群智能算法在列车运行速度曲线节能优化中的研究

发布时间：2017-04-17 05:27

  本文关键词：群智能算法在列车运行速度曲线节能优化中的研究，由笔耕文化传播整理发布。

【摘要】：铁路运输是我国最重要的交通运输方式之一,它担负着关系国民经济和社会发展的重要任务。随着铁路建设蓬勃发展,铁路运输能源消耗量也呈现总体上升趋势,其中机车牵引能耗占铁路运输能耗的60%-70%。因此,机车牵引系统的节能提效对铁路运输节能具有重大意义。在技术集群层面,列车运行速度曲线优化是提高列车牵引系统效率的主要措施之一。本文主要研究了列车节能运行速度曲线优化算法,基于列车运行数学模型和列车节能理论,在MATLAB仿真环境中对比研究了粒子群算法、改进的蚁群算法和粒子群-蚁群混合算法在列车节能运行速度曲线优化中的应用,并运用DYNAMIS工具搭建列车运行模型对各算法仿真结果进行检验。具体包含以下几个研究内容：(1)根据列车动力学、运动学模型建立基于能量守恒原则的列车牵引系统能耗目标函数及约束条件,通过Hamiltonian函数,并联合Karush-Kuhn-Tucker最优化条件与Lagrange算子分析了列车运行模态转换原则。引入复杂线路条件下陡上坡和陡下坡概念,针对各阶段的特征,分析了在理想状态下各阶段的优化策略,并推导了连续坡道优化操纵方案。(2)通过研究粒子群算法解决列车目标速度曲线节能优化问题的可行性,设计了包括预处理模块、查询矩阵模块、坡道处理经验引入模块、粒子群模块和路径信息模块的速度曲线优化模型,并创建列车运行速度控制信号对应表和平衡目标时间与能耗的适应度函数调整规则。仿真结果分析显示,列车能耗会随着计划旅行时间的增加而减小,此算法具有较高的计算精度与计算速度。(3)结合蚁群算法优化速度快的特点,运用列车节能经验并改进信息素调整方案,建立了基于蚁群算法的列车目标速度曲线节能优化模型,并搭建利用启发因子平衡列车能耗和运行时间的子模块。仿真结果显示,改进后的蚁群算法在计算精度和计算速度上都有提升。(4)根据仿真结果显示的粒子群和蚁群算法优缺点,搭建利用蚁群算法解决粒子群算法中参数自适应的混合算法模型,并建立以节能为目标的算法间相互反馈机制。优化结果显示,此改进进一步提高了算法综合性能。(5)以收敛代数、收敛精度、收敛速度等为算法性能评价指标,对粒子群算法、蚁群算法、粒子群-蚁群混合算法进行对比分析,并运用DYNAMIS软件对三种算法优化的目标速度曲线进行了模拟验证。本文致力于列车目标速度曲线节能优化理论和实践研究,重点研究了目标速度曲线优化算法,为优秀的在线操纵指导辅助系统的开发奠定基础,以期降低列车牵引系统能耗,进而推进铁路运输行业的节能降耗。
【关键词】：列车节能 运行曲线优化 牵引系统 粒子群算法 蚁群算法 粒子群-蚁群混合算法
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U268.6;TP18
【目录】：

• 致谢5-6
• 摘要6-8
• ABSTRACT8-13
• 1 绪论13-19
• 1.1 研究背景13-14
• 1.2 研究现状14-16
• 1.2.1 国外研究现状14-15
• 1.2.2 国内研究现状15-16
• 1.3 选题意义16
• 1.4 本文结构安排16-19
• 2 列车运行数学模型19-33
• 2.1 列车动力学模型19-21
• 2.1.1 牵引力20
• 2.1.2 运行阻力20-21
• 2.1.3 列车制动力21
• 2.2 列车运动学模型21-25
• 2.2.1 列车状态转移模型21-22
• 2.2.2 质点列车转化模型22-23
• 2.2.3 列车能耗模型23-24
• 2.2.4 约束条件24-25
• 2.3 列车运行相位转换原则25-27
• 2.4 列车节能典型情况讨论27-31
• 2.4.1 单个陡上坡最优运行方案讨论27-29
• 2.4.2 单个陡下坡最优运行方案讨论29-31
• 2.4.3 连续坡道最优化运行方案推导流程31
• 2.5 本章小结31-33
• 3 基于粒子群算法的列车目标速度曲线优化33-63
• 3.1 粒子群算法简介33
• 3.2 算法可行性分析33-35
• 3.2.1 问题描述34
• 3.2.2 可收敛性证明34-35
• 3.3 基于粒子群的优化算法模型设计35-44
• 3.3.1 预处理模块36
• 3.3.2 查询矩阵模块36-39
• 3.3.3 粒子群模块39-44
• 3.3.4 路径信息模块44
• 3.4 列车运行速度曲线优化系统介绍44-47
• 3.5 仿真及分析47-61
• 3.5.1 仿真案例一47-57
• 3.5.2 仿真案例二57-61
• 3.6 本章小结61-63
• 4 基于蚁群算法的列车目标速度曲线优化63-77
• 4.1 蚁群算法简介63
• 4.2 基于蚁群的优化算法模型设计63-69
• 4.2.1 三维查询矩阵模块64-65
• 4.2.2 蚁群模块65-68
• 4.2.3 能耗、时间均衡子模块68-69
• 4.3 仿真及分析69-75
• 4.3.1 仿真案例一69-72
• 4.3.2 仿真实例二72-75
• 4.4 本章小结75-77
• 5 基于粒子群-蚁群混合算法的列车目标速度曲线优化77-91
• 5.1 混合算法的提出77-78
• 5.2 基于混合算法的列车速度曲线优化步骤78-82
• 5.3 混合算法仿真结果及算法比较82-89
• 5.3.1 仿真案例一82-87
• 5.3.2 仿真案例二87-89
• 5.4 本章小结89-91
• 6 算法比较及验证91-105
• 6.1 性能指标选取91
• 6.2 适应度值比较91-94
• 6.3 收敛代数分析94-96
• 6.4 收敛精度分析96-102
• 6.4.1 收敛精度及其稳定性分析96-100
• 6.4.2 DYNAMIS验证100-102
• 6.5 收敛速度分析102
• 6.6 本章小结102-105
• 7 结论105-107
• 参考文献107-111
• 作者简历及攻读硕士学位期间取得的研究成果111-115
• 学位论文数据集115

【相似文献】

中国期刊全文数据库 前10条

1 王金城;王晓琳;庞古风;;关联规则挖掘算法及其在冷轧生产中的应用[J];清华大学学报(自然科学版);2007年S2期

2 黄超君;范剑波;;Apriori算法的分析与改进[J];宁波工程学院学报;2013年02期

3 邱昕;甘超;江雄心;涂海宁;顾嘉;;基于云计算环境下Apriori算法的设备故障诊断技术研究[J];组合机床与自动化加工技术;2014年04期

4 吴通,李桂琴,富丽,余隋怀,陆长德;油漆调色系统的改进算法[J];西北工业大学学报;2003年03期

5 王嘉;汤大权;谢羿;;过程挖掘算法[J];火力与指挥控制;2011年08期

6 黄颖琦;;Active LeZi算法的改进[J];制造业自动化;2012年14期

7 邓勇,施文康;发现频繁情节的改进算法[J];上海交通大学学报;2005年03期

8 张友新;王立宏;;两阶段近邻传播半监督聚类算法[J];山东大学学报(工学版);2012年02期

9 胡森森;周贤善;;一种改进蚁群算法的研究[J];长江大学学报(自科版)理工卷;2006年04期

10 段海滨;王道波;于秀芬;;蚁群算法的研究现状及其展望[J];中国工程科学;2007年02期

中国重要会议论文全文数据库 前10条

1 黄纪武;毛泽华;李松涛;张锦雄;;SPMD并行查找算法的MPI实现[A];广西计算机学会——2004年学术年会论文集[C];2004年

2 黄纪武;毛泽华;李松涛;张锦雄;;SPMD并行查找算法的MPI实现[A];广西计算机学会2004年学术年会论文集[C];2004年

3 符丽锦;覃华;邓海;孙欣;;一种改进的Apriori算法的研究[A];广西计算机学会2012年学术年会论文集[C];2012年

4 王东锋;王军民;陈英武;;模糊定性仿真理论研究与算法实现[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年

5 赵唯;;晶粒度评级的改进算法[A];中国图象图形科学技术新进展——第九届全国图象图形科技大会论文集[C];1998年

6 刘启文;;可扩展的图形学算法演示系统的研究[A];’2004计算机应用技术交流会议论文集[C];2004年

7 佘智;蒋泰;朱延生;;基于Type C协议的防冲突改进算法[A];广西计算机学会25周年纪念会暨2011年学术年会论文集[C];2011年

8 朱绍文;赵培;朱秋云;;基于pSPADE并行挖掘序列算法的研究[A];2003年中国智能自动化会议论文集（下册）[C];2003年

9 杨霞;;新的基于启发式蚁群算法的QoS路由算法[A];广西计算机学会2009年年会论文集[C];2009年

10 陈黎飞;姜青山;董槐林;;基于图形轮廓的快速聚类算法[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

中国博士学位论文全文数据库 前10条

1 钟永腾;基于近场MUSIC算法的复合材料结构健康监测研究[D];南京航空航天大学;2014年

2 刘燕;入侵杂草优化算法在阵列天线综合中的应用[D];西安电子科技大学;2015年

3 苗义烽;突发事件下的列车运行调度模型与算法研究[D];中国铁道科学研究院;2015年

4 单美静;求解非线性实代数系统的混合算法研究[D];华东师范大学;2008年

5 邱剑锋;人工蜂群算法的改进方法与收敛性理论的研究[D];安徽大学;2014年

6 潘磊;若干社区发现算法研究[D];南京大学;2014年

7 陈俊波;频繁闭合项集挖掘算法及应用研究[D];浙江大学;2009年

8 陆楠;关联规则的挖掘及其算法的研究[D];吉林大学;2007年

9 范洪博;快速精确字符串匹配算法研究[D];哈尔滨工程大学;2011年

10 寇晓丽;群智能算法及其应用研究[D];西安电子科技大学;2009年

中国硕士学位论文全文数据库 前10条

1 安世勇;命题逻辑中随机3-SAT问题算法研究[D];西南交通大学;2015年

2 毕晓庆;油气探矿权竞争性出让系统设计与实现[D];中国地质大学(北京);2015年

3 王明明;铁路大机与线路固定设施间距检测算法研究[D];西南交通大学;2015年

4 李静;基于视频图像序列的运动目标检测与跟踪算法研究[D];宁夏大学;2015年

5 刘贝玲;基于天地图的租房平台开发及其关键技术研究[D];西南交通大学;2015年

6 曹海锋;IDS中串匹配臭算法并行优化研究[D];西安建筑科技大学;2015年

7 周攀;基于蚁群算法的山区高速铁路隧道火灾应急疏散最优路径研究[D];西南交通大学;2015年

8 张路奇;基于改进蚁群算法的WSN路由协议的研究[D];中国地质大学(北京);2015年

9 王晓晨;入侵杂草优化算法的应用与改进[D];长安大学;2015年

10 信琴琴;手势控制和识别算法研究[D];闽南师范大学;2015年

  本文关键词：群智能算法在列车运行速度曲线节能优化中的研究，由笔耕文化传播整理发布。

，

本文编号：312538