一种基于遗传算法的进路搜索算法

2015-12-30张文泉余立建

铁道通信信号 2015年9期

张文泉余立建

在铁路车站作业中，进路选排对接发车作业的效率和车站通过能力有着直接影响，如何高速有效地选排接发列车和调车作业进路，是保证行车安全和提高行车效率的重要内容。

在计算机联锁的进路选排中，进路搜索的方法有很多种。最常见的有链表法、二叉树搜索法等。近年来智能优化算法在求解路径优化等问题方面显示了较强的优势，所以也可以采用智能算法来进行进路搜索。本文就提出了一种基于遗传算法（genetic algorithm，简称GA）的进路搜索算法，这种方法以遗传算法为核心，具有快速、准确的特点，能够有效地进行进路搜索。

1 站场数据结构分析

为了简化建模过程，本文只考虑列车进路选排，暂不考虑调车进路选排，下面以《6502电气集中电路》中的一个典型站场简化图为例进行分析和建模。如图1所示。

图1 站场平面图

首先需要简化站场图，将站场图以节点的形式进行描述。因进路选排过程中，主要需要考虑信号机、轨道区段和道岔，将信号机、轨道区段以及道岔都作为站场图节点，并进行统一定义。对于图1所示站场，按照由下向上、由左向右的顺序对节点依次进行奇数编号。由于信号机、道岔以及轨道区段在位置上可能重复，所以为了避免重复定义节点，在定义过程中先选择道岔作为节点，再选择轨道区段，最后再考虑信号机。对于一条进路，各个节点的前后连接关系十分重要，所以采用数据结构图表示整个站场，图1站场的数据结构图如图2所示。

图2中，k1，k3…均表示当前节点的编号；pf1表示水平方向上所连接的前一节点的编号，pf2表示渡线方向上所连接的前一节点的编号，若不存在则赋值为0。

图2 数据结构图

2 进路搜索的遗传算法建模

2．1 编码与染色体

根据节点取值特点，选取二进制编码。在遗传算法中，一条特定的进路可以表示成一条染色体，将一组染色体放入到问题环境中，通过适者生存的规则选择出适合环境的个体进行遗传。Ki表示一条特定的进路，即是一条染色体，Ki＝｛ki1，ki2，…kin｝。

当站场数据结构图确定后，节点数也就随之确定。在进路选排过程中，如果让节点ki为1表示选中、为0表示未选中，则｛k1，k2，…kn｝就可以表示一条搜索出的进路。于是进路搜索的问题就可以抽象成在众多的解Ki＝｛ki1，ki2，…kin｝中选择最优解的问题。

2．2 进路搜索的遗传操作

设K为进路搜索的集合，算法初始状态的进路搜索集合作为初始种群，在大小为m的初始种群中，Ki表示第i个染色体。遗传算法的基本流程见图3。

在整个遗传算法过程中，主要进行三个遗传操作，分别是复制操作（选择）、交叉操作和变异操作。复制操作是根据每个个体的适应度大小进行优胜劣汰，将适应度更高的遗传到下一代。本文采用轮盘赌的方法，即将所有个体的适应度求和作为分母，每个个体自身的适应度作为分子，按比例进行选择。因此，每个个体被选择的概率为

图3 遗传算法流程图

交叉操作是选择父代中2个个体，将这2个个体的某一段进行交换得到新的2个个体，本文采用单点交叉。变异操作是对单个个体进行的操作，在单个个体的某个基因上按照某个较小的概率进行取反操作，使之产生新的个体，从而改善进路搜索能力。

2．3 适应度函数

一个个体若能够构成一条合理的进路，则从始端节点到终端节点需依次相连。即一个个体中去除为0的信息后组成新的子集，该子集所包含的节点应连续。此时，各个节点的节点编号并不发生变化，用一个新的数组n表示。例如，某个个体K为｛0 1 0 1 1 0 0 1 0 0 1 1 0 0 1 0 0 1 0 0 0 0｝，对应的节点编号为｛1，3，5，…41，43｝，个体K去除0信息后组成新的子集 K′ 为｛1 1 1 1 1 1 1 1｝，对应的节点编号为｛3，7，9，15，21，23，29，35｝，记作数组n。

另外，同一组始端和终端节点之间可能存在着多条进路，因此还需要处理多余的变更进路。根据如上分析，确定了优化目标为

其中，fni表示节点kni的pf1值，f′ni表示节点kni的pf2值，ni表示个体去除0信息后组成子集的节点编号；m表示子集长度；kj表示节点取值，j表示节点编号；s表示始端节点编号；e表示终端节点编号。上式中的第一项表示能否构成合理进路，第二项表示去除多余变更进路。

3 进路搜索模型改进

虽然建立了基于遗传算法的进路搜索模型，但是要将这种模型应用到实际的进路选排过程中，还需要考虑信号灯的变化以及道岔的转动。因此，必须对上述的基本模型进行改进。

首先在一个站场中，每一架列车信号灯均对应一个股道区段，以图1站场图为例就有如表1所示的对应关系。

因此，当该股道区段所对应节点为始端节点时，则该股道区段所对应的列车信号机由红灯状态变为绿灯状态，即信号开放。其次，当选定节点时，相应节点所对应的道岔需要进行动作。为了便于道岔动作的判断，对前面的数据结构进行改进，加入一项新的数据L，即节点所在的股道编号，如图4所示。

图4 改进的单节点数据结构

其中，L（k3）＝0，即节点k3所在的股道编号为0。在整个站场中，L（i）表示节点ki所在股道的编号。在搜索到一条进路以后，进路中所有节点的前后节点随之确定。此时，若L（i）≠L（i－1）或者L（i）≠L（i＋1），则节点ki所对应的道岔需要转动。

表1 股道与信号灯对应关系

4 实例仿真分析

以图1站场为例，可以选择任意一条列车进路进行选排。下面以北京方向下行至5G接车进路的选排为例进行仿真分析。

步骤1：依次按下始端按钮（XJA）和终端按钮（S5LA）。此时，对应的进路搜索起始节点和终止节点被确定，分别是k3和k43，参见图2。

步骤2：利用遗传算法搜索列车进路。遗传算法参数分别为，群体规模取80，交叉概率pc取0．6，突变概率pm取0．1。仿真结果如图5所示。

显然，在迭代32次以后适应度F达到最大值且不再变化，此时F＝1．0149。得到的最优个体为｛0 1 0 1 0 1 0 0 1 1 0 0 0 1 0 0 0 0 0 0 0 1｝，对应的最优进路节点为k3－k7－k11－k17－k19－k27－k43。经多次试验表明，遗传算法的初始种群均随机产生，收敛速度也随之变化，但均能在一定的迭代次数后收敛。

步骤3：相应道岔的转动。根据数据结构可知，搜索到的节点确定以后，相对应道岔关系也随之确定，如表2所示。

步骤4：开放信号灯。信号灯的开放和始端按钮（或起始节点）所在股道区段相关，由于此时的搜索起始节点k3所对应的股道区段是IAG，由表1可知，需开放信号灯X。

至此，整个进路选排完毕，X信号机开放。

值得注意的是在遗传算法的计算过程中，有时会陷入局部最优从而影响最终结果，为了避免这种情况的发生，可以对遗传算法进行改进。同时也可以采用冗余计算的方法，比较选取最优结果，防止局部最优解的出现。