客货混行条件下列车运行调整模型及算法

研究了单线铁路客货混行条件下列车运行调整问题,目标是客、货不同等级列车在调度区间内总的偏离列车图定运行时刻最少,考虑列车间隔时间、列车停站时间、区间运行时间及车站越行等约束条件,建立了混合整数非线性规划模型.同时,针对模型特点,采用自适应柯西变异人工蜂群算法,以快速得到满意解.最后,以盘西铁路全线为例对模型和算法进行验证,设计了2种扰动场景下的列车运行实时调整方案进行求解.研究结果证明:客货混行条件下的列车运行调整问题模型及求解算法,能够有效生成列车运行调整计划,具有可行性.

利用PSO-GA算法的桥式起重机结构轻量化设计

为了实现节能减排以及减轻桥式起重机结构自重的目的,对粒子群算法与遗传算法进行结合,提出了一种对粒子群算法的改进算法——PSO-GA优化算法。算法以粒子群算法为基本框架并融合遗传算法的交叉算子,遗传算法交叉算子的引入可以对寻优过程中种群的进化进行智能调节,提高了寻优精度以及增加了算法的鲁棒性。将该算法应用于对桥式起重机的中轨箱形桥架结构轻量化设计,优化后桥架结构自重比原模型减小了13.025%。将轻量化设计后的桥架结构模型利用Solidworks软件建模,并导入Ansys Workbench软件中进行有限元分析,仿真结果验证了PSO-GA算法应用于桥式起重机桥架结构优化设计中的可行性。

基于混行策略的桥式起重机主梁轻量化设计

针对单一优化算法存在早熟现象明显、收敛速度慢、寻优精度不足、对初始种群敏感等缺陷,提出以“扬长避短”为理念的混行算法.利用遗传算法(GA)与人工鱼群算法(AFSA)的全局收敛性、解析法的精确性,构建一种将并行模块与二次优化模块相串联的模型,形成混行算法.通过对并行模块的优化结果进行二次优化,使其符合工程应用要求.将上述模型应用于32t/22.5m的桥式起重机主梁轻量化设计中,结果表明,该算法对截面的最小化优化是成功的.

城市客货混行干道交通优化控制方法

以客货混行城市干道为研究对象,研究了车辆组成对交叉口及路段交通运行的影响,确定了车流率等因素对车队通过交叉口所需时间的影响.针对客货混行的特点建立客货混行交通信号模糊控制模型,根据车队领头车辆类型、车队组成、主次要通行方向的特性以及各相位车辆排队长度,采用模糊控制算法来确定各相位的绿灯延长时间,并确定了调整相位差.最后用VISSIM软件,对所提出的优化控制方法与常规控制方法进行了对比仿真验证,结果表明,优化方法比常规方法平均减少车辆延误3.6 s,证明了方案的可行性和有效性.

考虑列车混行的运行-调度一体化优化方法

研究考虑列车混行的运行-调度一体化优化方法 .通过对再生制动能量的利用,将列车的运行与调度联系起来,建立以能耗最优为目标的列车运行-调度一体化优化模型.考虑不同速度等级列车之间的追踪间隔和越行行为,确保在列车行车安全的情况下,在优化列车运行曲线的同时优化列车时刻表,实现线路上运行能耗的全局最优.采用粒子群算法对模型进行求解,获得不同速度列车的运行曲线及时刻表.仿真算例表明,该方法的节能效果明显,不仅可以在运行能耗方面节省9.6%,列车之间的再生能利用也可以达到13.2%,平均每辆车节能可以达到7.6%;采用改进后的再生制动能量利用方法,可以将能量利用在常规方法的基础上提升12.7%.

单交叉口混合交通流预测与信号配时研究

从我国城市道路交叉口人机非混行现状出发,针对典型的交叉口布局,设计了解决机非冲突的2～6可变相位模型,利用检测到的各种交通流的先验知识,用人工智能和多种预测模型相结合的方法预测短时交通流,采用蚁群算法对单个道路交叉口进行动态配时优化,使道路信号交叉口交通控制方案更具有自适应性,以减少车辆延误、提高通行能力。

人机混驾环境下混行车辆雾模型研究

目前搭载高级驾驶辅助系统和车联网(Vehicular Ad Hoc Network, VANET)技术的智能网联车(Intelligent Connected Vehicles, ICV)正大量涌入人工驾驶车(Manual Vehicle, MV)流之中,ICV与MV共存的异构车辆混行交通态势逐步形成,异构车辆之间的交互产生壁垒。混行之下单个ICV虽可依托单车硬件传感与单车计算单元实现与MV的交互意图识别,但其受有限算力与有限传感的影响,资源负载增大,时效性与安全性方面存在一定的误差与风险,而混行之下的VANET技术也不能够提供全局性车路资源用以高度匹配ICV与MV的交互场景,而且越来越多的ICV计算需求也在激增VANET的负载压力。对此,结合边缘计算概念中的雾计算理论,提出混行车辆雾模型(Mixed Vehicle Fog, MVF),充分发挥车联网络边缘节点能力,通过合理整合调度ICV资源的方法,解决对MV正常交互意图计算的时效性与安全性问题。该模型首先通过各感知单元响应混行交通环境下ICV与MV的正常交互事件,然后利用基于容错节点分簇的资源调度算法(Fault-tolerant Node Clustering Resource Scheduling Algorithm,FNC-RSA),动态划分局部路段内对交互事件具有相关意图感知与计算需求的ICV为一组"协同雾群",再评估雾内ICV节点自身资源与路由代价,定向定量调度资源,最终实现雾群内部MV交互信息共享与驾驶意图协同计算。试验借助Prescan和MATLAB搭建联合仿真平台,与低能耗自适应分簇型路由算法(Low Energy Adaptive Clustering Hierarchy, LEACH)模型对比,验证MVF模型的运行效率与模型鲁棒性。研究结果表明:MVF模型通过交互事件细分协同雾群,保证了计算负载均衡,提高了ICV定向资源计算与传输效率,比LEACH模型降低了55.17%的平均跳数,缩短了45.40%的平均任务完成时间,抗时延干扰能力强,鲁棒性能优异。该模型对于打破混行环境异构车辆交互壁垒,提高混行道路交通行车安全,创造车联网络良性发展空间具有积极作用。

一种混行环境下驾驶人认知分心识别方法

面向智能网联车辆与非网联车辆的混行环境,研究了一种混行环境无信号交叉口下基于注意力机制的双向长短时记忆网络(Bi-LSTM)的认知分心识别模型。采集了60名驾驶人在混行环境下的模拟驾驶试验数据,采用支持向量机递归特征消除算法提取最优特征子集作为模型的输入。结果表明:该模型识别准确率高达96.58%,F值为96.24%,与SVM和决策树分心识别模型相比,准确率、召回率、F值和ROC曲线等模型性能方面均最优,可应用于智能车辆分心预警辅助系统,对提高道路安全性具有重要意义。