R-dPSO算法及其在ATO控制策略中的应用

doi:10.3778/j.issn.1002-8331.1808-0241

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (24): 212-220.DOI: 10.3778/j.issn.1002-8331.1808-0241

R-dPSO算法及其在ATO控制策略中的应用

胡震，邹德旋，张旭

江苏师范大学电气工程及自动化学院，江苏徐州 221116

出版日期:2018-12-15 发布日期:2018-12-14

R-dPSO algorithm and its application in ATO control strategy

HU Zhen, ZOU Dexuan, ZHANG Xu

School of Electrical Engineering and Automation, Jiangsu Normal University, Xuzhou, Jiangsu 221116, China

Online:2018-12-15 Published:2018-12-14

摘要/Abstract

摘要： 城市轨道交通列车自动运行中，通过调整列车的5种工况序列解决含有安全、准点、准时、舒适度和能耗等指标的多目标优化问题。根据轨道交通列车自动运行过程中涉及的动力学公式建立ATO目标速度曲线的数学模型。提出一种随机驱动的全局粒子群优化算法（R-dPSO），用12个基准函数测试了R-dPSO算法的有效性。进而，利用SPSO算法、XEPSO算法和R-dPSO算法解决上述多目标优化问题。实验表明，只有R-dPSO算法的优化结果满足ATO控制策略的各个指标要求。

关键词: 工况序列, 速度曲线, 粒子群优化算法, 随机驱动

Abstract: In the automatic operation of urban rail transit trains, multi-objective optimization problems including safety, punctuality, punctuality, comfort and energy consumption are solved by adjusting the sequence of five working conditions of the train. The mathematical model of the ATO target speed curve is established according to the dynamic formula involved in the automatic operation of the rail transit train. A Randomness-driven global Particle Swarm Optimization algorithm（R-dPSO） is proposed. The effectiveness of the R-dPSO algorithm is tested with 12 benchmark functions. Furthermore, the SPSO algorithm, XEPSO algorithm and R-dPSO algorithm are used to solve the above multi-objective optimization problem. Experiments show that only the optimization results of the R-dPSO algorithm meet the requirements of the various indicators of the ATO control strategy.

Key words: working sequence, speed curve, particle swarm optimization, randomness-driven

胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.

HU Zhen, ZOU Dexuan, ZHANG Xu. R-dPSO algorithm and its application in ATO control strategy[J]. Computer Engineering and Applications, 2018, 54(24): 212-220.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[4]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[5]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[6]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[7]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[8]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[9]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.
[10]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[11]	颜宏文，邹丹. 基于关联规则的PSO-Elman短期风速预测[J]. 计算机工程与应用, 2017, 53(23): 261-266.
[12]	翁理国，王骥，夏旻，纪壮壮. 自适应种群更新策略的多目标粒子群算法[J]. 计算机工程与应用, 2017, 53(15): 181-186.
[13]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.
[14]	李冰1，2，王虎3，王锐4. 客户群及个体服务选择影响因子研究[J]. 计算机工程与应用, 2017, 53(13): 21-28.
[15]	谷志鹏，贺新光. 耦合边缘检测与优化的多尺度遥感图像融合法[J]. 计算机工程与应用, 2017, 53(11): 192-198.

R-dPSO算法及其在ATO控制策略中的应用

R-dPSO algorithm and its application in ATO control strategy

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics