本發(fā)明涉及一種城市軌道列車自動(dòng)控制技術(shù)，尤其涉及一種為列車自動(dòng)駕駛系統(tǒng)生成速度控制命令的方法。

背景技術(shù)：

ATO系統(tǒng)(Automatic Train Operation)是一種用于城市軌道列車自動(dòng)化控制的控制系統(tǒng)，它可以根據(jù)控制命令來(lái)控制列車沿最優(yōu)目標(biāo)曲線運(yùn)行。

城市軌道列車控制是一種典型的雙目標(biāo)優(yōu)化問(wèn)題，即在保證安全性、停車精確性和運(yùn)行平穩(wěn)性的條件下，兼顧節(jié)能和省時(shí)兩項(xiàng)指標(biāo)，具體來(lái)說(shuō)，要實(shí)現(xiàn)列車運(yùn)行中能耗最小，要盡可能多地采用惰行方式，以減小牽引過(guò)程中消耗的能量，但惰行距離太長(zhǎng)，必然會(huì)引起列車運(yùn)行時(shí)間延長(zhǎng)，不利于省時(shí)。

現(xiàn)有技術(shù)在處理前述的雙目標(biāo)優(yōu)化問(wèn)題時(shí)，比較常見(jiàn)的手段是采用加權(quán)求和方法，加權(quán)求和的目的是將雙目標(biāo)優(yōu)化問(wèn)題轉(zhuǎn)換為單目標(biāo)優(yōu)化問(wèn)題進(jìn)而求解出最優(yōu)解，這種處理方式雖然簡(jiǎn)化了處理難度，但是，由于加權(quán)求和的目的完全不同于多目標(biāo)優(yōu)化，其總目標(biāo)函數(shù)無(wú)法全面反映出被優(yōu)化對(duì)象的真實(shí)情況，這就導(dǎo)致其最優(yōu)解無(wú)法體現(xiàn)出雙目標(biāo)間的關(guān)聯(lián)性。從理論上看，雙目標(biāo)優(yōu)化問(wèn)題實(shí)質(zhì)上是屬于多目標(biāo)優(yōu)化的范疇，基于現(xiàn)有的多目標(biāo)優(yōu)化理論可知，多目標(biāo)優(yōu)化的結(jié)果應(yīng)該是相互獨(dú)立、相互排斥的一組最優(yōu)解集，即某一目標(biāo)性能的優(yōu)化必然會(huì)導(dǎo)致其它目標(biāo)性能的劣化，因此多目標(biāo)優(yōu)化得到的結(jié)果應(yīng)是所有占優(yōu)解的集合，而非僅有一個(gè)最優(yōu)解，因此，加權(quán)求和方法是一種不能反映多目標(biāo)優(yōu)化問(wèn)題實(shí)質(zhì)的一種權(quán)宜之計(jì)。

縱觀現(xiàn)有理論，Pareto原理和粒子群優(yōu)化算法十分適合用來(lái)解決多目標(biāo)優(yōu)化問(wèn)題，針對(duì)Pareto原理和粒子群優(yōu)化算法在ATO系統(tǒng)中的應(yīng)用問(wèn)題，本領(lǐng)域技術(shù)人員已經(jīng)進(jìn)行了一些探索，如，第201510242340.X號(hào)中國(guó)專利申請(qǐng)公開(kāi)了一種“城市軌道交通列車ATO速度命令優(yōu)化方法”，其技術(shù)核心是利用NSGA-II方法(非劣排序遺傳算法)求解ATO速度命令Pareto解，又如，María Domínguez等提出了采用MOPSO(多目標(biāo)粒子群優(yōu)化)方法來(lái)解決相關(guān)問(wèn)題(“Multi objective particle swarm optimization algorithm for the design of efficient ATO speed profiles in metro lines”，[J].Engineering Applications of Artificial Intelligence 29(2014)：43-53)，該方法通過(guò)仿真實(shí)驗(yàn)證實(shí)了在收斂性和多樣性方面，多目標(biāo)粒子群優(yōu)化方法均優(yōu)于NSGA-II算法，因此，基于Pareto原理的多目標(biāo)粒子群優(yōu)化算法是一種更為優(yōu)秀的處理方法；在此基礎(chǔ)上，發(fā)明人經(jīng)過(guò)大量研究后發(fā)現(xiàn)，前述的基于Pareto原理的多目標(biāo)粒子群優(yōu)化算法的收斂性和多樣性仍然可作進(jìn)一步的改善。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)背景技術(shù)中的問(wèn)題，本發(fā)明提出了一種為列車自動(dòng)駕駛系統(tǒng)生成速度控制命令的方法，所述列車自動(dòng)駕駛系統(tǒng)能根據(jù)速度控制命令對(duì)列車的速度進(jìn)行控制，其創(chuàng)新在于：所涉及的模塊包括小種群優(yōu)化模塊、上層優(yōu)化模塊和外部檔案模塊；所述小種群優(yōu)化模塊中包含有多個(gè)小種群；

所述方法包括：

1)設(shè)定基礎(chǔ)數(shù)據(jù)和約束參數(shù)；所述基礎(chǔ)數(shù)據(jù)包括：線路參數(shù)、站點(diǎn)參數(shù)、列車參數(shù)、ATO系統(tǒng)參數(shù)；所述約束參數(shù)包括：限速參數(shù)、停車位置參數(shù)、到站時(shí)間參數(shù)、列車工況轉(zhuǎn)換原則；

2)按如下方式設(shè)定粒子和小種群：為列車設(shè)計(jì)控制序列；所述控制序列由多個(gè)順次排列的控制階段組成，每個(gè)控制階段均對(duì)應(yīng)一種列車工況，列車工況切換時(shí)控制階段也隨之切換；列車工況切換時(shí)，列車在運(yùn)行線路上所處的位置記為工況轉(zhuǎn)換點(diǎn)(本文所述運(yùn)行線路是指相鄰兩個(gè)站點(diǎn)之間的行駛線路，對(duì)于包含多個(gè)站點(diǎn)的全線線路，需按站點(diǎn)排列順序，對(duì)每?jī)蓚€(gè)相鄰的站點(diǎn)之間的行駛線路分別進(jìn)行處理)；對(duì)工況轉(zhuǎn)換點(diǎn)的位置進(jìn)行調(diào)整，即可為控制序列生成多種控制模態(tài)，每種控制模態(tài)及其對(duì)應(yīng)的多個(gè)工況轉(zhuǎn)換點(diǎn)記為一個(gè)粒子，粒子的維度即為控制階段數(shù)量與工況轉(zhuǎn)換點(diǎn)數(shù)量之和；設(shè)粒子數(shù)量為x、小種群數(shù)量為y，將x個(gè)粒子平均分配至y個(gè)小種群中；

3)小種群優(yōu)化模塊根據(jù)粒子群優(yōu)化算法，控制各個(gè)小種群按公式一對(duì)所轄粒子進(jìn)行粒子速度更新處理，得到各個(gè)粒子當(dāng)前的粒子速度，然后根據(jù)粒子速度，小種群按公式三對(duì)各個(gè)粒子進(jìn)行粒子位置更新處理，得到各個(gè)粒子當(dāng)前的粒子位置；進(jìn)入步驟4)；

4)滿足約束參數(shù)條件的粒子位置記為可行解，不滿足約束參數(shù)條件的粒子位置記為非可行解，若某一小種群所對(duì)應(yīng)的多個(gè)粒子位置中存在可行解，則將相應(yīng)小種群記為可行小種群，若某一小種群所對(duì)應(yīng)的多個(gè)粒子位置均為非可行解，則將相應(yīng)小種群記為非可行小種群；

根據(jù)約束參數(shù)，對(duì)各個(gè)小種群的狀態(tài)進(jìn)行判斷：

若所有小種群均為非可行小種群，則進(jìn)入步驟5B)；若多個(gè)小種群中既存在可行小種群又存在非可行小種群，則進(jìn)入步驟5A)；

5A)小種群優(yōu)化模塊將可行解輸入外部檔案模塊，同時(shí)，小種群優(yōu)化模塊將每個(gè)可行小種群所對(duì)應(yīng)的可行解中的最優(yōu)者作為精英解輸入上層優(yōu)化模塊，同時(shí)，小種群優(yōu)化模塊將每個(gè)非可行小種群所對(duì)應(yīng)的非可行解中的最優(yōu)者作為精英解輸入上層優(yōu)化模塊；

外部檔案模塊第一次收到可行解時(shí)，若可行解的數(shù)量為1，則外部檔案模塊直接對(duì)可行解進(jìn)行保存，若可行解的數(shù)量為2個(gè)或2個(gè)以上，則外部檔案模塊對(duì)所有可行解進(jìn)行支配關(guān)系識(shí)別：對(duì)于不存在支配關(guān)系的可行解，則全部保留，對(duì)于存在支配關(guān)系的可行解，只保留支配者，移除受支配者；保留在外部檔案模塊中的可行解記為Pareto前沿解；后續(xù)迭代過(guò)程中，外部檔案模塊對(duì)新收到的可行解和Pareto前沿解整體進(jìn)行支配關(guān)系識(shí)別：對(duì)于不存在支配關(guān)系的可行解，則全部保留，對(duì)于存在支配關(guān)系的可行解，只保留支配者，移除受支配者；

上層優(yōu)化模塊收到多個(gè)精英解后，對(duì)多個(gè)精英解進(jìn)行優(yōu)化處理，得到小種群全局最優(yōu)位置，然后將小種群全局最優(yōu)位置反饋至所有小種群中，小種群根據(jù)小種群全局最優(yōu)位置對(duì)公式二中的相應(yīng)因子進(jìn)行更新；

待外部檔案模塊和上層優(yōu)化模塊的前述動(dòng)作都完成后，對(duì)迭代次數(shù)進(jìn)行判斷，若迭代次數(shù)達(dá)到設(shè)定值，則進(jìn)入步驟6)，若迭代次數(shù)未達(dá)到設(shè)定值，則小種群優(yōu)化模塊從外部檔案模塊中調(diào)用Pareto前沿解并從該前沿解中提取出外部全局最優(yōu)位置，然后將外部全局最優(yōu)位置反饋至所有小種群中，小種群根據(jù)外部全局最優(yōu)位置對(duì)公式二中的相應(yīng)因子進(jìn)行更新；然后小種群按公式二對(duì)多個(gè)小種群中的多個(gè)粒子進(jìn)行粒子速度更新處理，得到各個(gè)粒子當(dāng)前的粒子速度，然后根據(jù)粒子速度，小種群按公式三對(duì)各個(gè)粒子進(jìn)行粒子位置更新處理，得到各個(gè)粒子當(dāng)前的粒子位置；返回步驟4)；

5B)將每個(gè)小種群所對(duì)應(yīng)的非可行解中，與約束參數(shù)背離程度最小的非可行解作為精英解輸入上層優(yōu)化模塊中，上層優(yōu)化模塊收到多個(gè)精英解后，對(duì)多個(gè)精英解進(jìn)行優(yōu)化處理，得到種群全局最優(yōu)位置，然后將種群全局最優(yōu)位置反饋至所有小種群中，小種群根據(jù)種群全局最優(yōu)位置對(duì)公式一中的相應(yīng)因子進(jìn)行更新；然后對(duì)迭代次數(shù)進(jìn)行判斷，若迭代次數(shù)達(dá)到設(shè)定值，則進(jìn)入步驟6)，若迭代次數(shù)未達(dá)到設(shè)定值，則返回步驟3)；

6)若外部檔案模塊中不存在Pareto前沿解，則操作結(jié)束；若外部檔案模塊中存在Pareto前沿解，則從Pareto前沿解中選取一者，然后求解出相應(yīng)的速度控制命令；

所述公式一為：

其中，w為慣性權(quán)重，w為設(shè)定值；為相應(yīng)小種群中第d維度上第i個(gè)粒子第k次搜索時(shí)的粒子速度，為設(shè)定值；為相應(yīng)小種群中第d維度上第i個(gè)粒子第k+1次搜索時(shí)的粒子速度；c₁和c₂均是數(shù)值為正的常數(shù)，c₁和c₂均為設(shè)定值；和均為[0,1]區(qū)間上的隨機(jī)數(shù)，和的具體數(shù)值由小種群根據(jù)粒子群優(yōu)化算法隨機(jī)生成；為相應(yīng)小種群中第d維度上第i個(gè)粒子在第k次搜索時(shí)的自身最優(yōu)位置，為設(shè)定值，后續(xù)過(guò)程中的由各個(gè)小種群根據(jù)粒子群優(yōu)化算法自動(dòng)更新；為第d維度上第k次搜索時(shí)的小種群全局最優(yōu)位置，為設(shè)定值；為相應(yīng)小種群中第d維度上第i個(gè)粒子第k次搜索時(shí)的位置向量，為設(shè)定值；

所述公式二為：

其中，c₃是數(shù)值為正的常數(shù)，c₃為設(shè)定值，為[0,1]區(qū)間上的隨機(jī)數(shù)，的具體數(shù)值由小種群根據(jù)粒子群優(yōu)化算法隨機(jī)生成，為第d維度上第k次搜索時(shí)的外部全局最優(yōu)位置；

所述公式三為：

其中，為相應(yīng)小種群中第d維度上第i個(gè)粒子第k+1次搜索時(shí)的位置向量。

本發(fā)明的原理是：

PSO算法(也稱粒子群算法或粒子群優(yōu)化算法)是近年來(lái)新出現(xiàn)的一種進(jìn)化算法，相比于過(guò)去的爬山法、遺傳算法、神經(jīng)網(wǎng)絡(luò)算法等方法，PSO算法在解決多目標(biāo)優(yōu)化問(wèn)題時(shí)具有多方面的優(yōu)勢(shì)，業(yè)內(nèi)已有將PSO算法與Pareto原理結(jié)合來(lái)處理多目標(biāo)優(yōu)化問(wèn)題的案例，本申請(qǐng)的主旨不是要對(duì)PSO算法或Pareto原理本身進(jìn)行改進(jìn)，本申請(qǐng)與現(xiàn)有技術(shù)的不同點(diǎn)在于：現(xiàn)有技術(shù)在應(yīng)用PSO算法進(jìn)行單目標(biāo)優(yōu)化時(shí)，有采用“小種群優(yōu)化模塊+上層優(yōu)化模塊”的雙層處理結(jié)構(gòu)；在應(yīng)用PSO算法進(jìn)行多目標(biāo)優(yōu)化時(shí)，未曾見(jiàn)使用“小種群優(yōu)化模塊+上層優(yōu)化模塊+外部檔案模塊”的三層處理結(jié)構(gòu)的案例。其中，針對(duì)多目標(biāo)優(yōu)化采用三層處理結(jié)構(gòu)的案例，其外部檔案模塊對(duì)Pareto前沿解的提取、甄選和存儲(chǔ)僅是為了在算法處理完成后能累積到多個(gè)Pareto前沿解，從而形成Pareto前沿解集，而在本發(fā)明中，若某次迭代過(guò)程中獲得了Pareto前沿解，則在后續(xù)迭代過(guò)程中，利用公式二將之前獲得的Pareto前沿解用于粒子速度更新，這就可以使后續(xù)迭代過(guò)程既能兼顧到單個(gè)小種群的粒子全局最優(yōu)位置(即小種群全局最優(yōu)位置)、又能兼顧到所有小種群的粒子全局最優(yōu)位置(即外部全局最優(yōu)位置)，這就可以使處理過(guò)程的收斂性在迭代過(guò)程中不斷地得到改善，由此得到的處理結(jié)果更加趨近于真實(shí)情況，最終使得ATO系統(tǒng)能以更優(yōu)的控制參數(shù)來(lái)控制列車運(yùn)行。

關(guān)于PSO算法和Pareto原理以及速度控制命令求解等技術(shù)內(nèi)容，它們與本發(fā)明的改進(jìn)點(diǎn)的關(guān)聯(lián)性不大，再加上考慮到這些內(nèi)容都是現(xiàn)有技術(shù)中十分常見(jiàn)的處理手段，故本文對(duì)相關(guān)內(nèi)容介紹得較為簡(jiǎn)略，如有未盡之處，本領(lǐng)域技術(shù)人員應(yīng)參考現(xiàn)有技術(shù)來(lái)理解本發(fā)明。

為了進(jìn)一步改善本發(fā)明的處理效果，發(fā)明人還提出了如下的優(yōu)選方案：所述步驟5A)中，小種群優(yōu)化模塊按如下方式從外部檔案模塊中調(diào)用Pareto前沿解：

若外部檔案模塊中的Pareto前沿解數(shù)量只有1個(gè)時(shí)，則直接調(diào)用該P(yáng)areto前沿解；

若外部檔案模塊中的Pareto前沿解數(shù)量大于1且小于4時(shí)，則以隨機(jī)選擇方式任選一個(gè)Pareto前沿解；

若外部檔案模塊中的Pareto前沿解數(shù)量大于或等于4時(shí)，則按如下方式處理：

1]在運(yùn)行時(shí)長(zhǎng)和能耗大小中任選一者作為參考標(biāo)準(zhǔn)，參考標(biāo)準(zhǔn)的最大值和最小值所對(duì)應(yīng)的兩個(gè)Pareto前沿解分別記為兩個(gè)邊界解，其余Pareto前沿解記為非邊界解；

2]按獲取時(shí)間順序，用1至n的整數(shù)將多個(gè)非邊界解連續(xù)編號(hào)，然后根據(jù)Pareto原理，計(jì)算出各個(gè)非邊界解的擁擠距離值，然后按下式計(jì)算出各個(gè)非邊界解所對(duì)應(yīng)的選取概率p_i：

其中，d_i為第i個(gè)非邊界解的擁擠距離值，n為非邊界解的數(shù)量；

3]根據(jù)各個(gè)非邊界解所對(duì)應(yīng)的選取概率p_i，采用輪盤賭選擇方法，從多個(gè)非邊界解中抽選出一者作為備用解，然后以隨機(jī)選擇方式，從兩個(gè)邊界解和備用解三者中任選一個(gè)作為外部全局最優(yōu)位置。

前述改進(jìn)方案的原理是：在具體處理時(shí)，外部檔案模塊中存在的Pareto前沿解數(shù)量有可能會(huì)逐步增加(也可能不變，但不會(huì)減少)，若以運(yùn)行時(shí)長(zhǎng)和能耗大小分別作為橫軸和縱軸建立坐標(biāo)系，從Pareto前沿解在坐標(biāo)系上的分布來(lái)看，Pareto前沿解有可能在坐標(biāo)系上的某些區(qū)域分布得較為集中，而在坐標(biāo)系的另一些區(qū)域上，Pareto前沿解又可能分布得較??；當(dāng)Pareto前沿解數(shù)量小于4時(shí)，Pareto前沿解在坐標(biāo)系上的分布位置并無(wú)太大的技術(shù)意義，沒(méi)有必要選取特定的Pareto前沿解，因此，前述改進(jìn)方案中，對(duì)于Pareto前沿解數(shù)量小于4的情況，直接采用隨機(jī)選擇方式來(lái)進(jìn)行選??；當(dāng)Pareto前沿解數(shù)量大于或等于4時(shí)，Pareto前沿解在坐標(biāo)系上的分布位置就會(huì)出現(xiàn)較為明顯的趨勢(shì)化(即在某些區(qū)域集中、在某些區(qū)域稀疏)，此時(shí)，若仍采用隨機(jī)選擇方式從所有Pareto前沿解中任意選取，就有可能使后續(xù)得到的Pareto前沿解繼續(xù)在坐標(biāo)系上的密集區(qū)域分布，這就不利于得到覆蓋面較寬的Pareto前沿解集，于是前述改進(jìn)方案中采用計(jì)算選取概率的方式來(lái)對(duì)選取操作進(jìn)行優(yōu)化，其中，涉及到的擁擠距離值為Pareto原理中的常見(jiàn)參數(shù)，擁擠距離值小，意味著某一Pareto前沿解與周圍的Pareto前沿解較為密集，反之則較稀疏，而從選取概率的計(jì)算公式中可以看出，擁擠距離值與選取概率成反比，采用這種方式計(jì)算來(lái)計(jì)算選取概率，在后續(xù)的輪盤賭選擇方法中，可以使擁擠距離值較大的Pareto前沿解更容易被選中，這就可以使后續(xù)處理過(guò)程更容易得到分布在較為稀疏區(qū)域上的Pareto前沿解，從而提高最終得到的Pareto前沿解集的多樣性。

本發(fā)明的有益技術(shù)效果是：提出了一種為ATO系統(tǒng)生成速度控制命令的方法，該方法可以在迭代過(guò)程中，不斷地改善算法的收斂性，使處理結(jié)果更加趨近于真實(shí)情況，并最終得到更優(yōu)的速度控制命令參數(shù)。

附圖說(shuō)明

圖1、本發(fā)明的原理示意圖；

圖2、Pareto前沿解擁擠距離值示意圖；

圖3、采用現(xiàn)有方法得到的Pareto前沿解在時(shí)間-能耗坐標(biāo)系上的分布示意圖；

圖4、采用本發(fā)明方法得到的Pareto前沿解在時(shí)間-能耗坐標(biāo)系上的分布示意圖；

圖5、圖3和圖4疊放后得到的對(duì)比圖。

具體實(shí)施方式

一種為列車自動(dòng)駕駛系統(tǒng)生成速度控制命令的方法，所述列車自動(dòng)駕駛系統(tǒng)能根據(jù)速度控制命令對(duì)列車的速度進(jìn)行控制，其創(chuàng)新在于：所涉及的模塊包括小種群優(yōu)化模塊、上層優(yōu)化模塊和外部檔案模塊；所述小種群優(yōu)化模塊中包含有多個(gè)小種群；

所述方法包括：

1)設(shè)定基礎(chǔ)數(shù)據(jù)和約束參數(shù)；所述基礎(chǔ)數(shù)據(jù)包括：線路參數(shù)、站點(diǎn)參數(shù)、列車參數(shù)、ATO系統(tǒng)參數(shù)；所述約束參數(shù)包括：限速參數(shù)、停車位置參數(shù)、到站時(shí)間參數(shù)、列車工況轉(zhuǎn)換原則；

2)按如下方式設(shè)定粒子和小種群：為列車設(shè)計(jì)控制序列；所述控制序列由多個(gè)順次排列的控制階段組成，每個(gè)控制階段均對(duì)應(yīng)一種列車工況，列車工況切換時(shí)控制階段也隨之切換；列車工況切換時(shí)，列車在運(yùn)行線路上所處的位置記為工況轉(zhuǎn)換點(diǎn)；對(duì)工況轉(zhuǎn)換點(diǎn)的位置進(jìn)行調(diào)整，即可為控制序列生成多種控制模態(tài)，每種控制模態(tài)及其對(duì)應(yīng)的多個(gè)工況轉(zhuǎn)換點(diǎn)記為一個(gè)粒子，粒子的維度即為控制階段數(shù)量與工況轉(zhuǎn)換點(diǎn)數(shù)量之和；設(shè)粒子數(shù)量為x、小種群數(shù)量為y，將x個(gè)粒子平均分配至y個(gè)小種群中；

3)小種群優(yōu)化模塊根據(jù)粒子群優(yōu)化算法，控制各個(gè)小種群按公式一對(duì)所轄粒子進(jìn)行粒子速度更新處理，得到各個(gè)粒子當(dāng)前的粒子速度，然后根據(jù)粒子速度，小種群按公式三對(duì)各個(gè)粒子進(jìn)行粒子位置更新處理，得到各個(gè)粒子當(dāng)前的粒子位置；進(jìn)入步驟4)；

4)滿足約束參數(shù)條件的粒子位置記為可行解，不滿足約束參數(shù)條件的粒子位置記為非可行解，若某一小種群所對(duì)應(yīng)的多個(gè)粒子位置中存在可行解，則將相應(yīng)小種群記為可行小種群，若某一小種群所對(duì)應(yīng)的多個(gè)粒子位置均為非可行解，則將相應(yīng)小種群記為非可行小種群；

根據(jù)約束參數(shù)，對(duì)各個(gè)小種群的狀態(tài)進(jìn)行判斷：

若所有小種群均為非可行小種群，則進(jìn)入步驟5B)；若多個(gè)小種群中既存在可行小種群又存在非可行小種群，則進(jìn)入步驟5A)；

5A)小種群優(yōu)化模塊將可行解輸入外部檔案模塊，同時(shí)，小種群優(yōu)化模塊將每個(gè)可行小種群所對(duì)應(yīng)的可行解中的最優(yōu)者作為精英解輸入上層優(yōu)化模塊，同時(shí)，小種群優(yōu)化模塊將每個(gè)非可行小種群所對(duì)應(yīng)的非可行解中的最優(yōu)者作為精英解輸入上層優(yōu)化模塊；

外部檔案模塊第一次收到可行解時(shí)，若可行解的數(shù)量為1，則外部檔案模塊直接對(duì)可行解進(jìn)行保存，若可行解的數(shù)量為2個(gè)或2個(gè)以上，則外部檔案模塊對(duì)所有可行解進(jìn)行支配關(guān)系識(shí)別：對(duì)于不存在支配關(guān)系的可行解，則全部保留，對(duì)于存在支配關(guān)系的可行解，只保留支配者，移除受支配者；保留在外部檔案模塊中的可行解記為Pareto前沿解；后續(xù)迭代過(guò)程中，外部檔案模塊對(duì)新收到的可行解和Pareto前沿解整體進(jìn)行支配關(guān)系識(shí)別：對(duì)于不存在支配關(guān)系的可行解，則全部保留，對(duì)于存在支配關(guān)系的可行解，只保留支配者，移除受支配者；

上層優(yōu)化模塊收到多個(gè)精英解后，對(duì)多個(gè)精英解進(jìn)行優(yōu)化處理，得到小種群全局最優(yōu)位置，然后將小種群全局最優(yōu)位置反饋至所有小種群中，小種群根據(jù)小種群全局最優(yōu)位置對(duì)公式二中的相應(yīng)因子進(jìn)行更新；

待外部檔案模塊和上層優(yōu)化模塊的前述動(dòng)作都完成后，對(duì)迭代次數(shù)進(jìn)行判斷，若迭代次數(shù)達(dá)到設(shè)定值，則進(jìn)入步驟6)，若迭代次數(shù)未達(dá)到設(shè)定值，則小種群優(yōu)化模塊從外部檔案模塊中調(diào)用Pareto前沿解并從該前沿解中提取出外部全局最優(yōu)位置，然后將外部全局最優(yōu)位置反饋至所有小種群中，小種群根據(jù)外部全局最優(yōu)位置對(duì)公式二中的相應(yīng)因子進(jìn)行更新；然后小種群按公式二對(duì)多個(gè)小種群中的多個(gè)粒子進(jìn)行粒子速度更新處理，得到各個(gè)粒子當(dāng)前的粒子速度，然后根據(jù)粒子速度，小種群按公式三對(duì)各個(gè)粒子進(jìn)行粒子位置更新處理，得到各個(gè)粒子當(dāng)前的粒子位置；返回步驟4)；

5B)將每個(gè)小種群所對(duì)應(yīng)的非可行解中，與約束參數(shù)背離程度最小的非可行解作為精英解輸入上層優(yōu)化模塊中，上層優(yōu)化模塊收到多個(gè)精英解后，對(duì)多個(gè)精英解進(jìn)行優(yōu)化處理，得到種群全局最優(yōu)位置，然后將種群全局最優(yōu)位置反饋至所有小種群中，小種群根據(jù)種群全局最優(yōu)位置對(duì)公式一中的相應(yīng)因子進(jìn)行更新；然后對(duì)迭代次數(shù)進(jìn)行判斷，若迭代次數(shù)達(dá)到設(shè)定值，則進(jìn)入步驟6)，若迭代次數(shù)未達(dá)到設(shè)定值，則返回步驟3)；

6)若外部檔案模塊中不存在Pareto前沿解，則操作結(jié)束；若外部檔案模塊中存在Pareto前沿解，則從Pareto前沿解中選取一者，然后求解出相應(yīng)的速度控制命令；

所述公式一為：

其中，w為慣性權(quán)重，w為設(shè)定值；為相應(yīng)小種群中第d維度上第i個(gè)粒子第k次搜索時(shí)的粒子速度，為設(shè)定值；為相應(yīng)小種群中第d維度上第i個(gè)粒子第k+1次搜索時(shí)的粒子速度；c₁和c₂均是數(shù)值為正的常數(shù)，c₁和c₂均為設(shè)定值；和均為[0,1]區(qū)間上的隨機(jī)數(shù)，和的具體數(shù)值由小種群根據(jù)粒子群優(yōu)化算法隨機(jī)生成；為相應(yīng)小種群中第d維度上第i個(gè)粒子在第k次搜索時(shí)的自身最優(yōu)位置，為設(shè)定值，后續(xù)過(guò)程中的由各個(gè)小種群根據(jù)粒子群優(yōu)化算法自動(dòng)更新；為第d維度上第k次搜索時(shí)的小種群全局最優(yōu)位置，為設(shè)定值；為相應(yīng)小種群中第d維度上第i個(gè)粒子第k次搜索時(shí)的位置向量，為設(shè)定值；

所述公式二為：

其中，c₃是數(shù)值為正的常數(shù)，c₃為設(shè)定值，為[0,1]區(qū)間上的隨機(jī)數(shù)，的具體數(shù)值由小種群根據(jù)粒子群優(yōu)化算法隨機(jī)生成，為第d維度上第k次搜索時(shí)的外部全局最優(yōu)位置；

所述公式三為：

其中，為相應(yīng)小種群中第d維度上第i個(gè)粒子第k+1次搜索時(shí)的位置向量。

進(jìn)一步地，所述步驟5A)中，小種群優(yōu)化模塊按如下方式從外部檔案模塊中調(diào)用Pareto前沿解：

若外部檔案模塊中的Pareto前沿解數(shù)量只有1個(gè)時(shí)，則直接調(diào)用該P(yáng)areto前沿解；

若外部檔案模塊中的Pareto前沿解數(shù)量大于1且小于4時(shí)，則以隨機(jī)選擇方式任選一個(gè)Pareto前沿解；

若外部檔案模塊中的Pareto前沿解數(shù)量大于或等于4時(shí)，則按如下方式處理：

1)在運(yùn)行時(shí)長(zhǎng)和能耗大小中任選一者作為參考標(biāo)準(zhǔn)，參考標(biāo)準(zhǔn)的最大值和最小值所對(duì)應(yīng)的兩個(gè)Pareto前沿解分別記為兩個(gè)邊界解，其余Pareto前沿解記為非邊界解；

2)按獲取時(shí)間順序，用1至n的整數(shù)將多個(gè)非邊界解連續(xù)編號(hào)，然后根據(jù)Pareto原理，計(jì)算出各個(gè)非邊界解的擁擠距離值，然后按下式計(jì)算出各個(gè)非邊界解所對(duì)應(yīng)的選取概率p_i：

其中，d_i為第i個(gè)非邊界解的擁擠距離值，n為非邊界解的數(shù)量；

3)根據(jù)各個(gè)非邊界解所對(duì)應(yīng)的選取概率p_i，采用輪盤賭選擇方法，從多個(gè)非邊界解中抽選出一者作為備用解，然后以隨機(jī)選擇方式，從兩個(gè)邊界解和備用解三者中任選一個(gè)作為外部全局最優(yōu)位置。

參見(jiàn)圖2，圖中以能耗E為縱軸、運(yùn)行時(shí)長(zhǎng)t為橫軸建立坐標(biāo)系，圖中的大黑點(diǎn)即為多個(gè)Pareto前沿解，第i個(gè)非邊界解的擁擠距離值即是圖中虛線所圍四邊形的長(zhǎng)、寬之和。

參見(jiàn)圖3、圖4、圖5，在相同線路和相同迭代次數(shù)條件下，分別采用現(xiàn)有的多目標(biāo)粒子群優(yōu)化算法和本發(fā)明進(jìn)行處理，圖3即為通過(guò)現(xiàn)有方法得到的Pareto前沿解在時(shí)間-能耗坐標(biāo)系上的分布示意圖，圖4即為通過(guò)本發(fā)明方法得到的Pareto前沿解在時(shí)間-能耗坐標(biāo)系上的分布示意圖，圖5即為將圖3和圖4疊放后的對(duì)比圖。從圖5中可見(jiàn)，由本發(fā)明方法得到的Pareto前沿解更靠近坐標(biāo)軸的內(nèi)側(cè)，說(shuō)明本發(fā)明的收斂性更好，此外，由本發(fā)明方法得到的Pareto前沿解向坐標(biāo)系的左側(cè)區(qū)域延伸得較寬，數(shù)量也較多且分布得更加均勻，說(shuō)明由本發(fā)明方案獲得的Pareto前沿解的覆蓋面和分布均勻性都更好。