电力机车的车体调簧优化计算法

1、电力机车的车体调簧优化计算法隹进厅车体關簣时*假设条件为前后转向架经过调賽试验.其轮朮偏羞数据己纾满足相关标准规定的要求机车车体调簧试验的冃的在于调整车体各二系支承的载荷基本上相等，车体二系簧展载点处于i个水平fii上.这样机牟车体、前后转向架这个超辭定结枸柱落丰之后+轴噫、轮通玺新分胆之JR的偏建数値才能符合电力机车使用技术条件规定的范国“因此，设葺机车乍体调奚优化模型的日标函数利釣東条件如下：K目标函数各二系承裁位置我荷方垃值廉小即：5Td（-/）2n-1各二系支撑处馥荷均值为了瓷式（4了4）了二乞和S为机王车体承找点个数，片为各二系支據处敎荷UHl在稱足上述二系各承载位载荷数振方差值量小

2、的前提下，增加加垫总量最小作为补充目标即：min）公武4-巫）2.约束条件：0（max）/i公式H-75）43.2优化算法研究优化方法包含传统忧化方注和秤能优化方法两大类*传统优化方法丄要扌旨:线性规划的单纯形法、非线性规划的基于梯度的各种迭代算法，如：牛顿法、DFP变尺度法、复合型法、惩罚函数法等优化方法卩役智能优化方法则楚通过模拟自然界中的物理或者生物群体的运动特性而开发的相关写法。目前应用较为成熟的智能算法有：遗传算法、模拟退火算法、蚁群算法、粒子群优化算法等。传统优化方法是从一个初始解出发，每次迭代中也只能对一个点进行计算，这个局限限制了算法的计算速度和求解大规模问題的能力，使得计算机

3、高速运算的性能难以发挥卩律另外，传统的优化方法要求每一步迭代都向改进方向移动，这样算法就不可能具有“爬山”能力，一旦算法陷入局部的低谷，就只能局限在这个低谷区域中，不能搜索该区域以外的其他区域，使得算法丧失了全局搜索能力卩役另外,传统优化方法的梯度为零只是最优解存在的必要条件而非充分条件，当且仅当冃标函数为凸函数时，才能保证满足停止条件的解为最优解.传统的优化算法寻找目标函数的最优值的方法依聯于梯度信息，仅适用于求解具有连续性函数关系的优化问题卩鸡帮能算法面向实际需求，模拟自然界实际存在的物理或生物现線而开发的随机性算法，对目标函数和约束函数表达的要求较传统优化方法宽松，算法执行效率髙，算法的

4、问題规模较传统算法小，能满定现场工程应用工时短的要求。电力机车车体称重调簧试验，调簧目标是冬二系承拔点找荷分布均匀，调整对夔为12或8组弹簧的加垫值，变量维数高、变最耦合度爲，调簧初值不能确定，如果采用传统优化方法，通过设定初值和求解梯度信息进行加垫计算，势必増加算法的时间复杂度和空间复杂度，而智能算法不要求目标函数的连续性、可微性及凸性，而且算法简单，易于实现，对初值的设定依赖性较小，适应于电力机车称乘调簧问题的求解。因此，选择智能优化算法完成加垫值计算。在遗传算法、模拟退火算法、蚁群算法、粒子群优化算法中，遗传算法、蚁群算法、粒子群优化算法全局搜索性能较好，模拟退火算法依赖于初值的设定，局

5、部搜索性能较好对于在整个加垫允许范围内搜寻最优解的电力机车车体称重调簧加垫就优化问题.应该选择全局搜索性能好的算法作为主要算法.中南大学已经成功地应用的算法有：遗传算法、遗传算法与蚁群用法的混合算法，且取得了较好的计算结果。为进一步研究舒能算法在机车车体调簧方囲的应用，还有必要研究其他智能算法。木文选择了遗传算法和模拟退火算法的混合算法、以及粒子群算法作为机车车体调簧的智能优化算法.遗传算法定根据问题的目标函数构造-个适应值函数，对一个由多个解构成的种群进行评测、遗传、选择、经过多代繁衍，获得适应值最好的个体作为问題的最优解，基本流程如图4-8所示.遗传算法具体构成元素包含：种群和种群规模、编

6、码方式、遗传算子、选择策略、停止准则等。其中种群规模的大小般仪为40-100,编码方式有二进制编码和实数编码方式两大类，遗传算子包含交叉和变异，较高的交叉率可以达到较大的解空间，减小停止在非绘优解上的机会，但是交叉率过高，会因过多的搜索不必要的解空间而耗费大量的计算时间。变异率太低，一些有用的基因就很难进入选择，变异率太高，随机的变化太多，后代可能失去从双亲继承下来的好待性，使得算法失去从过去搜索中学习的能力。选择策略一般采用轮盘赌注法，停止原则一般设置为最大迭代步数。模拟退火算法是一种启发式的Hi机寻优算法，模拟了物理退火过程，由一个给定的初值高温开始，利用具有概率突跳特性的Metropol

7、is抽样策略在無空何中随机进行搜索，伴随溫度的不断下降重复抽样过程，找寻垠优解。模拟退火靠法流程图如图4-9所示，其算法主要分内外循环坏节，内循环环节通过Metropolis准则判定是否达到热平衡状态，实现局部领域内的最优解査询。外循环则足通过降温函数实现更大解空间范田内最优解的査询。但是研究表明：虽然模拟退火算法具有-定的全局搜索能力，但是较容易陷入局部最优解，算法有粒子群算法是模拟自然界生物体的群体行为而Jh发的一种算法，粒子表达采用天然的实数编码形式，适合于求解实数范围内的优化问题。算法的基本原理是:一个由m个粒子组成的群体在D维搜索空问中以一淀的速度飞行，毎个粒子在搜索时，考虑到自己搜

8、索到的历史最好点和群体内其他粒子的历史最好点，在此基础上进行粒子搜索位巻的变化。粒子的位置和速度是在连续的实数空间范围内取值。基本粒子群算法的流程如图4-10所示.图4-10粒子郡算法流程图基本粒子群算法的位昼和速度可根据公式（4-53）和公式（4-54）计算。公式（4-77）点公式（4-78）K惯性权乘，其大小决定了对粒子当前速度继承的多少，合适的选择可以使粒子具有均衡的搜索能力（广域搜索能力）和开发能力（局部搜索能力），惯性杈重较大时，粒子在自己原来的方向上具有更大的速度，从而使粒子在原方向上飞行更远，粒子貝有更好的搜索能力。当惯性权重较小时，粒子继承了较少的原方向的速度，从而飞行较近，具

9、有更好的开发能力。cP勺称为学习因子，通常等于2。小g（0,1）,是在0,1区间内分布的伪随机数。在上述智能算法中，虽然遗传算法有较强的全局搜索性能，但是爬山能力较弱，在实际应用中容易产生早熟收敛的问题，且在优化后期搜索效率较低。而模拟退火算法是局部搜索算法的扩展，依据metroplics准则接受新解，因此除接受优化解外，还在一定范围内接受恶化解，具有摆脱局部最优解的能力，能抑制遗传算法的早熟现彖，但它的进化速度较慢。将两者的优点予以组合，在标准遗传算法中融入局部搜索算法的思想，形成遗传模拟退火算法，是解决问題的有效方法。4.33车体调簧算法采用遗传模拟退火算法进行机车车体称堇调簧加蛰值计算时

10、，遗传算法作为加垫计算的先导算法。遗传算法用来进行全局搜索，模拟退火进行局部搜索绘优解。公式(4-79)在遗传算法环节，出于对计算时间和系统精度要求的考虑，将种群规模设置为40,种群中每条染色体对应一组加垫量，由12个基因点组成。每个基因对应车体二系弹簧处的加垫量，其编码形式采用二进制编码，二进制位数为25,取值范田为0,力”远。适应度函数取目标说数中的各点调簧后菽荷均方值最小。采用公式（4-79）计算毎个个体被选中进行遗传操作运算的概率，选择策略是轮盘贴注法.人Mr=l切点切点另外，交叉选择概率设置为0.90,采用如图4-11所示的双切点交叉笫略进行交叉操作。变异选择概率设管为0.05.切点

11、切点P产A】P产A】P2“2双切点交叉D|=A*B2iC|II4-11遗传算法交又操作原理田在模拟退火环节，由于需要与遗传算法进行状态传递，所以状态表达沿用遗传算法一进制农达方式,退火初始温度设胃为300度,退火降温方式为线性降泡,降温速度为0.1。内循环过程采用metroplics准则接受新解，即计算仏=/（九-/（几（叽为当询解的适应值，口九为当前解邻域内某解的适应值，如果4/加0,则算法无条件从状态i转移到j否则按照公式（4-80）计算接受概率按受新解。在整个算法的设计中，遗传算法的终止条件为达到迭代步数，迭代步数设置为300步，模拟退火算法迭代终止条件为终止温度不低于10度。以X号车体

12、为例，采用遗传模拟退火算法计算，算法在迭代100步之时，适应值变化如图412所示.I12迭代步数口标曲数值图4-12遺传模拟退丈算法遠代100步的适应值麦化曲找釆用粒子群算法进行机车车体称重调簧加聲值计算时，出于对计算时间和系统精度，以及与遗传模拟退火算法的可比性要求，将群体规模设置为40,群休中每个粒子对应一组加舉量，每个粒了搜索空间为12维空间，分别对应相应车体二系弹簧处的加垫量，取值范用为0,人力“。适应度函数取口标函数中的各点调黄后我荷均方值最小为左要H标。学习因子5、C2取2,为了平衡搜索能力和开发能力，使得局部搜索更为精确.将权甌设胃为0.7。同样以X号乍体为例,采用粒子擀算法进行il算，算法在迭代100步时，适应值变化如图413所示。使用遗传模拟退火算法进行加军值计算时，为迭代步数达到100步之后，W法的适应值为1.114。使用粒子桥算法计算加犁值时，当迭代步数为20步左右时，算法的适应值为1.114,而R在同样的计算机硬件坏境支持厂遗传模拟退火負法的执行时间为20s,粒子群算法的执行时间为5s。综合考虑上述影响，选择粒子群算法作为加菸值优化算法。将整个加垫求解空间0,A力心均分为若干子区间，在毎个子区间应用相同设置的粒子群算法计算加垫总呈，得出短区间内加垫总徼如表4-6所示。ui.