CN108288095A - 一种基于黄金分割遗传算法的地铁列车节能优化方法 - Google Patents
一种基于黄金分割遗传算法的地铁列车节能优化方法 Download PDFInfo
- Publication number
- CN108288095A CN108288095A CN201810013443.2A CN201810013443A CN108288095A CN 108288095 A CN108288095 A CN 108288095A CN 201810013443 A CN201810013443 A CN 201810013443A CN 108288095 A CN108288095 A CN 108288095A
- Authority
- CN
- China
- Prior art keywords
- train
- population
- genetic algorithm
- individual
- indicate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000004134 energy conservation Methods 0.000 title claims abstract description 7
- 210000000349 chromosome Anatomy 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000010353 genetic engineering Methods 0.000 claims abstract description 15
- 238000005265 energy consumption Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000004075 alteration Effects 0.000 claims description 3
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 238000004043 dyeing Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012546 transfer Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000009977 space dyeing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开一种基于黄金分割遗传算法的地铁列车节能优化方法,获取列车行驶线路和列车的相关数据,根据获得的数据计算列车运动模型,对列车的位置和工况级位进行编码,初始化主次种群,随机生成一定规模的染色体,以适应度函数值为评判函数,通过遗传操作的迭代计算求解出列车最优工况点,输出列车节能运行曲线。本发明实现了黄金分割遗传算法的列车节能优化方法,采用遗传算法和黄金分割算法对主次种群分别进行全局和局部优化,并将二者优化后的种群分别挑选M和N个个体进行交换;同时使用黄金分割法以0.382和0.618的概率搜寻交叉和变异的最佳自适应点。采用本发明可以准确的搜寻列车的最优工况转换点,迭代次数少且不易陷入局部最优。
Description
技术领域
本发明属于地铁列车节能技术领域,尤其涉及一种基于黄金分割遗传算法的地铁列车节能优化方法,用于优化地铁列车最优工况转换点,达到节能的根本目的。
背景技术
随着城市轨道交通的快速发展,巨大能源消耗引起了学者的广泛关注。列车牵引力的能耗占据地铁***接近一半的总能耗,因此研究如何在保证地铁准时的情况下降低地铁的耗能具有重要的实际意义。
目前,在地铁列车节能方面的研究主要是先根据路况信息制定相应的操纵策略,然后采用优化算法求解列车的最优工况切换点,进而求得最优控制序列,实现节能控制。通常情况下,首先将路段以每一分段内的限速和坡度相同为原则划分成若干份,然后根据分段内不同的坡度和限速信息制定相应的控制策略,最后使用遗传算法进行列车工况转换点的寻优,得出列车最优运行曲线。然而,遗传算法虽然已在地铁列车节能优化方面得到了广泛的应用,但有很多问题比如易陷入局部最优,迭代次数多等问题导致在求解列车最优控制问题的时候不能得到一个最优解。因此,急需一种可以有效的优化列车控制问题的方法,降低列车的运行能耗。
发明内容
本发明所解决的技术问题在于提供一种基于黄金分割遗传算法优化地铁列车运行曲线的方法。为实现上述目的,本发明采用如下的技术方案:
一种基于黄金分割遗传算法的地铁列车节能优化方法,包括以下步骤:
步骤1:获取列车行驶线路数据、列车特性以及列车初始位置和初速度;
步骤2:根据获得的列车牵引和制动特性曲线,根据列车各个工况的运动模型计算列车的速度和运行距离参数:
步骤3:根据列车各个阶段的计算模型,加载操纵序列,如果满足条件就输出S-V曲线,输出相关数据;若不满足最优解,跳转到步骤6。
步骤4:编码
根据步骤2中计算的列车在各个阶段的速度、加速度和行车位置以及相关坡度和限速信息,采用二进制对列车工况点进行编码组成染色体;
步骤5:初始化种群
在初始化种群中,采用黄金分割算法,根据实际地铁列车运行路况的限制条件,对产生的B种群中的染色体,以0.682或0.318的比例等比缩小搜索空间,将次种群B中符合列车限制条件的N个染色个体挑选出来,起到优化种群B的效果;采用遗传算法用以上步骤优化主种群A,从中选出M个个体来;主次种群间进行信息进行交换,将M个主种群的个体给次种群B,而次种群B中的N个个体给主种群A;其中,A为基于GA全局寻优的主种群,B为基于GR局部寻优的次种群;初始化参数,包括主次种群大小分别为M、N,进化代数Gen;
步骤6:适应度函数
经过步骤5产生的染色体通过适应度函数进行评判,如果符合条件进入步骤7进行遗传操作,否则被淘汰;具体为:将时间和停车距离这两个约束条件以罚函数的方式加在目标函数中进行处理,目标函数如式(5)所示:
f=E+α(|T-Ttarket|)+β(|S-Starket|) (5)
其中,E表示列车能耗,|T-Ttarket|表示到站时间偏差约束,|S-Starket|表示到站位置偏差约束,α,β表示惩罚因子,f表示最终适应度的评价值;
步骤7:遗传操作
遗传操作包括三个基本算子:选择、交叉和变异;
a.选择算子
经过适应度函数的评价后,选择算子会根据群体中所有个体的适应度值并从当前群体中选择适应度高的个体来繁衍下一代;
b.交叉和变异算子
经过选择后留下来的优良个体,进行交叉和遗传操作来保证个体多样性;基于适应度的交叉率和变异率,如式(6)(7)所示:
其中,favg表示平均适应度值,fmax表示最大适应度值,f'表示两个交叉个体中较大的适应度值,f表示要发生变异个体的适应度值;
步骤8:终止条件判断:遗传操作结束后跳转到步骤5,判断是否满足终止条件;若没有满足,则输出最优操作序列;若已满足,则输出最优解操纵序列,遗传算法模块计算终止,最终列车放着计算模块加载最终列车优化序列,从而获得列车S-V列车最优运行曲线和相关数据。
本发明的基于黄金分割遗传算法的列车节能优化方法,针对遗传算法求解地铁列车操纵序列易陷入局部最优、不易收敛等问题,提出一种黄金分割遗传算法,求解出列车最优工况转换点的位置,从而获得最优列车操纵序列。本发明实现了黄金分割遗传算法的地铁列车工况点的自动求解,其中改进的引入黄金分割点加强对遗传算法的局部优化,减少了迭代次数,不易陷入局部最优;采用黄金分割率以0.382或0.618的概率去寻找遗传算子中交叉算子和变异算子的最佳自适应点,提高了搜索效率,提升了运行速度。对于求解地铁列车最优工况序列以及降低地铁列车能耗有很好的实际指导意义。
有益效果
与其他现有技术相比,本发明实现了基于黄金分割遗传算法的地铁列车节能方法,其中通过引入黄金分割率来改进交叉算子和变异算子,找到最优的自适应点,减少了迭代次数,提升收敛速度;将遗传算法的全局优化和黄金分割局部优化相结合,弥补了遗传算法易陷入局部最优的缺陷,提升了全局优化解的质量。
附图说明
图1为对列车工况点进行编码的示意图;
图2为由各工况点编码组成的控制序列染色体示意图;
图3为本发明基于黄金分割遗传算法的列车节能优化流程图。
具体实施方式
本实验以亦庄地铁站的数据为依据,主要包括列车能耗,站间运行时间,加速度,站间距离,坡度,限速等。基于黄金分割遗传算法的优化步骤如下:
如图3所示,本发明提供一种基于黄金分割遗传算法的地铁列车节能优化方法,包括以下步骤:
步骤1:获取列车行驶线路数据、列车牵引和制动特性以及列车初始位置和初速度。
步骤2:根据获得的列车牵引和制动特性曲线,根据列车各个工况的运动模型计算列车的速度和运行距离等参数:
牵引阶段:
式中:Δt为时间步长,ai为列车第i个运行距离的加速度,vi和vi+1是第i和i+1的列车速度,Si和Si+1是第i和i+1的列车运行距离,F(vi)为列车速度为vi时列车牵引力,f(vi)为列车速度为vi时所受阻力,M为列车质量。
制动阶段:
式中:Fb(vi)为列车速度为vi时制动牵引力。
惰行阶段:
式中:f0(v)为基本阻力,fw(x)为附加阻力。
巡航阶段:
步骤3:根据列车各个阶段的计算模型,加载操纵序列,如果满足条件就输出S-V曲线,输出相关数据;若不满足最优解,跳转到步骤6。
步骤4:编码
根据步骤2中计算的列车在各个阶段的速度、加速度和行车位置以及相关坡度和限速信息,采用二进制对列车工况点进行编码组成染色体,编码中主要考虑工况(GK)、位置(X),由于列车启动和制动点都可以有步骤2中的牵引和制动方程组来计算就得。设列车工况点为8个,X1<X1<X2<...<X7<X8,只需对除去开始和结束两点外的剩余6个工况点进行编码即可。假设路程1000m,设置编码精度为28=256,站间可分为28-1=255,如S2(00101100)2=(44)10,因此编码后的关键点位置S2距离起点S=(44/255)*1000=172.5m。而此时S2位置是处于惰行工况转牵引工况,结合表1中的工况值编码与工况点位置编码和工况编码共同组成一个染色体,如图1所示。
表1:
二进制串 | 工况值 | 加速度值 |
000 | 3级牵引 | 1m/s2 |
001 | 2级牵引 | 0.8m/s2 |
010 | 1级牵引 | 0.6m/s2 |
011 | 惰行 | 0 |
100 | 1级制动 | -0.2m/s2 |
101 | 2级制动 | -0.4m/s2 |
110 | 3级制动 | -0.8m/s2 |
111 | 4级制动 | -1m/s2 |
步骤5:初始化种群
上一步骤阐述了染色体的产生过程,如图2所示,6个位置对应的基因构成一个大的染色体,而这条染色体代表列车的操作序列。但仅仅一条染色体是完全不够的,因此生成一定数量的种群A、B,两个种群中各包含一定数量的含有列车信息的染色体。初始化过程会产生一些不符合列车的限速条件和工况转换条件的染色体,在后续会被淘汰。传统遗传算法只初始单一种群,常常会出现个体单一的弊端,为了保证种群的多样性,在初始化种群中,采用黄金分割算法,根据实际地铁列车运行路况的限制条件,对产生的B种群中的染色体,以0.682或0.318的比例等比缩小搜索空间,将次种群B中一些符合列车限制条件的N个染色个体挑选出来,起到优化种群B的效果。采用遗传算法用以上步骤优化主种群A,从中选出M个个体来;主次种群间进行信息进行交换,将M个主种群的个体给次种群B,而次种群B中的N个个体给主种群A。其中,A为基于GA全局寻优的主种群,B为基于GR局部寻优的次种群。初始化参数,包括主次种群大小分别为M、N,进化代数Gen。
步骤6:适应度函数
适应度函数是评价众多染色体优劣的标准,适应度值越大越好。经过步骤5产生的染色体中并不能确定哪些是最佳个体,因此需要适应度函数进行评判。如果符合条件进入步骤7进行遗传操作,否则被淘汰。由于本发明目标是列车节能,但同时还应兼顾到列车运行的准时和定点停车的条件,因此将时间和停车距离这两个约束条件以罚函数的方式加在目标函数中进行处理,目标函数如式(5)所示:
f=E+α(|T-Ttarket|)+β(|S-Starket|) (5)
其中E表示列车能耗,|T-Ttarket|表示到站时间偏差约束,|S-Starket|表示到站位置偏差约束,α,β表示惩罚因子,f表示最终适应度的评价值。
步骤7:遗传操作
遗传操作包括三个基本算子:选择、交叉和变异。
a.选择算子
经过适应度函数的评价后,选择算子会根据群体中所有个体的适应度值并从当前群体中选择适应度高的个体来繁衍下一代,因为适应度高的个体遗传到下一代的概率会更大再以一定概率从上一代中所选个体作为双亲复制到下一代。
b.交叉和变异算子
经过选择后留下来的优良个体,进行交叉和遗传操作来保证个体多样性。引入一种黄金分割率,以0.382或0.618的概率去寻找最佳自适应点来提高搜索效率,加快运行速度。相比于传统自适应机制,避免Pc和Pm随进化阶段调整取值而影响到进化过程的收敛性能的问题,不易陷入局部最优。基于适应度的交叉率和变异率,如式(6)(7)所示:
其中,favg表示平均适应度值,fmax表示最大适应度值,f'表示两个交叉个体中较大的适应度值,f表示要发生变异个体的适应度值。
步骤8:终止条件判断:遗传操作结束后跳转到步骤5,判断是否满足终止条件。若没有满足,则输出最优操作序列。若已满足,则输出最优解操纵序列,遗传算法模块计算终止,最终列车放着计算模块加载最终列车优化序列,从而获得列车S-V列车最优运行曲线和相关数据。
Claims (2)
1.一种基于黄金分割遗传算法的地铁列车节能优化方法,其特征在于,包括以下步骤:
步骤1:获取列车行驶线路数据、列车特性以及列车初始位置和初速度;
步骤2:根据获得的列车牵引和制动特性曲线,根据列车各个工况的运动模型计算列车的速度和运行距离参数:
步骤3:根据列车各个阶段的计算模型,加载操纵序列,如果满足条件就输出S-V曲线,输出相关数据;若不满足最优解,跳转到步骤6。
步骤4:编码
根据步骤2中计算的列车在各个阶段的速度、加速度和行车位置以及相关坡度和限速信息,采用二进制对列车工况点进行编码组成染色体;
步骤5:初始化种群
在初始化种群中,采用黄金分割算法,根据实际地铁列车运行路况的限制条件,对产生的B种群中的染色体,以0.682或0.318的比例等比缩小搜索空间,将次种群B中符合列车限制条件的N个染色个体挑选出来,起到优化种群B的效果;采用遗传算法用以上步骤优化主种群A,从中选出M个个体来;主次种群间进行信息进行交换,将M个主种群的个体给次种群B,而次种群B中的N个个体给主种群A;其中,A为基于GA全局寻优的主种群,B为基于GR局部寻优的次种群;初始化参数,包括主次种群大小分别为M、N,进化代数Gen;
步骤6:适应度函数
经过步骤5产生的染色体通过适应度函数进行评判,如果符合条件进入步骤7进行遗传操作,否则被淘汰;具体为:将时间和停车距离这两个约束条件以罚函数的方式加在目标函数中进行处理,目标函数如式(5)所示:
f=E+α(|T-Ttarket|)+β(|S-Starket|) (5)
其中,E表示列车能耗,|T-Ttarket|表示到站时间偏差约束,|S-Starket|表示到站位置偏差约束,α,β表示惩罚因子,f表示最终适应度的评价值;
步骤7:遗传操作
遗传操作包括三个基本算子:选择、交叉和变异;
a.选择算子
经过适应度函数的评价后,选择算子会根据群体中所有个体的适应度值并从当前群体中选择适应度高的个体来繁衍下一代;
b.交叉和变异算子
经过选择后留下来的优良个体,进行交叉和遗传操作来保证个体多样性;基于适应度的交叉率和变异率,如式(6)(7)所示:
其中,favg表示平均适应度值,fmax表示最大适应度值,f'表示两个交叉个体中较大的适应度值,f表示要发生变异个体的适应度值;
步骤8:终止条件判断:遗传操作结束后跳转到步骤5,判断是否满足终止条件;若没有满足,则输出最优操作序列;若已满足,则输出最优解操纵序列,遗传算法模块计算终止,最终列车放着计算模块加载最终列车优化序列,从而获得列车S-V列车最优运行曲线和相关数据。
2.如权利要求1所述的黄金分割遗传算法的地铁列车节能优化方法,其特征在于,步骤2具体为:
牵引阶段:
其中:Δt为时间步长,ai为列车第i个运行距离的加速度,vi和vi+1是第i和i+1的列车速度,Si和Si+1是第i和i+1的列车运行距离,F(vi)为列车速度为vi时列车牵引力,f(vi)为列车速度为vi时所受阻力,M为列车质量;
制动阶段:
其中:Fb(vi)为列车速度为vi时制动牵引力;
惰行阶段:
其中:f0(v)为基本阻力,fw(x)为附加阻力;
巡航阶段:。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810013443.2A CN108288095A (zh) | 2018-01-07 | 2018-01-07 | 一种基于黄金分割遗传算法的地铁列车节能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810013443.2A CN108288095A (zh) | 2018-01-07 | 2018-01-07 | 一种基于黄金分割遗传算法的地铁列车节能优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108288095A true CN108288095A (zh) | 2018-07-17 |
Family
ID=62834975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810013443.2A Withdrawn CN108288095A (zh) | 2018-01-07 | 2018-01-07 | 一种基于黄金分割遗传算法的地铁列车节能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288095A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109398426A (zh) * | 2018-09-19 | 2019-03-01 | 中南大学 | 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法 |
CN109978350A (zh) * | 2019-03-13 | 2019-07-05 | 北京工业大学 | 一种基于工况分解动态规划算法的地铁列车节能优化方法 |
CN110363298A (zh) * | 2019-07-19 | 2019-10-22 | 中建安装集团有限公司 | 基于进化算法的智能调线调坡方法 |
CN111145068A (zh) * | 2019-12-09 | 2020-05-12 | 南京航空航天大学 | 一种长距离高时效经济性巡航车速规划方法 |
CN111688760A (zh) * | 2020-06-23 | 2020-09-22 | 北京全路通信信号研究设计院集团有限公司 | 一种通过陡坡路段的列车快速节能优化方法及装置 |
CN112180259A (zh) * | 2020-08-21 | 2021-01-05 | 湖南大学 | 一种基于遗传算法的锂离子电池参数拟合方法 |
CN112836348A (zh) * | 2021-01-08 | 2021-05-25 | 燕山大学 | 基于遗传算法和罚函数法的板形机构调节量优化方法 |
CN113591301A (zh) * | 2021-07-28 | 2021-11-02 | 广西大学 | 一种城市轨道交通列车运行参数优化算法 |
-
2018
- 2018-01-07 CN CN201810013443.2A patent/CN108288095A/zh not_active Withdrawn
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109398426A (zh) * | 2018-09-19 | 2019-03-01 | 中南大学 | 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法 |
CN109398426B (zh) * | 2018-09-19 | 2020-06-16 | 中南大学 | 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法 |
CN109978350A (zh) * | 2019-03-13 | 2019-07-05 | 北京工业大学 | 一种基于工况分解动态规划算法的地铁列车节能优化方法 |
CN110363298A (zh) * | 2019-07-19 | 2019-10-22 | 中建安装集团有限公司 | 基于进化算法的智能调线调坡方法 |
CN110363298B (zh) * | 2019-07-19 | 2023-05-16 | 中建安装集团有限公司 | 基于进化算法的智能调线调坡方法 |
CN111145068A (zh) * | 2019-12-09 | 2020-05-12 | 南京航空航天大学 | 一种长距离高时效经济性巡航车速规划方法 |
CN111145068B (zh) * | 2019-12-09 | 2023-09-26 | 南京航空航天大学 | 一种长距离高时效经济性巡航车速规划方法 |
CN111688760A (zh) * | 2020-06-23 | 2020-09-22 | 北京全路通信信号研究设计院集团有限公司 | 一种通过陡坡路段的列车快速节能优化方法及装置 |
CN112180259A (zh) * | 2020-08-21 | 2021-01-05 | 湖南大学 | 一种基于遗传算法的锂离子电池参数拟合方法 |
CN112836348A (zh) * | 2021-01-08 | 2021-05-25 | 燕山大学 | 基于遗传算法和罚函数法的板形机构调节量优化方法 |
CN113591301A (zh) * | 2021-07-28 | 2021-11-02 | 广西大学 | 一种城市轨道交通列车运行参数优化算法 |
CN113591301B (zh) * | 2021-07-28 | 2023-12-08 | 广西大学 | 一种城市轨道交通列车运行参数优化算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288095A (zh) | 一种基于黄金分割遗传算法的地铁列车节能优化方法 | |
CN108470444B (zh) | 一种基于遗传算法优化的城市区域交通大数据分析***与方法 | |
CN107180282B (zh) | 一种高峰时段多列车节能优化方法 | |
CN109858154A (zh) | 一种基于多目标优化的列车节能运行方法 | |
CN109783890A (zh) | 基于钩缓装置模型的重载列车运行曲线多目标优化方法 | |
CN107472302A (zh) | 一种列车站间节能运行方法 | |
CN107368920A (zh) | 一种非高峰时段多列车运行节能优化方法 | |
CN112116207A (zh) | 一种多约束条件的列车运行调整的计算方法和装置 | |
CN102495934A (zh) | 基于粒子群算法的轨道交通牵引功率平衡运行图设计方法 | |
CN111680413B (zh) | 基于双层算法的有轨电车定时节能运行优化方法及其*** | |
Zhang et al. | Data-driven train operation models based on data mining and driving experience for the diesel-electric locomotive | |
CN103699933B (zh) | 基于最小生成树聚类遗传算法的交通信号配时优化方法 | |
CN113867358A (zh) | 多无人车协同遍历任务的智能路径规划方法 | |
CN114117650B (zh) | 一种重载列车多目标运行曲线优化方法及*** | |
CN108394429A (zh) | 一种为城轨列车群生成自动驾驶曲线的方法 | |
CN103279796A (zh) | 一种优化遗传算法进化质量的方法 | |
Niu et al. | Research On Energy-saving Operation Of High-speed Trains Based On Improved Genetic Algorithm | |
CN114056320A (zh) | 新能源车辆的能耗回收比预测方法、节能控制方法和*** | |
CN104200073A (zh) | 一种基于局部Lipschitz估计的自适应群体全局优化方法 | |
Pu et al. | Optimization of train energy saving based on golden ratio genetic algorithm | |
Wei et al. | Energy saving train control for urban railway train with multi-population genetic algorithm | |
Lu et al. | Optimal control strategy for energy saving in trains under the four-aspect fixed autoblock system | |
Cao et al. | Optimisation of recommended speed profile for train operation based on ant colony algorithm | |
CN103106536A (zh) | 基于自然选择和群体遗传机理的搜索方法 | |
Guan et al. | Streamlining biological data analysis using BioFlow |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180717 |
|
WW01 | Invention patent application withdrawn after publication |