[发明专利]一种城轨列车的多目标控制方法

说明书

本发明提供了一种城轨列车多目标控制方法，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自动驾驶曲线，列车控制系统能根据自动驾驶曲线控制列车运行，其特征在于：所述列车驾驶曲线生成系统包括基础群模块、精英群模块、全局外部档案模块、局部外部档案模块、通信控制模块和驾驶曲线生成模块。采用本发明所述的方法，多目标粒子集群算法的收敛性好，Pareto前沿解的多样性好，多目标优化效果提高。

技术领域

本发明涉及城轨列车自动控制技术领域，特别是一种城轨列车的多目标控制方法。

背景技术

城市轨道列车的控制问题是一个典型的多目标优化问题，即在保证列车运行安全性和平稳性的前提下，兼顾节能、省时和停车精度等指标。传统的方法是在一定约束条件下，采用对多个目标加权求和的方法，将多目标优化问题转换为单目标优化问题进行处理。传统加权方法由于没有考虑各目标间的相互影响，多目标优化的结果是相互独立、排斥的最优解集，即某一目标性能优化必然损害其它目标性能。

基于Pareto原理和粒子集群算法的原理，本领域技术人员已经进行了一些探索。如María Domínguez采用MOPSO(多目标粒子集群优化)方法来解决列车自动驾驶速度模式曲线问题，并证明了MOPSO在收敛性和多样性上均优于NSGA-II(非劣排序遗传算法)。因此，基于Pareto原理的多目标粒子集群算法是一种更为优秀的处理方法。

基于Pareto原理的多目标粒子集群算法的收敛性和多样性，直接决定了列车的自动驾驶曲线的优劣：Pareto前沿解的收敛性好即意味着列车的耗能小、运行时间短且停车精度高，Pareto前沿解的多样性好即意味着所生成的自动驾驶方案在上述三个目标上跨度大、分布均匀且方案数量更多。

目前，基于Pareto原理的多目标粒子集群算法主要针对时间和能耗两个目标进行优化，针对对列车运行耗能、时间和停车精度三个目标进行优化时，多目标粒子集群算法的收敛性不好，Pareto前沿解的多样性不好，所以多目标优化效果不好。

发明内容

针对背景技术的问题，本发明提供一种城轨列车的多目标控制方法，以解决现有技术中，采用基于Pareto原理的多目标粒子集群算法对列车运行耗能、时间和停车精度三个目标进行优化时，优化效果不好的问题。

为实现本发明的目的，本发明提供了一种城轨列车的多目标控制方法，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自动驾驶曲线，列车控制系统能根据自动驾驶曲线控制列车运行，其创新在于：所述列车驾驶曲线生成系统包括基础群模块、精英群模块、全局外部档案模块、局部外部档案模块、通信控制模块和驾驶曲线生成模块；所述基础群模块包括4个小种群模块，其中1个小种群模块记为权衡优化模块，另外3个小种群模块记为目标优化模块；所述4个小种群模块均与全局外部档案模块连接，驾驶曲线生成模块与全局外部档案模块连接，局部外部档案模块通过通道一与全局外部档案模块连接，精英群模块与局部外部档案模块连接，全局外部档案模块通过通道二与精英群模块连接，通信控制模块与权衡优化模块连接，通信控制模块能控制通道一和通道二同步开启或关断；

所述自动驾驶曲线按如下方法生成：

(一)列车控制系统将列车的基础数据和约束参数传输到列车驾驶曲线生成系统；

(二)列车驾驶曲线生成系统根据基础数据和约束参数生成最优前沿解集，最优前沿解集由多个Pareto前沿解组成；

(三)操作人员根据需要从最优前沿解集中选出一个Pareto前沿解，列车驾驶曲线生成系统根据选定的Pareto前沿解生成自动驾驶曲线；

所述步骤(二)中，所述最优前沿解集按如下方法生成：