基于遗传算法的高速列车ATO追溯目标曲线优化

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (21): 247-251.

基于遗传算法的高速列车ATO追溯目标曲线优化

孟建军1，2，3，银铭1，祁文哲1，王安明1，胥如迅1

1.兰州交通大学机电工程学院，兰州 730070
2.兰州交通大学机电技术研究所，兰州 730070
3.甘肃省物流及运输装备信息化工程技术研究中心，兰州 730070

出版日期:2016-11-01 发布日期:2016-11-17

Optimization of tracing target curve of high speed train ATO based on genetic algorithm

MENG Jianjun1，2，3, YIN Ming1, QI Wenzhe1, WANG Anming1, XU Ruxun1

1.School of Mechanical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China
2.Mechatronics T&R Institute, Lanzhou Jiaotong University, Lanzhou 730070, China
3.Engineering Technology Center for Informatization of Logistics & Transport Equipment, Lanzhou 730070, China

Online:2016-11-01 Published:2016-11-17

摘要/Abstract

摘要： 对于高速列车在运行过程中因为运行环境造成能耗、舒适、准时和准确停车等指标的不同，运用遗传算法对列车运行的节能性曲线和多目标运行曲线优化，结合列车牵引计算方程和选定的线路约束条件仿真得到列车ATO所要追溯的目标曲线。结果表明：通过遗传算法优化工况转换点使得列车运行中的惰行比例增加，可以实现列车节能运行，与节能性目标相比，多目标可以较好地保证列车运行中的舒适性，准时性和准确停车等关键性指标。

关键词: 目标曲线, 牵引计算, 多目标, 遗传算法

Abstract: Due to the differences of operating environment that cause energy consumption, comfort, punctuality and accurate parking in high-speed trains running process, this paper uses genetic algorithm to optimize the energy saving curve and multi-objective curve, combined with the train traction calculating equation and selected line constraint conditions to get the target curve of ATO traced. The results show that genetic algorithm which optimizes the condition of train conversion makes the proportion of coasting increased, achieving train energy-saving operation. Compared with energy-saving operation, multi-objective one can be better to ensure train operation key indicators in comfort, punctual and accurate park.

Key words: target curve, traction calculation, multi-objective, genetic algorithms

孟建军1，2，3，银铭1，祁文哲1，王安明1，胥如迅1. 基于遗传算法的高速列车ATO追溯目标曲线优化[J]. 计算机工程与应用, 2016, 52(21): 247-251.

MENG Jianjun1，2，3, YIN Ming1, QI Wenzhe1, WANG Anming1, XU Ruxun1. Optimization of tracing target curve of high speed train ATO based on genetic algorithm[J]. Computer Engineering and Applications, 2016, 52(21): 247-251.

[1]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[2]	张旭，袁旭梅，袁继革. 中介视角下供需匹配决策方法研究[J]. 计算机工程与应用, 2021, 57(9): 240-246.
[3]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[4]	李昱奇，刘志乾，程凝怡，王莹莹，朱春丽. 多约束条件下无人机航迹规划[J]. 计算机工程与应用, 2021, 57(4): 225-230.
[5]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[6]	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.
[7]	胡小兵，陈树念，张盈斐，谷升豪. 求解多目标路径优化问题的涟漪扩散算法[J]. 计算机工程与应用, 2021, 57(23): 81-90.
[8]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[9]	李大海，艾志刚，王振东. 基于全组合策略的多目标阴阳对算法[J]. 计算机工程与应用, 2021, 57(22): 110-124.
[10]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[11]	曹立佳，刘洋. 制造车间自动导引车调度新进展[J]. 计算机工程与应用, 2021, 57(21): 59-67.
[12]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[13]	马龙，王春嬉，张正义，董睿. 多目标多时间窗车辆路径问题的鸽群-水滴算法[J]. 计算机工程与应用, 2021, 57(2): 237-250.
[14]	石宇强，田永政，张雨琦，石小秋. 运用含复杂网络结构的多种群遗传算法求解FJSP[J]. 计算机工程与应用, 2021, 57(2): 257-266.
[15]	丁一，张成成. 集装箱码头送箱外集卡预约优化研究[J]. 计算机工程与应用, 2021, 57(19): 267-273.