实时火车时间表基于深度学习的重排方法随机扰动下的地铁系统的能量优化

文摘

考虑到不确定住障碍通常发生在地铁站,研究者已经提出了很多方法来解决火车时间表延期(竞技场队伍)的问题。本文提出一种修改基因Algorithm-Gate复发单元(MGA-GRU)方法,这是一个实时的方法基于深度学习的竞技场队伍。该方法以门复发性单元(格勒乌)网络作为决定网络和使用修改后的遗传算法产生的结果(公司)作为网络的训练集的决定。一个训练有素的决定网络可以实时提供有效解决方案随机扰动发生后,以优化网络列车牵引能耗在地铁系统。根据上海地铁1号线(SML1)试点网络,本文建立了一个综合模型地铁系统的训练和测试环境来验证该方法的节能效果和实时性能在解决竞技场队伍的问题。实验结果表明,在两名列车地铁系统中,3△地铁系统,和five-train地铁系统,平均MGA-GRU方法可以节省能源4.45%,6.16%,和7.19%,而平均决策时间只有0.15秒,0.27,和0.33 s,分别。

1。介绍

与地面交通工具,如公交车和出租车相比,城市地铁系统取得了全球快速发展的优势没有交通堵塞,大容量,高安全(1]。虽然地铁系统节能与其它地面车辆相比,他们仍然消耗了大量的能量2,3]。由于能源价格上涨和环境污染等问题,近年来,减少网络的列车牵引能耗地铁系统通过研究和优化列车时间表已成为一个重要的研究课题(4,5]。

在地铁系统中,当火车刹车,它可以再生制动能量系统(6]。再生制动能量(RBE)列车可以重用,同时加速,也可以存储在能源存储设备,如电池(7],超级电容器[8),和飞轮9]。否则,必须由电阻消耗热能RBE阻止火车电压超过安全阈值(10,11]。地铁系统的时间表可以预定的离线或实时动态地改变。通过设计一个合适的时间表,火车和制动列车加速度可以更好地更好地利用同步RBE [12]。

尽管研究人员进行了广泛的研究,在过去的几十年里,火车时间表列车在地铁系统仍然经常受到意想不到的障碍,如突然增加客流,意外事故,和非计划停车13,14]。为了解决这类问题,研究者们已经提出了很多火车时间表延期(竞技场队伍)方法(15- - - - - -19]。

先前的研究在竞技场队伍问题都集中在减少干扰造成的延迟时间,可以分为两类:一是减少乘客的总延迟时间(20.];另一种是最小化所有列车的总延迟时间(21]。Šemrov et al。22]介绍了实时方法基于q学习的竞技场队伍。该方法已经进行了大量的实验实际在斯洛文尼亚铁路网络。q学习的实验结果表明,该方案是至少相当于一般优于简单的先进先出(FIFO)和随机游走方法不依赖学习代理。

不同于这两种传统方法,方法研究了竞技场队伍的目标是重新安排火车时间表扰动发生后减少牵引能耗。侯et al。23)开发了一个混合整数规划(MIP)模型解决地铁时间表延期问题,旨在共同优化总火车延误,滞留旅客的数量,和列车的能源消耗。赵et al。24)实现三种搜索方法,即增强蛮力(EBF),蚁群优化(ACO)和遗传算法(GA),以减少能源消耗和被打扰后延迟。结果表明,这三种方法可以找到接近最好的或最好的训练轨迹和驾驶风格减少能源和提高安全性和乘客的舒适。龚et al。25]提出了一种补偿的驾驶策略算法(CDSA)恢复被火车原最优时间表通过减少旅行时间的打扰列车发生扰动后在下一节。结果表明,与不使用CDSA扰动发生后,使用CDSA平均可以节省1.86%的能源。

然而,这些优化方法(EBF、配电网和GA)由赵等人不适合实现实时解决竞技场队伍问题由于长时间计算。只和CDSA锣等人提出的重新的滑行速度扰动火车,不调整其他列车所有列车滑行速度和停留时间。为了应对这些问题,本文提出一种基于深度学习的竞技场队伍方法,称为遗传Algorithm-Gate反复修改单元(MGA-GRU)相结合的改进遗传算法(公司)门复发单元(格勒乌)网络。

到目前为止,许多方法已经提出的基于通用遗传算法解决调度和优化问题(26- - - - - -29日]。相应的实验结果表明,这些方法能找到大规模高质量的解决方案。和格勒乌与时序维度(应用于解决问题30.,31日]。这些实验结果表明,格勒乌可以从序列中提取更丰富和复杂的信息和方面。

比EBF、算法和遗传算法,实时MGA-GRU可以重新安排时间表后随机扰动发生。与CDSA只有重新的滑行速度扰动的火车,MGA-GRU重新滑行速度和保压时间的列车在地铁网络实时骚乱发生后,以达到更好的节能效果。

本文的其余部分组织如下。部分2建立三个模型基于上海地铁1号线(SML1)。部分3介绍了MGA-GRU方法解决竞技场队伍问题发生扰动后实时。节4,四个实验基于SML1试点网络进行验证该方法的节能效果和实时性能。部分5本文总结道。

2。建模

在本节中,提出了三种模式制定地铁系统:时间模型、力学模型和功率模型。

更好的理解本文的假设,介绍了决策变量和参数。

2.1。假设

(1)两个相邻站点之间的距离SML1相对较小。根据实际运行的列车SML1和苏等的描述。32),每列火车采用单循环acceleration-coasting-braking策略而不是重复的加速和刹车。(2)住扰动足够小,以免导致网络中断。(3)从第一个训练的离开最后一个火车的到来,只有一个住发生干扰。但扰动的值是随机的。

2.2。决策变量

:列车的滑行速度。米从站。n−1台没有。n :列车停留时间。米在车站没有。n

2.3。参数

:火车指数 :指数站 :火车的总数 :站的总数 :列车的旅行时间。米从站。我−1台没有。我 :即时离开列车。米在车站没有。n :列车停留时间。米在车站没有。n :进展 :住干扰的持续时间 :总时间 :火车的速度 :牵引力 :制动力 :运行阻力 :重力 :跟踪斜坡 :列车的位置。米 :列车的牵引力。米从站。n−1台没有。n :再生制动的列车。米从站。n−1台没有。n :反馈的力量训练。米从站。n−1台没有。n :列车牵引系统的转换效率(从电能向机械能) :火车制动系统的转换效率(从机械能到电能) :制动能量反馈系数 :加速列车牵引能耗 :再生制动能量反馈使用加速的火车 :净能耗

2.4。时间模型

模型定义出发的瞬间的时间 ,旅行时间 ,和停留时间每列火车每站的33]。始发站的定义是车站。1。列车时的瞬间。1离开始发站被定义为时间= 0。每个相邻列车离开车站开始之间的时间间隔是相等的。

如果一个扰动发生在车站没有。n列车。米,相应的停留时间将会增加来 。然后出发的即时的列车。米在车站没有。n是

根据上面的假设中,只有一个扰动发生在每个整个测试过程。因此,即时当最后一班火车到达终端的定义是

2.5。力学模型

根据上述假设,每列火车采用单循环acceleration-coasting-braking策略而不是不断加速和制动(25]。的单位 , , ,等,是N。

在加速阶段, ;之间的关系和速度所示如下方程:

当速度低于10 m / s,火车在恒转矩牵引状态,和列车的加速度是一个固定值。当速度增加超过10 m / s,火车开关为恒功率牵引状态。在这种状态下,牵引力是一个固定值,牵引力与速度成反比。

在滑行阶段, , ;之间的关系和符合戴维斯方程(34]:

在制动阶段, ;之间的关系和所示如下方程:

当速度大于18.056米/秒,刹车力与速度成反比。在18.056米/秒速度降低时,减速是一个固定值。

2.6。能力模型

在地铁系统,驾驶列车的状态有三种:加速度,滑行,制动。加速的列车将电能转换成机械能,而制动列车可以再生机械能转化为电能。制动列车所产生的电能可以提供加速度火车。这意味着如果火车可以安排一个合适的策略,可以节省大量的能源,这部分RBE的使用。

,再生制动能量,被定义为

牵引力和定义是

如果制动功率小于牵引力,它能充分利用;否则,将启动电阻和消费满溢的火车制动功率维持电压在一个安全的价值。牵引力和刹车转换的最小值被定义为力量(33]:

2.7。滑行速度和旅行时间之间的关系

速度曲线包围的面积和时间轴是两个相邻地铁站之间的距离。如图1确定,如果加速度和驾驶策略,滑行速度和旅行时间形成两个相邻站点之间的一对一映射。更高的滑行速度对应于一个短的旅行时间。因此,旅行时间可以控制通过控制滑行速度。关系可以被定义为 (25]。

3所示。能源优化干扰

为了优化净牵引能耗实时住扰动发生后,本文提出了一种基于深度学习MGA-GRU方法。该方法结合了改进的遗传算法(公司)门复发单元(格勒乌)网络。MGA-GRU方法由四个阶段组成。具体地说,在第一阶段,最优能量没有干扰是由公司的时间表。在第二阶段,每列火车的停留时间和滑行速度作为决策变量。首先是用于提供有效的行动不同扰动下,用作训练集。在第三阶段,公司的结果用于火车格勒乌网络。上述三个阶段都是离线。在第四阶段,训练有素的格勒乌网络作为决定网络。训练有素的决定网络可以提供扰动发生后实时有效的解决方案。这个阶段是实时的。

3.1。改进遗传算法

在第一阶段,能量优化目标函数可以表示为无干扰

在第二阶段,如果发生在车站没有干扰。列车。 ,能源优化目标函数可以表示为一个扰动 在哪里是一个非零的随机变量。

方程(9)和(10)是简略的优化问题,可以通过遗传算法(GA)来解决。然而,使用一般的遗传算法解决这类复杂优化问题,解决方案是容易陷入局部最优,而不是全局最优。为了克服普通遗传算法过早收敛的问题,介绍了一种改进遗传算法(公司)基于模拟退火(SA)算法避免陷入局部最优和全局优化方法。

首先是提供算法的伪代码1。创公司的一代,是公司的最大代。一个是初始个体的数量,和B每单个本地搜索的最大数量。 和 是随机值。个人的健康吗 ,和是最好的健身社区解决个人吗 。每一个人包含一系列的滑行速度( )和停留时间(T)。当采用和T,净能耗= 。所以,如果没有住扰动发生时,可以计算出基于方程(9),这意味着 。如果住扰动发生时,可以计算出基于方程(10),这意味着 。

3.2。门复发单位

门复发单元(格勒乌)网络属于递归神经网络(RNN)之一。像漫长的短期记忆(LSTM)网络,格勒乌也提出了解决这些问题的长期记忆和梯度反向传播。比LSTM,因为格勒乌参数少,训练速度更快,需要更少的数据概括。在使用LSTM格勒乌可以达到相同的效果,格勒乌网络更容易被训练和训练效率较高。格勒乌网络具有很强的泛化能力,已成功和广泛应用于语音识别、计算机视觉等领域。格勒乌的结构和应用介绍如下。

3.2.1之上。输入和输出格勒乌的结构

格勒乌的输入和输出结构是一样的天真RNN,如图2。有一个电流输入和隐藏的状态从之前的节点。隐藏的状态包含前一节点的信息。结合和 ,格勒乌生成的输出当前的隐藏节点和隐藏的状态传递给下一个节点。

3.2.2。格勒乌的内部结构

美国的两个门(和 )获得的是隐藏的状态吗从之前的节点和输入当前节点。如方程所示11)和(12),是一种控制重置,重置门和是一个更新门控制更新。和是乙状结肠函数。用这个函数,和可以转换成范围 ,可以用作门信号。 和 表示权重矩阵重置的大门,更新门,分别和隐藏层。 偏差矩阵。

获得门信号后,重置门是第一个被用来制造重置数据 。然后缝合与输入吗 。双曲正切函数是用来缩小数据的范围 ,也就是说, ,如方程所示(13)。主要包含当前输入 。添加当前目标的方式隐藏状态相当于记忆当前状态。

在更新记忆阶段,两个步骤忘记和记住同时执行。表达式如下: 在哪里阿达玛的产品,把相应的矩阵中的元素。代表了矩阵加法操作。门信号的范围是 。门信号越接近1,更多的数据被记住;越接近0,被遗忘了。 方法选择性忘记前面的隐藏状态,也就是说,忘记一些不重要的信息的维度 。 表示当前节点信息的选择性记忆 。它可以看到从方程(14),同样的更新可以用来遗忘和选择性地记忆,而LSTM需要使用多个盖茨。模型参数包括所有 共享的所有步骤,学会了在模型训练时间。

总之,格勒乌的内部结构如图3。

3.2.3。应用格勒乌

每个决策在不同扰动可以由公司,其中包括一系列的滑行速度和停留时间。公司的结果可以用来训练格勒乌网络,即决定网络。一个训练有素的决定网络可以实时提供智能决策一个随机扰动发生后。图4显示了结构的滑行速度和停留时间决定网络。决定网络由五部分组成:输入层,以前的隐层,隐层,决定网络,和选民。扰动发生后,在离开的瞬间,决定网络决定每个离开火车的滑行速度和下一站的停留时间。速度、位置和其他列车的驾驶状态,随着火车号码和车站出发的火车,到输入层。火车号码和车站的火车离开对应于一个格勒乌细胞。最后,选民给了滑行的速度和保压时间离开火车。此外,地铁系统米火车,输入层有3个米−1神经元,输出层有2个神经元。

住干扰是用于格勒乌网络的输入层。住干扰在干扰发生列车后,位置,速度,和驾驶状态的干扰列车延误。因此,当火车离开车站,位置,速度和扰动列车的驾驶状态(另一个火车)不同于没有住扰动的情况发生。总之,住干扰影响干扰的火车的位置,速度,和在每一个离开驾驶状态即时格勒乌网络的输入层中使用。

4所示。实验验证

为了验证提出的节能效果和实时性能MGA-GRU方法解决问题,竞技场队伍四本节进行了数值实验。在实验1中,首先是用于生产最优时间表没有干扰的两名列车地铁系统。在实验2中,后重新安排时间表发生扰动时,通过使用MGA-GRU方法。在实验3中,MGA-GRU方法适用于解决竞技场队伍问题3△地铁系统。在实验4中,MGA-GRU方法应用于双向地铁系统有五个火车在两个轨道。

飞行员地铁系统的信息显示在图5。数值实验的配置如表所示1。

一些设置表中列出的四个实验2。基于上述设置,没有交通堵塞列车之间的冲突。在实验2和3,住扰动发生在列车。在常熟路站1,而在实验4中,住干扰可以发生在列车。1在衡山路站或在常熟路站或在陕西南路站。

4.1。实验1

实验1的目标是验证首先解决能源优化问题和生产最优时间表没有干扰。首先是用来解决能源优化问题基于方程(7)和最优时间表如表所示3。

图6显示了个体的分布的1日10日和十五代人由公司制造的。如图6,个体的分布在第一代是离散的。10代后,个人的分布逐渐集中。最后,经过15代,个人收敛的健身价值256.02千瓦时,这是没有干扰的最优能耗。

为了证明公司的有效性,一般遗传算法也应用于生产线下没有扰动在同等条件下的时间表。图7显示了个体的分布的1日10日和15日代由GA。经过15代,个人收敛的健身价值276.59千瓦时。从图可以看出7一般遗传算法的个体集中比公司更迅速。更重要的是,一般的健身GA(276.59千瓦时)比的大公司(256.02千瓦时)。因此,与一般的遗传算法相比,该公司可以避免过早陷入局部最优,并提供一个更好的解决方案。

4.2。实验2

这个实验是使用MGA-GUR方法解决竞技场队伍问题在两名列车随机扰动下的地铁系统。MGA-GRU方法的节能效果反映在测试期间节能与“策略。MGA-GRU方法反映的实时性能的时间提供一双策略在测试期间。

4.2.1。准备数据集

首先基于方程的输出(8)的干扰 选择数据集训练MGA-GRU网络。

4.2.2。基线

拟议中的MGA-GRU方法相比对两个基线:(i)不采取行动,每列火车扰动发生后不采取任何措施,(2)首先,首先是用来给离线策略应对住干扰。两个基线代表最差和最好的策略。预计MGA-GRU介于这两种极端情况下。应该强调,MGA-GRU可以重新安排时间表。

净能源消耗的变化这三个策略在测试期间进行比较。发生在列车的住干扰。1在常熟路站13.45 s。图8显示了整个旅程的净能耗曲线用三种方法。从图可以看出8在扰动发生时,从那一刻,没有行动的净能源消费一直保持最高的。虽然在节能公司可以实现好的结果,需要大量的时间提供了一个决定,不满足实时要求解决问题的竞技场队伍。与上述两种方法相比,MGA-GRU可以实时安排的时间表,实现节能。

MGA-GRU方法的重新安排时间表在两名列车13.45年代住扰动下地铁系统如表所示4。

表5显示了平均计算时间和平均总能源消耗的三个策略在10测试。MGA-GRU策略是节能与“战略和其平均计算时间只有0.15秒,满足实时要求的效果。因此,MGA-GRU可以重新安排时间表实时住扰动发生后,实现节能。应该注意的是,虽然公司策略的能源消费总量小于MGA-GRU策略,它需要极大的计算时间长(总共8694.08秒)重新安排时间表,绝对不满足实时要求的竞技场队伍的问题。在计算时间方面,MGA-GRU有绝对优势。

4.3。实验3

SML1在现实案例中,最多有三两个变电站之间的列车。因此,有必要应用MGA-GRU方法3△地铁系统。更重要的是,根据实际情况SML1 [35),火车经常提前离开,这意味着干扰的价值可以是负的。这种情况也考虑在实验3中。

首先,公司生产最优时间表没有干扰基于方程(7),如表所示6。

4.3.1。数据集

输出扰动下的公司 和 选择数据集训练MGA-GRU网络。

4.3.2。基线

与实验2,3△地铁系统,MGA-GRU相比也对两个基线:任何行动和公司。

图9让整个旅程的净能耗曲线下−2.37年代住干扰(即将离任的早期)3△地铁系统。从图可以看出9,首先方法最好的节能效果。然而,它也需要很长的计算时间。

MGA-GRU方法的重新安排时间表在3△−2.37年代住扰动下地铁系统如表所示7。

表8显示了平均计算时间和平均总能源消耗的三个策略在10测试。的平均计算时间MGA-GRU提供每组的滑行速度和保压时间只有0.27秒,满足实时要求的竞技场队伍的问题。此外,MGA-GRU策略是节能与“策略。因此,MGA-GRU可以实时安排的时间表,实现节能随机住扰动发生后。

4.4。实验4

根据SML1的实际情况,存在最多3之间的火车在一个跟踪2变电站。实验4的目标是将MGA-GRU应用到一个真实的地铁系统,这是一个双向地铁五号线列车在两个轨道。不同于实验2和3,在实验4中,扰动的范围 ,并且每个住干扰可以发生在衡山路站或在常熟路站或在陕西南路站。

双向地铁五号线列车在两个轨道图所示10。14站按顺序编号从1到14。有三个火车离开车站。1,按顺序站没有传播。7,也就是方向。然后,有一个把时间从60年代的车站。7站八号。之后,每列火车从站没有驱动。8站没有。14,which is called down direction. After that, there is also a turning of 60 s in duration from station no.14 back to station no.1. And there are other two trains departing from station no.8 to station no.7 and then back to station no.8. The departure instant of train no.1 at station no.1 and train no.4 at station no.8 is the same. Besides, the headway time of every two train is also 120 s.

首先,公司还用于生产最优时间表在任何干扰。

4.1.1。数据集

输出扰动下的公司 选择数据集训练MGA-GRU网络。

10/24/11。基线

five-train地铁系统,提出MGA-GRU方法相比对三种基线:(i)不采取行动,每列火车扰动发生后不采取任何措施;(2)一般遗传算法,一般的遗传算法用于给离线策略应对住干扰;和(3)首先,首先是用来给离线策略应对住干扰。预计MGA-GRU可以达到比一般遗传算法更好的节能效果,这可以证明公司的有效性。

表9显示了平均计算时间和平均总能源消费的四个策略在20个测试。的平均计算时间MGA-GRU提供每组的滑行速度和保压时间只有0.33秒,满足实时要求的竞技场队伍问题。并与“策略,MGA-GRU策略是节能与“战略和平均可以节省7.19%的能量。因此,MGA-GRU可以实时安排的时间表,实现节能随机住扰动发生后。更重要的是,公司(8.73%)达到节能效果优于一般遗传算法(6.15%),这也证明了公司的有效性。

的决定时间MGA-GRU还讨论了机载计算机的配置。和火车的机载计算机的配置如表所示10。

配置的电脑被限制为火车一样的机载计算机,然后再执行实验4。实验结果表明,计算平均时间是0.35秒,这反映了该MGA-GRU方法可以应用到机载计算机。

5。结论

本文修改基因Algorithm-Gate复发单元(MGA-GRU)方法,提出了解决火车时间表延期(竞技场队伍)的问题。拟议中的MGA-GRU方法可以重新安排时间表的净牵引能耗优化地铁系统在随机扰动实时居住。具体来说,改进遗传算法的结果(公司)在不同住干扰被用作训练集训练门复发单元(格勒乌)网络(网络)的决定。扰动发生后,训练有素的决定网络可以提供适当的滑行速度和停留时间。

比传统的优化方法,如增强的蛮力(EBF),蚁群优化(ACO)和遗传算法(GA), MGA-GRU可以实现实时火车时间表重新安排。优于CDSA, MGA-GRU可以重新排列所有列车的滑行速度和保压时间实时骚乱发生后,以达到更好的节能效果。

四个实验是在上海地铁1号线(SML1)试点网络来验证该方法的节能效果和实时性能。实验结果表明,在两名列车地铁系统中,3△地铁系统,和five-train地铁系统(双向地铁在两个轨道线)后发生扰动时,平均MGA-GRU策略可以节省4.45%,6.16%,和7.19%的能量与“策略相比,在每组的平均计算时间的滑行速度和停留时间只有0.15,0.27,和0.33 s,分别。在所有的其他两名列车地铁系统,3△地铁系统,和five-train地铁系统,提出MGA-GRU方法可以解决实时随机扰动下的竞技场队伍的问题。

在未来的工作中,根据田口实验设计方法(36和其他智能优化方法37),用户定义的参数对性能的影响应该分析算法,相比其他参数应该和最好的设置应该决定。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

确认

作者要感谢提供的基金上海申通地铁集团有限公司有限公司也提供了实验环境和援助。这项研究是由上海申通地铁集团有限公司有限公司(批准号js - 372 KY09R013)。

引用

1. 刘、朱,y Bi, k . Liu, y,“地铁再生制动能量的利用研究基于一种改进的微分进化算法,”《先进的交通工具卷,2020篇文章ID 7085809, 11页,2020年。视图:出版商的网站|谷歌学术搜索
2. 苏,t . Tang和c·罗伯茨,”合作为节能、列车控制模型”IEEE智能交通系统,16卷,不。2、622 - 631年,2015页。视图:出版商的网站|谷歌学术搜索
3. j . c和e . f . Chang”模型估算能耗电动火车,”交通研究东亚社会杂志》上》第六卷,第291 - 278页,2005年。视图:出版商的网站|谷歌学术搜索
4. 李x, z罗,和n .秀”稀疏优化方法节能制定时间表在地铁铁路系统中,“《先进的交通工具卷,2018篇文章ID 1784789, 19页,2018。视图:出版商的网站|谷歌学术搜索
5. y, y呗,j . Li毛,t·李,“集成优化列车控制和时间表,以减少网络能耗的地铁线路,”《先进的交通工具卷,2018篇文章ID 7905820, 19页,2018。视图:出版商的网站|谷歌学术搜索
6. 郭m . h . Liu, x, z, b .宁和t . Tang”时间表优化再生能源利用率在地铁系统中,“IEEE智能交通系统,20卷,不。9日,第3257 - 3247页,2019年。视图:出版商的网站|谷歌学术搜索
7. a . Czerwiński s Obrębowski, z . Rogulski”新的高能铅酸电池与网状玻璃碳载体和集电器,”能源杂志卷,198年,第382 - 378页,2012年。视图:出版商的网站|谷歌学术搜索
8. a·伯克和m·米勒“超级电容和锂电池的功率容量电动和混合动力汽车应用,”能源杂志,卷196,不。1,第522 - 514页,2011。视图:出版商的网站|谷歌学术搜索
9. 森野奎铃木y . a . m .小林,r·什“飞轮储能系统的新颖应用。”能源,30卷,不。11 - 12,2128 - 2143年,2005页。视图:出版商的网站|谷歌学术搜索
10. r·慕克吉r·克里T.-M。陆,n . Koratkar“高功率锂离子电池纳米电极,”纳米能量,1卷,不。4、518 - 533年,2012页。视图:出版商的网站|谷歌学术搜索
11. z l . p . Liu Yang高,黄y s . Li和y高,“节能培训时间表在地铁系统优化能源存储设备”IEEE智能交通系统,19卷,不。12日,第3963 - 3947页,2018年。视图:出版商的网站|谷歌学术搜索
12. t·阿尔布雷特,”火车运行时间控制使用遗传算法来最小化能源成本在直流快速运输系统中,“在现实世界中优化使用进化计算的挑战,卷1,德累斯顿技术大学交通学院科学、德累斯顿,德国,2004年。视图:谷歌学术搜索
13. x孟、l .贾和w·香”的复杂网络模型对铁路时间表稳定优化”专业智能运输系统,12卷,不。10日,1369 - 1377年,2018页。视图:出版商的网站|谷歌学术搜索
14. l . j .阴d . Chen Yang t . Tang和b跑,“高效实时的列车运行算法与不确定乘客的要求,“IEEE智能交通系统,17卷,不。9日,第2612 - 2600页,2016年。视图:出版商的网站|谷歌学术搜索
15. a . Gonzalez-Gil r . Palacin, p .古怪的“可持续城市轨道系统:策略和技术优化管理再生制动能量,”能量转换和管理卷,75年,第388 - 374页,2013年。视图:出版商的网站|谷歌学术搜索
16. c . s . Chang和s . s . Sim卡”,使用遗传算法优化列车运动通过海岸控制,”IEE Proceedings-Electric电力应用程序,卷144,不。1,第73 - 65页,1997。视图:出版商的网站|谷歌学术搜索
17. b·r·柯和n .陈”信号blocklayout和策略的列车运行节能在大众捷运系统中,“IEE Proceedings-Electric电力应用程序,卷152,不。2、129 - 140年,2005页。视图:出版商的网站|谷歌学术搜索
18. 孟x l .贾y秦,j .徐和t .周”研究列车运行调整基于混合收敛粒子群优化,”《2009年国际会议上测量技术和机电一体化的自动化,3卷,页326 - 329,湖南,中国,2009年4月。视图:出版商的网站|谷歌学术搜索
19. 李x, x, b .宁,和t .唐,“地铁系统的优化模型,以供应点时间表”IEEE智能交通系统,15卷,不。5,1913 - 1921年,2014页。视图:出版商的网站|谷歌学术搜索
20. f·a·奥尔特加·m·a·博罗,j .波“在线时间表重新安排运输路线,”交通科学,52卷,不。5,1106 - 1121年,2018页。视图:出版商的网站|谷歌学术搜索
21. p .徐f·科曼、问:彭和x的菜肴,”一个时间表重排方法和产品化阶段高速铁路交通中断期间,“交通研究记录:《交通研究委员会,卷2607,不。1,第92 - 82页,2017。视图:出版商的网站|谷歌学术搜索
22. d .Šemrov r . Marsetičm .Žura l . Todorovski和a . Srdic”强化学习方法培训延期单轨铁路,“交通研究B部分:方法论卷,86年,第267 - 250页,2016年。视图:出版商的网站|谷歌学术搜索
23. z侯,h .盾,美国高,g·尼科尔森l . Chen和c·罗伯茨,“节能地铁时间表重新安排模型考虑ATO的概要文件和动态客流,”IEEE智能交通系统,20卷,不。7,2774 - 2785年,2019页。视图:出版商的网站|谷歌学术搜索
24. n .赵c·罗伯茨、美国Hillmansen和g·尼科尔森,“多个训练轨迹优化减少能源消耗和延迟,”IEEE智能交通系统,16卷,不。5,2363 - 2372年,2015页。视图:出版商的网站|谷歌学术搜索
25. c .龚张,f, j .江和x王,“地铁系统的综合节能操作方法基于上海地铁1号线的实际情况,“能量,7卷,不。11日,第7329 - 7305页,2014年。视图:出版商的网站|谷歌学术搜索
26. x左,c·陈,w . Tan和m .周“城市公交线路车辆调度通过一种改进的多目标遗传算法,”IEEE智能交通系统,16卷,不。2、1030 - 1041年,2015页。视图:出版商的网站|谷歌学术搜索
27. t . Mareda l . Gaudard, f . Romerio”参数遗传算法方法评估互补选择大规模windsolar耦合,”IEEE / CAA自动化杂志》上,4卷,不。2、260 - 272年,2017页。视图:出版商的网站|谷歌学术搜索
28. y侯:吴、m .周和z,“Pareto-optimization为调度通过遗传算法,在炼油厂的原油业务”IEEE系统,人,和控制论:系统卷,47号3、517 - 530年,2017页。视图:出版商的网站|谷歌学术搜索
29. y y。棕褐色,y。李,R.-X。王”,安排额外的培训路径进循环时间表基于遗传算法,”IEEE访问,8卷,第102211 - 102199页,2020年。视图:出版商的网站|谷歌学术搜索
30. M.-Y。高:张S.-L。沈,a .周“盾构隧道实时动态土压力调节模型通过整合格勒乌深与GA优化学习方法,“IEEE访问,8卷,第64323 - 64310页,2020年。视图:出版商的网站|谷歌学术搜索
31. 徐y, b、t .赵“卷积多头self-attention情绪分类记忆方面,“IEEE / CAA自动化杂志》上,7卷,不。4、1038 - 1044年,2020页。视图:出版商的网站|谷歌学术搜索
32. t . s .苏x Li唐,z高,“地铁时间表基于节能运行策略优化方法,”IEEE智能交通系统,14卷,不。2、883 - 893年,2013页。视图:出版商的网站|谷歌学术搜索
33. g .杨f·张,c .锣,s .张”应用程序的决定性策略梯度算法energy-aimed时间表延期问题,“能量,12卷,不。18,3461年,页2019。视图:出版商的网站|谷歌学术搜索
34. w·j·戴维斯,电力机车的牵引阻力和汽车美国,通用电气(General Electric),波士顿,MA, 1926。
35. r . f . Liu, w .风扇,和江z,“火车时间表绩效指标数据分析方法使用自动监督训练数据,”专业智能运输系统,12卷,不。7,568 - 577年,2018页。视图:出版商的网站|谷歌学术搜索
36. 美国高,m .周y . Wang h . Yachi j . Cheng和j·王,“神经元树突与有效的学习算法分类模型,近似,并预测,“IEEE神经网络和学习系统,30卷,不。2、601 - 614年,2019页。视图:出版商的网站|谷歌学术搜索
37. j . Wang和t . Kumbasar区间二型模糊神经网络的参数优化基于PSO和BBBC方法,”IEEE / CAA自动化杂志》上》第六卷,没有。1,第257 - 247页,2019。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年吉林廖等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。