.png){kind=icon}
返回
Real-time motion planning for virtual coupling train operations: A learning-based combinatorial optimization method
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.115529.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为响应灵活列车编组日益增长的需求，虚拟耦合技术被公认为一项有前景的技术。虚拟耦合运动规划问题涉及特定运行状态下的轨迹优化和多状态转换决策。为描述包含多个运行状态的整个虚拟耦合过程，我们提出一个混合整数非线性规划（MINLP）模型，以实现不同运行状态间的状态转换。为加速实时生成虚拟耦合列车运行轨迹的优化过程，本研究设计了一种基于学习的组合优化方法，包含离线深度学习和在线优化流程。我们创新性地结合运行机制与神经网络预测来确定0-1变量的值，显著提高了其值的可靠性。随后，通过序列二次规划（SQP）算法求解固定0-1变量后的非线性规划（NLP）问题。在模型预测控制（MPC）框架下，本方法通过滚动时域优化策略动态生成最优轨迹。此外，为解决因0-1变量预测错误导致的不可行性问题，我们构建了一个新的优化问题，确保虚拟耦合列车在高效耦合与解耦的同时维持安全运行。我们通过数值实验评估所提运动规划方法的有效性与鲁棒性。实验结果表明，所提方法在保证运行安全的前提下，实现了快速且平稳的耦合与解耦过程。
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
暂无机构信息
引用论文
Learning for Online Mixed-Integer Model Predictive Control With Parametric Optimality Certificates
OAAI
OAAI分享收藏An artificial potential field approach for virtual coupling train control with complete braking curve supervision一种用于虚拟耦合列车控制且具有完整制动曲线监督的人工势场方法
OAAI
OAAI分享收藏分享收藏分享收藏Tracking interval control for urban rail trains based on safe reinforcement learning基于安全强化学习的城市轨道交通列车追踪间隔控制.png)
IF0
PREAI
分享收藏Energy consumption analysis of trains based on multi-mode virtual coupling operation control strategiesAPPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏分享收藏
查看更多内容