基于粒子群算法的城轨列车牵引多目标能耗优化问题附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

城市轨道交通是我国公共交通系统的重要组成部分。作为一种安全舒适、准时快捷的交通方式,近年来,城市轨道交通建设取得了飞速发展。但由于城市轨道交通总运量大,能源消耗问题是一个亟待解决的问题。因此,研究城市轨道交通节能问题具有重要的现实意义。本文主要从节能的角度研究城市轨道交通基于通信的列车运行控制系统中单列车运行曲线优化和多列车追踪运行曲线优化问题。将单列车作为研究对象时,考虑节能和准点两个目标,采用多目标粒子群算法对列车曲线进行求解；将多列车作为研究对象时,考虑列车追踪过程中前车的位置和速度信息对后车的运行会产生一定的影响,结合列车追踪运行的动态特性,采用动态粒子群算法对追踪列车运行曲线进行优化。最后,结合实际线路数据对以上算法进行仿真验证,证明采用以上算法优化列车运行曲线可以达到较好的节能效果。本文具体的研究内容如下：(1) 对列车运行过程进行分析,描述列车动力学模型；分析列车追踪运行特性,按照不同追踪场景描述列车追踪运行模型；分析了影响列车节能运行的关键因素,并描述列车能耗计算模型。(2) 采用多目标粒子群算法对单列车运行曲线进行优化。对线路信息进行离散化处理,将节能和准点作为单列车运行曲线的优化目标,结合多目标粒子群算法参数收敛性好的特点,求解列车在区间运行的优化运行曲线。相较于传统多目标优化问题求解方法,多目标粒子群算法摒弃了将多个子目标优化问题转化为单目标优化问题的求解方式,不需要依赖设计者的经验值选取系数,能够更好地保持解的多样性。(3) 采用动态多目标粒子群算法优化追踪列车运行曲线。分析移动闭塞下两车追踪运行时,前车对后车运行产生的影响,结合动态粒子群算法在动态环境下能够有效寻优的特点,将前车的位置和速度信息考虑到后车运行曲线优化中,求解追踪列车优化运行曲线。

论文部分复现

⛄ 部分代码

clc

clear;

close all;

tic

%参数初始化

arginitial();

%限速和坡度约束处理，并且保存处理结果

CacBrakeSpeedLimit();

[Emax,Tmin]=CacMinTime();

%多目标粒子群算法参数

options.PopulationSize = 10;  %种群大小  

options.MaxGenerations = 50;  %算法最大迭代次数

options.Continue = 0 ;  %是否继续原来的优化，如果要继续则要传入种群options.Pop和速度参数options.Veo

for num=1:1

%正式开始优化

[ExREP,ExChar,REPNum,gridFit,Population,Velocity,enterCountList,repNumList,avgPersonalFitnessList,GobalFitNessList]=FMOPSO_d(options);

% for i=1:REPNum

%     [flag,Energy,Time,MissError] = CalcEJT(ExREP(i,:),2);

%     disp(['运行能耗：',num2str(Energy),'  运行时间：',num2str(Time),'  停车误差：',num2str(MissError)])

% end

[flag,Energy,Time,MissError] = CalcEJT(ExREP(1,:),1);   %展示优化结果

str=['Result',num2str(num),'.mat'];

save(str,'ExREP','ExChar','enterCountList','repNumList');

str=['运行次数:',num2str(num)];

disp(str);

end

toc

⛄ 运行结果

⛄ 参考文献

[1]李玲玉. 基于粒子群算法的城市轨道交通列车节能优化研究[D]. 北京交通大学, 2016.

⛄ Matlab代码关注

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料