[发明专利]一种移动闭塞下的高铁列车群多目标控制方法

权利要求书

1.一种移动闭塞下的高铁列车群多目标控制方法，包括列车控制系统和列车驾驶曲线生成系统，列车驾驶曲线生成系统能为列车控制系统生成操纵控制曲线，列车控制系统能根据操纵控制曲线控制列车运行，其特征在于：所述控制方法包括：

设某一运行线路上从A站到B站有多辆列车运行；

(一)为每辆列车生成多目标操纵序列初值；

(二)根据多目标操纵序列初值，为每辆列车生成Pareto前沿解集；

(三)从每辆列车的Pareto前沿解集中选出一个Pareto前沿解作为相应列车的备选解，多辆列车的备选解组成备选解集；

(四)按如下公式判断备选解集是否满足移动闭塞约束条件，

l_a+l_l+l_z≤S_q(t)-S_z(t)

其中，所述S_q(t)为先行列车的实际行驶位置，所述S_z(t)为追踪列车的实际行驶位置，所述S_q(t)和S_z(t)均为正值，所述l_a为先行列车和追踪列车停稳后必须保证的间隔距离，l_l为先行列车的长度，l_z为追踪列车的常用制动距离；

如备选解集不满足移动闭塞约束条件则返回步骤(三)，如备选解集满足移动闭塞约束条件则进入步骤(五)；

(五)根据备选解集生成多辆列车的操纵控制曲线；

步骤(一)中，按如下方法为单辆列车生成多目标操纵序列初值：

1)为相应列车设定约束参数；

2)在满足约束参数的条件下，为相应列车生成能耗目标函数E、时间误差目标函数ΔT和停车误差目标函数ΔS：

能耗目标函数E为：

其中，F为牵引力，v为运行速度，B为再生制动力，ξ_M为列车牵引过程中电能转化为机械能的乘积因子，ξ_B为列车制动过程中机械能转化为电能的乘积因子；

时间误差目标函数ΔT为：

ΔT＝|T-T_target|

其中，T为列车从A站行驶到B站的实际行驶时间，T_target为列车从A站行驶到B站的理论行驶时间；

停车误差目标函数ΔS为：

ΔS＝|S-S_mb|

其中，S为列车的实际行驶距离，S_mb为A站对标位和B站对标位之间的距离；

3)根据E、ΔT和ΔS建立能耗适应度函数f₁、时间误差适应度函数f₂、停车误差适应度函数f₃和权衡优化适应度函数f₄；

能耗适应度函数f₁为：

时间误差适应度函数f₂为：

停车误差适应度函数f₃为：

将E、ΔT和ΔS调整在同一数量级上，权衡优化适应度函数f₄为：

4)为相应列车生成操作序列组，单个操作序列组包括多个操作序列；单个操作序列包括多个因子；按下式为单个操作序列生成多个因子：

N为档位切换次数，σ_i表示第i次档位切换时列车的控制档位，S_i表示第i次档位切换时列车所处位置；互相匹配的σ_i和S_i即为一个因子；各个操作序列的各个因子和因子数量在满足约束参数的条件下随机生成；

5)将单个操作序列的多个因子编写为如下形式的染色体：

{(σ₁，S₁)…(σ_i，S_i)…(σ_N，S_N)}

因子数量即为染色体长度；

对单个操作序列组所辖的所有操作序列进行编写得到的多个染色体组成染色体组；

6)采用遗传算法，分别以能耗最优、时间误差最优、停车误差最优和权衡优化为目标对染色体组进行优化；在每种目标条件下均对染色体组进行多次优化，每次优化均能得到多个优化染色体；

每次以能耗最优为目标进行优化后，根据能耗适应度函数f₁，计算出每个优化染色体的适应度值，并将适应度值最大的优化染色体保留下来得到一个能耗最优染色体；多次以能耗最优为目标进行优化并对优化染色体进行上述处理得到多个能耗最优染色体；

每次以时间最优为目标进行优化后，根据时间误差适应度函数f₂，计算出每个优化染色体的适应度值，并将适应度值最大的优化染色体保留下来得到一个时间最优染色体；多次以时间最优为目标进行优化并对优化染色体进行上述处理得到多个时间最优染色体；

每次以停车误差最优为目标进行优化后，根据能耗适应度函数f₃，计算出每个优化染色体的适应度值，并将适应度值最大的优化染色体保留下来得到一个停车误差最优染色体；多次以停车误差最优为目标进行优化并对优化染色体进行上述处理得到多个停车误差最优染色体；

每次以权衡优化为目标进行优化后，根据权衡优化适应度函数f₄，计算出每个优化染色体的适应度值，并将适应度值最大的优化染色体保留下来得到一个权衡优化最优染色体；多次以权衡优化最优为目标进行优化并对优化染色体进行上述处理得到多个权衡优化最优染色体；

7)将得到的能耗最优染色体、时间最优染色体、停车误差最优染色体和权衡优化最优染色体按染色体长度进行归类，将染色体长度相同的各最优染色体归为一个长度类；

8)判断某一长度类中是否同时存在能耗最优染色体、时间最优染色体、停车误差最优染色体和权衡优化最优染色体，若没有，则返回步骤6)；若有，则在相应长度类中分别挑选一个能耗最优染色体、时间最优染色体、停车误差最优染色体和权衡优化最优染色体生成4个操纵序列，其中能耗最优染色体生成能耗最优操纵序列，时间最优染色体生成时间最优操纵序列，停车误差最优染色体生成停车误差最优操纵序列，权衡优化最优染色体生成权衡优化最优操纵序列；所述4个操纵序列组成列车的多目标操纵序列初值；

步骤(二)中，按如下粒子集群算法为单辆列车生成Pareto前沿解集：

根据单辆列车的多目标操纵序列初值，采用如下的粒子集群算法生成能耗最优群、时间最优群、停车误差最优群和权衡优化群4个小种群：将所述单辆列车的多目标操纵序列初值所辖的4个操纵序列作为扰动种子，分别按如下公式进行扰动生成对应的小种群：

x_j＝l_best+0.5(Region^max-Region^min)rand()

其中，x_j为扰动后小种群中第j个粒子的位置向量；l_best为小种群的扰动种子；Region^max、Region^min分别为小种群的搜索范围的上下界；rand()为[-1，1]内的随机数；

其中，根据能耗最优操纵序列生成能耗最优群；根据时间最优操纵序列生成时间最优群；根据停车误差最优操纵序列生成停车误差最优群；根据权衡优化最优操纵序列生成权衡优化群；

将小种群中的可行解传输至外部档案，外部档案对可行解进行支配关系识别后生成相应的Pareto前沿解；在后续过程中，小种群每次收到外部档案输出的引导粒子，就进行一个迭代周期的运算，每个迭代周期的运算结束后，小种群将得到的可行解传输至外部档案；

每次生成相应的Pareto前沿解后，外部档案向各个小种群输出引导粒子：将当前Pareto前沿解中列车能耗最少那者作为能耗最优群的引导粒子，将当前Pareto前沿解中列车运行时间最短那者作为时间最优群的引导粒子，将当前Pareto前沿解中列车停车误差最小那者作为停车误差最优群的引导粒子，在当前Pareto前沿解中随机选择一者作为权衡优化群的引导粒子；

小种群的迭代次数达到设定值时，外部档案内当前的Pareto前沿解即形成最优Pareto前沿解集。