基于遗传算法的列车自动驾驶过程优化研究.pdfVIP

第 18卷第 3期 铁道运 营技术 Vo1．18N o．3 2012年 7月 RailwayOperationTechnology July 2012 基于遗传算法的列车 自动驾驶过程优化研究 高 凡 (兰州交通大学 自动化与 电气工程学院，硕士研究生 ，甘肃 兰州 730070) 摘 要：针对列车 自动驾驶系统 (ATO)控制的目标复杂多样和环境变量不稳定等问题，在对列车的运行过 程进行研究的基础上 ，建立了列车运行过程 的多 目标优化模型，并用遗传算法对列车 的 目标 曲线 进行优化 ，同时加入精英统治保持模型的高适应度 ，提高了运算速度 ，得到列车运行的最优控制 策略。仿真结果表明，该系统在兼顾列车运行的准时性、停车精度 、能耗及舒适性等多 目标 的情 况下，使列车运行的各项性能指标都有所提高。 关键词：高速列车；自动驾驶；参考曲线 ；遗传算法；多 目标 中图分类号 ：U284．482 文献标识码 iA 文章编号 ：1006—8686 (2012)03—0051—03 如 近年来 ，各 国学者们运用 了多种方法对高速 (1) 列车速度控制器进行 了不同的研究 ，取得 了一定 的成果…，如 日本研制 的 “预测 型模糊控制 ”列车 一 (2) 自动驾驶系统 ；新加坡学者把遗传算法用于列 车 自动驾驶仿真 中，根据各种情况在 出发前便产 式中：为列车在线路上的位置； 一 生惰行 的最合适点，以实现能耗最低 ，之后又提出 t为运行时间； 了基于模糊 的多 目标控制列车 自动运行系统 ；中 为列车运行速度； 科 院 自动化所把一种新 型的联想记忆神经 网络 ， u为输入控制 ； 应用于列车 的 自动停车中，该技术 以滚动优化 的 ． 厂为列车牵引力 ，由列车牵引特性曲线决定 ； 方式实现 了基于联想记忆神经网络的长程预测控 b为制动力 ； 制 ；铁道科学研究 院提 出了基于直接模糊神经控 W为列车阻力。 制 的方法 ，应用在列车 自动运行控制上 ¨；同济 大学用模糊控制 的BP网络实现站间运行控制 ，用 1．2 列车运行优化模型 单质点模型将列车看作 基于遗传算法 的模糊神经网络实现列车的定位停 一 个整体 ，列车在 当前位置的阻力 由基本阻力和附 车控制 。 加阻力叠加而来 ，但相邻 2车体分别位于不 同坡段 由于列车 自动驾驶系统 (ATO)控制的 目标复杂 时 ，会产生不同的附加阻力 ，此时 ，无论采用车体哪 多样和环境变量不稳定等原因，要实现ATO控制 ， 部分为计算基准 ，都会产生 比较大的计算误差 。 传统的控制理论 己经不能满足需要 ，须利用先进的 实际上列车是分步式质量系统 ，与单质点模型 智能控制理论对控制算法进行设计。本文采用遗传 比较而言，主要表现为单位附加阻力不同，因而对单 算法对列车运行 曲线进行优化 ，从而产生最优的决 质点模型进行如下优化： 策策略以控制列车运行。