基于人工蜂群算法的推荐速度曲线节能优化
发布时间：2022-04-26 20:25
城市轨道交通由于具有运输人次多、线路长、间隔时间短、时速快、准时性高等特点已经成为城市中的主流交通运输工具,且其线路数量及运营里程仍在不断增加,因此作为国民经济中能耗最大的行业之一,列车的节能运行显得尤为重要。其中,列车在运行过程中由于牵引做功所消耗的能量占据总能耗一半的比率,因此,通过优化推荐速度曲线以降低牵引能耗的研究具有重要的现实意义。结合现有对推荐速度曲线进行优化的遗传算法、粒子群算法均容易陷入局部收敛的现状,本文提出应用寻优精度高、收敛速度快且全局寻优能力强的人工蜂群算法对列车推荐速度曲线进行优化,主要工作如下:（1）分析运行中列车的受力情况,建立动力学模型,并根据动力学方程应用极大值原理,建立哈密尔顿函数,引入拉格朗日算子分析得到列车的最优操纵策略。以能耗和站间运行时间误差为优化目标,建立多目标优化模型,将推荐速度曲线的优化问题转化为在速度-距离二维空间中寻找能耗最低、运行时间误差最小的路径规划问题。（2）通过算法对比的方式验证人工蜂群（ABC）算法的寻优精度、稳定性、收敛速度等性能,将粒子群算法和差分进化算法作为对比,应用MATLAB分别用三种算法对单峰单极值函数Sphe...
【文章页数】：97 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 列车节能优化操纵策略研究现状
1.2.2 推荐速度曲线优化算法研究现状
1.2.3 现有研究方法的不足及改进
1.3 论文主要内容及章节安排
2 列车自动运行系统及运行模型
2.1 列车自动运行系统
2.2 列车运行动力学模型
2.2.1 列车牵引力
2.2.2 列车制动力
2.2.3 列车运行阻力
2.2.4 动力学模型
2.2.5 列车节能运行工况及其转换原则
2.3 其他约束指标
2.3.1 准点率
2.3.2 停车精度
2.3.3 乘客舒适度
2.4 本章小结
3 人工蜂群算法
3.1 生物学原理
3.2 基本模型
3.3 算法实现步骤
3.4 特点分析
3.5 寻优性能仿真验证
3.5.1 Sphere Model函数
3.5.2 Griewank函数
3.5.3 Generalized Rosenbrock函数
3.5.4 维数、迭代次数对算法的影响
3.6 本章小结
4 基于人工蜂群算法的推荐速度曲线优化
4.1 问题与假设
4.2 多目标优化问题
4.2.1 多目标优化问题的数学模型
4.2.2 多目标优化问题的解决方法
4.3 列车节能优化设计策略
4.3.1 列车运行操纵策略
4.3.2 坡度等效策略
4.3.3 变量离散化
4.4 基于ABC的推荐速度曲线单目标节能优化
4.4.1 模型建立
4.4.2 算法求解过程
4.5 基于改进ABC的推荐速度曲线多目标节能优化
4.5.1 模型建立
4.5.2 多目标人工蜂群算法
4.5.3 算法求解过程
4.6 本章小结
5 仿真与分析
5.1 基础数据
5.1.1 线路数据
5.1.2 车辆数据
5.1.3 控制策略
5.2 单目标优化与多目标优化的仿真验证
5.3 等分区间与非等分区间的仿真验证
5.4 不同控制策略下的仿真验证
5.5 本章小结
6 总结与展望
6.1 总结
6.2 展望
参考文献
图索引
表索引
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]列车节能运行目标速度控制优化研究[J]. 杨彦强,刘海东,麻存瑞,徐靓. 交通运输系统工程与信息. 2019(01)
[2]基于PSO的轨道交通列车节能控制优化研究[J]. 李烨,郭子立,郭奕杉. 控制工程. 2018(10)
[3]基于改进遗传算法的列车运行曲线优化[J]. 纪云霞,孙鹏飞,毛畅海,王青元. 计算机与现代化. 2018(08)
[4]Research on Multi-Objective Real-Time Optimization of Automatic Train Operation（ATO） in Urban Rail Transit[J]. 何彤,熊瑞琦. Journal of Shanghai Jiaotong University（Science）. 2018(02)
[5]采用预测控制的地铁节能优化控制算法[J]. 汪仁智,李德伟,席裕庚. 控制理论与应用. 2017(09)
[6]人工蜂群算法研究综述[J]. 何尧,刘建华,杨荣华. 计算机应用研究. 2018(05)
[7]基于免疫粒子群算法的地铁列车节能优化研究[J]. 谭文举,贺德强,王合良. 机车电传动. 2017(02)
[8]基于粒子群算法的面向节能的单/多列车优化决策问题[J]. 叶庆仕,张虹,赵蓉蓉. 数学的实践与认识. 2016(15)
[9]基于极大值原理的电动车组节能操纵[J]. 梁志成,王青元,何坤,冯晓云. 铁道学报. 2015(10)
[10]自适应遗传算法在列车节能优化中的应用[J]. 王鹏玲,林轩,李跃宗,冯晓云. 计算机仿真. 2012(11)
博士论文
[1]基于人工蜂群算法的最优潮流相关技术研究[D]. 何宣虎.北京交通大学 2016
[2]几类优化问题的人工蜂群算法[D]. 孔翔宇.西安电子科技大学 2016
[3]城市轨道交通多列车运行节能优化控制[D]. 唐海川.西南交通大学 2015
硕士论文
[1]高速列车追踪运行节能优化与控制[D]. 高坚.北京交通大学 2018
[2]基于GA-SPSO算法的列车速度曲线优化算法研究[D]. 陶细华.山东科技大学 2017
[3]多机牵引重载列车分布式协同控制[D]. 张靖林.北京交通大学 2017
[4]基于Pareto多目标遗传算法的列车节能运行方法研究[D]. 桂行东.南京理工大学 2017
[5]基于蚁群算法的列车推荐速度曲线优化[D]. 范礼乾.北京交通大学 2016
[6]基于遗传算法的高速列车节能运行控制研究[D]. 王成莉.北京交通大学 2016
[7]高速列车节能优化操纵方法的研究[D]. 耿超.西南交通大学 2016
[8]群智能算法在列车运行速度曲线节能优化中的研究[D]. 李卓玥.北京交通大学 2016
[9]基于粒子群算法的城市轨道交通列车节能优化研究[D]. 李玲玉.北京交通大学 2016
[10]城轨列车速度曲线影响因素分析及其节能优化[D]. 蔡虎.北京交通大学 2016
本文编号：3648676
【文章页数】：97 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 列车节能优化操纵策略研究现状
1.2.2 推荐速度曲线优化算法研究现状
1.2.3 现有研究方法的不足及改进
1.3 论文主要内容及章节安排
2 列车自动运行系统及运行模型
2.1 列车自动运行系统
2.2 列车运行动力学模型
2.2.1 列车牵引力
2.2.2 列车制动力
2.2.3 列车运行阻力
2.2.4 动力学模型
2.2.5 列车节能运行工况及其转换原则
2.3 其他约束指标
2.3.1 准点率
2.3.2 停车精度
2.3.3 乘客舒适度
2.4 本章小结
3 人工蜂群算法
3.1 生物学原理
3.2 基本模型
3.3 算法实现步骤
3.4 特点分析
3.5 寻优性能仿真验证
3.5.1 Sphere Model函数
3.5.2 Griewank函数
3.5.3 Generalized Rosenbrock函数
3.5.4 维数、迭代次数对算法的影响
3.6 本章小结
4 基于人工蜂群算法的推荐速度曲线优化
4.1 问题与假设
4.2 多目标优化问题
4.2.1 多目标优化问题的数学模型
4.2.2 多目标优化问题的解决方法
4.3 列车节能优化设计策略
4.3.1 列车运行操纵策略
4.3.2 坡度等效策略
4.3.3 变量离散化
4.4 基于ABC的推荐速度曲线单目标节能优化
4.4.1 模型建立
4.4.2 算法求解过程
4.5 基于改进ABC的推荐速度曲线多目标节能优化
4.5.1 模型建立
4.5.2 多目标人工蜂群算法
4.5.3 算法求解过程
4.6 本章小结
5 仿真与分析
5.1 基础数据
5.1.1 线路数据
5.1.2 车辆数据
5.1.3 控制策略
5.2 单目标优化与多目标优化的仿真验证
5.3 等分区间与非等分区间的仿真验证
5.4 不同控制策略下的仿真验证
5.5 本章小结
6 总结与展望
6.1 总结
6.2 展望
参考文献
图索引
表索引
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]列车节能运行目标速度控制优化研究[J]. 杨彦强,刘海东,麻存瑞,徐靓. 交通运输系统工程与信息. 2019(01)
[2]基于PSO的轨道交通列车节能控制优化研究[J]. 李烨,郭子立,郭奕杉. 控制工程. 2018(10)
[3]基于改进遗传算法的列车运行曲线优化[J]. 纪云霞,孙鹏飞,毛畅海,王青元. 计算机与现代化. 2018(08)
[4]Research on Multi-Objective Real-Time Optimization of Automatic Train Operation（ATO） in Urban Rail Transit[J]. 何彤,熊瑞琦. Journal of Shanghai Jiaotong University（Science）. 2018(02)
[5]采用预测控制的地铁节能优化控制算法[J]. 汪仁智,李德伟,席裕庚. 控制理论与应用. 2017(09)
[6]人工蜂群算法研究综述[J]. 何尧,刘建华,杨荣华. 计算机应用研究. 2018(05)
[7]基于免疫粒子群算法的地铁列车节能优化研究[J]. 谭文举,贺德强,王合良. 机车电传动. 2017(02)
[8]基于粒子群算法的面向节能的单/多列车优化决策问题[J]. 叶庆仕,张虹,赵蓉蓉. 数学的实践与认识. 2016(15)
[9]基于极大值原理的电动车组节能操纵[J]. 梁志成,王青元,何坤,冯晓云. 铁道学报. 2015(10)
[10]自适应遗传算法在列车节能优化中的应用[J]. 王鹏玲,林轩,李跃宗,冯晓云. 计算机仿真. 2012(11)
博士论文
[1]基于人工蜂群算法的最优潮流相关技术研究[D]. 何宣虎.北京交通大学 2016
[2]几类优化问题的人工蜂群算法[D]. 孔翔宇.西安电子科技大学 2016
[3]城市轨道交通多列车运行节能优化控制[D]. 唐海川.西南交通大学 2015
硕士论文
[1]高速列车追踪运行节能优化与控制[D]. 高坚.北京交通大学 2018
[2]基于GA-SPSO算法的列车速度曲线优化算法研究[D]. 陶细华.山东科技大学 2017
[3]多机牵引重载列车分布式协同控制[D]. 张靖林.北京交通大学 2017
[4]基于Pareto多目标遗传算法的列车节能运行方法研究[D]. 桂行东.南京理工大学 2017
[5]基于蚁群算法的列车推荐速度曲线优化[D]. 范礼乾.北京交通大学 2016
[6]基于遗传算法的高速列车节能运行控制研究[D]. 王成莉.北京交通大学 2016
[7]高速列车节能优化操纵方法的研究[D]. 耿超.西南交通大学 2016
[8]群智能算法在列车运行速度曲线节能优化中的研究[D]. 李卓玥.北京交通大学 2016
[9]基于粒子群算法的城市轨道交通列车节能优化研究[D]. 李玲玉.北京交通大学 2016
[10]城轨列车速度曲线影响因素分析及其节能优化[D]. 蔡虎.北京交通大学 2016
本文编号：3648676
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3648676.html
