基于STeC的高速列车运行模型与算法

为了使高速列车正点运行到达目的车站,提出了基于STeC(时空一致性)语言的高速列车运行模型与算法。该模型具有位置触发自动调整高速列车运行的特点,实现动态确定高速列车制动点并保证列车正点到达目的车站,从而满足了高速列车运行实时系统对时间和空间的一致性要求。通过Matlab/Simulink的仿真测试,证明了该模型的正确性和有效性。     

基于收敛粒子群算法的重载铁路列车运行调整方法

针对施工天窗对重载铁路行车安全限速和行车安全产生的不良影响,提出了基于收敛粒子群算法的重载铁路列车运行调整方法。首先,在分析列车追踪间隔影响因素的基础上,推导出不同编组类型重载列车之间的追踪间隔计算公式,实现了重载列车追踪间隔计算。然后,考虑施工天窗后的限速要求,以重载列车总晚点时间为优化目标,以列车区间最少运行时分、追踪间隔时分、列车停站时分、天窗时间段内禁止行车、天窗后安全限速等为约束条件,建立了施工条件下重载铁路列车运行调整模型,刻画了考虑安全限速的重载列车运行调整问题。通过优化列车到站、离站以及通过车站时刻,实现重载列车运行调整。进而,针对模型特点,在经典粒子群算法中引入收敛因子,设计了收敛粒子群算法对模型进行求解。最后,以朔黄铁路运输生产数据为基础,对建立的重载铁路运行调整模型进行实例化处理,验证了模型和算法。实验结果表明,对于求解重载铁路运行调整问题,设计的收敛粒子群算法比经典粒子群算法在计算效率上提升了5.45%,而求解精度保持不变。该方法可压缩重载列车追踪间隔,提高重载铁路运输效率,保证行车安全,提高基于安全限速的列车运行调整效率,为施工条件下重载铁路列车运行调整工作提...     

基于粒子群算法的列车运行调度研究

列车运行调度是铁路行车调度指挥工作的重要内容,其计算机自动计算求解问题是我国铁路信息化建设的核心技术和难点。建立了高速列车运行调度的数学模型,采用粒子群算法求解。设计的算法步骤是,将列车运行调整问题描述成适合粒子群算法的形式,确定该问题的适应度函数,对基本问题模型进行改进,进而确定运动方程。以京广高速铁路线路内具有6个车站的下行方向,运行14列列车为例,利用设计的粒子群算法求解了某干扰条件下的列车运行调度问题,为列车运行调整提供了新的方法。     

基于改进人工鱼群最优潮流计算

基于改进人工鱼群算法（Modified Artificial Fish Swarm Algorithm,MAFSA）对电力系统进行最优潮流计算的方法；在整合动态调整罚函数方式，将最优潮流转化为一无约束求系统发电费用最小的极值问题，为了提高算法收敛精度，对人工鱼群中参数一补偿和拥挤度因子进行改进。仿真计算结果表明算法有效...     

云人工鱼群算法

借鉴人工鱼群算法的思想,利用云模型云滴的随机性和稳定倾向性的特点,提出了一种新的人工鱼群算法——云人工鱼群算法,并用于求解具有变量边界约束的非线性的复杂函数最优化问题。计算机仿真结果表明,云人工鱼群算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

动态分组方案的自适应人工鱼群算法

为了克服基本人工鱼群算法收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了自适应调整人工鱼群算法参数的方法,该方法采用个体鱼适应值与整个鱼群的平均适应值作比较,将整个鱼群分为三组,再采用自适应调整每组鱼群的视野范围和步长的方法,对基本鱼群算法进行了优化和改进。应用四个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度及稳定性。实验结果表明改进后的算法能够较快地收敛至全局较优解,并具有较好的寻优性能。     

变步长自适应的改进人工鱼群算法

针对人工鱼群算法在函数优化中存在陷入局部最优、后期收敛速度慢及结果精度不高等问题,通过改进鱼群算法中觅食行为及自适应调整人工鱼步长,提出了一种变步长自适应的改进人工鱼群算法。证明了该算法的全局收敛性,从而增加了其理论基础。最后,10个标准函数测试结果表明,改进后的人工鱼群算法在跳出局部最优、收敛速度、精度和稳定性方面都优于原鱼群算法和萤火虫算法,在结果精度和稳定性方面优于文献[9,23,24]的方法。     

基于混合逻辑动态的列车运行调度模型

通过对列车运行调度问题的分析,指出列车运行过程中存在正常事件、客观事件和主观事件三种类型事件,调度的本质是主观事件通过改变列车的运行速度来克服客观事件对列车造成的影响,是典型的混杂系统.在考虑车站股道约束和区间容量两个约束条件的基础上,采用混合逻辑动态理论建立了列车运行调度模型,仿真结果表明了模型的有效性.     

基于参数自适应蚁群算法的高速列车行车调度优化

随着我国高铁建设成网,列车运行环境更加复杂多变,对日常行车调度的精细化提出了更高要求.对此,重点研究在大风、雨、雪等恶劣天气及设备设施故障等突发事件下造成列车运行晚点时,在不改变列车运行路径的前提下,如何通过调整高速列车行车顺序和到发时间,智能高效地恢复列车按图运行.将含有到发间隔、越行等多约束的列车运行时间调整问题建模成三维空间上的最佳路径搜索问题,提出一种改进蚁群算法来实现高速列车行车调度优化,并提出一个面向高铁调度的信息启发式因子和期望启发式因子的权重组合以及挥发因子的动态调整方法,用以提高收敛速度和维持解质量.仿真结果表明,所提出的“时间$=$空间”转换模型和权重自适应调整方法能有效提高蚁群搜索求解高铁调度问题的性能,实现高速列车行车调度优化.     

基于蚁群和人工鱼群算法融合的QoS路由算法

针对多约束Qos单播路由问题,提出了一种改进蚁群算法和人工鱼群算法融合的QoS路由算法.采用混合蚂蚁行为使初始路径多样化,根据QoS约束条件对蚂蚁可选路径集进行优化,将人工鱼群算法加入到蚁群算法的每一次迭代过程中,利用人工鱼群算法全局快速收敛的优点,来加快蚁群算法的收敛速度和人工鱼群算法的觅食行为,帮助提高了蚁群算法跳出局部最优的能力.仿真实验结果验证了该算法的可行性和有效性.     

高铁山地场景下的车地无线信道建模

高铁列车经过山地场景时由于散射体分布不均匀使得无线信号呈现明显的衰落特性。针对这一现象,提出一种在高速运行状态下列车与基站之间的车地无线信道建模方法。在列车相对基站的不同位置区间内,采用马尔科夫链模拟平均接收信噪比的状态变化,根据高铁山地场景中的路径损耗模型计算得到平均接收信噪比阈值、量化值及信道状态转移矩阵,从而建立有限状态马尔科夫链(FSMC)信道模型。仿真结果表明,与通过均匀与非均匀划分列车位置范围建立的信道模型相比,FSMC模型均方误差最小,可有效评估列车与基站之间的通信质量。     

基于换乘导向的大型客运枢纽高铁列车接续优化

针对高速铁路成网条件下的客运枢纽高铁列车接续优化问题,分析了枢纽内的旅客换乘过程,提出了中长途客流的换乘满意度概念;以平均换乘满意度和枢纽车站列车到发均衡性为优化目标,以大站合理发车时间、合理终到时间、车站作业间隔时间、旅客换乘时间、车站到发线能力等为约束条件,建立了基于换乘协同的大型客运枢纽高速列车接续优化模型。设计了改进染色体编码方式和选择策略的遗传算法对算例进行了求解。改进后的遗传算法同基本遗传算法、基本模拟退火算法相比,目标函数中所求的平均换乘满意度分别增加了5.10%、2.93%,枢纽车站列车到发均衡性分别提高了0.27%、2.31%,算例结果验证了改进遗传算法的有效性和稳定性,表明所提方法可以有效地提高大型枢纽高铁列车的接续质量。     

基于闭塞区间的高速列车运行时间与节能协同优化方法

提出了一种高速列车运行时间与节能协同优化方法.针对由动态调度层、优化控制层、跟踪控制层组成的列车运行控制与动态调度一体化结构,设计了面向动态调度层和优化控制层的列车运行时间调整策略和节能速度位置曲线.基于高速铁路闭塞区间,建立了列车区间模型和列车速度曲线节能优化模型.利用模型预测控制方法对列车区间运行时间进行调整,优化列车总延误时间;根据调整后的区间运行时间设计列车运行优化速度位置曲线,减少列车运行能耗.仿真算例验证了设计的运行时间与节能协同优化策略的有效性.     

高速列车非线性模型的极大似然辨识

提出高速列车非线性模型的极大似然(Maximum likelihood, ML)辨识方法,适合于高速列车在非高斯噪声干扰下的非线性模型的参数估计.首先,构建了描述高速列车单质点力学行为的随机离散非线性状态空间模型,并将高速列车参数的极大似然(ML)估计问题转化为期望极大(Expectation maximization, EM)的优化问题; 然后,给出高速列车状态估计的粒子滤波器和粒子平滑器的设计方法,据此构造列车的条件数学期望,并给出最大化该数学期望的梯度搜索方法,进而得到列车参数的辨识算法,分析了算法的收敛速度; 最后,进行了高速列车阻力系数估计的数值对比实验. 结果表明, 所提出的辨识方法的有效性.     

模糊预测-PID复合控制在高速列车制动中的应用

为解决高速列车的快速、准确、舒适停车问题,分析并建立了列车制动的牵引力模型;综合考虑列车制动过程中舒适度因素的影响,提出了带有舒适度约束条件的模糊预测-PID复合控制方法。该控制方法结合了模糊预测控制以及模糊PID控制的优点,使列车制动过程的控制没有死角,控制状况始终处于最优。在制动距离较大情况下采用模糊预测控制修正控制量,优化制动力,使制动过程满足舒适度要求;在距离较近的情况下,采用模糊PID实现列车的准确停车。仿真结果证明了该方法的可行性和有效性。     

基于蚁群优化算法的高速列车运行调整研究

高速列车在运行过程中不可避免地会受到各种各样因素的影响,导致大量的高速列车出现晚点状况,影响高速列车的运行效率。为了保证所有的高速列车能够按照正点运行,对蚁群算法进行改进,引入混沌序列,优化蚂蚁的选路策略,建立以加权后列车总晚点时间最少为目标的高速列车运行调整模型,并且按照相应的约束条件对高速列车运行调整模型进行求解,实现对晚点高速列车运行图的快速调整。最后,通过比较算例得出,该算法能够有效解决高速列车运行调整问题。     

高速铁路列车连带晚点的智能预测及特征识别

列车晚点预测及分析直接服务于高速铁路调度指挥, 是列车晚点研究的重点内容. 通过对列车晚点传播结构及传播规律的分析, 提出了一种高速铁路列车连带晚点的智能预测及特征识别方法. 首先利用列车晚点自身传播及相邻线列车晚点传播的关系, 构建基于小波神经网络的列车连带晚点递阶预测模型; 然后利用列车晚点波动的线性组合方程及其结构向量, 进行列车连带晚点影响值的量化; 最后综合连带晚点的实际值、预测值和影响值, 将晚点分为严重晚点、消散晚点、潜在晚点、一般晚点四种类型. 成渝高铁的实例数据表明, 小波神经网络的预测结果具有较高精度, 连带晚点的分类结果也比较符合实际, 能够为高速铁路列车连带晚点的运行调整提供数据支撑.     

基于策略梯度强化学习的高铁列车动态调度方法

高速铁路以其运输能力大、速度快、全天候等优势,取得了飞速蓬勃的发展.而恶劣天气等突发事件会导致列车延误晚点,更甚者延误会沿着路网不断传播扩散,其带来的多米诺效应将造成大面积列车无法按计划运行图运行.目前依靠人工经验的动态调度方式难以满足快速优化调整的实际要求.因此,针对突发事件造成高铁列车延误晚点的动态调度问题,设定所有列车在各站到发时间晚点总和最小为优化目标,构建高铁列车可运行情况下的混合整数非线性规划模型,提出基于策略梯度强化学习的高铁列车动态调度方法,包括交互环境建立、智能体状态及动作集合定义、策略网络结构及动作选择方法和回报函数建立,并结合具体问题对策略梯度强化学习(REINFORCE)算法进行误差放大和阈值设定两种改进.最后对算法收敛性及算法改进后的性能提升进行仿真研究,并与Q-learning算法进行比较,结果表明所提出的方法可以有效地对高铁列车进行动态调度,将突发事件带来的延误影响降至最小,从而提高列车的运行效率.     

Position computation models for high-speed train based on support vector machine approach

High-accuracy positioning is not only an essential issue for efficient running of high-speed train (HST), but also an important guarantee for the safe operation of high-speed train. Positioning error is zero when the train is passing through a balise. However, positioning error between adjacent balises is going up as the train is moving away from the previous balise. Although average speed method (ASM) is commonly used to compute the position of train in engineering, its positioning error is somewhat large by analyzing the field data. In this paper, we firstly establish a mathematical model for computing position of HST after analyzing wireless message from the train control system. Then, we propose three position computation models based on least square method (LSM), support vector machine (SVM) and least square support vector machine (LSSVM). Finally, the proposed models are trained and tested by the field data collected in Wuhan-Guangzhou high-speed railway. The results show that: (1) compared with ASM, the three models proposed are capable of reducing positioning error; (2) compared with ASM, the percentage error of LSM model is reduced by 50.2% in training and 53.9% in testing; (3) compared with LSM model, the percentage error of SVM model is further reduced by 38.8% in training and 14.3% in testing; (4) although LSSVM model performs almost the same with SVM model, LSSVM model has advantages over SVM model in terms of running time. We also put forward some online learning methods to update the parameters in the three models and better positioning accuracy is obtained. With the three position computation models we proposed, we can improve the positioning accuracy for HST and potentially reduce the number of balises to achieve the same positioning accuracy.