基于捕食搜索策略的粒子群算法求解高铁闭塞分区划分问题_王瑞

合集下载

融合混沌和捕食搜索的混合粒子群算法

融合混沌和捕食搜索的混合粒子群算法

融合混沌和捕食搜索的混合粒子群算法王涛;刘冬华【摘要】针对标准粒子群算法在处理复杂函数时存在的收敛速度慢、易陷入局部最优的缺点,提出了新的混合粒子群算法.该算法利用混沌运动的遍历性、对初始条件的敏感性等特性进行群体的混沌初始化,且捕食搜索策略可以通过调节限制级别的控制粒子群的搜索空间,从而平衡全局搜索和局部搜索.测试结果表明,新算法具有更快的收敛速度和更强的全局寻优能力.%This paper proposed an effective hybrid particle swarm optimization merging chaos and predatory search.The new algorithm used the periodicity,and regularity of chaos to improve individual quality; predatory search can control the search space of the particle swarm though adjust the level of restriction.Thereby,the global search and local search can be balanced.Local search could make arithmetic convergence faster and more accurate.The test results showed that the new algorithm provided faster and stronger global optimization ability.【期刊名称】《哈尔滨商业大学学报(自然科学版)》【年(卷),期】2013(029)003【总页数】4页(P355-358)【关键词】捕食搜索;粒子群算法;混沌【作者】王涛;刘冬华【作者单位】暨南大学信息科学技术学院,广州 510632;暨南大学信息科学技术学院,广州 510632【正文语种】中文【中图分类】TP301粒子群优化算法(简称PSO)是由Kennedy J和Eberhart R·C于1995年提出的一种优化算法[1],粒子群算法源于对鸟群和鱼群群体运动行为的研究.粒子群优化算法由于其算法的简单,易于实现,参数少,收敛速度快,所以发展十分迅速,且在其他领域得到很好的应用.与其他智能算法类似,粒子群算法也存在易陷入早熟收敛和局部寻优能力差等缺点.目前解决这些问题的主要方法是增加种群的多样性以及和其他算法融合等[2-4].文献[5]引用了捕食搜索策略,巧妙地平衡局域搜索和全局搜索的矛盾,利用较少的粒子数解决高维规划问题,搜索速度较快且能避免陷入局部最优.本文提出了一种用复制函数优化的融合混沌与捕食搜索的混合粒子群算法(简称CPSPSO),该算法首先利用混沌的遍历性产生初始种群,以克服种群初始化的盲目性和随机性;其次结合了捕食搜索策略通过限制的调节,控制粒子群搜索空间的增大和减小,从而平衡搜索能力和开发能力.测试结果表明,CPSPSO用于复制多峰函数优化时表现出良好的全局寻优能力,可提高优化计算效率.1 标准粒子群算法设一个由m个无重量和体积的粒子组成的群体在n维搜索空间中以一定的速度飞行.第i个粒子的位置表示为:第i个粒子的速度表示为:vi=(vi1,vi2,…,vin)第i个粒子经历过的历史最优点表示为:pi=(pi1,pi2,…,pin)群体内(或邻域内)所有粒子经历过的最优点表示为:pbest=(pbest,1 ,pbest,2 ,…,pbest,n)则粒子的位置和速度根据以下的方程进行变化:其中:c1和c2为学习因子,一般为正常数.ζ,η∈U[0,1],是在[0,1]区间内的均匀分布的伪随机数.w为惯性权重,一般取在0和1之间.2 捕食策略的基本原理捕食搜索(PS)算法是由巴西学者Alexandre Linhares[6-7]在 1988 年提出的一种用于解决组合优化问题的模拟动物捕食行为的搜索策略.捕食搜索策略基本思想:在没有发现猎物和猎物的迹象时在整个捕食空间沿着一定的方向以很快的速度寻找猎物;一旦发现猎物或者发现有猎物的迹象,它们就立即改变自己的运动方式,减速速度,不停地巡回,在发现猎物或者有猎物迹象的附近区域进行集中地区域搜索,持续不断地接近猎物.在搜寻一段时间没有找到猎物后,捕食动物将放弃这种集中地区域,而继续在整个捕食空间寻找猎物[8].3 混合算法的描述及数值实验3.1 混沌分散的群体初始化标准粒子群算法的初始值是随机产生的,容易陷入早熟,我们利用混沌的遍历性进行搜索跳出局部最优,将会有助于求解效率的提高与解得质量的改善.比较有名的混沌模型是一维Logistic映射,其迭代公式为其中:k为迭代次数;μ为控制系统混沌行为的的参数,当μ 值确定后,又任意初始值x0∈[0,1],可迭代出一个确定的时间序列 x1,x2,…,xk.已经证明,当μ=4时,系统没有稳定解,是[0,1]区间的满映射,式(3)完全处于混沌状态.3.2 基于捕食策略的粒子群算法的基本思想粒子群算法有着收敛速度快、全局寻优能力强、计算简单和鲁棒性好等优点,但其缺点是易陷入局部极优,搜索精度不高.为避免陷入局部最优,并且实现局部搜索与全局搜索的平衡,将捕食搜索策略引入到标准的粒子群算法当中.为了把捕食搜索策略引入标准粒子群算法,本文将限制定义为每个粒子在解空间中的搜索速度,并在解空间中设置级限制,则在限制L上速度为v=vL/Numlevel.在最小限制L上初始化粒子群,使用标准粒子群算法更新式(1)与(2)搜索,试图找到较优解.若在Cthreshold次内不能找到较优解,则在限制L+1上混沌初始化,再次用式(1)与(2)进行搜索.若找到更好解,则替代较优解,并且重新计算限制,重复.通过限制级别调节,从而平衡探索能力与开发能力.其中:Numlevel为总限制级别,Cthreshold为增大限制等级的阈值,Lthreshold为放弃局部搜索的阈值,L为限制等级.3.3 算法流程步骤1:初始化粒子群中的粒子的位置和速度,对粒子位置用式(3)和式(4)混沌初始化,随机选择初始解 gbest,c=0,L=0;步骤2:根据式(1),(2)更新粒子的位置和速度,迭代n次,得到一个历史最优解;步骤3:如果 p < gbest,gbest=p,转步骤 2;否则,c=c+1,转步骤 4;步骤4:如果c<cthreshold,转步骤2;否则,L=L+1,转步骤5;步骤5:如果L<Lthreshold,初始化粒子种群,转步骤2;否则L=Numlevel-L,转步骤2.3.4 数值仿真实验3.4.1 测试函数为了测试CPSPSO的性能,使用了3个常用Benchmarks多变量测试函数(表1)来进行试验,并且将实验结果与标准粒子群算法(PSO),一般混沌粒子群算法(CPSO)的测试结果进行比较表1 常用Benchmarks多变量测试函数函数名称函数表达式=30 Rosenbrock f2=Σ Sphere f1=Σn i=1x2xi,|xi|<10,n n-1=10 Rastrigin f3=Σi=1[100(xi+1 - x2i)2+(xi -1)1]2,|xi|≤5.12,n n-1 i=1(x21-10cos(2πxi)+10),|xi|≤10,n=103.4.2 参数设置在CPSPSO中,由于全局搜索能力和局部搜索能力的平衡主要是靠限制L来实现的,而学习因子和惯性权重作用于内循环当中,对全局搜索能力和局部搜索能力并没有太大的影响,所以,本文采用了固定学习因子和惯性权重,即c1=c2=2,ω=0.9-0.5t/incircul.另外,根据反复试验,本文同时调整以下3个参数,可以取得最优解:Numlevel=粒子维数+1=9Cthreshold=粒子维数=8Lthreshold=2incircul(内循环次数)=400 outcircul(外循环次数)=50在作为对比的标准粒子群算法中,本文采用了时变惯性权重ω=0.9-0.5t/tmax,和异变学习因子c1=2t/tmax+0.5,c2= -2t/tmax+2.在PSO 与CPSO 中 c1+c2=2.0,ω =0.8最大迭代次数为2 000. CPSPSO,CPSO,PSO 种群的规模 N=100,维数是每个函数D表达中n的值.3.4.3 实验结果及分析函数测试数据是利用Matlab编程实现,每个算法运行30次,取其平均值,实验结果如下表2所示.以上述3个Benchmarks函数为测试函数,最大迭代次数为2000,每个算法运行30次,计算最优解平均值,实验结果如表3所示.图1~3是上述3个Benchmarks函数运行30次后求得的平均最优解的收敛曲线图.从表2、3中可以看出CPSPSO不仅优于PSO而且优于CPSO.表2 迭代次数结果比较测试函数算法类型迭代次数最小值迭代次数平均值迭代次数最大值f1 PSO 758 1 200 2 000 CPSO 568 845 1 806 CPSPSO 96 146 896f2 PSO 351 568 1 134 CPSO 104 324 802 CPSPSO 48 124 674 f3 PSO 576 784 1 426 CPSO 60 104 745 CPSPSO 63 94 7 687表3 最优结果比较算法类型测试函数f1 f2 f 3理论最优解000 PSO 0.055 416 0 5.969 754 CPSO 0.050 244 0 4.974795 CPSPSO 0.045 815 0 3.984 8774 结语本文提出了一种用于复杂函数优化的融合混沌和捕食搜索的混合粒子群算法.该算法利用混沌的遍历性初始种群,以克服种群初始化时的随机性.在搜索过程中运用了捕食策略,通过限制的调节,控制粒子群搜索空间的增大和减小,从而平衡搜索能力和开发能力.克服了标准粒子群易陷入局部最优的缺点.算法测试结果表明,CPSPSO具有较好的优化搜索性能,可提高计算的效率,在高维复杂函数优化方面有一定的实用价值.参考文献:[1] KENNEDY J,EBERHART R C.Partial Swarm Optimization[C]//Proc.IEEE International Conference on Neural Networks,Piscataway,NJ:IEEE Service Center,1995,1942 -1948.[2] 刘瑞芳,王希云.一种混沌权重的简化粒子群算法[J].计算机工程与应用,2011,47(21):58 -60.[3] 贾松卫,高岳林.融合模拟退火和混沌的混合粒子群算法[J].计算机工程与应用,2009,45(7):52 -55.[4] 曾宇容,王林,富庆亮.基于DE和PSO的混合智能算法及其在模糊EOQ模型中的应用[J].计算机应用研究,2012,29(2):438-441.[5] 符杨,孟令合,罗萍萍,等.索策略的粒子群算法在输电网络扩展规划中的应用[J].电力建设,2009,30(3):1-4.[6] 乔烨.基于捕食搜索策略粒子群算法的车辆路径问题研究[D].西安:长安大学,2008.[7] LINHARES A.Preying on optima:A predatory search strategy for combinatorial problems[C]//Proc.IEEE Int.Conf.Systems,Man and Cybernetics,Piscataway NJ:IEEE Service Center,1998:2974 -2978. [8] 徐耀群,王长举.一种万有引力优化算法及其收敛性分析[J].哈尔滨商业大学学报:自然科学版,2013,29(1):63-67.。

基于粒子群算法的列车运行调度研究

基于粒子群算法的列车运行调度研究

基于粒子群算法的列车运行调度研究王云峰;宁晓希;罗鸿斌;谢素艳【摘要】列车运行调度是铁路行车调度指挥工作的重要内容,其计算机自动计算求解问题是我国铁路信息化建设的核心技术和难点.建立了高速列车运行调度的数学模型,采用粒子群算法求解.设计的算法步骤是,将列车运行调整问题描述成适合粒子群算法的形式,确定该问题的适应度函数,对基本问题模型进行改进,进而确定运动方程.以京广高速铁路线路内具有6个车站的下行方向,运行14列列车为例,利用设计的粒子群算法求解了某干扰条件下的列车运行调度问题,为列车运行调整提供了新的方法.【期刊名称】《计算机工程与应用》【年(卷),期】2015(051)023【总页数】5页(P207-210,250)【关键词】列车;运行调度;粒子群算法【作者】王云峰;宁晓希;罗鸿斌;谢素艳【作者单位】甘肃省证据科学技术研究与应用重点实验室,甘肃政法学院公安技术学院,兰州730070;甘肃政法学院科研处,兰州730070;甘肃政法学院公安技术学院,兰州730070;甘肃政法学院继续教育学院,兰州730070【正文语种】中文【中图分类】TP301.6在通常情况下,列车按既定的基本列车运行图运行。

但由于铁路事故、自然灾害等各种突发原因,列车运行难免偏离基本列车运行图,尤其在列车密度较大的线路区段,一列车出现晚点,可能波及到其他列车,有时受影响的程度较大,需要列车调度员花费一定时间进行列车运行调度。

另外,列车运行调度就是当列车实际运行状态偏离运行图时调度员对列车在各站的到达和出发时分给出新的时刻,尽快恢复按图运行,可见,涉及到的变量很多,又由于列车运行调度中应遵守很多行车组织的规则,在建模时应将规则转化成约束,所以,列车运行调度问题是大规模的组合优化问题。

目前关于列车运行调度的问题已有较多的研究文献,对该问题的解决方法与模型有计算智能、遗传算法等(Genetic Algorithm,GA)[1-3],这些算法全局搜索能力强、计算效率高的特点,但其处理过程复杂,计算难度大,寻优的效率低。

隔离小生境粒子群算法在地铁列车运行曲线优化中的应用

隔离小生境粒子群算法在地铁列车运行曲线优化中的应用

隔离小生境粒子群算法在地铁列车运行曲线优化中的应用田志鹏;米根锁;王宝宝【摘要】针对地铁列车运行优化指标过于单一的问题,提出了牵引-巡航-惰行-制动模式运行曲线的计算流程,综合考虑能耗、乘客舒适度、运行时间、停车精度等指标,用Fi(综合优化目标函数)值度量综合运行质量(其值越小表示越接近理想状态),并建立列车运行曲线的优化模型.结合粒子群算法和小生境技术,设计了应用于列车运行曲线优化的隔离小生境粒子群算法(INPSO).结合实例仿真,利用INPSO优化模型,确定最优惰行末端速度,实现了高质量列车运行曲线的计算.其中INPSO优化后的Fi值实际只是基本粒子群算法优化结果的58.96%,效果显著,证明了INPSO寻优的有效性以及可靠性.【期刊名称】《城市轨道交通研究》【年(卷),期】2016(019)004【总页数】5页(P6-10)【关键词】地铁;列车运行曲线优化;综合运行质量;隔离小生境粒子群算法【作者】田志鹏;米根锁;王宝宝【作者单位】兰州交通大学自动化与电气工程学院,730070,兰州;兰州交通大学自动化与电气工程学院,730070,兰州;上海卡斯柯信号有限公司,200070,上海【正文语种】中文【中图分类】U231.6First-author′s addres s School of Automation and Electrical Engineering,Lanzhou Jiaotong University,730070,Lanzhou,China地铁列车运行曲线的计算是实现综合优化运行的基础,也为列车运行实时控制的改进提供一种思路。

文献[1]利用遗传算法对惰行控制进行优化,从而实现了地铁列车的多目标运行,但没有考虑舒适度指标。

文献[2]分析了地铁运行的原理,利用遗传算法综合优化多区间的运行曲线和停站时间,但没有综合考虑各运行指标。

文献[3]对列车运行曲线进行了优化,但只考虑了时间和能耗指标。

免疫粒子群算法在城市有轨电车运行调整中的应用研究

免疫粒子群算法在城市有轨电车运行调整中的应用研究

免疫粒子群算法在城市有轨电车运行调整中的应用研究
王瑞峰;牛彦霞;罗淼
【期刊名称】《计算机应用研究》
【年(卷),期】2014(031)012
【摘要】针对城市有轨电车运行环境复杂、列车运行调整存在众多约束条件、求解难度大等问题,提出虚站台概念,在此基础上建立了优化的列车运行调整模型.引入免疫系统中的免疫记忆特性和抗体浓度抑制思想,采用免疫粒子群算法对此模型进行求解,并以海珠区环岛新型城市有轨电车实验段数据进行仿真.结果表明,在引入虚站台概念基础上,采用免疫粒子群算法能够有效地解决城市有轨电车运行调整问题,并且其优化能力优于遗传算法.
【总页数】4页(P3609-3612)
【作者】王瑞峰;牛彦霞;罗淼
【作者单位】兰州交通大学自动化与电气工程学院,兰州730070;兰州交通大学自动化与电气工程学院,兰州730070;兰州交通大学自动化与电气工程学院,兰州730070
【正文语种】中文
【中图分类】U482.1;TP181
【相关文献】
1.基于免疫进化的粒子群算法在灌区水资源优化配置中的应用研究 [J], 马建琴;魏蕊;张鹏
2.杂交粒子群算法在列车运行调整中的应用研究 [J], 王瑞峰;孔维珍;詹生正
3.城市轨道交通列车运行调整的粒子群算法研究 [J], 刘莉;王长林
4.粒子群算法在列车运行调整中的应用研究 [J], 杨兆平
5.卡通形象在城市有轨电车造型设计中的应用研究 [J], 戴昊宏;支锦亦
因版权原因,仅展示原文概要,查看原文内容请购买。

基于改进粒子群算法的配电网重构策略

基于改进粒子群算法的配电网重构策略

基于改进粒子群算法的配电网重构策略王庆荣;王瑞峰【期刊名称】《计算机应用》【年(卷),期】2018(038)009【摘要】针对有源配电网对安全可靠性的要求较高,而现有的配电网重构算法精度低、速度低的问题,提出了基于蛙跳分组思想的自适应惯性权重的全信息简化粒子群算法.首先,从降低网络有功功率损耗、提高电压稳定性、均衡馈线负荷三个角度考虑,建立配电网多目标数学模型;然后,通过基于Pareto支配原则,采用模糊隶属函数的标准化满意度将多目标转化为相同量纲、同一属性、相同数量级的单目标,弥补加权法带有主观性、量纲不统一的弊端;最后,为保证种群多样性,避免随机初始化产生大量不可行解,结合蚁群优化(ACO)算法随机生成树和改进粒子群算法制定出一种针对含分布式电源(DG)的多目标配电网重构策略.通过对含DG的IEEE33节点配电网系统仿真验证,实验结果表明,与标准粒子群优化(PSO)算法相比,该重构策略寻优效率提高了41.0%,与重构前相比,该重构策略降低配电网有功损耗41.47%,降低电压偏移指数57.0%,改善系统负荷均衡度31.25%.该重构策略有效提高了寻优精度,提高了寻优速度,从而提高了配电网运行的安全可靠性.【总页数】5页(P2720-2724)【作者】王庆荣;王瑞峰【作者单位】兰州交通大学自动化与电气工程学院,兰州730070;兰州交通大学自动化与电气工程学院,兰州730070【正文语种】中文【中图分类】TP181【相关文献】1.基于双层改进粒子群算法含DG配电网的重构策略研究 [J], 朱斌;孙展展;赵晋泉;苏大威;吴海伟2.基于改进量子粒子群算法的船舶配电网重构 [J], 李世光;孟凡涛;程建军;高正中;赵沙沙;3.基于改进粒子群算法的配电网多目标重构 [J], 宋紫阳;张菁;刘小康;刘传修4.基于连锁环网与改进离散粒子群算法的多目标配电网重构 [J], 徐泽;杨伟;张文强;陈盛凯5.基于改进粒子群算法的配电网多目标重构 [J], 宋紫阳;张菁;刘小康;刘传修因版权原因,仅展示原文概要,查看原文内容请购买。

基于免疫粒子群算法的闭塞分区划分优化设计

基于免疫粒子群算法的闭塞分区划分优化设计

p r o b l e m w i t h mu l t i - o b j e c t i v e c o m p l e x i t y ,t h e p a p e r b u i h t w o d i f f e r e n t o p t i mi z a t i o n m o d e l s o f s i g n a l i n g
2 . S c h o o l o f E l e c t r o n i c s a n d I n f o r m a t i o n E n g i n e e r i n g , L a n z h o u J i a o t o n g U n i v e r s i t y , L a n z h o u 7 3 0 0 7 0 , C h i n a)
摘 要 : 闭 塞 分 区的 划分 优 化 能提 高铁 路 通 过 能 力 , 保 证行 车 安 全 , 因此 对 此 问题 进 行 研 究是 很 有 必要 的 。 由 于 闭
塞 分 区 划分 是 多 目标 复 杂 非 线 性 问题 , 在“ 经 济” 和“ 效率” 下 建 立信 号 机 布 置 的 2种 不 同 优 化 模 型 , 并 使 用 免 疫 粒 子 群 算 法对 模 型 求 解 , 通 过 列 车 追 踪 间 隔检 验 、 列 车起 动 检 验 、 列车停 车检验 , 并 对 具 体 一 条 线 路 实 现 区 间 信 号 机
l a y o u t i n r e l a t i o n t o“e c o n o my’ ’a n d“e ic f i e n c y ”.a n d a d o p t e d t h e i m mu n e p a r t i c l e s wa r m a l g o r i t h m t o s o l v e t h e m o de l s . Mo r e o v e r ,a c a s e s t u d y o f s i g na l i n g l a y o u t d e s i g n f o r a c e ta r i n r a i l wa y l i n e wa s

协同震荡搜索混沌粒子群求解资源受限项目调度问题

协同震荡搜索混沌粒子群求解资源受限项目调度问题

协同震荡搜索混沌粒子群求解资源受限项目调度问题戴月明;汤继涛;纪志成【摘要】针对求解资源受限项目调度问题(RCPSP),提出了协同震荡搜索混沌粒子群(CSCPSO)算法.算法围绕种群粒子吸引子建立双向协同震荡搜索机制,该机制一方面使粒子向吸引子收敛,另一方面使粒子震荡调整自身与吸引子相邻维度大小关系不一致的维度,提升算法的搜索精度和种群的多样性.项目调度采用基于粒子的拓扑排序和串行项目进度生成机制,保证项目调度解决方案满足资源约束和紧前约束.采用具体算例对算法进行检验,结果表明该算法在求解RCPSP的精度和稳定性方面表现更优.【期刊名称】《计算机应用》【年(卷),期】2014(034)006【总页数】5页(P1798-1802)【关键词】协同震荡搜索;混沌;粒子群优化算法;拓扑排序;资源受限项目调度问题【作者】戴月明;汤继涛;纪志成【作者单位】江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122【正文语种】中文【中图分类】TP391资源受限的项目调度问题(Resource-Constrained Project Scheduling Problem,RCPSP),是在满足活动时序、资源约束等条件下安排各活动开始和结束时间以达到工期最小的调度方法[1]。

RCPSP广泛存在于各个行业中,该问题已被证明是NP-hard问题[2]。

因其求解困难,吸引着国内外众多学者研究,迄今已提出了一系列的问题模型,形成了一套比较完善的模型库。

RCPSP优化方法概括起来可分为精确算法和启发式算法。

精确算法用于求解小规模调度问题,但对大规模的问题求解力不从心。

对于大型复杂的调度问题,引入了各类启发式算法,如遗传算法、蚁群算法、模拟退火算法[3-5]等。

目前,一种在其他领域应用比较成功的群智能算法——粒子群优化(Particle Swarm Optimization, PSO)算法也被引入来解决这类问题[6]。

基于粒子群优化算法的Jiles-Atherton磁滞模型参数计算

基于粒子群优化算法的Jiles-Atherton磁滞模型参数计算

基于粒子群优化算法的Jiles-Atherton磁滞模型参数计算❋郝晓亮;叶美盈【期刊名称】《浙江师范大学学报(自然科学版)》【年(卷),期】2015(000)002【摘要】粒子群优化算法是一种模拟鸟群捕食行为的群体智能算法,该算法具有简洁、易于实现、没有太多调整参数及不需要梯度信息等特点,且在大多数情况下可快速收敛于最优解。

为了描述材料的磁滞特性,提出了一种粒子群优化算法结合MATLAB/Simulink动态仿真集成环境的Jiles-Atherton磁滞回线模型参数计算方法,并分别以无噪及加噪的仿真数据对2组参数值不同的Jiles-Atherton磁滞回线模型进行了数值实验。

结果表明,将粒子群优化算法及MATLAB/Simulink 动态仿真集成环境应用于Jiles-Atherton磁滞模型的参数计算是有效的。

%Particles swarm optimization algorithm was a kind of swarm intelligence algorithm simulating birds feeding behavior. The algorithm had the advantages of concision, easy implement, few control parameters, did not need the gradient information, and fast convergence to optimal solution in most cases. In order to describe the hysteresis characteristics of the material, it was proposed a method of the particle swarm optimization algo-rithm combination with MATLAB/Simulink dynamic simulation integration environment to calculate the Jiles-Atherton hysteresis loop model parameters. By means of noise-free and noisy simulation data, the numerical experiments of Jiles-Atherton hysteresis loop model with the two groups of different parameter values were car-ried out. The resultsindicated that the particle swarm optimization algorithm combination with MATLAB/Sim-ulink dynamic simulation integration environment was an effective technique for the parameters calculation of Jiles-Atherton hysteresis model.【总页数】9页(P133-141)【作者】郝晓亮;叶美盈【作者单位】浙江师范大学数理与信息工程学院,浙江金华 321004;浙江师范大学数理与信息工程学院,浙江金华 321004【正文语种】中文【中图分类】TM936.3【相关文献】1.基于Jiles-Atherton磁滞理论的“三相五柱”变压器中低频电磁暂态模型研究[J], 李建标;司马文霞;孙廷玺;邹密;黄培专;杨鸣;何伟2.基于神经网络结合遗传算法的Jiles-Atherton磁滞模型参数计算 [J], 李慧奇;杨延菊;邓聘3.基于Jiles-Atherton磁滞理论三相三柱变压器直流偏磁的电磁混合模型 [J], 张龙伟;吴广宁;范建斌;曹晓斌;黄渤4.基于人工鱼群与Levenberg-Marquardt混合算法的Jiles-Atherton磁滞模型参数提取 [J], 赵越;李琳;刘任5.基于Jiles-Atherton磁滞理论三相三柱变压器直流偏磁的电磁混合模型 [J], 张龙伟;吴广宁;范建斌;曹晓斌;黄渤因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
0508 ; 修回日期: 20150614 收稿日期: 2015基金项目: 国家自然科学基金地区项目( 61164101 ) Email: 393556335 @ 作者简 介: 王 瑞 ( 1989 —) , 男, 硕 士 研 究 生, qq. com。
的设计 。目前, 我国闭塞分区长度的确定大多以区间 运行时间间隔进行划分, 这种划分方式由于需留有较 大的列车追踪间隔, 导致运行密度较低, 运输效率不 [1 ] 。 , 所以 研究铁路闭塞分区的划分问题, 尤其是 高
[ 5] 魏建荣. 基于智能优化算法多用户检测技术的研究[D]. 太原: 太 [ 6] 师军. TDSCDMA 网络规划设计[D]. 北京: 北京邮电大学, 2007. [ 7] 李宁, J]. 系 邹彤, 孙德宝. 车辆路径问题的混沌粒子群算法研究[ 2004 , 19 ( 6 ) : 596600. 统工程学报, [ 8] 吴 韶 鸿. CDMA2000 演 进 关 键 技 术 研 究 及 干 扰 删 除 理 论 分 析
第1 期

瑞, 陈永刚—基于捕食搜索策略的粒子群算法求解高铁闭塞分区划分问题
133
ห้องสมุดไป่ตู้
标函数的最小值。因此, 适应度函数定义如下
N -2
min f = 1. 5 N +
∑ i =0
l max - ( x i +1 - x i ) + P1 + P2 + ( 12 )
并行的优化算法。 其算法简 的。PSO 是一种随机的、 单, 容易实现, 且不要求被优化函数具有可微、 可导、 连 续等性质, 收敛速度快。 假设在 D 维空间中求解, 群体中有 m 个粒子, 这 些粒子在解空间中以一定的速度飞行, 每个粒子都是 一个可能的解,都是一个 D 维向量, 记作 x i = ( x i1 , x i2 , …, x iD ) , 2, …, m ) 个粒子在 D 维的搜 即第 i( i = 1 , 索空间中的位置是 x i 。 将满足设定的约束条件的 x i 带入预设的适应度函数中, 可以计算每个粒子的适应 度值,然后依据适应度值的大小判定 x i 的优劣。在搜 索过程中, 每个粒子根据自己搜索到的历史最优位置 和群体内或邻域内其他粒子搜索到的历史最优位置进 行位置的变化。 第 i 个粒子的速度也是一个 D 维向 v i2 , …, v iD ) , 量, 记作 v i = ( v i1 , 第 i 个粒子搜索到的历 p i2 ,…, p iD ) , 整个群体搜索到 史最好点记作 p i = ( p i1 , p g2 , …, p gD ) 。 粒子的位 的历史最优点记作 p g = ( p g1 , 置和速度都是实数, 其根据下面的方程进行变化 v (i k +1) = ωv (i k) + c1 ξ( p (i k) - x (i k) ) + c2 η( p (g k) - x (i k) ) ( 20 ) x
Abstract: The rational division of the highspeed railway block section serves to ensure safe traffic, improve transport efficiency and reduce investment. In this regard,the new optimization model of block section in the quasimoving block is solved with particle swarm optimization algorithm based on predatory search strategy. The predatory search strategy balances local search and global search of the particles,so as to avoid local optimum and improve algorithm accuracy. By numerical example and comparing the optimization results of the particle swarm algorithm,the effectiveness of the particle swarm algorithm is validated based on the predatory search strategy for solving the model with more precise solutions are and faster operation speed. Key words: Highspeed railway; Predatory search strategy; Particle swarm algorithm; Block section; Quasimoving block 高速铁路建设首先解决的是选线设计和闭塞分区
N +1
( 2) ( 3) ( 4) ( 5)
算法
[5 ]
者主要针对城市轨道交通系统的闭塞分区划分问题进 行了 研 究, 没 有 涉 及 干 线 铁 路。 在 国 内, 刘海东等 人 实现了利用计算机建立仿真系统完成干线铁路 [7 ] 三显示固定闭塞的信号机布置。 刘剑峰等人 在分 析了影响区间信号机布置因素后, 建立了区间四显示 固定闭塞信号机布置优化模型, 并用遗传算法对模型 进行了求解。国内学者虽然已将智能算法用于求解干 线铁路固定闭塞条件下闭塞分区划分问题 , 但没有系 统地分析闭塞分区划分的影响因素及其约束条件 , 约 束条件较简单。并且较少研究准移动闭塞条件下的闭 塞分区划分问题。再者其运用的算法存在编码过程复 杂、 计算量大、 极易陷入局部最优等问题。现在运用基 于捕食搜索策略的粒子群算法实现高速铁路闭塞分区 的快速合理划分, 提高闭塞分区划分的质量和速度 。 1 闭塞分区划分模型 如下
v 走行距离; S b 为列车由出站限速到 0 km / h 的制动距 离; l s 为安全防护距离。
( 6)
主要研究准移动闭塞制式下、 列车运行控制系统 2 级的高铁闭塞分区划分方法, 为 CTCS以闭塞分区 划分数量最少为优化目标, 在满足列车追踪间隔时间 和制动距离等因素的条件下进行闭塞分区划分 , 最终 实现降低 在保证列车运行安全和一定效率的前提下 , 。 建设成本和减少线路维修工作量的目的 13 ] , 本文用到的模型来自参考文献[ 为了提高计 算精度, 对模型中的部分参数进行了调整, 并将文献 [ 13] 模型中的第一接近信号点位置条件去掉, 而在区 间信号点位置条件中进行重新定义 。 1. 1 定义变量 假设Ⅰ站和Ⅱ站相邻, 两站之间信号点的个数为 N, 2, …, N) 。I 站 每个信号点位置的坐标为 x i ( i = 1 , Ⅱ 站的进站信号机坐标 的反向进站信号机坐标为 x0 , 2, …, N + 1) 为 x N + 1 。对应的闭塞分区的长度 l i ( i = 1 , 为相邻两个信号点坐标的差值。 1. 2 目标函数 为了达到降低建设成本和减少维修工作量的目 , 的 闭塞分区划分数量在满足一定效率的条件下要尽 可能的少, 这里设定 列 车 追 踪 间 隔 时 间 不 大 于 H ( 3 min) 。目标函数为 min 1. 3 约束条件 约束条件如下所述。 N ( 1)
第 60 卷
第1 期
铁 道 标 准 设 计 RAILWAY STANDARD DESIGN
Vol. 60
No. 1
2016 年 1 月 2954 ( 2016 ) 01013105 文章编号: 1004-
Jan. 2016
基于捕食搜索策略的粒子群算法求解 高铁闭塞分区划分问题
王 瑞,陈永刚
( 兰州交通大学自动化与电气工程学院, 兰州 730070 ) 摘 要: 高铁闭塞分区的合理划分可以保证列车的运行安全 、 提高运输效率和减少投资成本 。 为了更好地解决这
132
铁 道 标 准 设 计
第 60 卷
安全、 提高线路通过能力和减少投资成本都具有重要 意义。 法
[2 ]
目前, 国外学者已经将启发式的坡道搜索算 [3 ] [4 ] 、 遗传算法 、 差分进化算法 、 最大 - 最小蚁群 应用于地铁系统的信号机布局优化。 国外学
( 1 ) 区间信号点位置 x0 ≤ x i ≤ x N +1 x i -1 ≤ x i ( 2 ) 闭塞分区长 l min ≤ l i ≤ l max
( 5 ) 第二接近信号点位置 x N -1 > x c
( 8)
x N - 1 为第二接近信号点坐标; x c 为第二接近 式中, 信号点下限位置( 由进站间隔时间计算得到) 。 ( 6 ) CTCS 轨道电路正常码序显示
p +N code
l i ≥ S xp ∑ b i=p
+ lf + ls
( 9)
[6 ]
li ∑ i =1
=
x N +1 - x0
l i 为闭塞分区长度; l min 为闭塞分区的最小 式中, 长度; l max 为闭塞分区最大长度。 ( 3 ) 闭塞分区划分数量 闭塞分 区 划 分 数 量 n ( n = N + 1 ) , 其取值条件 l section l section ≤n≤ l max l min l section 为Ⅰ站和Ⅱ站之间的区间长度。 式中, ( 4 ) 第一离去信号点位置 x1 - x0 ≥ max[ lf + Sv b] + l s ( 7) x1 为Ⅰ站第一离去信号点坐标; l f 为列车在 式中, 驾驶员反应时间等 ) 的 附加时间( 各种设备动作时间、
准移动闭塞制式下闭塞分区划分问题, 对于保证行车 檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾檾
相关文档
最新文档