توضیحات
ABSTRACT
In order to reduce the energy consumption of train operation, an optimization method based on genetic
algorithm of golden section is proposed. Firstly, the Multi-particle train model is established. Secondly, the optimal operationstrategy of subway trains is analyzed according to different ramps. Then, a golden section genetic algorithm (GR-GA) is proposed to solve the problem that genetic algorithm is easy to fall into localoptimum. A golden section genetic algorithm (GR-GA) is proposed to search for the optimal transfer position of train and the best adaptive point of searching crossover and mutation operator with golden ratio is introduced, which improves the local optimization ability and convergence performance. Taking Yizhuang line as a simulation case, the results show that the proposed algorithm has a better optimization effect.
INTRODUCTION
With the rapid development of urban rail transit, huge energy consumption has attracted widespread attention of scholars. The energy consumption accounts for nearly half of the total energy consumption of the subway system. Therefore, the reduction in energy consumption of the subway makes a lot of sense. Domestic and foreign scholars have done a lot of research on the optimization of urban rail transit trains and achieved many results. Generally, research methods are divided into two categories: analytical algorithms and numerical algorithms. The analytical algorithm is based on the factors of trains andlines and solves the problem of train energy saving in the form of mathematical expressions. Howlett used maximum principle to search for the key operating points and then got the optimal solution of the problem. Khmelnitsky used the maximum value principle to optimum the control of train with different road conditions; Liu used the maximum value principle to optimize the train running curve combining the optimal control strategy with the train motion model; In order to minimize energy consumption, Liang made the analysis of the optimal control under different road conditions, taking slopes and speed limits into consideration. In general, it is more likely to get the best results using analytical method, but it requires complex derivation, which appears to be the difficulty of solving
the problem.
چکیده
به منظور کاهش انرژی عملیات قطار، روش بهینه سازی بر اساس ژنتیک است
الگوریتم بخش طلایی پیشنهاد شده است. در ابتدا، مدل قطار چند ذره ایجاد شده است. ثانیا، استراتژی عملیات مطلوب قطار مترو بر اساس رمپ های مختلف است. سپس یک الگوریتم ژنتیک بخش طلایی (GR-GA) برای حل مسئله پیشنهاد می شود که الگوریتم ژنتیک به راحتی در localoptimum سقوط می کند. الگوریتم ژنتیک بخش (GR-GA) برای جستجوی موقعیت انتقال مطلوب قطار پیشنهاد شده است و بهترین نقطه تطبیقی برای جستجوگر متقاطع و جهش با نسبت طلایی معرفی شده است که باعث بهبود قابلیت بهینه سازی محلی و عملکرد همگرا می شود. با استفاده از خط Yizhuang به عنوان یک مورد شبیه سازی، نتایج نشان می دهد که الگوریتم دارای یک اثر بهینه سازی بهتر است.
مقدمه
با توسعه سریع حمل و نقل راه آهن شهری، انرژی عظیم توجه زیادی را به محققان جلب کرده است. انرژی برای تقریبا نیمی از کل انرژی سیستم مترو. بنابراین کاهش انرژی مترو بسیار معنی دارد. محققان داخلی و خارجی تحقیقات زیادی در مورد بهینه سازی قطارهای حمل و نقل شهری انجام داده اند و نتایج زیادی به دست آورده اند. به طور کلی، روش تحقیق به دو دسته تقسیم می شود: الگوریتم های تحلیلی و الگوریتم های عددی. الگوریتم تحلیلی مبتنی بر عوامل قطار و حل مشکل ذخیره انرژی قطار به صورت عبارت های ریاضی است. Howlett حداکثر اصل را برای جستجوی نقاط عملکرد کلیدی استفاده کرده و سپس راه حل بهینه ای از مشکل را دریافت کرد. Khmelnitsky از اصل حداکثر ارزش برای کنترل قطار شرایط مختلف استفاده کرد؛ لیو با استفاده از اصل حداکثر ارزش برای بهینه سازی منحنی جریان قطار با ترکیب استراتژی کنترل بهینه با مدل حرکت قطار؛ به منظور به حداقل رساندن مصرف انرژی، لیانگ تجزیه و تحلیل کنترل بهینه را در شرایط جاده مختلف انجام داد و دامنه های سرعت و محدودیت سرعت را در نظر گرفت. به طور کلی بیشتر احتمال دارد که بهترین نتایج را با استفاده از روش تحلیلی بدست آوریم، اما به پیچیدگی پیچیده نیاز دارد که به نظر می رسد دشواری حل
مشکل
Year: 2018
Publisher : IEEE
By : Wang Pu, Ding Sheng, Xuejin Gaoˈ,Huihui Gao
File Information: English Language/ 6 Page / size: 413 MB
سال : 1396
ناشر : IEEE
کاری از : وانگ پو، دینگ شنگ، Xuejin Gao، Huihui گائو
اطلاعات فایل : زبان انگلیسی / 6 صفحه / حجم : MB 413
نقد و بررسیها
هنوز بررسیای ثبت نشده است.