基于遺傳算法的列車自動駕駛過程優化研究

高凡

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

近年來，各國學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“預測型模糊控制”列車自動駕駛系統［2］；新加坡學者把遺傳算法用于列車自動駕駛仿真中，根據各種情況在出發前便產生惰行的最合適點，以實現能耗最低，之后又提出了基于模糊的多目標控制列車自動運行系統；中科院自動化所把一種新型的聯想記憶神經網絡，應用于列車的自動停車中，該技術以滾動優化的方式實現了基于聯想記憶神經網絡的長程預測控制；鐵道科學研究院提出了基于直接模糊神經控制的方法［3］，應用在列車自動運行控制上［4］；同濟大學用模糊控制的BP網絡實現站間運行控制，用基于遺傳算法的模糊神經網絡實現列車的定位停車控制［5］。

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

1 高速列車運行優化模型

1.1 列車運行質點模型 根據《牽引計算規程》，列車質點運動方程為

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 列車運行優化模型 單質點模型將列車看作一個整體，列車在當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，都會產生比較大的計算誤差。

實際上列車是分步式質量系統，與單質點模型比較而言，主要表現為單位附加阻力不同，因而對單質點模型進行如下優化：

式中：M為列車質量；

ρ（m）為距離列車頭部m位置處列車的單位長度質量；

S為列車全長。

對單質點模型進行優化后，列車單位點的阻力與列車所處的位置相關，當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 遺傳算法優化運行曲線模型

2.1 遺傳優化的優越性 遺傳算法（Genetic A lgo?rithm-GA）是基于自然選擇和基因遺傳學原理的搜索算法，借助于復制、交叉、變異算子，引導個體逐漸向最優解移動，選擇操作使優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，只須檢測少量的結構就能反映搜索空間的大量領域。它在實時性要求不高的復雜控制系統的優化中是很有潛力的，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控制策略的問題。

2.2 遺傳優化過程 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，對目標曲線進行優化。遺傳算法優化高速列車目標曲線流程，見圖1。

圖1 遺傳算法優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換點 根據《牽引計算規程》，求得列車在整個區間輸入控制序列及其轉換點。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換點。

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

圖2 合成加速度轉換點

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

表1 編碼轉換表

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 適應度計算 適應度用來確定個體被遺傳到下一代個體中的概率。適應度函數是衡量遺傳算法優劣的關鍵。

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，應用線性加權，將多目標優化問題轉化為單目標優化問題，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 精英統治 精英統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決定：

式中：n為父代染色體個數，設其中有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。

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

3 仿真驗證

3.1 仿真參數 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，線路規定運行時間為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與特性見表2。

表2 高速列車主要參數

3.2 優化曲線 根據線路數據和優化模型進行仿真。高速列車自動駕駛優化曲線，如圖4所示。

圖4 高速列車優化運行曲線

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，其優化曲線較為平穩，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。從仿真結果可以看出，節能效果顯著，其他各項指標也都在控制的范圍內有較好效果。

4 結束語

本文在列車牽引計算系統的基礎上，應用遺傳算法對高速列車目標曲線進行優化，采用精英統治加快收斂速度，得到最優策略控制列車運行。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.列車自動駕駛系統控制算法綜述［J］.鐵道學報，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］.西安交通大學學報，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的研究［J］.中國鐵道科學，2000，21（1）：31-36.