基于PSO算法的城轨列车自动驾驶控制策略研究 .pdfVIP

基于PSO算法的城轨列车自动驾驶控制策

略研究

作者：***

来源：《无线互联科技》2023年第15期

摘要：由于传统的控制方法对于城轨列车运行这一非线性过程难以获得令人满意的控制

结果，而粒子群算法（PSO）相较于布谷鸟搜索算法（CS）具有更快的收敛速度，更简洁易

操作等优点，因此，文章尝试在此前CS算法研究的基础上，基于PSO算法对列车自动驾驶系

统建立仿真模型并进行智能算法研究。通过MATLAB软件对列车运行过程中的精度、误差、

节能、舒适度等目标进行仿真并比较结果。结果表明，城轨列车自动控制系统采用PSO算法

是可行的。

关键词：自动驾驶；粒子群优化算法；城轨列车

中图分类号：U2文献标志码：A

引言0

城市轨道交通经过十余年的高速发展，相关设备越来越先进，乘客的体验感越来越舒适。

这些都得益于科技的发展进步。目前，自动驾驶技术已经在公共交通、物流配送、消防救援、

环境监测等很多领域得到有效应用。我国深圳、上海、成都等多个城市也都相继开通了无人驾

驶地铁线路，并且无人驾驶将会是今后城市轨道交通发展的方向。因此，针对城轨列车非线

性、高复杂性等运行特点，需要用更优化的智能控制方法解决传统控制方法无法解决的复杂的

控制问题。

本文所研究的粒子群算法（PartideSwarmOptimization，PSO）是在1995年，由美国学者

Kennedy和Eberhart所提出。PSO算法与遗传算法相似，都是基于群体的随机搜索算法，通过

模拟生物的活动和进化的过程来寻求最优解。由于PSO算法原理相对简单、易于实现，因

此，粒子群算法在科学研究和工程应用中都受到了很大的关注。国内对于PSO算法的相关应

用已经在很多行业中开展，与城市轨道相关的有基于PSO算法设计的自适应模糊PID控制

器，对列车进行停车精度和舒适度控制［1］；基于PSO算法建立的地铁调线调坡数学分析模

型，并以此开发地铁智能调线调坡系统，用来改善线路参数选择的合理性和改善侵限情况

［2］;基于粒子群算法的优化地铁车厢空调的控制研究，以车厢内空气舒适度作为地铁车厢变

风量空调系统的控制对象，设计出一个舒适和节能效果佳的控制系统［3］。虽然PSO算法对

于城市轨道交通的应用研究早已开始，但是在城轨列车自动驾驶方面，相关研究很少。本文以

PSO算法为基础算法，对列车自动驾驶过程进行仿真分析，比较PSO算法用于城轨列车自动

控制的优缺点。利用MATLAB仿真列车运行模型，对系统进行功能仿真，验证本文所提理论

的正确性和控制方法的可行性。

粒子群优化算法（2PSO）

粒子群优化（PSO）算法模拟的是鸟群的捕食行为。具体的研究场景为鸟群在随机地搜索

食物，所有鸟都不知道食物的具体位置。如果他们知道自己與食物的距离，那么找到食物最有

效的方式就是搜寻目前离食物最近的鸟的周围区域。在这一过程中，个体通过鸟群互相传递的

位置来判断自己找到的是否为最优解，并将结果反馈给鸟群，当整个鸟群都聚集在食物周围

时，即被认定为找到了最优解。同时，在这一过程中，每个个体都会根据食物寻找的结果产生

自身的认知，而且当其他个体具有更加先进的认知时，个体会及时进行调整以便能够提高自身

的搜索能力。粒子群算法的学习机制就是基于上述行为过程而产生的。

式（5）中：m为列车质量；a为列车运行合力所产生的加速度；f（u，v）为列车的作用

力，分为牵引力和制动力，与输入控制序列u和列车的运行速度v有关；g（v）为列车的基本

阻力，是列车运行速度的函数；w（x，v）为列车的附加阻力，其中x为线路位置，并且该附

加阻力与线路坡度、曲线和隧道等线路条件有关［5］。当列车处于牵引状态时，f（u，

v）0；当列车处于惰行状态时，f（u，v）=0；当列车处于制动状态时，f（u，v）0。

仿真实验3与分析

仿真参数设置3.1

本文所设计的线路参数、坡度参数和列车参数的取值分别如表1～3所示［6］。

仿真结果及分析3.2

在MATLAB仿真环境下对基于PSO算法的城轨列车运行过程进行仿真实验，得到速度-

距离曲线以及加速度-距离曲线分别如图2—3所示。

图2是采用PSO算法对列车运行过程优化后得到的速度-距离曲线。从图2可以看出，运

行速度满足表1