基于粒子群优化的ATO控制策略

传统列车自动驾驶(ATO)控制策略通过提高对目标速度的追踪精度来精确控制工况切换频繁,能耗较大且无法进行全局优化。直接控制列车驾驶的全局ATO控制策略能较好解决传统控制策略的缺陷。列车在自动运行过程中依据不同的全局控制策略,能耗、运行时间误差、停站误差等评价指标均产生变化。由于评价指标存在内部矛盾,不存在所有指标均最优的控制策略。本文提出1种基于动态邻居和广义学习策略的粒子群(ADPSO)优化全局控制策略的算法。该算法通过挖掘线路信息和列车运行信息指导优化过程,以获得在列车安全运行的前提下,满足一定能耗、运行时间误差和停站误差要求的全局ATO控制策略。仿真研究结果表明与其他两种优化算法相比,该算法具有更好的性能。     

基于粒子群优化算法的地铁列车节能运行研究

在建立地铁列车运行物理模型的基础上,采用粒子群优化算法搜寻列车区间运行的惰行点位置,优化列车区间运行时间及运行能耗。基于南京地铁2号线实际线路模型,利用粒子群优化算法求解定时节能策略中列车区间运行惰行点位置,计算区间运行时间、能耗及回馈能量。结果显示,区间运行时间增加5.5%,列车运行能耗相应降低18.73%。     

隔离小生境粒子群算法在地铁列车运行曲线优化中的应用

针对地铁列车运行优化指标过于单一的问题,提出了牵引-巡航-惰行-制动模式运行曲线的计算流程,综合考虑能耗、乘客舒适度、运行时间、停车精度等指标,用Fi(综合优化目标函数)值度量综合运行质量(其值越小表示越接近理想状态),并建立列车运行曲线的优化模型。结合粒子群算法和小生境技术,设计了应用于列车运行曲线优化的隔离小生境粒子群算法(INPSO)。结合实例仿真,利用INPSO优化模型,确定最优惰行末端速度,实现了高质量列车运行曲线的计算。其中INPSO优化后的Fi值实际只是基本粒子群算法优化结果的58.96%,效果显著,证明了INPSO寻优的有效性以及可靠性。     

基于粒子群算法的隐式广义预测在ATO中的应用

由于列车运行速度的不断提高,对列车自动驾驶(Automatic Train Operation,ATO)系统提出更高的要求。针对隐式广义预测(Implicit Generalized Predictive Control,IGPC)控制器在ATO中难以获得最优预测控制输入的问题,运用一种基于粒子群优化(Particle Swarm Optimization,PSO)的IGPC算法对ATO系统进行控制。为更进一步提高PSO算法的寻优能力,对基本PSO算法进行改进,从而有效提高系统的寻优精度和速度。并对有约束情况下的CRH2型车进行仿真验证,仿真结果显示PSO-IGPC比单纯IGPC对ATO的控制效果更优。     

基于改进MH算法的高铁ATO运行操纵多目标优化研究

在高速列车运行过程中,运行环境变化将对ATO提出更高的计算要求,ATO既要满足实时计算又要满足运行操纵多目标优化.针对该问题提出一种改进MH算法计算列车运行操纵序列.在原有MH算法基础上,对算法计算频率与寻优目标函数进行改进,提出随机惯性权重粒子群算法与司机驾驶逻辑相结合的方式计算运行操纵序列,通过选取合理的计算间隔时...     

基于免疫粒子群算法的地铁列车节能优化研究

在综合考虑地铁列车动力学特性、线路条件、区间限速以及准点运行等条件的基础上,建立基于再生制动能量利用的多约束能耗模型。通过免疫粒子群组合算法求解列车能耗模型,得到列车节能操纵工况序列及各工况转换点,最终求得列车站间运行的最低能耗。为验证该方法的有效性,以南宁地铁1号线为仿真实例,计算得出优化后的列车能耗降低6.62%。     

基于KH算法的高速列车ATO控制策略优化研究

针对传统高速列车自动驾驶(ATO)控制策略优化时简化线路参数、列车牵引计算采用单质点模型等问题,将列车通过牵引供电分相区断电惰行纳入运行工况,建立动车组多质点模型。在满足列车运行图固定运行时间条件下,以能耗、准点性、停车准确性及舒适性为指标建立高速列车ATO控制策略优化模型。利用磷虾群(KH)算法对高速列车ATO控制策略进行优化。以兰新高速铁路某区间线路数据为例,仿真测试表明KH算法可以在较少的迭代次数下获得较粒子群算法更优的ATO控制策略,且列车过分相区断电惰行会对优化结果产生影响,验证了所提算法在优化高速列车ATO控制策略中的优越性及将列车过分相区断电惰行纳入运行工况的合理性。     

基于GA优化模糊PID控制的ATO算法研究

针对城市轨道列车的自动驾驶系统(ATO)传统PID控制方法适应性差和智能化不足的问题,基于该领域专家知识和驾驶司机的操作经验,将遗传算法优化的模糊PID控制算法运用在ATO的控制系统中,并运用MTALAB进行仿真。仿真结果表明,该控制算法优于传统的PID控制,能够满足ATO系统对不同工况下的适应性和智能性要求,可以达到精确停车和准点到站的目的,能够有效提高列车舒适性和降低列车能耗。     

基于粒子群算法的轨道车辆设备布局优化

轨道车辆车上设备布局是轨道车辆设计中一个重要的环节,开展轨道车辆设备布局优化设计对保证轨道车辆的安全运行具有重要作用。考虑轨道车辆设备外轮廓约束、设备干涉约束等,建立了以设备总重心相对于轨道车辆自身中心的距离最小化的轨道车辆布局优化数学模型。根据轨道车辆设备布局优化的特点设计了基于粒子群算法的轨道车辆设备布局数学模型。采用线性递减权值策略,通过改进惩罚因子,有效地引导粒子群算法向全局最优解方向收敛。以轨道工程车辆的设备布局问题为实例,采用本文算法进行了车上设备布局优化设计的实例分析,表明本文方法可有效解决轨道车辆设备布局优化问题。     

基于粒子群优化神经网络算法的货运机车能耗预测研究

机车能耗是铁路能耗的主要部分,是衡量铁路运营水平的重要指标,机车能耗水平的有效降低,将成为未来铁路节能降耗的主要手段之一。阐述测算机车能耗普遍采取的算法,考虑粒子群算法具有全局最优、能够实现动态搜索等优势,提出粒子群优化神经网络算法,将机车能耗有关影响因素作为输入变量,建立基于粒子群优化神经网络算法的货运机车能耗预测模型。以邯长线货运机车能耗为例,分别采用神经网络算法和粒子群优化神经网络算法进行货运机车能耗预测。结果表明,基于粒子群优化神经网络算法的货运机车能耗预测具有较高的可信度。     

基于遗传粒子群算法的堆垛机作业路径优化

堆垛机的作业路径决定了自动化仓库的作业效率。建立了堆垛机作业的数学模型,并采用遗传粒子群算法对自动化仓库堆垛机作业路径进行优化。该算法引入了遗传算法中交叉和变异操作,通过粒子与个体极值和群体极值的交叉和粒子自身变异的方式来搜索最优解。仿真实验结果表明,该算法的求解效果在收敛速度和优化效果方面都有明显的提高,可以有效地减少堆垛机系统拣选作业运行时间,提高了自动化仓库的作业效率。这对实际应用有一定的参考价值。     

基于改进粒子群优化算法的鲁棒性列车运行图编制方法

以列车优先级、追踪运行间隔时间和连发间隔时间限制为约束条件,以旅客列车的走行公里总数、平均旅行速度、对标准计划的延迟总时间和延迟时间方差,以及货物列车的日车公里总数和日产最6个指标无量纲转化后的合计值最大为综合目标函数,建立列车运行图编制优化模型.为增加列车运行图的鲁棒性,引入虚拟车和缓冲时间槽2个参数,采用改进的粒子群优化算法给出鲁棒性列车运行图编制方法.以5个车站、5列旅客列车和7列货物列车构造模拟环境,采用该方法进行列车运行图编制模拟.结果表明:该方法可铺画出更优的列车运行图,计算效率高;在行车计划受到扰动后,虚拟车和缓冲时间槽释放资源,运行图可以较快地恢复到可接受范围,容错鲁棒性好.     

基于个体位置变异的粒子群算法

针对粒子群算法随着迭代次数的增多,其种群多样性降低,粒子群算法容易陷入局部最优的不足,提出了一种基于个体位置变异的粒子群算法。该算法在保证最终收敛的前提下极大扩展了粒子的空间搜索范围,从而降低了粒子群算法发生早熟的可能,并且程序量较小。仿真实验中,将算法应用于6个典型测试函数中,并与其它改进粒子群算法进行比较,结果表明,该算法具有较强的全局寻优能力和较好的收敛速度,明显提高了粒子群算法的优化性能。     

基于PID算法ATO系统的仿真研究

基于现有列车运动模型,设计了列车速度闭环仿真模型,其中控制器采用PID控制算法,当系统输入波浪形V-S曲线时,在PID控制器控制参数设置恰当的情况下,系统输出的V-S曲线具有较为满意的跟随性,在输出的加速度曲线中在列车的启动阶段和中间速度波动阶段会有尖峰波动现象。针对基于PID控制算法的ATO系统出现的问题进行了分析。     

粒子群优化算法在多用户检测中的应用

粒子群优化算法是一类有效的随机全局优化技术。它利用一个粒子群搜索解空间,每个粒子表示一个被优化问题的解,通过粒子间的相互作用发现复杂空间中的最优区域。多用户检测技术是直扩序列码分多址中的一项关键技术。将粒子群优化算法应用于多用户检测中,能有效抑制多址干扰,实现结构简单、鲁棒性强的目的,在加速收敛的同时降低了计算复杂度。仿真结果表明,这种多用户检测器充分利用了粒子群优化算法的优良特性,与传统的码分多址接收机、基于进化算法的多用户检测器和基于遗传算法的多用户检测器比较,在误码率和收敛速度等方面都有显著的改善。     

基于粒子群算法的车站列车进路搜索方法研究

现有进路搜索算法普遍采用遍历搜索,从提高搜索效率出发,引入智能优化型的粒子群算法在解空间内追随最优粒子进行搜索。针对粒子群算法在进路搜索中的应用,对粒子含义与粒子位置迭代部分重新定义。从搜索的安全性与高效性等方面考虑,采用迭代次数控制与精度控制相结合的方式结束搜索。进行实验仿真,测试算法可行性与核心参数最优取值,实验结果表明：惯性参数为0.3,历史最优参数为0.3,全局最优参数为0.4,具有最高搜索效率,搜索算法按照搜索精度要求用时0.5 s左右,安全、高效地完成了列车进路搜索,为智能优化算法在铁路车站列车进路搜索的应用提供一定的参考价值。     

基于粒子群算法的铁路工程投标项目择优决策研究

盈利水平与竞争力提升程度是铁路建筑企业项目投标决策时需要考虑的两个重要因素,在企业资源有限的条件下,通过科学的项目择优方法选择若干个项目进行投标,该组合既可以充分利用企业现有资源,又能实现企业综合利益最大化。从铁路建筑企业投标决策的实际需求出发,首先利用基本的企业经验及原则对可投标项目进行初步筛选,然后基于层次分析法与数学规划模型建立资源约束条件下的投标项目择优模型,对经过初步筛选的工程项目进行优先级排序,并利用粒子群算法进行求解和模拟分析,该方法为铁路建筑企业的投标项目组合及资源管理给出有价值的建议。     

基于速度优化与粒子群优化算法的插电式燃料电池有轨电车能量管理策略

以燃料电池有轨电车为研究对象,采用分层控制的方法,以能耗经济性最优为总体目标,开展基于速度优化的能量管理策略研究。该策略中的上层基于车与交通设施之间的通信(V2I),以驱动能耗最小为目标,考虑交通信号灯的影响,设计基于伪谱法的速度优化策略;其下层基于上层得到的最优速度,以及基于粒子群优化(PSO)算法对燃料电池有轨电车能量进行优化分配。仿真结果表明,基于速度优化的有轨电车能量管理策略能够避免列车的急变速和红灯怠速行为;基于速度优化与PSO算法的插电式燃料电池有轨电车能量管理策略能对动力电池和燃料电池的功率进行优化分配,相比基于速度优化与规则的有轨电车能量管理策略下的燃油经济性提高了3.72%。     

基于粒子群优化理论的停车换乘系统优化选址模型研究

停车换乘(P & R)作为一种重要的需求管理手段,在城市交通中发挥着重要作用.P & R设施选址规划是建立P & R换乘系统最关键的一步.针对P & R系统的特性和功能提出了建立在空间分析上的P & R优化选址截流模型,为截流模型在工程中的应用提供了一个新的思路.实践证明,所建立模型的递推形式有利于计算机编程实现.粒子群(PSO)算法有利于空间多目标模型实现多目标点的寻优搜索,并且能有效避免陷入局部最优解而导致算法停止迭代.