基于遗传算法的内燃机车优化操纵研究
- 文档名称：基于遗传算法的内燃机车优化操纵研究
- 文档关注次数：721
- 文档格式：纸质版或者PDF电子版（用Acrobat Reader打开）或Word版本doc格式
- 文档大小：797KB
- 上传者：浙江炬泰绍兴分公司
- 添加时间：2019/05/05
- 内容摘要：
第27卷第7期
电子测量与仪器学报
604
JOURNAL OF ELECTRONC MEASUREMENT AND INSTRUMENT
2013年7月
DOI:10.3724/SP.J.1187.2013.00604
基于遗传算法的内燃机车优化操纵硏究
张勇谭南林
(北京交通大学机械与电子控制工程学院北京10004)
摘要:机车优化操纵技术可以有效降低铁路单位能耗。结合线路纵断面特点采用遗传算法求取机车能耗模型最优解,
提出了遗传算法硏究优化操纵问题的一种新方法:以信号机位置为关键控制点,对各点速度和操纵方式编码后求解机车
能耗模型的方法。以京沪线十二里阁至桥南站为例分析了优化结果,节能效果达到13.4%。实验结果表明,该方法传统
PID控制更有效的降低了机车能耗。
关键词:遗传算法;节能;优化操纵
中图分类号:TP391文献标识码:A国家标准学科分类代码:580.80
Study on locomotive optimizing control based on genetic agorithm
Zhang Yong Tan Nanlin
( School of Mechanical and Electronic ontrol Engineering, Beijingjiaotong University, Beijing 100044, China
Abstract Iocomotive optimizing control technology can reduce the energy consumption. Based on the features of
track profile, a new method of optimal solution with genetic algorithm(GA is presented. The method makes sema
phore as key point, and at the point coding velocity and operating way then gets the optimal solution. In the period
between Shieriige and Qiaonan(in Beijing-shanghai line),the fuel consumption saving can reach 13.4%. The cx
periment result indicates that optimal solution with genetic al orithm(GA can reduce the energy consumption of
locomotive more effeetively than that of traditional PID methods
Keywords genetic a or thm(GA); energy conservation; optimizing operatin
惩罚函数法、最速下降法等?,不同的搜索方法
引言
适合于求解不同约束条件、不同目标的优化问题。
随着能源紧缺问题的日益突出,铁路部门作针对铁路这一特殊行业,以DF8B内燃机车为研究
为国民经济中最大的能耗单位之一,其对节能问
对象?,采用遗传算法寻找机车运行的最优操纵
题的研究具有重要意义。铁路运输的能源消耗主方法。
要为机车在牵引过程中的能量消耗,而同一列车2遗传算法基本原理
在规定时间内运行相同的线路存在着不同的操
方式,不同的操纵方式又会导致列车运行能耗的
遗传算法是一种根据自然界生物遗传机制进
不同,因此列车的节能问题即为找出能耗最小的行搜素的随机化算法,搜索策略以群体搜索为基
列车运行控制方案。
础,在进行搜素时群体中的个体之间交换信息,但
研究优化操纵间题,需要在节能方面寻求满不像其他优化算法一样以梯度方式搜索。而是以
意解,所以是一个最优化问题。最优化方法求解最编码空间代替问题的参数空间,以适应度函数为
优解有很多种搜索方法,如牛顿法、共轭梯度法、评价依摒,以群体中个体位串遗传操作实现选择
收稿H期:2013-04 Received Date:2013-04
万方数据
第7期
基于遗传算法的内燃机车优化操纵硏究
605
和遗传机制,建立一个迭代过程,其主要特点是直
E=E, +Eo E
接对结构对象进行操作,不存在函数连续性和求式中:E,为牵引运行能耗量,E。为柴油机空转能
导的限定,而且具有更好的全局优化搜索能力和耗量,E.为电阻制动能耗量。在区间运行时,不涉
内在的并行性,使用概率化的搜萦方法可以自动及出入段及途中调车作业的能耗量。
取得和指导优化的搜索空间,还可以自适应地调3.3约束条件
整搜索方向,不需要确定的搜索规则。其基本
距离约束:列车始终在长为0~S区间中
原理流程如图]所示。
运行。
确定实际问题参数集
速度约束:列车运行速度不能超过区间限速
对参数进行编码
与机车最高速度约束二者的最小值。
时间约束:列车在区间中运行时要严格遵守
初始化群体P)
1)位申解码的参数
列车运行图定时间。
2)计算目标函数值
3)函数向适应值映射
评价群体
工况约東:司机控制手轮及手柄可改变工况,
4)适应调整
应满足如下规则
足停止准
(结東)群体P
手柄在0位时手轮被锁不能转动;手轮在0
三个基本算子
选择
位时手柄可在所有位置任意转换
2)交又
进传操作□
3)变异
手柄在“前或后”时手轮可转向牵引区域;在
其他髙级算子
制”时手轮可转向制动区域
因1遺传算法基本原理流程
手轮在羍引区手柄被锁在“前或后”位;手轮
Fig. 1 Flow chart of basie principle of
在制动区手柄被锁在“制”位。
genetic algorithm
3.4遗传编码
上述遗传算法流程中,通过随机性的遗传操
遗传算法求解必须在目标问题实际表示与遗
作可以随机重组编码位串中重要的基因,使新一传算法的染色体的位串结构之间建立联系,确定
代位串优于上一代位串集合:每次产生新的群体编、解码运算。机车能耗和列车速度、工况密切相
P(t+1)后,经过群体不断进化,逐渐接近最优关,用基因呈一维排列的定长染色体表现形式,基
解,但所呈现出的特性并不是完全随机搜索,因为于0,1符号集的二进制编码形式,具体编码如
它能够有效地利用历史信息推测出新一代性能改下:列车速度大小取整数并且是单位阶医变化的
善后的寻优点集,最终达到求解问题的目的?。速度8位编码为:001,最低速度
为0km/h时停车,最高速度为255km/h,DF8B
模型建立
货车最高速度为100km/h,所以实际编码有效值
为0~01100100。
3.1输入/输出参数的确定
除对速度编码外,还要对列车运行工况手柄
模型的输人参数为机车运行到某公里标下对位编码。机车有制动、牵引、惰行3种工况,体现
应的实际运行速度,输出参数为机车在某一区间在司机操纵手柄位控制上。DF8B货车控制器手柄
上运行消耗的能量值,实际情况中为机车消耗的位有16级,即:1~8级牵引和1