基于粒子群算法的列车运行调度研究

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (23): 207-210.

基于粒子群算法的列车运行调度研究

王云峰1，宁晓希2，罗鸿斌3，谢素艳4

1.甘肃省证据科学技术研究与应用重点实验室，甘肃政法学院公安技术学院，兰州 730070
2.甘肃政法学院科研处，兰州 730070
3.甘肃政法学院公安技术学院，兰州 730070
4.甘肃政法学院继续教育学院，兰州 730070

出版日期:2015-12-01 发布日期:2015-12-14

Study on train operation adjustment based on particle swarm optimization

WANG Yunfeng1, NING Xiaoxi2, LUO Hongbin3, XIE Suyan4

1.Key Laboratory of Evidence of Science and Technology Research and Application, School of Public Security Technology, Gansu Institute of Political Science and Law, Lanzhou 730070, China
2.Academic Research Division, Gansu Institute of Political Science and Law, Lanzhou 730070, China
3.School of Public Security Technology, Gansu Institute of Political Science and Law, Lanzhou 730070, China
4.Continual Education Institute, Gansu Institute of Political Science and Law, Lanzhou 730070, China

Online:2015-12-01 Published:2015-12-14

摘要/Abstract

摘要： 列车运行调度是铁路行车调度指挥工作的重要内容，其计算机自动计算求解问题是我国铁路信息化建设的核心技术和难点。建立了高速列车运行调度的数学模型，采用粒子群算法求解。设计的算法步骤是，将列车运行调整问题描述成适合粒子群算法的形式，确定该问题的适应度函数，对基本问题模型进行改进，进而确定运动方程。以京广高速铁路线路内具有6个车站的下行方向，运行14列列车为例，利用设计的粒子群算法求解了某干扰条件下的列车运行调度问题，为列车运行调整提供了新的方法。

关键词: 列车, 运行调度, 粒子群算法

Abstract: Train operation adjustment is an important part of the railway dispatch work, the problem which is solved by computer is the key technology and difficulty. And it is valuable to study the problem. In this paper, a mathematic model about train operation adjustment is built and solved by particle swarm algorithm. The steps are as follows. It turns the train operation adjustment problem into a pattern easy to solve by particle swarm, and it puts forward the adaptive function. Then it gives the move equation. It calculates an example based on 6 stations in downward direction, 14 trains with particle swarm algorithm. It brings forward a new method to solve the train operation adjustment problem.

Key words: train, operation dispatching, particle swarm algorithm

王云峰1，宁晓希2，罗鸿斌3，谢素艳4. 基于粒子群算法的列车运行调度研究[J]. 计算机工程与应用, 2015, 51(23): 207-210.

WANG Yunfeng1, NING Xiaoxi2, LUO Hongbin3, XIE Suyan4. Study on train operation adjustment based on particle swarm optimization[J]. Computer Engineering and Applications, 2015, 51(23): 207-210.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[5]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[6]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[7]	梁新荣，肖龙，王雪奇，杨世武，董海荣. 高速列车速度跟踪神经网络PID控制器的设计[J]. 计算机工程与应用, 2021, 57(10): 252-258.
[8]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[9]	楚彭子，虞翊，林辉，袁建军，姜西. ATO系统速度控制的BP-FIPID算法[J]. 计算机工程与应用, 2020, 56(22): 224-229.
[10]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[11]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[12]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[13]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[14]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[15]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.