基于遗传算法和粒子群优化的列车自动驾驶速度曲线优化方法

doi:10.11772/j.issn.1001-9081.2021020292

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (2): 599-605.DOI: 10.11772/j.issn.1001-9081.2021020292

• 前沿与综合应用 • 上一篇

基于遗传算法和粒子群优化的列车自动驾驶速度曲线优化方法

张京, 朱爱红()

兰州交通大学自动化与电气工程学院，兰州 730070

收稿日期:2021-02-26 修回日期:2021-04-12 接受日期:2021-04-13 发布日期:2021-04-20 出版日期:2022-02-10
通讯作者: 朱爱红
作者简介:张京（1994—），男，湖北黄冈人，硕士研究生，主要研究方向：交通控制系统；
朱爱红（1969—），女，河南西平人，副教授，硕士，主要研究方向：交通信息工程及控制。
基金资助:
国家自然科学基金资助项目(61763025)

Optimization method of automatic train operation speed curve based on genetic algorithm and particle swarm optimization

Jing ZHANG, Aihong ZHU()

School of Automation and Electrical Engineering，Lanzhou Jiaotong University，Lanzhou Gansu 730070，China

Received:2021-02-26 Revised:2021-04-12 Accepted:2021-04-13 Online:2021-04-20 Published:2022-02-10
Contact: Aihong ZHU
About author:ZHANG Jing， born in 1994， M. S. candidate. His research interests include traffic control system.
ZHU Aihong， born in 1969， M. S.， associate professor. Her research interests include traffic information engineering and control.
Supported by:
National Natural Science Foundation of China(61763025)

摘要/Abstract

摘要：

针对列车自动驾驶（ATO）过程中的精准停车、准时性、舒适性以及能耗问题，提出一种基于遗传算法与粒子群优化（GAPSO）算法结合的ATO速度曲线优化方法。首先，建立列车ATO运行多目标优化模型，将列车过分相区断电惰行纳入控制策略，并对运行控制策略进行分析；其次，对粒子群优化（PSO）算法进行改进，采用非线性动态惯性权重和改进的加速度系数，并将遗传算子融入其中，从而构成一种全新的GAPSO算法，且验证了GAPSO算法在全局搜索和局部搜索能力以及收敛速度上的优越性。最后，通过GAPSO算法对工况转换点进行寻优，以获取一组满足多目标优化的工况转换点速度，进而得到最优目标速度曲线。仿真实验结果表明，所提优化方法在总体运行时间满足准时性要求的前提下，使能耗降低了13.29%，舒适性提高了26.62%，停车误差降低了21.62%。由此可见，优化后的列车目标速度曲线能够满足多目标要求，该方法为列车ATO多目标优化提供了一种可行的解决方案。

关键词: 列车自动驾驶, 多目标优化, 分相区, 目标速度曲线, 遗传算子, 粒子群优化算法

Abstract:

Aiming at the problems of precise parking， punctuality， comfort and energy consumption in the process of Automatic Train Operation （ATO）， an optimization method of ATO speed curve based on GAPSO （Genetic Algorithm and Particle Swarm Optimization） algorithm was proposed. Firstly， a multi-objective optimization model of train ATO operation was established， the train passing through the neutral zone with power cutoff and coasting was included in the control strategy， and the operation control strategy was analyzed. Secondly， Particle Swarm Optimization （PSO） algorithm was improved， the nonlinear dynamic inertia weight and the improved acceleration coefficient were adopted， and the genetic operator was integrated into it to form a brand-new GAPSO algorithm， and the superiority of GAPSO algorithm in global search and local search ability as well as convergence speed was verified. Finally， GAPSO algorithm was used to optimize the operating mode changing points， and a set of operating mode changing point speeds satisfying multi-objective optimization was obtained， thereby obtaining the optimal target speed curve. Simulation experimental results show that under the premise that the overall running time meets the requirements of punctuality， the optimization method can make the energy consumption reduced by 13.29%， the comfort increased by 26.62%， and the parking error reduced by 21.62%. Therefore， the optimized train target speed curve can meet the multi-objective requirements， and this method provides a feasible solution for train ATO multi-objective optimization.

Key words: Automatic Train Operation (ATO), multi-objective optimization, neutral zone, target speed curve, genetic operator, Particle Swarm Optimization (PSO) algorithm

中图分类号:

TP391.9

张京, 朱爱红. 基于遗传算法和粒子群优化的列车自动驾驶速度曲线优化方法[J]. 计算机应用, 2022, 42(2): 599-605.

Jing ZHANG, Aihong ZHU. Optimization method of automatic train operation speed curve based on genetic algorithm and particle swarm optimization[J]. Journal of Computer Applications, 2022, 42(2): 599-605.

图/表 13

表1 工况转换原则

Tab. 1 Principles of operating mode changing

当前工况	待转换的工况
当前工况	牵引	惰行	制动
牵引	无需转换	可以转换	禁止转换
惰行	可以转换	无需转换	可以转换
制动	禁止转换	可以转换	无需转换

图1 列车ATO运行控制策略

Fig. 1 Train ATO operation control strategy

图2 不同算法的仿真结果

Fig. 2 Simulation results of different algorithms

表2 仿真列车性能参数

Tab. 2 Performance parameters of simulated train

参数	特性
车辆总重	428 t
最高车速	300 km/h
基本阻力	w=0.66+0.002 45v+0.000 132v²（kN）
牵引特性	$F = - 0.285 v + 300 (k N), 0 ≤ v ≤ 119 k m / h 31 500 / v (k N), v > 119 k m / h$
制动特性	$B = 59.8 v (k N), v < 5 k m / h - 0.285 v + 300 (k N), 5 k m / h ≤ v ≤ 106.7 k m / h 28 880 / v (k N), v > 106.7 k m / h$

表2 仿真列车性能参数

Tab. 2 Performance parameters of simulated train

参数	特性
车辆总重	428 t
最高车速	300 km/h
基本阻力	w=0.66+0.002 45v+0.000 132v²（kN）
牵引特性	$F = - 0.285 v + 300 (k N), 0 ≤ v ≤ 119 k m / h 31 500 / v (k N), v > 119 k m / h$
制动特性	$B = 59.8 v (k N), v < 5 k m / h - 0.285 v + 300 (k N), 5 k m / h ≤ v ≤ 106.7 k m / h 28 880 / v (k N), v > 106.7 k m / h$

表3 仿真线路基本属性

Tab. 3 Basic attributes of simulated line

线路基本属性	值
线路长度	80 km
运行时间	1 560 s
分相区1	（24.273 1~25.026 3）km
分相区2	（55.419 6~55.852 7）km

图3 仿真线路纵断面数据

Fig. 3 Simulated line vertical section data

图4 优化前的速度—距离曲线

Fig. 4 Speed-distance curve before optimization

图5 优化前的控制工况序列

Fig. 5 Sequence of control operating modes before optimization

图6 不考虑分相区的优化后的速度—距离曲线

Fig. 6 Speed-distance curve without considering neutral zone after optimization

图7 不考虑分相区优化后的控制工况序列

Fig. 7 Sequence of control operating modes without considering neutral zone after optimization

图8 考虑分相区的优化后的速度—距离曲线

Fig. 8 Speed-distance curve of without considering neutral zone after optimization

图9 考虑分相区的优化后的控制工况序列

Fig. 9 Sequence of control operating modes considering neutral zone after optimization

表4 不同模式下列车ATO优化结果比较

Tab. 4 Comparison of ATO optimization results under different modes

评价对象	运行距离/m	运行时间/s	舒适度指标	能耗/kJ
优化前（节时模式）	79 999.738 2	1 522.260 5	1.586 5	5 050 530.864 3
PSO	79 999.759 2	1 588.767 2	1.185 7	4 699 292.956 7
CPSO	79 999.803 5	1 584.936 7	1.175 4	4 635 466.404 5
GAPSO	79 999.830 9	1 571.316 4	1.158 3	4 489 659.952 4
考虑分相区GAPSO	79 999.794 8	1 583.254 7	1.164 2	4 378 893.326 0

参考文献 19

1	KIM K， CHIEN S I J. Simulation-based analysis of train controls under various track alignments［J］. Journal of Transportation Engineering， 2010， 136（11）： 937-948. 10.1061/(asce)te.1943-5436.0000160
2	BOCHARNIKOV Y V， TOBIAS A M， ROBERTS C， et al. Optimal driving strategy for traction energy saving on DC suburban railway［J］. IET Electric Power Applications， 2007， 1（5）： 675-682. 10.1049/iet-epa:20070005
3	付印平，高自友，李克平.路网中的列车节能操纵优化方法研究［J］.交通运输系统工程与信息， 2009， 9（4）： 90-96. 10.3969/j.issn.1009-6744.2009.04.014
	FU Y P， GAO Z Y， LI K P. Optimization method of energy saving train operation for railway network［J］. Journal of Transportation Systems Engineering and Information Technology， 2009， 9（4）： 90-96. 10.3969/j.issn.1009-6744.2009.04.014
4	段玉琼，朱爱红，马晓娜，等.基于人工蜂群算法的高速列车运行节能优化研究［J］.铁道标准设计， 2019， 63（9）： 163-168. 10.13238/j.issn.1004-2954.201810170001
	DUAN Y Q， ZHU A H， MA X N， et al. Research on high-speed train operation energy-saving optimization based on ABC algorithm［J］. Railway Standard Design， 2019， 63（9）： 163-168. 10.13238/j.issn.1004-2954.201810170001
5	许立.基于遗传算法的ATO速度曲线优化［D］.成都：西南交通大学， 2013： 48-54. 10.3969/j.issn.1005-8451.2013.10.013
	XU L. Optimization of ATO speed curve based on genetic algorithm［D］. Chengdu： Southwest Jiaotong University， 2013： 48-54. 10.3969/j.issn.1005-8451.2013.10.013
6	余进，何正友，钱清泉.基于混合微粒群优化的多目标列车控制研究［J］.铁道学报， 2010， 32（1）： 38-42. 10.3969/j.issn.1001-8360.2010.01.007
	YU J， HE Z Y， QIAN Q Q. Study on multi-objective train control based on hybrid particle swarm optimization［J］. Journal of the China Railway Society， 2010， 32（1）： 38-42. 10.3969/j.issn.1001-8360.2010.01.007
7	连文博，刘伯鸿，李婉婉，等.基于自抗扰控制的高速列车自动驾驶速度控制［J］.铁道学报， 2020， 42（1）： 76-81. 10.3969/j.issn.1001-8360.2020.01.011
	LIAN W B， LIU B H， LI W W， et al. Automatic operation speed control of high-speed train based on ADRC［J］. Journal of the China Railway Society， 2020， 42（1）： 76-81. 10.3969/j.issn.1001-8360.2020.01.011
8	徐凯，吴磊，杨飞凤. PSO-ICS算法优化的城轨列车自动驾驶系统［J］.铁道科学与工程学报， 2017， 14（12）： 2704-2712. 10.3969/j.issn.1672-7029.2017.12.025
	XU K， WU L， YANG F F. Automatic train operation system in urban rail transit based on PSO-ICS algorithm optimization［J］. Journal of Railway Science and Engineering， 2017， 14（12）： 2704-2712. 10.3969/j.issn.1672-7029.2017.12.025
9	孟建军，裴明高，武福，等.城轨列车多目标优化控制算法研究与仿真［J］.系统仿真学报， 2017， 29（3）： 581-588， 594. 10.16182/j.issn1004731x.joss.201703016
	MENG J J， PEI M G， WU F， et al. Research and simulation on control algorithm for multi-objective optimization of urban rail train［J］. Journal of System Simulation， 2017， 29（3）： 581-588， 594. 10.16182/j.issn1004731x.joss.201703016
10	张友鹏，高凡，赵斌.基于灰色系统理论高速列车ATO速度控制器研究［J］.计算机工程与应用， 2014， 50（10）： 253-259. 10.3778/j.issn.1002-8331.1206-0185
	ZHANG Y P， GAO F， ZHAO B. Study on speed controller of automatic train operation for high-speed train based on grey system theory［J］. Computer Engineering and Applications， 2014， 50（10）： 253-259. 10.3778/j.issn.1002-8331.1206-0185
11	徐凯，吴磊，赵梅.多种群分层联合优化的城轨列车ATO研究［J］.铁道学报， 2018， 40（6）： 90-96. 10.3969/j.issn.1001-8360.2018.06.012
	XU K， WU L， ZHAO M. Study on urban rail train ATO based on unified optimization of multi-swarm hierarchical structure［J］. Journal of the China Railway Society， 2018， 40（6）： 90-96. 10.3969/j.issn.1001-8360.2018.06.012
12	石红国，彭其渊，郭寒英.城市轨道交通牵引计算模型［J］.交通运输工程学报， 2005， 5（4）： 20-26. 10.3321/j.issn:1671-1637.2005.04.005
	SHI H G， PENG Q Y， GUO H Y. Traction calculation model of urban mass transit［J］. Journal of Traffic and Transportation Engineering， 2005， 5（4）： 20-26. 10.3321/j.issn:1671-1637.2005.04.005
13	孟建军，张宏强.基于改进灰色预测模糊PID控制的列车多目标优化研究［J］.铁道标准设计， 2020， 64（5）： 173-181. 10.13238/j.issn.1004-2954.201906050002
	MENG J J， ZHANG H Q. A study on multi-objective train optimization based on improved grey prediction fuzzy PID control［J］. Railway Standard Design， 2020， 64（5）： 173-181. 10.13238/j.issn.1004-2954.201906050002
14	成利刚，郑云水，常树贤.列车模拟驾驶系统中列车的运行控制仿真与实现［J］.科学技术与工程， 2014， 14（2）： 241-246. 10.3969/j.issn.1671-1815.2014.02.055
	CHEN L G， ZHENG Y S， CHANG S X. The train operation control simulation and implementation of train driving simulation system［J］. Science Technology and Engineering， 2014， 14（2）： 241-246. 10.3969/j.issn.1671-1815.2014.02.055
15	熊超彬.基于GSO算法的列车运行节能操纵优化研究［D］.成都：西南交通大学， 2014： 17-18.
	XIONG C B. Energy-saving control for train based on GSO algorithm［D］. Chengdu： Southwest Jiaotong University， 2014： 17-18.
16	武装.几种改进的智能优化算法及其应用［M］.北京：科学技术文献出版社， 2018： 27-35.
	WU Z. Several Improved Intelligent Optimization Algorithms and Their Applications［M］. Beijing： Scientific and Technical Documentation Press， 2018： 27-35.
17	郝少伟，李勇军，赵尚弘，等.基于改进粒子群算法的多载波NOMA功率分配策略［J］.电子学报， 2020， 48（10）： 2009-2016. 10.3969/j.issn.0372-2112.2020.10.019
	HAO S W， LI Y J， ZHAO S H， et al. Multicarrier NOMA power allocation strategy based on improved particle swarm optimization algorithm［J］. Acta Electronica Sinica， 2020， 48（10）： 2009-2016. 10.3969/j.issn.0372-2112.2020.10.019
18	卢稳.列车自动驾驶运行过程的多目标优化研究［D］.兰州：兰州交通大学， 2017： 23-27.
	LU W. Research on multi-objective optimization of train automatic driving process［D］. Lanzhou： Lanzhou Jiaotong University， 2017： 23-27.
19	张友兵，陈志强，王建敏，等.高速铁路ATO系统控车舒适度技术研究［J］.铁道工程学报， 2019， 36（3）： 67-71. 10.3969/j.issn.1006-2106.2019.03.012
	ZHANG Y B， CHEN Z Q， WANG J M， et al. Research on the comfort control technology of the ATO system in high-speed railway［J］. Journal of Railway Engineering Society， 2019， 36（3）： 67-71. 10.3969/j.issn.1006-2106.2019.03.012

[1]	罗明宇, 骆晓萌, 朱文敏, 张磊, 范秀敏. 船舶狭小空间虚拟人维修姿态建模技术[J]. 计算机应用, 2021, 41(8): 2466-2472.
[2]	张闻强, 邢征, 杨卫东. 基于多区域采样策略的混合粒子群优化求解多目标柔性作业车间调度问题[J]. 计算机应用, 2021, 41(8): 2249-2257.
[3]	张盟, 郭健全. 需求和回收不确定的闭环供应链渠道结构选择[J]. 计算机应用, 2021, 41(7): 2100-2107.
[4]	张祥飞, 鲁宇明, 张平生. 基于协同进化的约束多目标优化算法[J]. 计算机应用, 2021, 41(7): 2012-2018.
[5]	王泽昆, 贺毅朝, 李焕哲, 张发展. 基于新颖S型转换函数的二进制粒子群优化算法求解具有单连续变量的背包问题[J]. 计算机应用, 2021, 41(2): 461-469.
[6]	樊小毛, 熊红林, 赵淦森. 带约束的清洁排班问题模型及其求解[J]. 计算机应用, 2021, 41(2): 577-582.
[7]	马晓航, 廖灵霞, 李智, 秦斌, 赵涵捷. 基于动态混合超时的软件定义网络多目标优化[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3658-3665.
[8]	乔钢柱, 王瑞, 孙超利. 基于分解的高维多目标改进进化算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3097-3103.
[9]	李二超, 李康伟. 基于最小距离和聚合策略的分解多目标进化算法[J]. 计算机应用, 2021, 41(1): 22-28.
[10]	李二超, 杨蓉蓉. 基于自适应反向学习的多目标分布估计算法[J]. 计算机应用, 2021, 41(1): 15-21.
[11]	王博, 刘连生, 韩绍程, 祝世兴. 基于多策略融合的混合多目标蝗虫优化算法[J]. 计算机应用, 2020, 40(9): 2670-2676.
[12]	罗斌, 于波. 移动边缘计算中基于粒子群优化的计算卸载策略[J]. 计算机应用, 2020, 40(8): 2293-2298.
[13]	曾明华, 全轲. 双层规划的改进混合布谷鸟搜索量子行为粒子群优化算法[J]. 计算机应用, 2020, 40(7): 1908-1912.
[14]	周文峰, 梁晓磊, 唐可心, 李章洪, 符修文. 具有拓扑时变和搜索扰动的混合粒子群优化算法[J]. 计算机应用, 2020, 40(7): 1913-1918.
[15]	施晓倩, 陈祺东, 孙俊, 冒钟杰. 变分布的量子行为粒子群优化算法求解工程约束优化问题[J]. 计算机应用, 2020, 40(5): 1382-1388.

基于遗传算法和粒子群优化的列车自动驾驶速度曲线优化方法

Optimization method of automatic train operation speed curve based on genetic algorithm and particle swarm optimization

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 19

相关文章 15

编辑推荐

Metrics