[发明专利]一种基于黄金分割遗传算法的地铁列车节能优化方法

权利要求书

1.一种基于黄金分割遗传算法的地铁列车节能优化方法，其特征在于，包括以下步骤：

步骤1：获取列车行驶线路数据、列车特性以及列车初始位置和初速度；

步骤2：根据获得的列车牵引和制动特性曲线，根据列车各个工况的运动模型计算列车的速度和运行距离参数：

步骤3：根据列车各个阶段的计算模型，加载操纵序列，如果满足条件就输出S-V曲线，输出相关数据；若不满足最优解，跳转到步骤6。

步骤4：编码

根据步骤2中计算的列车在各个阶段的速度、加速度和行车位置以及相关坡度和限速信息，采用二进制对列车工况点进行编码组成染色体；

步骤5：初始化种群

在初始化种群中，采用黄金分割算法，根据实际地铁列车运行路况的限制条件，对产生的B种群中的染色体，以0.682或0.318的比例等比缩小搜索空间，将次种群B中符合列车限制条件的N个染色个体挑选出来，起到优化种群B的效果；采用遗传算法用以上步骤优化主种群A，从中选出M个个体来；主次种群间进行信息进行交换，将M个主种群的个体给次种群B，而次种群B中的N个个体给主种群A；其中，A为基于GA全局寻优的主种群，B为基于GR局部寻优的次种群；初始化参数，包括主次种群大小分别为M、N，进化代数Gen；

步骤6：适应度函数

经过步骤5产生的染色体通过适应度函数进行评判，如果符合条件进入步骤7进行遗传操作，否则被淘汰；具体为：将时间和停车距离这两个约束条件以罚函数的方式加在目标函数中进行处理，目标函数如式(5)所示：

f＝E+α(|T-T_tarket|)+β(|S-S_tarket|) (5)

其中，E表示列车能耗，|T-T_tarket|表示到站时间偏差约束，|S-S_tarket|表示到站位置偏差约束，α，β表示惩罚因子，f表示最终适应度的评价值；

步骤7：遗传操作

遗传操作包括三个基本算子：选择、交叉和变异；

a.选择算子

经过适应度函数的评价后，选择算子会根据群体中所有个体的适应度值并从当前群体中选择适应度高的个体来繁衍下一代；

b.交叉和变异算子

经过选择后留下来的优良个体，进行交叉和遗传操作来保证个体多样性；基于适应度的交叉率和变异率，如式(6)(7)所示：

其中，f_avg表示平均适应度值，f_max表示最大适应度值，f'表示两个交叉个体中较大的适应度值，f表示要发生变异个体的适应度值；

步骤8：终止条件判断：遗传操作结束后跳转到步骤5，判断是否满足终止条件；若没有满足，则输出最优操作序列；若已满足，则输出最优解操纵序列，遗传算法模块计算终止，最终列车放着计算模块加载最终列车优化序列，从而获得列车S-V列车最优运行曲线和相关数据。

2.如权利要求1所述的黄金分割遗传算法的地铁列车节能优化方法，其特征在于，步骤2具体为：

牵引阶段：

其中：Δt为时间步长，a_i为列车第i个运行距离的加速度，v_i和v_i+1是第i和i+1的列车速度，S_i和S_i+1是第i和i+1的列车运行距离，F(v_i)为列车速度为v_i时列车牵引力，f(v_i)为列车速度为v_i时所受阻力，M为列车质量；

制动阶段：

其中：F_b(v_i)为列车速度为v_i时制动牵引力；

惰行阶段：

其中：f₀(v)为基本阻力，f_w(x)为附加阻力；

巡航阶段：。