1.一种高速列车离散滑模轨迹及速度跟踪控制方法，其特征在于，采用离线估计在线调整的控制构建方法，包括如下步骤：S101：构造列车非线性列车模型并指定估计参数；

S102：利用混沌优化算法，采用位移和控制输入量为优化模型输入和输出数据，设计优化指标，得到优化后的模型参数；

S103：离散并线性化列车非线性模型，得到优化模型参数的列车离散线性模型；进而设计面向离散并线性化模型的扩展卡尔曼滤波器，得到滤波的列车位移和估计速度；

S104：采用离散滑模方法设计高速列车轨迹跟踪控制器，设计干扰观测器估计模型不确定和线性化误差以提高列车跟踪精度；

还包括总体的列车控制步骤如下：

S201：考虑高速列车的单质点模型，假设线路长度远大于列车的车长，将列车视为一个刚性质点，由牛顿力学定律，得到高速列车在水平直线轨道上的非线性运动学方程，并通过模型转换得到列车离散线性化方程：s是高速列车的位移，单位为：m；v是列车运行速度，单位为：m/s；fu(v)为列车的单位动力，单位为：N/kN；C为输出矩阵，值为[1,0]，a,b和c为基本运行阻力参数；d表示列车回转质量参数，由列车总质量与列车回转部分的折算质量决定；dx(t)为过程噪声vy(t)为观测噪声，假设噪声为均值为零的已知白噪声；

S202：混沌优化算法的非线性列车参数估计，采用Logistc映射来描述混沌动力学特性，具体描述为：Θn+1＝μΘn(1‑Θn)

其中，μ表示控制参量，当μ＝4时上式所示系统完全处于混沌状态，变量也为混沌变量；

Θn为混沌变量，值在(0,1)范围，其中不能为混沌变量的不动点为0.25，0.5，0.75；根据需要优化的参数，在(0,1)之间赋予不同的初值，随机产生，进而可以得到多个不同轨迹的混沌变量；

高速列车的混沌优化辨识问题可以描述为：给定输入/合力、输出/位移的观测序列Gn；

Gn＝{(fu(1),s(1)),(fu(2),s(2)),(fu(3),s(3))…,(fu(n),s(n))}其中，[fu(1)，fu(2)，…，fu(3)]表示n组输入序列；[s(1)，s(2),…,s(n)]表示n组输出序列；

T

估计高速列车动态模型的参数变量ζ＝[a,b,c,d]，使得在控制序列fu下，式子最小化；

minFζ，i＝1,2,…N，LB,i≤ζi≤UB,i其中， s为列车运行轨迹；

T 4

为混沌优化后得到的列车运行轨迹；ζi＝[ai,bi,ci,di] ∈R ，表示在

4 4

Logistic方程式中的第i混沌变量；LB,i∈R表示优化混沌变量ζi的下界，UB,i∈R 为ζi的上界；

变尺度混沌优化方法，其特点在于：(1)根据搜索进程，不断缩小优化变量的搜索空间；

(2)根据搜索进程，不断改变“二次搜索”的调节参数；

变尺度混沌优化搜索步骤如下：

T

Step1：初始化，Logistic方程式中的ζi＝[ai,bi,ci,di] ，分别在(0,1)之间随机赋予N个不同的初值，得到N个轨迹不同的混沌变量；

Step2：初始化k＝0，r＝0， 其中r＝1,

2,…,n，这里k为混沌变量迭代标志，r为细搜索标志，ζi(1)为(0，1)区间的n个相异的初值，*为当前得到的最优混沌变量，当前最优解f 初始化为一个比较大的数；

Step3：把 映射到优化变量取值区间成为 即Step4：用混沌变量进行优化搜索；

若 则 否则继续；

Step5：k＝k+1，

*

Step6：重复搜索最优变量，直到在一定步数内f 保持不变为止，然后进行一下步骤；

Step7：缩小各变量的搜索范围；

其中，γ在(0,0.5)之间； 为当前最优解；对 进行还原：Step8：线性组合形成新的混沌变量，用混沌变量进行搜索；

式中，α为一比较小的数；

Step9：以 为混沌变量，进行Step2～Step4的操作；

*

Step10：重复Step8和Step9的操作，一定步数内f保持不变为止；

Stepl1：r＝r+1，减小α的值，重复Step7～Step10的操作；

Step12：重复Step11若干次后，结束寻优计算；

*

Step13：此时的 即为算法得到的最优变量，最优解为f ；

S203：列车位移滤波和速度观测器的EKF设计；

S204：高速列车离散滑模控制器设计。

2.如权利要求1所述的高速列车离散滑模轨迹及速度跟踪控制方法，其特征在于，S203采用EKF方法将非线性函数展开为Taylor级数，略去一些高阶项，从而将非线性系统转换为线性系统，包括列车模型的离散化和列车模型的线性化两个方面。

3.如权利要求1所述的高速列车离散滑模轨迹及速度跟踪控制方法，其特征在于，S204的目标为针对列车模型设计控制器，使得列车位移和速度跟踪上期望位移yd(k)和期望速度 取 采用线性外推的方法预测给出k+1时刻列车的参考轨迹。