详情

原文传递基于改进人工蜂群算法的城轨列车推荐速度曲线优化研究

论文题名：	基于改进人工蜂群算法的城轨列车推荐速度曲线优化研究
关键词：	城市轨道交通;列车自动运行系统;推荐速度曲线;人工蜂群算法
摘要：	现今，城市轨道交通仍然处于高速发展期，但随之带来的是能耗和运输成本的增加。因此，要落实国家环境保护和能源节约的基本国策，就必须实现城市轨道交通系统的节能减排。城市轨道交通系统产生的各类能耗中，列车牵引能耗占主要部分。因此，实现城市轨道交通系统的节能减排可以以减少列车牵引能耗为出发点。　　列车自动运行系统(AutomaticTrainOperation,ATO)是城市轨道交通智能化和自动化的重要体现。ATO通过对列车速度的自动调整，实现站间的自动运行。ATO控制结构包括优化层和控制层，优化层按照一定的算法计算出最优推荐速度曲线，控制层则按照一定的操纵策略跟踪该推荐速度曲线，控制列车进行牵引或制动。这一跟踪过程与列车牵引能耗紧密相关。因此，优化推荐速度曲线是实现列车节能减排的一个重要突破口。　　针对现有大多数群体智能算法对于推荐速度曲线的优化存在的不足，本文给出了两种寻优能力更强、收敛性更好的改进人工蜂群算法。研究过程中，充分考虑实际情况，在考虑列车跟踪运行操纵策略和速度曲线相关性能指标的基础上，离散化线路数据，建立了优化模型。最后，选择北京地铁亦庄线部分站间的数据进行仿真分析，证明本文提出方法的有效性。主要研究内容包括如下几点：　　(1)首先，介绍ATO系统的相关理论，包括其工作原理、基本功能、双层结构等。根据相关运动学原理，详细分析列车运行过程中的受力情况及运行工况，给出运行工况转换原则，并根据牛顿第二定理建立了列车运动学模型。同时，介绍了列车运行速度曲线的相关性能指标，为后续的研究奠定了理论基础。　　(2)其次，介绍常规ABC(ArtificialBeeColony,ABC)算法的基本模型、具体流程和优缺点。针对常规ABC算法存在的不足，从算法的初始化模型、引领蜂模型、跟随蜂模型等基本模型入手，引入两种改进的ABC算法。一种是在初始阶段利用反向学习产生初始种群、在跟随蜂阶段利用局部最优解引导机制的ABC(Pbest-guidedABC)算法，另一种是基于反向学习的快速自适应ABC(Opposition-learningAdaptiveQuickArtificialBeeColony,OAQABC)算法。并以Sphere函数和Griewank函数为测试函数，分别验证了PABC算法和OAQABC算法的性能。　　(3)然后，将列车运行速度曲线优化问题转化为速度-距离二维空间内求解最优路径的问题。在此基础上，从实际情况出发，设计了线路离散化、等效坡度等与推荐速度曲线优化相关的策略。并基于前文的理论分析和牵引能耗计算理论，建立了优化模型。将设计的优化策略、优化模型分别与PABC算法和OAQABC算法相结合，给出了两种算法求解最优推荐速度曲线的具体流程。　　(4)最后，将MATLAB作为仿真工具，利用亦庄线的实际数据分别仿真验证两种改进ABC算法对于优化模型的优化效果，分析说明本文提出的优化算法和优化策略的有效性。
作者：	费绍强
专业：	交通运输工程
导师：	何涛;张锐
授予学位：	硕士
授予学位单位：	兰州交通大学
学位年度：	2022