基于改进状态空间进化算法的列车多目标优化

列车自动驾驶系统(ATO)是列车自动控制的核心,也是列车安全、平稳、高效运行的重要保障。针对列车自动驾驶系统控制目标的复杂多样及环境变量不稳定等问题,以能耗、准时性、精确停车以及舒适性为指标建立城轨列车运行多目标模型,利用改进状态空间进化算法对其进行优化。通过仿真得到列车运行目标曲线,仿真测试表明与传统进化算法相比不但能够给出最优的速度曲线,而且能够对列车进行更好的控制,其在收敛精度上有了大大的改善。

基于状态空间模型序号编码进化算法的航班优化调度

多跑道航班进离港优化调度是将某一时间窗内进离港航班看作一个整体,对进离港航班进行统一优化排序,属于典型的组合优化问题。求解组合优化问题时,采用序号编码比二进制编码和实数编码等方式更直接、更方便。本文提出一种基于状态空间模型序号编码进化算法(OSEA),通过构造状态进化矩阵等操作来实现变异算子的功能,简化了遗传操作,并研究其在航班进离港优化调度中的应用。仿真实验表明:OSEA算法与先到先服务(FCFS)航班排序相比,航班总延误损失降低32.88%,且运算速度更快。

基于改进的状态空间模型进化算法的航班优化调度

单跑道进离港航班优化调度是将某一时间窗内进离港航班看作一个整体,对进离港航班进行统一优化排序,属于典型的组合优化问题。改进的状态空间模型序号编码进化算法(MOSEA)采用序号编码,不使用交叉算子,且通过构造状态进化矩阵来实现基因换位等遗传算子功能,使种群不断地进化,并结合选种池的选择操作实现种群的优胜劣汰。MOSEA算法将问题的解答过程表示为离散状态空间模型的动力学过程,突破了遗传算法的计算模式,简化了遗传操作,并研究了其在航班进离港优化调度中的应用。仿真实验表明:MOSEA算法与遗传算法、先到先服务(FCFS)航班排序相比,航班总延误时间分别降低了22.13%、32.06%,且运算速度更快。

考虑车辆与行人的单交叉口信号灯配时优化

针对路口交通信号灯配时优化问题,建立了路口车辆与行人平均等待时间数学模型。充分考虑路口的实际交通情况,合理设定模型约束,通过判断车辆与行人实际已等待时间,分类计算车辆与行人的预期等待时间;采用状态空间进化算法对模型进行优化求解,分别得到车辆与行人的绿灯分配时间,比较东西方向(南北)车辆与东西方向(南北)人行横道绿灯分配时间,取大者作为该相位车辆与人行横道绿灯时间。与固时控制相比大幅度减少了车辆与行人的平均等待时间,并且车辆与人行横道的绿灯分配时间更为合理,能更好地满足实时控制要求。