浮列车速度的运行曲线优化目标f(x)＝{f₁(x),f₂(x)}，其中f₁(x)为能耗目标，f₂(x)为最佳舒适度目标。

优选地，所述的计算磁悬浮列车速度的种群中个体适应度值，对个体适应度值进行排序，选择最优个体和最差个体，包括：

计算种群中每个磁悬浮列车速度的个体的适应度值；

对种群的所有个体适应度值按照从大到小的顺序进行排序，根据适应度值选择最优解x^i*和最劣解x^i×，将最大的适应度值对应的个体作为最优解，将最小的适应度值对应的个体作为最劣解。

优选地，所述的根据所述最优个体和最差个体计算种群个体变异参数，产生新变异种群，包括：

Step2.1利用种群xⁱ中的最优解x^i*和最劣解x^i×计算自适应步长控制参数α：

其中：α₀为初始步长参数，表示种群xⁱ中的第n个个体；

Step2.2利用种群xⁱ中的最优解x^i*和最劣解x^i×引导个体朝最优解的方向更新，产生临时个体/>

其中：为种群中第i次更新过程中第n个个体/>所对应的临时个体，η_L服从levy分布，η_n服从正态分布N～(0,1)，α为步长控制参数，x^i*为第i次更新过程中最优个体；

Step2.3计算自适应控制参数P_α：

其中：和/>为p_a的最大值和最小值；

Step2.4将所有的临时个体组成临时种群tⁱ，利用临时种群tⁱ产生新的种群xⁱ⁺¹：

其中：η_u～U(0,1)，是种群中随机选择的个体，H(·)是Heaviside函数；

Step2.5更新个体计数值，即令n＝n+1若满足n≤N，N为设定的个体数量阈值，转步骤Step2.1执行，将新产生的N个个体作为新种群。

优选地，所述的利用所述新变异种群和原始种群混合形成新的混合种群，包括：

Step3.1计算种群中个体的小波变异算子δ：

其中： 为变异常数；

Step3.2对新一代种群中的个体进行个体小波变异，得到对应变异个体

Step3.3更新计数值，即令n＝n+1，若满足n≤N，转步骤Step3.1执行变异过程；若满足n＞N，生成新的变异种群；

Step3.4将新的变异种群加入原始种群中，生成具有2N个体的混合种群。

优选地，所述的在所述混合种群中通过随机Q选择算法，选择磁悬浮列车速度的个体的最终的优质种群，包括：

Step4.1在所述混合种群的2N个个体中随机选择Q个个体组成测试群体，将个体的适应度与Q个个体的适应度进行比较，记录个体/>的适应度优于或等于Q内各个个体的次数，将该次数作为个体/>的分数S_i：

Step4.2更新计数值，即令n＝n+1，若满足i≤N，转步骤Step4.1计算每个个体的分数S_n；若满足i＞N，执行步骤Step4.3；

Step4.3对种群xⁱ⁺¹中各个个体的分数S_n进行排序，选择适应度函数较高的N个个体组成下一代新的群体；

Step4.4更新进化计数值，令i＝i+1，若满足i≤I，转步骤Step1执行进化过程；否则，结束整个进化过程，此时最优个体即为列车最优速度值。

由上述本发明的实施例提供的技术方案可以看出，本发明针对磁悬浮列车在线优化问题，混合JAYA算法引导种群更新方向，避免其朝劣解方向更新，加快求解速度；在种群变异过程中利用小波变异增加种群多样性，并竞争选择较优种群淘汰不良变异个体，从而增加解的多样性，减少其在求解过程中陷入局部最优的概率，以较快的速度朝全局最优解方向更新，为磁悬浮列车的在线速度曲线优化提供可靠快速的求解优化方案。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种磁悬浮列车速度曲线的节能优化方法的处理流程图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明的目的在于提供一种参数自适应的目标速度曲线优化算法，以磁悬浮列车高效、节能运行为目标，在物理条件约束下，获得磁悬浮列车速度跟踪的目标速度曲线，同时保证磁悬浮列车能够在规定时间内以最小能耗到达指定目的地。

本发明实施例提供的一种基于参数自适应布谷鸟算法(PAJAYACSA)的磁悬浮列车速度曲线的节能优化方法的处理流程如图1所示，包括以下处理步骤：

Step0初始化：根据磁悬浮列车运行状况信息优化问题条件及精度，设置初始位置数量及迭代条件限制。

Step 0.1设计进化代数计数器i＝0，以及最大进化代数I；

Step0.2读取磁悬浮列车运行状态信息及路况信息，根据磁悬浮列车运行状态信息形成优化变量约束条件；根据优化变量约束条件随机生成N个磁悬浮列车速度的个体作为初始种群x(0)；设置磁悬浮列车速度的运行曲线优化目标f(x)＝{f₁(x),f₂(x)}。其中f₁(x)为能耗目标，f₂(x)为最佳舒适度目标。

Step1个体评价：计算种群中个体适应度值，对个体适应度值排序,选择最优个体和最差个体；

Step1.1计算种群中每个磁悬浮列车速度的个体的适应度值，该适应度值为优化目标f(x)＝{f₁(x),f₂(x)}的函数值。

Step1.2对种群的所有个体适应度值按照从大到小的顺序进行排序，根据适应度值选择最优解x^i*和最劣解x^i×，将最大的适应度值对应的个体作为最优解，将最小的适应度值对应的个体作为最劣解，i为当前的进化代数。

Step2种群更新：计算种群个体变异参数，产生新变异种群。

Step2.1利用种群xⁱ中的最优解x^i*和最劣解x^i×计算自适应步长控制参数α：

其中：α₀为初始步长参数，表示种群xⁱ中的第n个个体。

Step2.2利用种群xⁱ中的最优解x^i*和最劣解x^i×引导个体朝最优解的方向更新，避免其朝次优解方向更新，产生临时个体

其中：为种群中第i次更新过程中第n个个体/>所对应的临时个体，η_L服从levy分布，η_n服从正态分布N～(0,1)，α为步长控制参数。x^i*为第i次更新过程中最优个体。

Step2.3计算自适应控制参数P_α：

其中：和/>为p_a的最大值和最小值。

Step2.4将所有的临时个体组成临时种群tⁱ，利用临时种群tⁱ产生新的种群xⁱ⁺¹：

其中：η_u～U(0,1)，是种群中随机选择的个体。H(·)是Heaviside函数。

Step2.5更新个体计数值，即令n＝n+1若满足n≤N，转步骤Step2.1执行，将新产生的N个个体作为新种群，N为设定的个体数量阈值。

Step3种群变异：混合形成新的种群。

Step3.1计算种群中个体的小波变异算子δ：

其中： 为变异常数。

Step3.2对新一代种群中的个体进行个体小波变异，得到对应变异个体

Step3.3更新计数值，即令n＝n+1。若满足n≤N，转步骤Step3.1执行变异过程。生成新的变异种群。

Step3.4将新的变异种群加入原始种群中，生成具有2N个体的新种群。

Step4种群选择：在新的混合种群中通过随机Q选择算法，选择优质种群，根据优质种群得到节能优化后的磁悬浮列车速度曲线。

Step4.1在所述混合种群的2N个个体中随机选择Q个个体组成测试群体，将个体的适应度与Q个个体的适应度进行比较，记录个体/>的适应度优于或等于Q内各个个体的次数，将该次数作为个体/>的分数Si：

Step4.2更新进化计数值，即令n＝n+1。若满足i≤N，转步骤Step4.1计算每个个体的分数S_n。若满足i＞N，执行步骤Step4.3。

Step4.3对种群xⁱ⁺¹中个体的分数S_n排序，选择适应度函数较高的N个个体组成最新的优质群体。

Step5执行循环：

更新计数值，即令i＝i+1。若满足i≤I

转步骤Step1执行进化过程。否则，结束整个进化过程。此时最优个体即为列车最优速度值。

综上所述，本发明所述技术方案具有原理明确、设计简单的优点，针对磁悬浮列车在线优化问题，混合JAYA算法引导种群更新方向，避免其朝劣解方向更新，加快求解速度；在种群变异过程中利用小波变异增加种群多样性，并竞争选择较优种群淘汰不良变异个体，从而增加解的多样性，减少其在求解过程中陷入局部最优的概率，以较快的速度朝全局最优解方向更新，为磁悬浮列车的在线速度曲线优化提供可靠快速的求解优化方案。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种磁悬浮列车速度曲线的节能优化方法，其特征在于，包括：

Step0.根据磁悬浮列车的运行状况信息的优化问题条件及精度，设置磁悬浮列车速度的个体的初始种群及迭代条件限制；

Step1.计算磁悬浮列车速度的种群中个体适应度值，对个体适应度值进行排序，选择最优个体和最差个体；

Step2.根据所述最优个体和最差个体计算种群个体变异参数，产生新变异种群；

Step3.利用所述新变异种群和原始种群混合形成新的混合种群；

Step4.在所述混合种群中通过随机Q选择算法，选择磁悬浮列车速度的个体的最终的优质种群，根据所述磁悬浮列车速度的个体的最终的优质种群得到节能优化后的磁悬浮列车速度曲线；

所述的计算磁悬浮列车速度的种群中个体适应度值，对个体适应度值进行排序，选择最优个体和最差个体，包括：

计算种群中每个磁悬浮列车速度的个体的适应度值；

对种群的所有个体适应度值按照从大到小的顺序进行排序，根据适应度值选择最优解x^i*和最劣解x^i×，将最大的适应度值对应的个体作为最优解，将最小的适应度值对应的个体作为最劣解；

所述的根据所述最优个体和最差个体计算种群个体变异参数，产生新变异种群，包括：

Step2.1利用种群xⁱ中的最优解x^i*和最劣解x^i×计算自适应步长控制参数α：

其中：α₀为初始步长参数，表示种群xⁱ中的第n个个体；

Step2.2利用种群xⁱ中的最优解x^i*和最劣解x^i×引导个体朝最优解的方向更新，产生临时个体/>

其中：为种群中第i次更新过程中第n个个体/>所对应的临时个体，η_L服从levy分布，η_n服从正态分布N～(0,1)，α为步长控制参数，x^i*为第i次更新过程中最优个体；

Step2.3计算自适应控制参数P_α：

其中：和/>为p_a的最大值和最小值；

Step2.4将所有的临时个体组成临时种群tⁱ，利用临时种群tⁱ产生新的种群xⁱ⁺¹：

其中：η_u～U(0,1)，是种群中随机选择的个体，H()是Heaviside函数；

Step2.5更新个体计数值，即令n＝n+1若满足n≤N，N为设定的个体数量阈值，转步骤Step2.1执行，将新产生的N个个体作为新种群；

所述的利用所述新变异种群和原始种群混合形成新的混合种群，包括：

Step3.1计算种群中个体的小波变异算子δ：

其中： 为变异常数；ζ_ωm是θ这个方程的形状参数；

Step3.2对新一代种群中的个体进行个体小波变异，得到对应变异个体/>

Step3.3更新计数值，即令n＝n+1，若满足n≤N，转步骤Step3.1执行变异过程；若满足n>N，生成新的变异种群；

Step3.4将新的变异种群加入原始种群中，生成具有2N个体的混合种群。

2.根据权利要求1所述的方法，其特征在于，所述的根据磁悬浮列车运行状况信息的优化问题条件及精度，设置磁悬浮列车速度的个体的初始种群及迭代条件限制，包括：

根据磁悬浮列车运行状况信息优化问题条件及精度，设置进化代数计数器i＝0，以及最大进化代数I；

读取磁悬浮列车运行状态信息及路况信息，根据磁悬浮列车运行状态信息形成优化变量约束条件；根据优化变量约束条件随机生成N个磁悬浮列车速度的个体作为初始种群x(0)；设置磁悬浮列车速度的运行曲线优化目标f(x)＝{f₁(x),f₂(x)}，其中f₁(x)为能耗目标，f₂(x)为最佳舒适度目标。

3.根据权利要求1所述的方法，其特征在于，所述的在所述混合种群中通过随机Q选择算法，选择磁悬浮列车速度的个体的最终的优质种群，包括：

Step4.1在所述混合种群的2N个个体中随机选择Q个个体组成测试群体，将个体的适应度与Q个个体的适应度进行比较，记录个体/>的适应度优于或等于Q内各个个体的次数，将该次数作为个体/>的分数S_i：

Step4.2更新计数值，即令n＝n+1，若满足i≤N，转步骤Step4.1计算每个个体的分数S_n；若满足i>N，执行步骤Step4.3；

Step4.3对种群xⁱ⁺¹中各个个体的分数S_n进行排序，选择适应度函数较高的N个个体组成下一代新的群体；

Step4.4更新进化计数值，令i＝i+1，若满足i≤I，转步骤Step1执行进化过程；否则，结束整个进化过程，此时最优个体即为列车最优速度值。