改進移動閉塞方式多列車運行粒子群優化算法

翁兆奇

摘要：閉塞是多列車運行必須要考慮的重要問題。為了提升移動閉塞方式下的多列車運行的閉塞效果，本文提出了一種改進的粒子群算法（Improved Particle Swarm Optimization Algorithm，IPSO）。采用粒子群算法與遺傳進化相結合的方式，以有效提升粒子群算法的全局尋優能力。具體的移動閉塞方式下的多列車運行優化算例的仿真結果表明，本文提出的改進的粒子群優化算法具有較佳的優化效果，適合于解決移動閉塞方式下的多列車運行優化問題。

關鍵詞：移動閉塞;多列車運行;粒子群優化算法;遺傳進化

Abstract： Block is an important problem that must be considered in the operation of multiple trains. To improve the blocking effect of multi-train operation under the moving blocking mode， this work proposes an improved particle swarm optimization algorithm （IPSO）. The combination of particle swarm optimization and genetic evolution is introduced to improve the global optimization ability of particle swarm optimization. The simulation results of multi-train operation optimization under the moving block mode show that the IPSO algorithm proposed in this paper has better optimization effect and is suitable for solving the multi-train operation optimization problem under the moving block mode.

0? 引言

閉塞系統在城市軌道交通運營中扮演著非常重要的角色[1]。隨著現代軌道交通事業的大力發展，閉塞效果差導致的乘客對鐵路運營商的矛盾也日益引發人們的關注和重視。因此，需要盡可能的提升閉塞效果。然而，由于移動閉塞方式下的多列車運行優化問題需要考慮眾多的因素，且實際問題中具有大量復雜的各類因素[2]。由此可知，移動閉塞方式下的多列車運行優化問題極難求得理想的滿意解。

目前，移動閉塞方式下的多列車運行優化的相關算法改進策略已成為相關科研人員的研究重點。至今為止，已經有大量的研究應用于實際的移動閉塞方式下的多列車運行優化問題中。田志鵬[3]研究了移動自動閉塞的列車追蹤控制優化模型及其算法。羅志剛[4]研究了列車安全距離的優化以及列車追蹤運行的調整策略。朱詠秋[5]研究了基于北斗二代的移動閉塞條件下的列車運行組織方法。唐海川[6]研究了地鐵列車追蹤運行的節能控制。趙明[7]研究了移動自動閉塞條件下的列車追蹤運行控制算法。以上研究能夠對部分移動閉塞方式下的多列車運行優化問題解決有相當程度的幫助，但仍然存在著算法尋優效果不夠理想的問題。

移動閉塞方式下的多列車運行優化是一個復雜的實際工程優化問題，難于求得令人滿意的優化解。然而，目前提出的大量的智能優化改進算法，存在著易于陷入局部極小值的問題。針對這一問題，為提高智能優化算法的全局收斂性能以便于更好的解決移動閉塞方式下的多列車運行優化問題，本文提出了一種改進的粒子群優化算法。為驗證改進算法的有效性，本文基于2種測試函數采用不同算法進行仿真試驗。試驗結果表明，本文提出的改進算法具有更佳的算法性能。在此基礎上，本文采用移動閉塞方式下的多列車運行仿真算例進行仿真驗證，并采用了本文提出的改進的粒子群優化算法，其仿真結果能夠表明，本文提出的改進的粒子群優化算法能夠有效的提升移動閉塞方式的閉塞效果。

1? 移動閉塞方式下多列車運行理論

1.1 移動閉塞信號系統

迄今為止，在各類系統中最高的列車線路能力利用效率，是移動閉塞的行車閉塞方式。而與固定閉塞方式相比，移動閉塞就相當于將區間，分成了無數個細小連續的閉塞分區，但沒有劃分固定的閉塞區間。它使得列車間的安全信息傳遞得更為及時和頻繁。移動閉塞中列車速度限制可以有以下幾種情況：

1.1.1 前行列車速度vF不小于后行車速度vB

此時，兩列車間的距離原則上，越來越大，理論上前行列車對后行列車應無約束。但從安全角度來看，要保證萬一前行列車發生事故，或閉塞設備發生故障時，后行列車能及時停車并不至于與前行車相撞。當vF？叟vB時，列車間的最小間距為：

公式（1）中，LB為后行車的常用制動距離，LA為緊急情況出現時司機采取制動時所需反應時間內列車的走行距離，LS制動停車后后行車頭與前行車尾部的安全距離，L1為列車長度。

1.1.2 前行列車速度vF小于后行車速度vB

當前行列車速度低于后行車時，兩車的距離將越來越近。此時，列車相距越遠，速度限制越弱，在后行車前方存在一個常用制動曲線。當后行車在空間上闖入這一曲線時，閉塞要求后行列車采用常用制動，以保證行車安全。

具體的移動閉塞方式下的多列車運行示意圖如圖1所示。

1.2 移動閉塞方式下的多列車運行計算

移動閉塞下多列車運行計算中最重要的部分，就是由限速曲線將信號限速替換掉，而這個限速曲線是由前行車位置，與后行車制動距離等因素確定的。移動閉塞也按上述原理設計，在設計移動閉塞計算過程中應當注意下面幾個方面：①根據前行列車的運行，后行列車的限速向前連續變化，而不再是按前行列車所清空的軌道電路變化，這與準移動閉塞系統不同。②后行列車的目標限速點，只于前行列車的安全距離和尾部位置有關，而不再考慮前行列車所占用的軌道電路。③沒有必要對軌道電路的長度和位置進行標識，因為移動閉塞沒有劃分軌道電路分區。

2? 改進的粒子群優化算法

2.1 基本粒子群算法

2.2 自適應變異策略

由于算法計算過程中，特別是迭代計算的后期，粒子群算法容易受到最優個體的影響。為此，將遺傳進化機制引入粒子群算法有助于一定程度的增強其種群多樣性，從而有利于提高粒子群算法的全局搜索能力和收斂速度。

本文提出的改進的粒子群優化算法的迭代計算流程如圖2所示。

3? 仿真實驗

3.1 基于移動閉塞方式下的多列車運行優化仿真參數

本文采用移動閉塞方式下的多列車運行仿真算例進行仿真驗證，所選用的優化算法為本文提出的改進的粒子群優化算法。本文選取大連3號線地鐵車輛作為研究對象，將從九里站經停十九局站到達和平路站這一段運行線路作為實驗線路。具體的移動閉塞方式下的多列車優化仿真系統操作界面和移動閉塞行車系統參數信息界面如圖3和圖4所示。

具體的坡段屬性及限速屬性如表1和表2所示。

3.2 基于移動閉塞方式下的多列車運行優化仿真結果

由于沒有固定閉塞分區的限制，前行車與后行車之間的運行狀態是通過信號設備進行數字信息交換來進行的。后行車可以根據前行車傳輸的數據而對本車的速度進行實時調整，所以兩輛車之間的追蹤距離，會在保證行車安全的基礎之上有很大的縮小，在路程的后半段會明顯體現出來。具體的移動閉塞方式下的多列車運行仿真的結果曲線如圖5-圖7所述。

由圖5的車間距離時間曲線可知，與預期效果相符，在路程的后半段，在保證行車安全的基礎之上有車間距離有很大程度的縮小。這表明，采用本文提出的改進算法進行優化，能夠一定程度的提升移動閉塞的閉塞效果，從而提高通行能力。由圖6和圖7可知，后行車具有較強的追蹤能力，這也從側面一定程度的反映了本文所提算法的有效性。

4? 結論

為了提升移動閉塞方式下的多列車運行的閉塞效果，本文提出了一種改進的粒子群優化算法（IPSO）。通過引入遺傳進化機制來有效提高粒子群算法的全局搜索能力和收斂速度。

本文采用移動閉塞方式下的多列車運行仿真算例進行仿真驗證，并采用了本文提出的改進的粒子群優化算法，其仿真結果能夠表明，本文提出的改進的粒子群優化算法（IPSO）能夠有效的提升移動閉塞方式的閉塞能力，以提高通行能力。

參考文獻：

[1]劉海東.不同閉塞方式下城軌列車追蹤運行過程及其仿真系統的研究[J].鐵道學報，2005（02）：120-113.

[2]路飛.移動閉塞條件下地鐵列車的運行優化[D].濟南：山東大學，2007，4.

[3]田志鵬.移動自動閉塞的列車追蹤控制優化研究[D].蘭州：蘭州交通大學，2016，6.

[4]羅志剛.列車安全距離優化及追蹤運行調整策略研究[D].蘭州：蘭州交通大學，2015.

[5]朱詠秋.基于北斗二代的移動自動閉塞下列車運行組織方法研究[D].成都：西南交通大學，2015.

[6]唐海川，王青元，馮曉云.地鐵列車追蹤運行的節能控制與分析[J].鐵道學報，2015（01）：37-43.

[7]趙明，汪希時.移動自動閉塞條件下列車追蹤運行控制研究[J].鐵道學報，2011（03）：62-69.

[8]Kennedy J， Eberhart R C. Particle swarm optimization[A]. Proceedingsof IEEE International Conference on Neural Networks[C]. 1995， 1942-1948.

[9]鐘臻，張楷旋，吳貞龍，等.基于改進的LDW粒子群算法的風-火電力系統聯合優化調度策略[J].貴州電力技術，2017，20（10）：50-55.

[10]楊從銳，錢謙，王鋒，等.改進的自適應遺傳算法在函數優化中的應用[J].計算機應用研究，2018，35（4）：1042-1045.