西南交通大学博士论文多目标列车运行过程优化及控制策略研究
列车运行过程属于多目标优化问题，有多个甚至无穷多个相互非劣的pareto最优解，能耗、正点率、停靠准确性为目标，安全性为约束的多目标运行过程建模。
微粒子群算法，提出了相应的改进优化过程，改善了算法计算的复杂度和收敛性。
1、对解的基本要求融入更新过程
2、分六种模式
3、人机交互的优化方式
国外现状 最初的是无限速、没有坡道的平道-》常坡道，线性能耗为优化目标-》变坡道-》加速恒速惰性制动-》
输入控制连续变化时，极限值原理推导出最用控制策略
输入控制为离散量时，以库恩塔克方程求得关键方程，筛选最优控制策略 -》变化坡道上具有任意限速的列车运行过程优化问题，极小值原理
用到的算法：模糊控制技术，遗传算法，神经网络
1、模糊和预测控制结合
2、以能耗和时间为目标，用遗传算法优化ATO算法
3、遗传算法和differential evolution用于优化列车运行
国内现状 现代优化理论和智能控制理论
1、极小值原理（马林）
2、满意优化理论（金炜东）
3、平道的情况，假定列车控制策略为有限集（程家兴）
4、离线寻优，建立优化操纵运行数据库，结合在线实时调整（蒋遥远）
5、离线寻优，在线模糊控制的方法（北京交通大学）
6、模糊预测控制理论，分为启动、恒速、限速、减速、停车五个阶段，建立模糊多目标模型（冯晓云）
7、以安全、正点、节能、准确停车，遗传算法解决多目标问题（石红国）用遗传算法和模糊专家系统（何庆）
8、研究了模糊预测控制在ATO算法的应用，提出了列车运行过程模糊评判函数，设计了列车运行控制算法（康太平）
9、分层递阶智能控制结构用于列车运行过程优化，以专家系统和模糊多目标优化相结合，构成了智能列车自动控制系统（贾利民）
10、研究了专家系统在ATO算法中的应用（刘贺文）
11、多控制器的递阶只能控制系统，应用多控制器的递阶智能控制方法及专家系统，实现列车优化（何兵、万百五）
12、新型模糊预测控制算法（张建华）
13、模糊退火算法研究了水平轨道有限制速度的和无限制速度两种情况下列车节能优化控制问题（陈万里）
14、利用动态模糊推理神经网络实现列车优化控制（李群、汪希时）
15、预测性模糊逻辑系统用于列车运行优化控制（胡谋）
16、改进的预测性模糊逻辑系统（刘晖）
17、并行遗传算法求解运行优化问题（吴昊）
安全、节能、正点、舒适、停靠准确多个目标为一体，保证安全、正点、运行舒适的同时，能耗和运行时间达到要求。
使用最优化理论解决问题，都是将能耗作为优化目标，直接把多目标优化问题转化为单目标优化问题。采用智能控制方法，大多以列车运行安全、正点、节能、舒适、停靠准确为目标或者其中的几项，不能满足实时性要求，只能采取离线优化的方法，离线优化不能取得好的效果，并未能利用系统提供的各种信息。
问题：
1、惩罚系数
列车运行过程是大滞后、非线性的多目标优化问题。
常用的智能技术有模糊逻辑系统、神经网络系统、专家系统、遗传算法、微粒群算法。
1、模糊神经网络
采用一阶Sugeno模型，网络系统由5层构成。
2、遗传算法
以线性加权和的方法，将其转化为单目标的优化问题。
3、微粒群算法
模拟鸟群的行为。
4、免疫算法
停机条件、初始化抗体群、克隆操作、免疫基因操作、克隆选择操作
微粒群优化算法在列车运行优化中的应用
一组输入控制序列，输入控制对应的转换点，分别进行了优化。总结了一些关于列车运行过程的规律和经验，作为先验知识和偏好信息溶入微粒群算法中，改善算法性能。加权和方法转化为单目标问题。二进制微粒群优化算法对列车的控制序列进行优化，实数域的微粒群优化列车在相应控制序列下的转化点。算法复杂度高，将先验知识和偏好信息溶入微粒群算法中，对算法性能进行改进。
多目标微粒群优化算法及其在列车运行过程优化中应用
主要考虑的问题：算法得到的Pareto前沿尽可能接近优化问题真实的Pareto前沿，尽可能多地得到Pareto最优解集中解的个数，保持解集的多样性。适应度赋值和解的选择操作必须同时考虑多个目标。聚合赋值，基于准则的赋值方式和基于Pareto优胜关系的赋值方式。
多样性保持技术及适应度保持方法：小生境。小生境半径内的个体适应度差，难进入下一代，从而保持多样性；ε-dominance：多余给定的ε，决策向量με-dominance决策向量v当且仅当f i(μ )/(1+ε) ≤fi v∀i=1,2,…k且至少有一个i，使得f i(μ )/(1+ε)
离线优化获得的最优控制策略，但是当某些参数变化时，控制策略不再最优，采用自适应模糊控制方法对列车控制策略进行优化调整。
西南交通大学博士论文列车运行过程仿真及优化研究 石国红
国外对于列车优化操纵：
1、Sidelnikov在1965年、Erofeyev在1967年运用动态规划法。离散型数学解析优化方法，求解水平轨道无限速的列车运行模型，这种算法需要大量的计算时间和资源，不适合计算机实时计算。
2、部分学者采用了“常坡假定”(没有陡坡段)模型[S,9,ZOJ，如Ishikawa，1968；Kokotovic and Sinsh，1972：Strobel and Horn，1 973；Milroy，1981；Asnis etc．1985，在列车控制中，采用常数控制，并假定控制目标线性化。这种简化的建模方式，使得“常坡假定”模型受到较大限制。
3、变坡模型，即假定列车运行轨道的坡度是变化的，同时假定连续型的牵引力、制动力机车模型。如1971年Maksimov的研究，是仅找到用于较短站间距的列车优化操纵控制序列；
4、南澳大利亚大学的SCG研究所的Milroy等人，对列车(特别是内燃货物列车)操纵优化进行了系统研究，开发了列车优化操纵指导系统，成功用于列车的操纵中。1980年，Milroy的博士论文研究了列车节能操纵策略问题，后来他们以离散型机车模型为基础，研究了变坡假定、考虑限速和陡坡段等复杂线路条件的优化操纵模型，并通过给定
一系列的转换点，求解变坡模型的优化问题。
5、日本学者研究了模糊与预测模糊理论在ATO系统的应用，通过设置模糊规则和多个模糊评价指标构建了模糊预测系统控制规则。
6、新加坡的学者在1997年运用遗传算法生成惰行控制表来优化MRT(Ma Rapid Transit)系统的运行控制系统。其基本方法是用遗传算法选择最优的惰行控制点，包括惰行起点和惰行终点，从而获得优化控制方案．优化参数包括准时性、乘客舒适度和能耗。
国内的研究
1、关于牵引计算：对于牵引计算的理论研究主要表现在牵引的基础数据研究。如附加阻力的研究，列车运行阻力函数的标定等，单质点牵引计算模型，多质点牵引计算模型，城际和城轨，简化线路和编组模型，非简化模型。
2、列车运行仿真的研究：在牵引计算理论的基础上，从但列车运行仿真到多列车追踪的运行仿真开始研究。
3、列车优化操纵与仿真研究：通过对列车优化操纵和仿真系统的研究，在牵引计算理论及自动控制基础上建立列车优化操纵指导系统，培训司机和研究节能途径。
4、列车自动控制的优化算法：国内在列车优化算法方面的研究，主要集中在理论方面的探讨。
牵引计算模型
目标函数；t= ti
约束条件：边界条件（开始位置和速度、结束位置和速度）、速度、牵引力、基本阻力（非起动、经验公式）、附加阻力（线路）、制动力、运动方程。列车牵引计算应采用的算法在《牵规》上有规定。
机械能模型Howlett等人
问题：求控制序列，使这一过程能耗最小。
约束条件：控制变量连续，牵引力和制动力有限是速度函数，限制速度，附加阻力是运行位置的函数。
存在的问题：仅以列车牵引力为最优目标和列车实际能耗不同。
能耗模型Benjamin等人针对离散型模型
问题：求运行过程中使列车全部能耗最小的控制序列。
约束条件：初速度，有限个控制变量，每个控制级别对应一个能耗，最后段为制动控制，
平直坡道，不考虑限制速度，运行时分和区间长度。
存在的问题：一个控制状态决定一个为常数的单位能耗嘉定与实际不符，能耗模型的研究并没有考虑区间限速以及限速变化影响，只给出了简单控制序列的组合，参数调整是一个复杂的过程。
多目标运行仿真模型
目标函数：准点性，准确停站，节能目标；
约束条件：边界约束，安全性，舒适性，牵引力，基本阻力，附加阻力，制动力，单位能耗，工况转换约束；
单质点》多质点》关键控制点
单质点的力学基础：机车牵引力，基本阻力，附加阻力以及制动力等。
多质点优化模型研究
单质点模型计算的误差，工况转换，中间过程假设等不尽合理，能耗偏高。
多质点模型就是把每个机车视为一个质点，不但计算列车的整体受力情况，也可以计算列车车辆间的纵向力。
