CN117034459B - 基于改进蜣螂优化算法的磁浮列车运行优化方法及系统 - Google Patents

Abstract

本发明公开一种基于改进蜣螂优化算法的磁浮列车运行优化方法及系统，涉及磁浮列车控制领域，包括，获取磁浮列车实际运行线路的各区间线路特征参数信息；确定磁浮列车各运行子区间；确定磁浮列车纵向动力学模型；计算得到磁浮列车在各运行区间的磁浮列车运行的性能评价指标值以及优化适应度函数；构建磁浮列车运行优化模型；采用改进蜣螂优化算法对磁浮列车运行优化模型进行寻优求解，得到磁浮列车在各运行区间不同运行策略的最优解；得到磁浮列车全线最优运行策略组合；确定磁浮列车全线最优运行速度曲线，并基于此对磁浮列车进行控制。本发明中的上述方案能够获得理想最优速度曲线和最优运行策略以供磁浮列车运营人员进行列车的调控。

Description

基于改进蜣螂优化算法的磁浮列车运行优化方法及系统

技术领域

本发明涉及磁浮列车控制领域，特别是涉及一种基于改进蜣螂优化算法的磁浮列车运行优化方法及系统。

背景技术

伴随着我国对磁悬浮技术的研究日渐完善，磁浮列车出行也逐渐从人们的想象走入日常出行之中。北京S1线，长沙黄花机场线等磁浮快线的正式开通运行，标志着磁浮列车将会在不久的将来成为人们的另一种出行选择。通过对磁浮列车运行优化，可以获得均衡各性能指标的理想速度曲线，这可有效提升列车的运行性能。由于磁浮列车与传统轮轨列车不同，其阻力计算方式更为复杂且线路坡度起伏较大，故运行优化较为困难，因此设计关于磁浮列车运行优化方法以此得到理想运行速度曲线逐渐成为学术界一个磁浮列车方面的新兴研究热点。

关于磁浮列车运行优化方法的研究，主要是通过数值法、解析法和启发式算法来实现。而传统数值法和解析法计算较为复杂且较难处理实际问题，目前一般都使用启发式算法对列车进行运行优化，以得到满足要求的理想速度曲线。但由于磁浮线路起伏大等原因，传统启发式算法对磁浮列车运行优化效果较差，其算法收敛精度低且收敛速度慢，易于陷入局部最优，故需要一种更新且效果更好的算法对列车运行优化，以获得更好的优化效果。

发明内容

本发明的目的是提供一种基于改进蜣螂优化算法的磁浮列车运行优化方法及系统，可获得更好的优化效果。

为实现上述目的，本发明提供了如下方案：

一种基于改进蜣螂优化算法的磁浮列车运行优化方法，包括：

获取磁浮列车实际运行线路的各区间线路特征参数信息；

根据所述各区间线路特征参数信息进行各区间非等分划分，得到磁浮列车各运行子区间；

获取磁浮列车车辆基本参数信息；

根据所述磁浮列车车辆基本参数信息以及各区间线路特征参数信息确定磁浮列车纵向动力学模型；

根据所述磁浮列车纵向动力学模型，计算得到磁浮列车在各运行区间的磁浮列车运行的性能评价指标值以及磁浮列车运行优化适应度函数；

根据所述磁浮列车运行的性能评价指标值及所述磁浮列车运行优化适应度函数构建磁浮列车运行优化模型；

采用改进蜣螂优化算法对所述磁浮列车运行优化模型进行寻优求解，得到磁浮列车在各运行区间不同运行策略的最优解；

根据磁浮列车在运行区间不同运行策略的最优解选取该区间最优运行策略，并得到磁浮列车全线最优运行策略组合；

根据所述磁浮列车全线最优运行策略组合确定磁浮列车全线最优运行速度曲线；

基于所述磁浮列车全线最优运行速度曲线对磁浮列车进行控制。

可选的，根据所述磁浮列车车辆基本参数信息以及各区间线路特征参数信息确定磁浮列车纵向动力学模型具体包括以下步骤：

根据磁浮列车车辆基本参数信息以及区段参数信息确定磁浮列车在各运行区段列车受力值；

根据所述磁浮列车在各运行区段的列车受力值构建磁浮列车纵向动力学模型；

所述磁浮列车纵向动力学模型如下所示：

其中，t为磁浮列车站间运行时间，s为磁浮列车所在位置，v为磁浮列车运行速度，μ_f为磁浮列车实际施加的牵引力与制动力的比例系数，μ_b为磁浮列车最大牵引力与制动力之间的比例系数，F_牵为磁浮列车当前施加的牵引力，F_制为磁浮列车当前施加的制动力，F_阻为磁浮列车运行总阻力，D为磁浮列车的基本阻力，D_m为磁阻力，D_c为集电器阻力，D_a为空气动力学阻力，W_i为磁浮列车的坡度附加阻力，W_r为磁浮列车的曲线附加阻力。

可选的，所述磁浮列车在各运行区间的磁浮列车运行的性能评价指标值如下：

其中，f_t为准时性性能指标，T为各区间实际运行时间，T_p为各区间计划运行时间，α为准时性惩罚因子，f_s为停车精准性性能指标，S为各区间实际运行距离，S_p为各区间计划运行距离，β为停车精准性惩罚因子；E为磁浮里程各区间实际运行能耗，F为磁浮列车牵引或制动力，v(t)为磁浮列车各时刻速度，f_E为节能性性能指标，E_max为各区间运行最大能耗，ε＝E_min/E_max为能耗指标系数，f_c为舒适度性能指标，df_c为单位时间内舒适度值，J＝da/dt为冲击率，t为磁浮列车站间运行时间。

可选的，所述磁浮列车运行优化适应度函数如下：

其中，L为适应度函数惩罚系数，f_t为准时性性能指标，f_s为停车精准性性能指标，f_E为节能性性能指标，f_c为舒适度性能指标。

可选的，所述磁浮列车优化模型如下所示：

其中，f_t为准时性性能指标，f_s为停车精准性性能指标，f_E为节能性性能指标，f_c为舒适度性能指标，F_牵为磁浮列车当前施加的牵引力，F_制为磁浮列车当前施加的制动力，F_阻为磁浮列车运行总阻力，t为磁浮列车站间运行时间，s为磁浮列车所在位置，v为磁浮列车运行速度，T_p为各区间计划运行时间。

可选的，采用改进蜣螂优化算法对所述磁浮列车运行优化模型进行寻优求解，得到磁浮列车在各运行区间不同运行策略的最优解具体包括以下步骤：

利用种群初始化策略生成具有NP个个体的初始化种群；所述初始化种群中的个体代表磁浮列车运行策略中各运行工况的持续时间；

计算初始化种群中每个个体对应的磁浮列车各运行性能值，由此计算出运行优化的适应度函数值；

利用种群自适应分配策略，由自适应分配比q₁和q₂对NP个个体进行种群划分，划分为四个子种群，分别为滚球与跳舞行为种群NP₁、繁殖行为种群NP₂、觅食行为种群NP₃、偷窃行为种群NP₄；

划分好的四个子种群分别进行对应行为更新个体；所述对应行为包括：NP₁进行滚球与跳舞行为，NP₂进行繁殖行为，NP₃进行觅食行为，NP₄进行偷窃行为；

计算种群更新后每个个体对应的磁浮列车各运行性能值，由此计算出运行优化的适应度函数值，与初始种群比较并保留适应度值最优的个体作为最优解；

设置种群更新的迭代终止条件，判断种群是否满足迭代终止条件，若否，返回步骤“利用种群自适应分配策略，由自适应分配比q₁和q₂对NP个个体进行种群划分，划分为四个子种群，分别为滚球与跳舞行为种群NP₁、繁殖行为种群NP₂、觅食行为种群NP₃、偷窃行为种群NP₄”，若是则根据最优解获得磁浮列车各运行区间的运行策略最优解；

对比分析各区间不同运行策略最优解，选择出各区间最优运行策略，由此绘制各区间最优运行速度曲线，获得磁浮列车全线最优运行速度曲线。

可选的，所述种群初始化策略包括：

步骤1：在上下边界范围内利用反三角Cubic混沌映射生成初始化种群P₁，初始化过程如下所示：

其中，为种群P₁中的第i个个体，X_min为解的下限，X_max为解的上限，为(0,1)均匀分布的随机数。

步骤2：将P₁中的个体进行反向计算生成包含相反个体/>的相反种群/>具体过程如下：

步骤3：计算种群P₁和相反种群中初始个体/>和相反个体/>对应的适应度值，并进行比较，若/>则保留初始个体，反之用相反个体/>替换初始个体/>由此得到最后的初始化种群P₁ ^*。

可选的，所述种群自适应分配策略包括：

步骤1：计算自适应分配比q₁和q₂，具体过程为：

其中，q₁为滚球与跳舞行为种群NP₁和偷窃行为种群NP₄的自适应分配比，q₂为繁殖行为种群NP₂和觅食行为种群NP₃的自适应分配比，q_1min和q_2min为种群分配比下限，q_1max和q_2max为种群分配比上限，G为当前迭代代数，G_max为最大迭代代数。

步骤2：利用自适应分配比计算各行为种群，具体过程为：

NP₁＝q₁·NP

NP₂＝q₂·NP

NP₃＝(1-q₂)·NP

NP₄＝(1-q₁)·NP

可选的，四种更新个体行为包括:

滚球与跳舞行为：子种群NP₁通过该行为进行个体的更新，具体流程为：

步骤1：判断随机数rand(0,1)＞0.1；

步骤2：若是，则通过以下流程更新个体

若否，则通过以下流程更新个体

其中，表示第G次迭代时第i个体；参数a表示着自然因素是否会影响蜣螂的滚球运动方向，通过随机概率的方法将a设定为-1或1，来模拟实际情况的自然因素；k∈(0,0.2]为偏转系数；b∈(0,1)为自然系数，作为光强变化对运动方向的一个影响的程度，作为光照强度变化来表示光源强度，以全局最差个体X_worst作为参照目标，由此Δx越大则光照越弱，θ∈[0,π]，如果θ＝0、π/2、π，则不更新个体；

繁殖行为：子种群NP₂通过该行为进行个体的更新，具体流程为：

步骤1：首先进行繁殖行为的搜索边界进行收缩，边界收缩公式为：

R＝1-(G/G_max)

其中，表示繁殖行为边界下限，/>表示繁殖行为边界上限，R为收缩系数。

步骤2：在繁殖行为搜索边界内进行个体更新，个体更新公式为：

其中，X_local-best为局部最优个体，b₁和b₂表示大小为1×D的两个独立随机向量，D表示解的维数；

觅食行为：子种群NP₃通过该行为进行个体的更新，具体流程为：

步骤1：首先进行觅食行为的搜索边界进行收缩，边界收缩公式为：

R＝1-(G/G_max)

其中，表示觅食行为边界下限，/>表示觅食行为边界上限，R为收缩系数；

步骤2：在觅食行为搜索边界内进行个体更新，个体更新公式为：

其中，X_global-best为局部最优个体，C₁表示服从正态分布的随机数，C₂表示属于(0,1)的随机向量。

偷窃行为：子种群NP₄通过该行为进行个体的更新，个体更新公式为：

其中，ST表示一个偷窃行为系数，为一常数值，C₃是服从正态分布的1×D随机向量。

基于本发明中的上述方法，本发明另外提供一种基于改进蜣螂优化算法的磁浮列车运行优化系统，包括：

各区间线路特征参数信息获取模块，用于获取磁浮列车实际运行线路的各区间线路特征参数信息；

磁浮列车各运行子区间划分模块，用于根据所述各区间线路特征参数信息进行各区间非等分划分，得到磁浮列车各运行子区间；

磁浮列车车辆基本参数信息获取模块，用于获取磁浮列车车辆基本参数信息；

磁浮列车纵向动力学模型确定模块，用于根据所述磁浮列车车辆基本参数信息以及各区间线路特征参数信息确定磁浮列车纵向动力学模型；

磁浮列车运行的性能评价指标值以及磁浮列车运行优化适应度函数确定模块，用于根据所述磁浮列车纵向动力学模型，计算得到磁浮列车在各运行区间的磁浮列车运行的性能评价指标值以及磁浮列车运行优化适应度函数；

磁浮列车运行优化模型构建模块，用于根据所述磁浮列车运行的性能评价指标值及所述磁浮列车运行优化适应度函数构建磁浮列车运行优化模型；

磁浮列车在各运行区间不同运行策略的最优解确定模块，用于采用改进蜣螂优化算法对所述磁浮列车运行优化模型进行寻优求解，得到磁浮列车在各运行区间不同运行策略的最优解；

磁浮列车最优运行策略组合确定模块，用于根据磁浮列车在运行区间不同运行策略的最优解选取该区间最优运行策略，并得到磁浮列车全线最优运行策略组合；

最优运行速度曲线确定模块，用于根据所述磁浮列车全线最优运行策略组合确定磁浮列车全线最优运行速度曲线；

控制模块，用于基于所述磁浮列车全线最优运行速度曲线对磁浮列车进行控制。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明所提供的基于改进蜣螂优化算法的磁浮列车运行优化方法，构建了以磁浮列车准时性指标、停车精确性指标、运行能耗指标、舒适度指标为优化目标，由此均衡四目标为优化适应度函数的单目标优化模型，针对磁浮列车线路起伏大特点，所导致传统优化算法收敛速度慢、收敛精度低且易陷入局部最优的问题，基于Cubic反三角混沌映射和反向学习的种群初始化策略和自适应种群分配策略提出一种改进的蜣螂优化算法，对于磁浮列车运行优化模型的求解能够快速地搜索到某运行策略下的最优解。最后进行对比分析选取相应的最优解组成最优运行策略组合，进而绘制对应的磁浮列车运行速度曲线，对于磁浮列车站间运行优化有着很好的实际指导意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明所提供的基于改进蜣螂优化算法的磁浮列车运行优化方法流程图；

图2为本发明所提供的改进蜣螂优化算法流程示意图；

图3为本发明所提供的基于改进蜣螂优化算法的磁浮列车运行优化系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于改进蜣螂优化算法的磁浮列车运行优化方法及系统，可获得更好的优化效果。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明提供的基于改进蜣螂优化算法的磁浮列车运行优化方法流程图，如图1所示，本发明中的优化方法包括：

S1：获取磁浮列车实际运行线路的各区间线路特征参数信息。

其中，各区间线路特征参数信息包括磁浮列车实际运行各区间线路的限速信息、坡度信息、曲线半径信息、站间距信息以及计划运行时间信息。

S2：根据所述各区间线路特征参数信息进行各区间非等分划分，得到磁浮列车各运行子区间。

具体的，是基于保持磁浮列车各运行区间线路特征唯一性原则，即磁浮列车每个运行区间只对应一个限速值、坡度值以及曲线半径值的原则，将磁浮列车各运行区间进行非等分区划分，并将非等分区划分后的各子区间的限速信息、坡度信息以及曲线半径信息进行储存。

所得的运行子区间为根据线路特征唯一性所划分的，即该子区间限速、坡度和曲率都为一固定唯一值，其目的在于让列车运行优化是可以离散化寻优计算，可以通过运行子区间的线路特征信息得到该子区间下的列车纵向动力学模型数据，进而计算出不同子区间的运行优化数据。

S3：获取磁浮列车车辆基本参数信息。

S4：根据所述磁浮列车车辆基本参数信息以及各区间线路特征参数信息确定磁浮列车纵向动力学模型。

具体包括以下步骤：

S4.1：根据磁浮列车车辆基本参数信息以及区段参数信息得到磁浮列车在各运行区段列车受力值，其中受力值包括磁浮列车在各运行区间的牵引力、制动力、基本阻力以及线路附加阻力。

S4.2：根据磁浮列车在各运行区段的列车受力值构建磁浮列车纵向动力学模型；

磁浮列车纵向动力学模型如下所示：

其中，t为磁浮列车站间运行时间，s为磁浮列车所在位置，v为磁浮列车运行速度，μ_f为磁浮列车实际施加的牵引力与制动力的比例系数，μ_b为磁浮列车最大牵引力与制动力之间的比例系数，F_牵为磁浮列车当前施加的牵引力，F_制为磁浮列车当前施加的制动力，F_阻为磁浮列车运行总阻力，D为磁浮列车的基本阻力，D_m为磁阻力，D_c为集电器阻力，D_a为空气动力学阻力W_i为磁浮列车的坡度附加阻力，W_r为磁浮列车的曲线附加阻力。

S5：根据所述磁浮列车纵向动力学模型，计算得到磁浮列车在各运行区间的磁浮列车运行的性能评价指标值以及磁浮列车运行优化适应度函数。

具体的，磁浮列车运行性能指标包括准时性、停车精准性、节能性和舒适度指标，各性能指标具体计算方式如下：

其中，f_t为准时性性能指标，T为各区间实际运行时间，T_p为各区间计划运行时间，α为准时性惩罚因子；f_s为停车精准性性能指标，S为各区间实际运行距离，S_p为各区间计划运行距离，β为停车精准性惩罚因子；E为磁浮里程各区间实际运行能耗，F为磁浮列车牵引或制动力，v(t)为磁浮列车各时刻速度，f_E为节能性性能指标，E_max为各区间运行最大能耗，ε＝E_min/E_max为能耗指标系数，由理论的最低能耗E_min与最大能耗E_max的比值计算所得；f_c为舒适度性能指标，df_c为单位时间内舒适度值，J＝da/dt为冲击率也即单位时间加速度变化率。

由各性能指标可计算运行优化适应度函数，适应度函数具体计算方式如下：

其中，L为适应度函数惩罚系数，以使得适应度值迭代过程具有更明显的变化效果和对比性。

S6：根据所述磁浮列车运行的性能评价指标值及磁浮列车运行优化适应度函数构建磁浮列车运行优化模型。

具体的，磁浮列车运行优化模型如下所示：

S7：采用改进蜣螂优化算法对所述磁浮列车运行优化模型进行寻优求解，得到磁浮列车在各运行区间不同运行策略的最优解。

S8：根据磁浮列车在运行区间不同运行策略的最优解选取该区间最优运行策略，并得到磁浮列车全线最优运行策略组合。

S9：根据所述磁浮列车全线最优运行策略组合确定磁浮列车全线最优运行速度曲线。

如图2所示，改进蜣螂优化算法对磁浮列车运行优化的求解具体包括：

S9.1：利用种群初始化策略生成具有NP个个体的初始化种群，初始化种群中的个体代表磁浮列车运行策略种各运行工况的持续时间；初始化种群P₁＝[X₁,X₂...X_NP]中每个个体对应着不同运行工况的持续时间进行离散化处理，获得对应磁浮列车运行工况持续时间点矩阵其中D为工况个数；

具体的，种群初始化策略包括：

步骤1：在上下边界范围内利用反三角Cubic混沌映射生成初始化种群P₁，初始化过程如下所示：

其中，为种群P₁中的第i个个体，X_min为解的下限，X_max为解的上限，为(0,1)均匀分布的随机数。

步骤2：将P₁中的个体进行反向计算生成包含相反个体/>的相反种群/>具体过程如下：

步骤3：计算种群P₁和相反种群中初始个体/>和相反个体/>对应的适应度值，并进行比较，若/>则保留初始个体，反之用相反个体/>替换初始个体/>由此得到最后的初始化种群P₁ ^*。

S9.2：计算初始化种群中每个个体对应的磁浮列车各运行性能值，由此计算出运行优化的适应度函数值；

S9.3：利用种群自适应分配策略，由自适应分配比q₁和q₂对NP个个体进行种群划分，划分为四个子种群，分别为滚球与跳舞行为种群NP₁、繁殖行为种群NP₂、觅食行为种群NP₃、偷窃行为种群NP₄；

具体的，种群自适应分配策略包括：

步骤1：计算自适应分配比q₁和q₂，具体过程为：

其中，q₁为滚球与跳舞行为种群NP₁和偷窃行为种群NP₄的自适应分配比，q₂为繁殖行为种群NP₂和觅食行为种群NP₃的自适应分配比，q_1min和q_2min为种群分配比下限，q_1max和q_2max为种群分配比上限，G为当前迭代代数，G_max为最大迭代代数。

步骤2：利用自适应分配比计算各行为种群，具体过程为：

NP₁＝q₁·NP

NP₂＝q₂·NP

NP₃＝(1-q₂)·NP

NP₄＝(1-q₁)·NP

S9.4：划分好的四个子种群分别进行相应行为更新个体，NP₁进行滚球与跳舞行为，NP₂进行繁殖行为，NP₃进行觅食行为，NP₄进行偷窃行为；

具体的，四种更新个体行为包括:

滚球与跳舞行为：子种群NP₁通过该行为进行个体的更新，具体流程为：

步骤1：判断随机数rand(0,1)＞0.1；

步骤2：若是，则通过以下流程更新个体

若否，则通过以下流程更新个体

其中，表示第G次迭代时第i个体；参数a表示着自然因素是否会影响蜣螂的滚球运动方向，通过随机概率的方法将a设定为-1或1，来模拟实际情况的自然因素；k∈(0,0.2]为偏转系数；b∈(0,1)为自然系数，作为光强变化对运动方向的一个影响的程度，作为光照强度变化来表示光源强度，以全局最差个体X_worst作为参照目标，由此Δx越大则光照越弱，θ∈[0,π]，如果θ＝0、π/2、π，则不更新个体。

繁殖行为：子种群NP₂通过该行为进行个体的更新，具体流程为：

步骤1：首先进行繁殖行为的搜索边界进行收缩，边界收缩公式为：

R＝1-(G/G_max)

其中，表示繁殖行为边界下限，/>表示繁殖行为边界上限，R为收缩系数。

步骤2：在繁殖行为搜索边界内进行个体更新，个体更新公式为：

其中，X_local-best为局部最优个体，b₁和b₂表示大小为1×D的两个独立随机向量，D表示解的维数。

觅食行为：子种群NP₃通过该行为进行个体的更新，具体流程为：

步骤1：首先进行觅食行为的搜索边界进行收缩，边界收缩公式为：

R＝1-(G/G_max)

其中，表示觅食行为边界下限，/>表示觅食行为边界上限，R为收缩系数。

步骤2：在觅食行为搜索边界内进行个体更新，个体更新公式为：

其中，X_global-best为局部最优个体，C₁表示服从正态分布的随机数，C₂表示属于(0,1)的随机向量。

偷窃行为：子种群NP₄通过该行为进行个体的更新，个体更新公式为：

其中，ST表示一个偷窃行为系数，为一常数值，C₃是服从正态分布的1×D随机向量。

S9.5：计算种群更新后每个个体对应的磁浮列车各运行性能值，由此计算出运行优化的适应度函数值，与初始种群比较并保留适应度值最好的个体作为最优解；

S9.6：设置种群更新的迭代终止条件，判断种群是否满足迭代终止条件，若否，返回步骤3，若是则根据最优解获得磁浮列车各运行区间的运行策略最优解；

S9.7：对比分析各区间不同运行策略最优解，选择出各区间最优运行策略，由此绘制各区间最优运行速度曲线，获得磁浮列车全线最优运行速度曲线。

S10：基于所述磁浮列车全线最优运行速度曲线对磁浮列车进行控制。

具体的，磁浮列车性能指标评价准则具体包括：

准时性指标：时间误差范围在计划站间运行时间的±5％；

停车准确性指标：停车误差在实际停车位置的±50cm；

节能性指标：所计算的运行能耗越低越好，同时根据与最大能耗相比所计算的基于最大能耗的节能率，其基于最大能耗节能率越小越好，基于最大能耗节能率的具体计算公式如下：

舒适度指标：参照国际标准ISO2631给定的舒适性评价标准，详见下表：

表1国际标准ISO2631舒适性评价指标

在具体应用过程中，该方法可以均衡准时性、停车精确性、节能性和舒适度四项指标获取最优解，以获得理想最优速度曲线和最优运行策略以供磁浮列车运营人员进行列车的调控。

与其他现有技术相比，本发明提出的基于改进蜣螂优化算法的磁浮列车运行优化方法，构建了以磁浮列车准时性指标、停车精确性指标、运行能耗指标、舒适度指标为优化目标，由此均衡四目标为优化适应度函数的单目标优化模型，针对磁浮列车线路起伏大特点，所导致传统优化算法收敛速度慢、收敛精度低且易陷入局部最优的问题，基于Cubic反三角混沌映射和反向学习的种群初始化策略和自适应种群分配策略提出一种改进的蜣螂优化算法，对于磁浮列车运行优化模型的求解能够快速地搜索到某运行策略下的最优解。最后进行对比分析选取相应的最优解组成最优运行策略组合，进而绘制对应的磁浮列车运行速度曲线，对于磁浮列车站间运行优化有着很好的实际指导意义。

如图3所示，本发明另外提供一种基于改进蜣螂优化算法的磁浮列车运行优化系统，包括：

各区间线路特征参数信息获取模块201，用于获取磁浮列车实际运行线路的各区间线路特征参数信息；

磁浮列车各运行子区间划分模块202，用于根据所述各区间线路特征参数信息进行各区间非等分划分，得到磁浮列车各运行子区间；

磁浮列车车辆基本参数信息获取模块203，用于获取磁浮列车车辆基本参数信息；

磁浮列车纵向动力学模型确定模块204，用于根据所述磁浮列车车辆基本参数信息以及各区间线路特征参数信息确定磁浮列车纵向动力学模型；

磁浮列车运行的性能评价指标值以及磁浮列车运行优化适应度函数确定模块205，用于根据所述磁浮列车纵向动力学模型，计算得到磁浮列车在各运行区间的磁浮列车运行的性能评价指标值以及磁浮列车运行优化适应度函数；

磁浮列车运行优化模型构建模块206，用于根据所述磁浮列车运行的性能评价指标值及所述磁浮列车运行优化适应度函数构建磁浮列车运行优化模型；

磁浮列车在各运行区间不同运行策略的最优解确定模块207，用于采用改进蜣螂优化算法对所述磁浮列车运行优化模型进行寻优求解，得到磁浮列车在各运行区间不同运行策略的最优解；

磁浮列车最优运行策略组合确定模块208，用于根据磁浮列车在运行区间不同运行策略的最优解选取该区间最优运行策略，并得到磁浮列车全线最优运行策略组合；

最优运行速度曲线确定模块209，用于根据所述磁浮列车全线最优运行策略组合确定磁浮列车全线最优运行速度曲线；

控制模块210，用于基于所述磁浮列车全线最优运行速度曲线对磁浮列车进行控制。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于改进蜣螂优化算法的磁浮列车运行优化方法，其特征在于，包括：

获取磁浮列车实际运行线路的各区间线路特征参数信息；

根据所述各区间线路特征参数信息进行各区间非等分划分，得到磁浮列车各运行子区间；

获取磁浮列车车辆基本参数信息；

根据所述磁浮列车车辆基本参数信息以及各区间线路特征参数信息确定磁浮列车纵向动力学模型；

根据所述磁浮列车纵向动力学模型，计算得到磁浮列车在各运行区间的磁浮列车运行的性能评价指标值以及磁浮列车运行优化适应度函数；

根据所述磁浮列车运行的性能评价指标值及所述磁浮列车运行优化适应度函数构建磁浮列车运行优化模型；

采用改进蜣螂优化算法对所述磁浮列车运行优化模型进行寻优求解，得到磁浮列车在各运行区间不同运行策略的最优解，具体包括以下步骤：

利用种群初始化策略生成具有NP个个体的初始化种群；所述初始化种群中的个体代表磁浮列车运行策略中各运行工况的持续时间；

计算初始化种群中每个个体对应的磁浮列车各运行性能值，由此计算出运行优化的适应度函数值；

利用种群自适应分配策略，由自适应分配比q₁和q₂对NP个个体进行种群划分，划分为四个子种群，分别为滚球与跳舞行为种群NP₁、繁殖行为种群NP₂、觅食行为种群NP₃、偷窃行为种群NP₄；

划分好的四个子种群分别进行对应行为更新个体；所述对应行为包括：NP₁进行滚球与跳舞行为，NP₂进行繁殖行为，NP₃进行觅食行为，NP₄进行偷窃行为；

计算种群更新后每个个体对应的磁浮列车各运行性能值，由此计算出运行优化的适应度函数值，与初始种群比较并保留适应度值最优的个体作为最优解；

设置种群更新的迭代终止条件，判断种群是否满足迭代终止条件，若否，返回步骤“利用种群自适应分配策略，由自适应分配比q₁和q₂对NP个个体进行种群划分，划分为四个子种群，分别为滚球与跳舞行为种群NP₁、繁殖行为种群NP₂、觅食行为种群NP₃、偷窃行为种群NP₄”，若是则根据最优解获得磁浮列车各运行区间的运行策略最优解；

对比分析各区间不同运行策略最优解，选择出各区间最优运行策略，由此绘制各区间最优运行速度曲线，最后获得磁浮列车全线最优运行速度曲线；

根据磁浮列车在运行区间不同运行策略的最优解选取该区间最优运行策略，并得到磁浮列车全线最优运行策略组合；

根据所述磁浮列车全线最优运行策略组合确定磁浮列车全线最优运行速度曲线；

基于所述磁浮列车全线最优运行速度曲线对磁浮列车进行控制。

2.根据权利要求1所述的基于改进蜣螂优化算法的磁浮列车运行优化方法，其特征在于，根据所述磁浮列车车辆基本参数信息以及各区间线路特征参数信息确定磁浮列车纵向动力学模型具体包括以下步骤：

根据磁浮列车车辆基本参数信息以及区段参数信息确定磁浮列车在各运行区段列车受力值；

根据所述磁浮列车在各运行区段的列车受力值构建磁浮列车纵向动力学模型；

所述磁浮列车纵向动力学模型如下所示：

其中，t为磁浮列车站间运行时间，s为磁浮列车所在位置，v为磁浮列车运行速度，μ_f为磁浮列车实际施加的牵引力与制动力的比例系数，μ_b为磁浮列车最大牵引力与制动力之间的比例系数，F_牵为磁浮列车当前施加的牵引力，F_制为磁浮列车当前施加的制动力，F_阻为磁浮列车运行总阻力，D为磁浮列车的基本阻力，D_m为磁阻力，D_c为集电器阻力，D_a为空气动力学阻力，W_i为磁浮列车的坡度附加阻力，W_r为磁浮列车的曲线附加阻力。

3.根据权利要求1所述的基于改进蜣螂优化算法的磁浮列车运行优化方法，其特征在于，所述磁浮列车在各运行区间的磁浮列车运行的性能评价指标值如下：

其中，f_t为准时性性能指标，T为各区间实际运行时间，T_p为各区间计划运行时间，α为准时性惩罚因子，f_s为停车精准性性能指标，S为各区间实际运行距离，S_p为各区间计划运行距离，β为停车精准性惩罚因子；E为磁浮里程各区间实际运行能耗，F为磁浮列车牵引或制动力，v(t)为磁浮列车各时刻速度，f_E为节能性性能指标，E_max为各区间运行最大能耗，ε＝E_min/E_max为能耗指标系数，f_c为舒适度性能指标，df_c为单位时间内舒适度值，J＝da/dt为冲击率，t为磁浮列车站间运行时间。

4.根据权利要求1所述的基于改进蜣螂优化算法的磁浮列车运行优化方法，其特征在于，所述磁浮列车运行优化适应度函数如下：

其中，L为适应度函数惩罚系数，f_t为准时性性能指标，f_s为停车精准性性能指标，f_E为节能性性能指标，f_c为舒适度性能指标。

5.根据权利要求1所述的基于改进蜣螂优化算法的磁浮列车运行优化方法，其特征在于，所述磁浮列车优化模型如下所示：

其中，f_t为准时性性能指标，f_s为停车精准性性能指标，f_E为节能性性能指标，f_c为舒适度性能指标，F_牵为磁浮列车当前施加的牵引力，F_制为磁浮列车当前施加的制动力，F_阻为磁浮列车运行总阻力，t为磁浮列车站间运行时间，s为磁浮列车所在位置，v为磁浮列车运行速度，T_p为各区间计划运行时间。

6.根据权利要求1所述的基于改进蜣螂优化算法的磁浮列车运行优化方法，其特征在于，所述种群初始化策略包括：

步骤1：在上下边界范围内利用反三角Cubic混沌映射生成初始化种群P₁，初始化过程如下所示：

其中，为种群P₁中的第i个个体，X_min为解的下限，X_max为解的上限，/>为(0,1)均匀分布的随机数；

步骤2：将P₁中的个体进行反向计算生成包含相反个体/>的相反种群/>具体过程如下：

步骤3：计算种群P₁和相反种群中初始个体/>和相反个体/>对应的适应度值，并进行比较，若/>则保留初始个体，反之用相反个体/>替换初始个体/>由此得到最后的初始化种群P₁ ^*。

7.根据权利要求1所述的基于改进蜣螂优化算法的磁浮列车运行优化方法，其特征在于，所述种群自适应分配策略包括：

步骤1：计算自适应分配比q₁和q₂，具体过程为：

其中，q₁为滚球与跳舞行为种群NP₁和偷窃行为种群NP₄的自适应分配比，q₂为繁殖行为种群NP₂和觅食行为种群NP₃的自适应分配比，q_1min和q_2min为种群分配比下限，q_1max和q_2max为种群分配比上限，G为当前迭代代数，G_max为最大迭代代数；

步骤2：利用自适应分配比计算各行为种群，具体过程为：

NP₁＝q₁·NP

NP₂＝q₂·NP

NP₃＝(1-q₂)·NP

NP₄＝(1-q₁)·NP。

8.根据权利要求1所述的基于改进蜣螂优化算法的磁浮列车运行优化方法，其特征在于，四种更新个体行为包括:

滚球与跳舞行为：子种群NP₁通过该行为进行个体的更新，具体流程为：

步骤1：判断随机数rand(0,1)＞0.1；

步骤2：若是，则通过以下流程更新个体

若否，则通过以下流程更新个体

其中，表示第G次迭代时第i个体；参数a表示着自然因素是否会影响蜣螂的滚球运动方向，通过随机概率的方法将a设定为-1或1，来模拟实际情况的自然因素；k∈(0,0.2]为偏转系数；b∈(0,1)为自然系数，作为光强变化对运动方向的一个影响的程度，作为光照强度变化来表示光源强度，以全局最差个体X_worst作为参照目标，由此Δx越大则光照越弱，θ∈[0,π]，如果θ＝0、π/2、π，则不更新个体；

繁殖行为：子种群NP₂通过该行为进行个体的更新，具体流程为：

步骤1：首先进行繁殖行为的搜索边界进行收缩，边界收缩公式为：

R＝1-(G/Gmax)

其中，表示繁殖行为边界下限，/>表示繁殖行为边界上限，R为收缩系数；

步骤2：在繁殖行为搜索边界内进行个体更新，个体更新公式为：

其中，X_local-best为局部最优个体，b₁和b₂表示大小为1×D的两个独立随机向量，D表示解的维数；

觅食行为：子种群NP₃通过该行为进行个体的更新，具体流程为：

步骤1：首先进行觅食行为的搜索边界进行收缩，边界收缩公式为：

R＝1-(G/Gmax)

其中，表示觅食行为边界下限，/>表示觅食行为边界上限，R为收缩系数；

步骤2：在觅食行为搜索边界内进行个体更新，个体更新公式为：

其中，X_global-best为局部最优个体，C₁表示服从正态分布的随机数，C₂表示属于(0,1)的随机向量；

偷窃行为：子种群NP₄通过该行为进行个体的更新，个体更新公式为：

其中，ST表示一个偷窃行为系数，为一常数值，C₃是服从正态分布的1×D随机向量。

9.一种基于改进蜣螂优化算法的磁浮列车运行优化系统，其特征在于，包括：

各区间线路特征参数信息获取模块，用于获取磁浮列车实际运行线路的各区间线路特征参数信息；

磁浮列车各运行子区间划分模块，用于根据所述各区间线路特征参数信息进行各区间非等分划分，得到磁浮列车各运行子区间；

磁浮列车车辆基本参数信息获取模块，用于获取磁浮列车车辆基本参数信息；

磁浮列车纵向动力学模型确定模块，用于根据所述磁浮列车车辆基本参数信息以及各区间线路特征参数信息确定磁浮列车纵向动力学模型；

磁浮列车运行的性能评价指标值以及磁浮列车运行优化适应度函数确定模块，用于根据所述磁浮列车纵向动力学模型，计算得到磁浮列车在各运行子区间的磁浮列车运行的性能评价指标值以及磁浮列车运行优化适应度函数；

磁浮列车运行优化模型构建模块，用于根据所述磁浮列车运行的性能评价指标值及所述磁浮列车运行优化适应度函数构建磁浮列车运行优化模型；

磁浮列车在各运行区间不同运行策略的最优解确定模块，用于采用改进蜣螂优化算法对所述磁浮列车运行优化模型进行寻优求解，得到磁浮列车在各运行区间不同运行策略的最优解，具体包括以下步骤：

利用种群初始化策略生成具有NP个个体的初始化种群；所述初始化种群中的个体代表磁浮列车运行策略中各运行工况的持续时间；

计算初始化种群中每个个体对应的磁浮列车各运行性能值，由此计算出运行优化的适应度函数值；

利用种群自适应分配策略，由自适应分配比q₁和q₂对NP个个体进行种群划分，划分为四个子种群，分别为滚球与跳舞行为种群NP₁、繁殖行为种群NP₂、觅食行为种群NP₃、偷窃行为种群NP₄；

划分好的四个子种群分别进行对应行为更新个体；所述对应行为包括：NP₁进行滚球与跳舞行为，NP₂进行繁殖行为，NP₃进行觅食行为，NP₄进行偷窃行为；

计算种群更新后每个个体对应的磁浮列车各运行性能值，由此计算出运行优化的适应度函数值，与初始种群比较并保留适应度值最优的个体作为最优解；

设置种群更新的迭代终止条件，判断种群是否满足迭代终止条件，若否，返回步骤“利用种群自适应分配策略，由自适应分配比q₁和q₂对NP个个体进行种群划分，划分为四个子种群，分别为滚球与跳舞行为种群NP₁、繁殖行为种群NP₂、觅食行为种群NP₃、偷窃行为种群NP₄”，若是则根据最优解获得磁浮列车各运行区间的运行策略最优解；

对比分析各区间不同运行策略最优解，选择出各区间最优运行策略，由此绘制各区间最优运行速度曲线，最后获得磁浮列车全线最优运行速度曲线；

磁浮列车最优运行策略组合确定模块，用于根据磁浮列车在运行区间不同运行策略的最优解选取该区间最优运行策略，并得到磁浮列车全线最优运行策略组合；

最优运行速度曲线确定模块，用于根据所述磁浮列车全线最优运行策略组合确定磁浮列车全线最优运行速度曲线；

控制模块，用于基于所述磁浮列车全线最优运行速度曲线对磁浮列车进行控制。