欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021109160646
申请人: 华东交通大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-17
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种城市列车运行多目标优化方法,其特征在于,包括:获取城市列车实际运行路线条件的区段参数信息;

根据所述区段参数信息将城市列车各运行区段进行非等分区划分,得到城市列车各运行区间;

根据城市列车车辆基本参数信息以及所述区段参数信息得到城市列车纵向动力学模型;

根据所述城市列车纵向动力学模型,得到城市列车在各运行区段的列车运行多性能评价指标值;

根据所述列车运行多性能评价指标值构建所述城市列车的多目标优化模型;

采用多目标差分进化算法对所述多目标优化模型进行求解,得到所述城市列车在所述各运行区间的Pareto最优解集;

选出所述各运行区间的Pareto最优解集中符合城市列车运行指标性能评价准则的解,得到所述城市列车在各运行区间最优的列车运行速度曲线。

2.根据权利要求1所述的城市列车运行多目标优化方法,其特征在于,获取城市列车纵向动力学模型的具体步骤包括:

根据城市列车车辆基本参数信息以及所述区段参数信息得到所述城市列车在各运行区段列车受力值;

根据所述城市列车在各运行区段的列车受力值构建所述城市列车纵向动力学模型;

所述城市列车纵向动力学模型如下所示:其中,t为城市列车车站间运行时间,s为城市列车转换工况时的位置,v为城市列车运行速度,μf为城市列车实际施加的牵引力与制动力的比例系数,μb为城市列车最大牵引力与制动力之间的比例系数,F(μf,v)为城市列车当前施加的牵引力,B(μb,v)为城市列车当前施加的制动力,W(s,v)为城市列车运行总阻力,W0(v)为城市列车的基本阻力,Wi(p)为城市列车的曲线附加阻力,Wc(r)为城市列车的坡度附加阻力。

3.根据权利要求1所述的城市列车运行多目标优化方法,其特征在于,所述多目标优化模型如下所示:

其中,fE为城市列车的运行能耗值,ft为城市列车的准时性指标,fs为城市列车的精准停车指标,fc为城市列车的舒适度指标,T为城市列车计划在车站间的运行时间,F为城市列车当前施加的牵引力,v为城市列车运行速度,α为准时性惩罚因子,TZ为城市列车实际在车站间的运行时间,β为精准停车惩罚因子,SZ为城市列车的实际停车位置,S为城市列车的计划停车位置,J为加速度变化率。

4.根据权利要求1所述的城市列车运行多目标优化方法,其特征在于,所述多目标差分进化算法对所述多目标优化模型进行求解具体包括:利用种群初始化策略生成具有N个个体的初始化种群,所述初始化种群中的个体代表城市列车转换工况时的位置;

计算初始化种群中每个个体对应的城市列车各运行指标的目标函数值;

根据每个个体对应的城市列车各运行指标的目标函数值进行初始化种群中所述个体的非支配排序,将不同的个体分配到不同的非支配层中,并选出第一非支配层中的个体;

利用自适应变异策略对所述第一非支配层中的个体进行变异操作,再进行差分进化算法中的交叉、选择操作得到新的第一非支配层个体集;

利用基于优异个体的进化策略处理第一非支配层个体集生成新的进化种群;

设置进化种群的迭代终止条件,判断所述进化种群是否满足所述迭代终止条件,若否,返回步骤“利用基于优异个体的进化策略处理第一非支配层个体集生成新的进化种群”,若是,根据所述进化种群得到所述城市列车在所述各运行区间的Pareto最优解集。

5.根据权利要求4所述的城市列车运行多目标优化方法,其特征在于,所述种群初始化策略包括:

在最小边界初始化生成第一初始化种群P0,初始化过程如下所示:’

在最大边界初始化生成第二初始化种群P0,初始化过程如下所示:’

合并第一初始化种群P0与第二初始化种群P0,对合并种群进行非支配排序,选择最好的N个个体作为初始化种群;

’ ’

其中,Xi,n,0表示第一初始化种群P0中的第i个个体,X i,n,0表示第二初始化种群P 0中的个体,r为[0,1]上的随机数,n为个体向量的维数,Xmin、Xmax分别表示个体的最小值和最大值。

6.根据权利要求4所述的城市列车运行多目标优化方法,其特征在于,所述自适应变异策略包括:

计算所述自适应变异策略中的变异因子参数,计算公式如下:其中,G为迭代次数,Gmax为最大迭代次数,Fmax、Fmin为最大、最小变异因子;

设置随机变量数值λ,所述随机变量数值λ服从高斯分布;

根据所述变异因子参数以及所述随机变量数值λ得到变异个体,所述变异个体的计算公式如下:

其中,i为种群内个体的序号,r1,r2,r3为互不相等的随机正整数,Xr1,G,Xr2,G,Xr3,G是从当前种群随机选取的3个个体,F为变异因子,Xbest,G为第G代种群中个体适应度最优个体,Xi,G为第G代种群中的第i个个体,Vi,G为经过变异操作生成的变异个体。

7.根据权利要求4所述的城市列车运行多目标优化方法,其特征在于,所述基于优异个体的进化策略包括:

对初始化种群Pt中的每个个体进行非支配排序,以个体的优劣程度将初始化种群中的个体划分进入不同的非支配层;

对所述非支配层级为1的个体进行差分进化算法中的变异、交叉、选择操作,生成新的’

个体集F1;

’

合并所述初始化种群与所述新的个体集Pt∪F1,对合并后的种群中的每个个体进行非支配排序得到非支配层,再对不同非支配层的个体依次计算其拥挤度,依据个体的非支配层序及个体的拥挤度选择出最好的N个个体,所述选出N个最好的个体的构成下次进化的新种群Pt+1。

8.根据权利要求7所述的城市列车运行多目标优化方法,其特征在于,所述拥挤度的计算公式如下:

其中,D(id)为个体的拥挤度,D(i+1)m表示第i+1个个体的第m个目标函数数值,D(i‑1)m表示第i‑1个个体的第m个目标函数数值, 、 表示个体第m个目标函数数值的最大值以及最小值。

9.根据权利要求7所述的城市列车运行多目标优化方法,其特征在于,所述对合并后的种群中的每个个体进行非支配排序得到非支配层,再对不同非支配层的个体依次计算其拥挤度,依据个体的非支配层序及个体的拥挤度选择出最好的N个个体具体包括:初始化同一非支配层这各个个体的拥挤度;

以第m个目标函数值为基准,对同一非支配层中的个体的拥挤度按升序进行排序;

设位于每一非支配层两端个体的拥挤度为无穷大,并设置拥挤度的理想取值范围;

根据所述拥挤度的理想取值范围筛选个体;

依据个体的非支配层序及个体的拥挤度选择出最好的N个个体。

10.一种城市列车运行多目标优化系统,其特征在于,包括:区段参数信息获取单元,用于获取城市列车实际运行路线条件的区段参数信息;

非等分区划分单元,用于根据所述区段参数信息将城市列车各运行区段进行非等分区划分,得到城市列车各运行区间;

城市列车纵向动力学模型建立单元,用于根据城市列车车辆基本参数信息以及所述区段参数信息得到城市列车纵向动力学模型;

城市列车纵向动力学模型计算单元,用于根据所述城市列车纵向动力学模型,得到城市列车在各运行区段的列车运行多性能评价指标值;

多目标优化模型建立单元,用于根据所述列车运行多性能评价指标值构建所述城市列车的多目标优化模型;

最优解集获取单元,用于采用多目标差分进化算法对所述多目标优化模型进行求解,得到所述城市列车在所述各运行区间的Pareto最优解集;

最优的列车运行速度曲线获取单元,用于选出所述各运行区间的Pareto最优解集中符合城市列车运行指标的性能评价准则的解,得到所述城市列车在各运行区间最优的列车运行速度曲线。