基于遺傳算法的列車自動駕駛過程優(yōu)化研究

高凡

（蘭州交通大學(xué) 自動化與電氣工程學(xué)院，碩士研究生，甘肅 蘭州 730070）

近年來，各國學(xué)者們運用了多種方法對高速列車速度控制器進行了不同的研究，取得了一定的成果［1］，如日本研制的“預(yù)測型模糊控制”列車自動駕駛系統(tǒng)［2］；新加坡學(xué)者把遺傳算法用于列車自動駕駛仿真中，根據(jù)各種情況在出發(fā)前便產(chǎn)生惰行的最合適點，以實現(xiàn)能耗最低，之后又提出了基于模糊的多目標控制列車自動運行系統(tǒng)；中科院自動化所把一種新型的聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)，應(yīng)用于列車的自動停車中，該技術(shù)以滾動優(yōu)化的方式實現(xiàn)了基于聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)的長程預(yù)測控制；鐵道科學(xué)研究院提出了基于直接模糊神經(jīng)控制的方法［3］，應(yīng)用在列車自動運行控制上［4］；同濟大學(xué)用模糊控制的BP網(wǎng)絡(luò)實現(xiàn)站間運行控制，用基于遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)實現(xiàn)列車的定位停車控制［5］。

由于列車自動駕駛系統(tǒng)（ATO）控制的目標復(fù)雜多樣和環(huán)境變量不穩(wěn)定等原因，要實現(xiàn)ATO控制，傳統(tǒng)的控制理論己經(jīng)不能滿足需要，須利用先進的智能控制理論對控制算法進行設(shè)計。本文采用遺傳算法對列車運行曲線進行優(yōu)化，從而產(chǎn)生最優(yōu)的決策策略以控制列車運行。

1 高速列車運行優(yōu)化模型

1.1 列車運行質(zhì)點模型 根據(jù)《牽引計算規(guī)程》，列車質(zhì)點運動方程為

式中：x為列車在線路上的位置；

t為運行時間；

v為列車運行速度；

u為輸入控制；

f為列車牽引力，由列車牽引特性曲線決定；

b為制動力；

w為列車阻力。

1.2 列車運行優(yōu)化模型 單質(zhì)點模型將列車看作一個整體，列車在當(dāng)前位置的阻力由基本阻力和附加阻力疊加而來，但相鄰2車體分別位于不同坡段時，會產(chǎn)生不同的附加阻力，此時，無論采用車體哪部分為計算基準，都會產(chǎn)生比較大的計算誤差。

實際上列車是分步式質(zhì)量系統(tǒng)，與單質(zhì)點模型比較而言，主要表現(xiàn)為單位附加阻力不同，因而對單質(zhì)點模型進行如下優(yōu)化：

式中：M為列車質(zhì)量；

ρ（m）為距離列車頭部m位置處列車的單位長度質(zhì)量；

S為列車全長。

對單質(zhì)點模型進行優(yōu)化后，列車單位點的阻力與列車所處的位置相關(guān)，當(dāng)列車位于不同坡道時得到不同的阻力，從而提高了列車運行模型的準確性。

2 遺傳算法優(yōu)化運行曲線模型

2.1 遺傳優(yōu)化的優(yōu)越性 遺傳算法（Genetic A lgo?rithm-GA）是基于自然選擇和基因遺傳學(xué)原理的搜索算法，借助于復(fù)制、交叉、變異算子，引導(dǎo)個體逐漸向最優(yōu)解移動，選擇操作使優(yōu)秀的個體能夠盡可能保留下來。為了保持種群的多樣性，通過交叉和變異操作獲得優(yōu)秀的個體，同時變異操作有利于維護種群的多樣性，防止陷入局部最優(yōu)，只須檢測少量的結(jié)構(gòu)就能反映搜索空間的大量領(lǐng)域。它在實時性要求不高的復(fù)雜控制系統(tǒng)的優(yōu)化中是很有潛力的，對于列車自動駕駛這種多目標，多輸入變量的控制系統(tǒng)來說，采用遺傳算法可以很好地解決列車運行的準時性、停車精度、能耗及舒適性等多目標尋求最優(yōu)控制策略的問題。

2.2 遺傳優(yōu)化過程 列車自動駕駛問題，實際上就是尋找列車行駛過程中，達到行車要求的最佳工況轉(zhuǎn)換點及其控制策略。因此，可將列車控制序列進行遺傳編碼，用遺傳算法尋優(yōu)，對目標曲線進行優(yōu)化。遺傳算法優(yōu)化高速列車目標曲線流程，見圖1。

圖1 遺傳算法優(yōu)化高速列目標曲線的流程圖

2.2.1 生成列車控制序列和轉(zhuǎn)換點 根據(jù)《牽引計算規(guī)程》，求得列車在整個區(qū)間輸入控制序列及其轉(zhuǎn)換點。合并運行距離很短的不合理輸入控制，本文合并1 km以下輸入控制，得到列車輸入控制序列及其轉(zhuǎn)換點。

將目標速度轉(zhuǎn)化點與坡度轉(zhuǎn)化點的加速度值求差，得到合成的加速度轉(zhuǎn)換點，如圖2所示。

圖2 合成加速度轉(zhuǎn)換點

2.2.2染色體編碼 將控制序列及其轉(zhuǎn)換點轉(zhuǎn)化為二進制串，每對工況和位置編碼連接組成一個基因，整個區(qū)間形成k個基因，將其連接為一條染色體。轉(zhuǎn)換編碼如表1所示。

表1 編碼轉(zhuǎn)換表

選取位置86632（10101001001101000）cm處采取工況2級牽引（001）為例，編碼如下。

2.2.3 適應(yīng)度計算 適應(yīng)度用來確定個體被遺傳到下一代個體中的概率。適應(yīng)度函數(shù)是衡量遺傳算法優(yōu)劣的關(guān)鍵。

1）列車運行時間：

式中：ft為列車運行時間；

X為列車運行距離。

2）列車停車地點：

式中：fd為列車實際停車地點指標。

3）列車全程能耗：

式中：θ為不同輸入控制對應(yīng)的能耗。

4）旅客舒適度：

從上式可知，加速度變化率決定了旅客受到的沖擊率，沖擊率越小運行的舒適度就越高。

列車運行時間ft，停車精度fd，能耗fe，舒適度fc作為目標，應(yīng)用線性加權(quán)，將多目標優(yōu)化問題轉(zhuǎn)化為單目標優(yōu)化問題，建立模型如下：

式中，ωt，ωd，ωe，ωc分別為運行時間、停車精度、能耗、舒適度的權(quán)重。

2.2.4 遺傳算法基本操作 遺傳操作過程如圖3所示。

圖3 遺傳操作過程

1）復(fù)制；采用遺傳算法輪盤選擇策略。

2）交叉；采用遺傳算法部分個體匹配交叉策略，由于交叉概率太小會造成搜索過程停滯不前，所以把交叉概率定在0.5～1.0之間，本文選取交叉概率為0.5。

3）變異；變異算子通過對所有個體隨機地確定基因位，以變異概率改變該基因值。目的是增強遺傳算法的局部搜索能力，同時增加群體的多樣性。如果沒有變異，就不會產(chǎn)生新的基因，但變異太大又會使遺傳算法變成隨機搜索，一般變異概率定在0.01～0.2之間，本文選取變異概率為0.01。

2.2.5 精英統(tǒng)治 精英統(tǒng)治就是使遺傳算法過程中的最佳染色，體始終參與每一代的繁殖過程。

在染色體復(fù)制過程中，上一代最佳染色體有一定概率不能被選中。不被選中的概率由下式?jīng)Q定：

式中：n為父代染色體個數(shù)，設(shè)其中有1個最佳染色體；

2n為從基因池中隨機獨立選出的染色體數(shù)。

上式表明最佳染色體在復(fù)制過程中將有13%的概率不被選中，并且即使最佳染色體被選中，其后代適應(yīng)度也很有可能不會比此最佳染色體的適應(yīng)度高。因此，運用精英統(tǒng)治得到的后代，就能保持高適應(yīng)度，且收斂的速度始加快。

3 仿真驗證

3.1 仿真參數(shù) 選取京津城際線路中北京站至武清站之間88.206 km的線路為依據(jù)，線路規(guī)定運行時間為22.51 m in。以CRH 3型高速列車為研究對象，該型號高速列車的主要參數(shù)與特性見表2。

表2 高速列車主要參數(shù)

3.2 優(yōu)化曲線 根據(jù)線路數(shù)據(jù)和優(yōu)化模型進行仿真。高速列車自動駕駛優(yōu)化曲線，如圖4所示。

圖4 高速列車優(yōu)化運行曲線

從圖4中列車啟動加速過程較快；列車在338 km/h的目標速度附近運行，其優(yōu)化曲線較為平穩(wěn)，滿足了舒適性的要求；列車運行的時間為21.19 m in，運行時間與規(guī)定時間的誤差為19 s，列車的準時性滿足要求；列車運行距離為88.205 3 km，距離停車點0.7 m；運行過程中3段采用惰行，減少了能量損失。從仿真結(jié)果可以看出，節(jié)能效果顯著，其他各項指標也都在控制的范圍內(nèi)有較好效果。

4 結(jié)束語

本文在列車牽引計算系統(tǒng)的基礎(chǔ)上，應(yīng)用遺傳算法對高速列車目標曲線進行優(yōu)化，采用精英統(tǒng)治加快收斂速度，得到最優(yōu)策略控制列車運行。該方法兼顧了列車運行的準時性、停車精度、能耗及舒適性等功能。該方法對于我國高速列車多目標運行過程的研究可具有較好的參考價值，為進一步研究列車自動駕駛系統(tǒng)提供了有價值的分析方法。

［1］唐濤，黃良冀.列車自動駕駛系統(tǒng)控制算法綜述［J］.鐵道學(xué)報，2003，25（2）：98-102.

［2］Oshima H，et al.Automatic train operation system basedon predictive fuzzy control［C］//Proceeding of Artificial In-telli?gence for Industrial App lications，1988.IEEE AI’ 88，Pro?ceedings of the International Workshop，1988：485-489.

［3］WANG Jing，CAI Zi-xing，JIA Li-m in.Direct Fuzzy Neu-ral Control with App lication to Automatic Train Oper?ation［J］.Control Theory and App lication，1998，（15）：391-398.

［4］何兵，萬百五.用于高速列車自動化的多控制器遞階智能控制研究［J］.西安交通大學(xué)學(xué)報，1997，31（9）：39-45.

［5］趙海東，劉賀文，楊悌惠.高速列車運行控制系統(tǒng)的研究［J］.中國鐵道科學(xué)，2000，21（1）：31-36.