遗传算法在无人驾驶地铁列车能量优化中的应用

文 | 慢纪硬核说

编辑 | 慢纪硬核说

无人驾驶地铁及其相关自动化系统，是如今公共交通领域的重点研究范畴。

遗传算法是一种启发式搜索和迭代随机方法，用于计算以找到优化问题的精确或近似解。通过使用遗传算法创建的滑行控制表能优化列车运行，最小化能量消耗和列车预定时间。

今天我们将介绍一种通过使用遗传算法控制列车运动的能量优化技术，以及它在其中的具体应用。

提高能源效率的趋势

欧洲 2020 战略设定的目标是到 2020 年创造 20% 的能源消耗来自可再生能源，并将能源效率提高 20% 。

出于这个原因，连同供给侧政策，欧洲有许多举措来提高能源使用效率，减少能源需求，并试图将其与经济增长脱钩。

它们已经设置了不同的工具和实施措施来达到和评估所获得的结果，包括建筑物的能源性能、热电联产的推广和家用电器的能源标签。

列车运行的主要性能指标有安全性、正点性、能耗、停站精度、乘坐舒适性。

城市轨道交通系统的能源消耗由一系列相互依赖的因素决定，包括车辆、基础设施和服务 。

节能驾驶被认为是减少铁路车辆吸收的能源消耗的最佳投资领域之一。

实现节能驾驶的最有前途的方法之一，是通过使用遗传算法来模拟自然选择、适应周围环境和生物达尔文进化的过程。

两个车站之间的牵引图基于控制表的创建，其中显示了应提供给列车的命令以及它们将在路径上执行的位置。

这些控制表被转化为比特串，称为染色体，它应用自然选择和遗传学的典型过程来找到能源和乘客舒适度方面的最佳解决方案。

对于节能速度曲线的计算，遗传算法提供最佳性能，与非优化驾驶相比可节省 40%。

自动化城市地铁自动化系统

为了高度安全地对地铁列车进行全自动控制，需要一组相互交互的功能：列车驱动、乘客上下车控制以及集中监控系统。

公共交通系统的服务在很大程度上受到所采用的自动列车控制系统性能的影响。随着自动化程度的提高，运营管理的责任逐渐从司机和操作员转移到系统上。

自动列车控制系统包括全过程的监视、执行、控制等多种功能，可以引入不同级别的自动化。

特别是驾驶员控制的列车运行、半自动化列车运行以及无人驾驶和无人值守的列车运行。

自动列车控制系统在驾驶室显示屏上提供有关移动权限状态的连续信息，并监控最高列车速度。因此，可以避免线路侧光信号。

在无人驾驶系统中，自动列车控制系统与自动列车运行配合使用，它来自交通系统的安全关键部分。

自动列车控制系统包括三个子系统。

（一）列车自动保护 (ATP)系统。它使用目标速度指示和声音警告来警告火车司机，如果他们可能超过将导致火车通过红色危险信号或超过速度限制的速度曲线。

（二）自动列车运行（ATO）系统。它是一种运行安全增强设备，用于帮助列车实现自动化运行。通常用于自动轨道交通和地铁，更容易保证人身安全。

（三）列车自动监控 (ATS) 系统。控制系统提供不同的信息，特别是范围广泛的行之有效的列车跟踪、路线设置和调度员级别的功能，从本地操作员控制台到高度自动化的集中监督和控制中心。

图2报告了不同的自动列车控制系统，它们为自动无人驾驶操作提供集成数据管理并支持高效程序。

能量优化算法

节能驾驶的主要目标，是通过最大限度地减少使用的能源将火车从 A 站开到 B 站。应通过考虑轨道的特性、列车的特性和一些操作来对导出的速度曲线进行编程约束。

基本上可以采用三种数学优化技术来获得最佳速度曲线：

（一）线性规划。在一组未知实变量上求解称为约束的方程组和不等式系统，目标函数要最大化或最小化，其中一些约束或目标函数是非线性的。

（二）模糊逻辑。它是一种源自模糊集理论的多值逻辑形式，通过使用近似推理而不是使用布尔逻辑中的真或假逻辑来管理问题。

（三）遗传算法。这种迭代启发式方法通常用于为优化和搜索问题生成有用的解决方案。这些算法使用受自然进化启发的技术，生成优化问题的解决方案。

整个运输系统的模型化，包括轨道形态、不同机车车辆的特征和服务类型，可能会非常复杂，具体取决于为能源优化选择的技术。因此，可以从各种算法获得的性能受到建模过程中引入的近似值的影响。

考虑到国际文献中的先前工作，可以确定与火车全速行驶所吸收的能量相比，使用所提出的三种优化方法可以实现的能量减少，即尽可能快地加速和减速尽可能晚，这对应于最短的旅程时间，结果如表1所示。

考虑到旅行时间的增加，遗传算法是实现最佳性能的方法。另一方面，遗传算法不是确定性的，这意味着性能水平可能并不总是在应用该算法的所有时间都相同。

图3显示了一个牵引力图示例，将带有非优化导轨的列车与 EED 进行了比较。

优化方法

遗传算法是一种基于遗传学、自然选择和达尔文进化论原理的随机算法，允许个体携带更适合其生存环境生存的遗传包袱，允许繁殖和传播把最好的基因传给下一代。

在这种情况下，重点不在生物身上，过程中涉及的遗传包袱的染色体将是位串，而这些必须适应的环境条件将是一个适应度函数，可以进行密切评估几个因素。

该序列始终以滑行命令开始，然后是牵引驱动。这样，命令通常在滑行和牵引之间交替，命令的数量可以是偶数或奇数。

如果它们是偶数，则最后一个命令向列车发送所有在指定车站停靠的程序。如果他们是奇数，最后的命令是保持继续行车。

在这种情况下，自动列车运行可以忽略问题并控制刹车，使列车高精度地到达目的地。在任何情况下，列车自动保护施加的速度限制都会绕过路线图的命令，以使列车保持在最大允许速度限制以下。

每条染色体包含控制表的所有信息。因此，每条染色体都具有可变长度，并包含具有固定位数的基因。每个基因代表发出命令的站之间的相对位置，如图4所示。

开发的算法包括自动创建最初的 16 条染色体，这些染色体源自系统随机生成的相同数量的控制表。从这 16 条染色体中，将选择适应度函数最大化的两条染色体作为下一代的第一亲本。

为了简化实施，决定将命令的数量限制为四个，包括在车站停止的命令。但是，如图5中展示的那样，多于5个命令的数量将无法实现节能方面的实质性改进。

为了估计火车消耗的能量和旅行时间，已经实施了一个使用的模拟器。火车的等效质量通过以下方式建模：

它将车辆或车辆组合视为集中质量。表示所有牵引力或制动力的合力以及施加到车辆的所有阻力的合力，运动方程为：

其中F由电机的机械特性给出，如图6所示。

速度控制器在零和最大值之间调制电机的牵引力，该牵引力由机械特性获得，以实现控制给定的速度参考。

为了允许模拟滑行命令，速度控制器命令的抑制器被放置在两个控制器的下游，在滑行阶段将牵引力设置为零。

在生成不将列车带到距目的地1.1m以内的控制表的情况下，系统以100倍的适应度进行惩罚，以确保这些个体在种群中无法生存。控制系统的原理示意性地显示在图7中。

结论：

在研究中，所提出的优化技术的性能非常令人满意，因为它们允许实现等于 32.89% 的节能，导致旅行时间与预定时间表相比微不足道地增加了 0.51%。

即使可用数据有限，遗传算法的使用也可以在优化问题中取得出色的结果，从而可以在发生意外事件或列车和线路参数发生变化时快速重新编程命令。

遗传算法就其本质而言，很难准确复制先前优化中获得的结果，因为解决方案是通过反复迭代获得的，其中涉及随机参数。

这可以被认为是基于遗传算法的方法的缺陷，因为在不同时间找到的每个最佳解决方案都是相似的，但即使使用相同的初始条件也不一致。

最后要记住，在实际情况下，从能量的角度来看，代表最坏情况的最短行驶时间驾驶通常不会设置为自动列车运行作为驾驶方式，除非在特殊情况下，通常是在恢复期间延迟，其中能源效率的实现并不那么重要。

参考文献：

1、V. Bolla 和 V. Pendolovska著，《1999-2008 十年间欧盟 27 国温室气体排放背后的驱动力》，2011 年。

2、W. Gunselmann著，《提高铁路系统能效的技术》，2005 年 9 月。

3、R. Barrero、J. van Mierlo 和 X. Tackoen著，《公共交通节能》卷3，第 26–36 页，2008 年。

4、P. Lukaszewicz著，《节能驾驶方法——算法》，2008 年。