基于改进自适应IMM算法的高速列车组合定位

王小敏; 雷筱; 张亚东

doi:10.11999/JEIT230251

基于改进自适应IMM算法的高速列车组合定位

doi: 10.11999/JEIT230251

王小敏^{1, 2},
雷筱^1, ,,
张亚东^{1, 2}

1.
西南交通大学信息科学与技术学院成都 611756
2.
四川省列车运行控制技术工程研究中心成都 611756

基金项目: 中国国家铁路集团有限公司科技研究开发计划(P2021G053, N2021T008, N2021G045, N2022G010)；上海航天科技创新基金(SAST2020-126)

详细信息

作者简介:
王小敏：男，教授，研究方向为轨道交通运行控制

雷筱：男，硕士生，研究方向为列车定位

张亚东：男，副教授，研究方向为列车运行控制理论与技术

通讯作者:
雷筱　m18781012607@163.com

中图分类号: TN967.2; TP391
计量
- 文章访问数: 558
- HTML全文浏览量: 414
- PDF下载量: 75
- 被引次数: 8
出版历程
- 收稿日期: 2023-04-11
- 修回日期: 2023-08-21
- 录用日期: 2023-08-21
- 网络出版日期: 2023-08-24
- 刊出日期: 2024-03-27

Combined Positioning of High-Speed Train Based on Improved Adaptive IMM Algorithm

WANG Xiaomin^{1, 2},
LEI Xiao^{1
, ,},
ZHANG Yadong^{1, 2}

1.
School of Information Science and Technology, Southwest Jiaotong University, Chengdu 611756, China
2.
Sichuan Province Train Operation Control Technology Engineering Research Center, Chengdu 611756, China

Funds: The Science and Technology Research and Development Program of China National Railway Group Corporation (P2021G053, N2021T008, N2021G045, N2022G010), Shanghai Aerospace Science and Technology Innovation Fund funded projects (SAST2020-126)

摘要

摘要: 针对列车高精度定位问题，该文提出基于改进自适应交互多模型(IMM)的高速列车高精度组合定位方法。首先，根据列车定位需求和各传感器特点，设计了卫星接收器、轮轴测速传感器、测速雷达以及单轴陀螺仪4种传感器的组合定位方案。然后，针对IMM融合滤波算法因先验信息不准导致固定参数设置不当的问题，引入Sage-Husa自适应滤波和转移概率矩阵(TPM)自适应更新集成为自适应IMM算法。针对多模型切换的滞后问题，利用子模型似然函数值能快速反映模型变化趋势的特点，将似然函数值设为判定标志，并引入判定窗对TPM矩阵元素进行修正，有效提升了模型的切换速度。最后，基于改进自适应IMM算法对4种传感器定位信息进行融合滤波，实现高速列车的高精度组合定位。仿真结果表明：改进后的算法相比其他自适应IMM算法提升定位精度1.6%～14.7%，并且能通过提高模型间切换速度来有效降低位置误差峰值，同时具备较好的抗噪性能。
- 列车定位 /
- 交互式多模型 /
- Sage-Husa自适应滤波算法 /
- 马尔可夫转移概率矩阵 /
- 判定窗
Abstract: A high accuracy combined positioning method for high-speed trains based on the Improved Adaptive Interacting Multiple Model (IMM) is proposed for the high-precision positioning problem of trains. Firstly, a combined positioning scheme of four sensors, namely, satellite receiver, wheel speed sensor, speed radar and single-axis gyroscope, is designed according to the train positioning requirements and the characteristics of each sensor. Next, to address the issue that the IMM fusion filtering algorithm has improper fixed parameter settings due to inaccurate a priori information, the Sage-Husa adaptive filtering and the Transition Probability Matrix (TPM) adaptive update set are introduced to become the adaptive IMM algorithm. To solve the lag problem of multi-model switching, the likelihood function value is set as the judgment flag by using the feature that sub-model likelihood function value can quickly respond to the model change trend, and the judgment window is introduced to correct the TPM matrix elements, which effectively improves the model switching speed. Finally, based on the improved adaptive IMM algorithm, the fusion filtering of four sensor positioning information is carried out to realize the high-precision combined positioning of high-speed trains. Simulation results show that the enhanced algorithm improves the positioning accuracy by 1.6%～14.7% compared with other adaptive IMM algorithms, and it can effectively reduce the peak positional error by increasing the switching speed between models, and it also has a better anti-noise performance.
- Train positioning /
- Improved Adaptive Interacting Multiple Model (IMM) /
- Sage-Husa adaptive filter /
- Markov Transition Probability Matrix (TPM) /
- Judgement window

HTML全文

1. 引言

萤火虫算法(Firefly Algorithm, FA)是一种模拟萤火虫吸引行为的群智能优化算法^[1]。它在特征提取、聚类等问题上的性能胜过遗传算法、粒子群算法等^[2–5]。因此，FA被应用于解决网络、图像处理等越来越多的工程和科学领域的重要优化问题^[5]。随着应用范围的扩大，人们对算法性能的期望也变得更高。

为了提高算法性能，学者们对FA进行了许多改进。这些改进首先是参数控制，如Yu等人^[6]提出了一种步长动态调整策略。Haji等人^[3]则探讨了步长、吸引力等多个参数的最优取值组合。Wang等人^[7]对步长和吸引力进行了理论性分析，并结合参数自身特性提出自适应调整策略。参数控制有助于提高算法性能，但面临复杂优化问题时对算法性能的提升非常有限。一些学者开始研究不同的吸引模型。Wang等人^[8]提出了随机吸引模型，从群体中随机选择一只萤火虫。Verma等人^[9]提出基于维度构造一只全局最优的虚拟萤火虫。Zhang等人^[4]则根据最大回报成本比选择一只萤火虫。萤火虫受选出的萤火虫吸引而移动。这些吸引模型降低了算法时间复杂度，但需结合其它技术才能提高算法的收敛精度。另一类改进是与其它技术混合，如Gandomi等人^[10]将混沌技术引入FA，提高了算法的全局搜索能力。Hassanzadeh等人^[2]结合模糊逻辑，让当前萤火虫受模糊集合中萤火虫的吸引，从而增强优质萤火虫对其它个体的吸引作用。这类改进结合不同技术的优点，能够取得较好的效果，本文的研究属于这一类。

近年来，国内外不少学者将反向学习(Opposition-Based Learning, OBL)^[11]与群智能算法结合，如差分演化算法、粒子群优化算法等。这些方法对算法性能的提升表现出显著效果^[12,13]。目前OBL与FA的结合也有些研究成果，其中比较有代表性的工作有，Verma等人^[9]在FA的种群初始化时用OBL获得更好的初始种群。Yu等人^[14]则利用OBL计算迭代最差萤火虫的反向解。这些方法利用了反向个体提供的丰富信息，提高了算法收敛精度。但他们在计算反向个体时，将个体的所有维都取其反向值。Park等人^[15]指出，对于一个个体，并不是所有维上的反向值都优于个体的值。他们在应用OBL到差分演化算法时提出将个体与反向个体进行二项式交叉，得到两个部分维是反向值的候选解，从而保存个体和反向个体中的部分信息，进一步增强了算法的搜索能力。然而，上述方法虽能够保存个体和反向个体中的部分信息，但不能获得两者中有用信息的最优组合。因此，进一步提升算法性能的关键在于如何发现和保存个体和反向个体中有用信息的组合。

为了发现并充分利用个体和反向个体中隐藏的有用信息，本文结合正交试验设计和反向学习技术，设计一种正交反向学习策略(Orthogonal Opposition-Based Learning, OOBL)，利用正交试验设计产生一组部分维上取反向值的候选解，从而挖掘并保存个体和反向个体中的有用信息；再将OOBL应用到FA算法，提出一种基于正交反向学习策略的萤火虫算法(Orthogonal Opposition-based Firefly Algorithm, OOFA)。

2. 萤火虫算法与反向学习

2.1 萤火虫算法FA

FA中，每只萤火虫代表一个可行解，被随机分布在目标函数的搜索空间内。对于一个D维搜索空间，设种群个数为N，第i只萤火虫的位置表示为 ${X_i} = ({x_{i1}},{x_{i2}},·\!·\!·,{x_{iD}})$ ，则其位置更新方程的定义为^[1]

$x_i^{t + 1} = x_i^t + {\beta _0}{{\rm e}^{ - \gamma {r_{ij}}\!\!^2}}(x_j^t - x_i^t) + {\alpha ^t}{\varepsilon ^t}$

(1)

式(1)中， $x_i^{t + 1}$ 表示萤火虫i在 $t + 1$ 时刻的位置。等号右侧第2项表示萤火虫i因受到萤火虫j的吸引而产生的位移，其中， ${\beta _0}$ 表示光源(距离r=0)处的吸引力，通常取1; ${r_{ij}}$ 表示两只萤火虫i, j之间的距离，计算公式见式(2); $\gamma$ 表示媒介对光的吸收率，通常取１。

${r_{ij}} = {\left\| {{x_i} - {x_j}} \right\|_2} = \sqrt {\sum\limits_{k = 1}^d {{{({x_{ik}} - {x_{jk}})}^2}} }$

(2)

式(1)等号右侧的第3项是随机项，其中， ${\varepsilon^t}$ 是t时刻服从均匀分布的随机因子， ${\alpha ^t} \in [0,1]$ 表示t时刻的步长。为了更好地平衡算法的探索与开发能力，Yang^[16]提出迭代递减的 $\alpha$ ，计算公式见式(3)。

${\alpha ^t} = {\alpha ^{t - 1}}\delta , \ 0 < \delta < 1$

(3)

其中， $\delta$ 是一个冷却系数。

2.2 反向学习

OBL是Tizhoosh^[11]提出的一种智能技术，其思想是同时评估当前点和其反向点，择优使用，以此来加速搜索进程。OBL的基本定义见定义1。

定义1 若x是定义在实数集R上[a, b]区间的一个实数，即x $\; \in\;$ [a, b]，则x的反向点定义如式(4)^[11]：

$\overset{{{\smile}}}{x} = a + b - x$

(4)

在OBL的基础上，Rahnamayan等人^[17]为了充分利用群体搜索信息，提出重心反向(Centroid Opposition, CO)，以群体重心为参考点计算反向点。重心与基于重心的反向点定义如下：

定义2 设 $({X_1},{X_2},·\!·\!· {X_N})$ 是D维搜索空间中带有单位质量的N个点，则整体的重心定义为

${G_j} = \frac{1}{N}{\sum\limits_{i = 1}^N {{x_{ij}}} }, \ j = 1, 2,·\!·\!·, D$

(5)

定义3 若一个离散均匀的整体的重心为G，则该整体中某一点X_i的反向点定义为

${\overset{{{\smile}}}{X} _i} = 2 \times G - {X_i}, \ i = 1,2,·\!·\!·, n$

(6)

反向点位于一个具有动态边界的搜索空间[a_j, b_j]中，动态边界按式(7)计算。当反向点超出边界时，按式(8)重新计算反向点，其中 ${\rm{rand}}(0,1)$ 是[0, 1]上的一个随机数。

${a_j} = \min ({X_j}), {b_j} = {\rm max}({X_j})\quad\quad\quad\quad\quad\quad$

(7)

${\overset{{{\smile}}}{x}_i}_j = \left\{ {\begin{aligned} & {{a_j} + {\rm{rand}}(0,1) \times ({G_j} - {a_j}), \ {x} }_{ij} < {{a_j}} \\ & {{G_j} + {\rm{rand}}(0,1) \times ({b_j} - {G_j}), \ {x} }_{ij} > {{b_j}} \end{aligned}} \right.$

(8)

3. 正交反向学习萤火虫算法OOFA

3.1 正交反向学习策略

正交试验设计是通过使用正交表以较少的试验次数发现各因素的不同水平之间的最优组合^[18]。例如，对于2水平7因素的试验，若测试所有组合，则需 ${2^7} = 128$ 次试验。但用正交试验设计，采用正交表 ${L_8}({2^7})$ ，见式(9)，则仅需８次试验就可以找出最优组合，大幅减少了试验次数。

${L_8}({2^7}) = \left[ {\begin{array}{*{20}{c}} 1&1&1&1&1&1&1 \\ 1&1&1&2&2&2&2 \\ 1&2&2&1&1&2&2 \\ 1&2&2&2&2&1&1 \\ 2&1&2&1&2&1&2 \\ 2&1&2&2&1&2&1 \\ 2&2&1&1&2&2&1 \\ 2&2&1&2&1&1&2 \end{array}} \right]$

(9)

OOBL策略中，问题的维度对应正交试验设计中的因素，个体和反向个体在各维度上的值作为各因素的水平，这样就可以进行一个2水平D因素的正交试验。构建试验解时，当正交表的元素为1，试验解对应维上取个体的值；当正交表的元素为2，试验解对应维上取反向个体的值。为了直观地说明OOBL中试验解的构建，以一个7维问题为例，给出了用 ${L_8}({2^7})$ 构建的试验解，见图1。OOBL的具体步骤见算法1(表1)。

表 1 算法1：OOBL策略

输入：种群X，一个个体的索引ind和正交表L；
输出：新种群X。
步骤：
(1) 根据式(5)计算当前种群重心G；
(2) 根据式(6)计算指定个体的反向个体ox；
(3) 根据式(7)更新群体边界；根据式(8)对ox进行边界检查；
(4) for i=1: L的行数M
(5) 　for j=1: 问题维数D
(6)　　 if L(i, j)==1
(7)　　　oox(i, j)=X(ind, j)；
(8) 　　else
(9)　　　 oox(i, j)=ox( j)；
(10)　　end if
(11)　end for
(12) end for
(13) 评估正交反向候选解，评估次数FEs=FEs+M–1；
(14) 从X和正交反向候选解中选出适应值最优的N个个体。

下载: 导出CSV

| 显示表格

图 1 试验解的构建

下载: 全尺寸图片幻灯片

OOBL的关键步骤在于试验解的构建，即第4步到第12步。一个个体通过正交试验将得到M个试验解。M也是正交表的行数，计算公式见式(10)。

$M = {2^{\left\lceil {{{\log }_2}(D + 1)} \right\rceil }}$

(10)

根据正交表的特性，第1个试验解与该个体相同，不需要评估。另外的 $M - 1$ 个试验解的部分维上是个体的值，部分维上取反向个体的值，这部分试验解称为正交反向候选解。它们是个体和反向个体不同维上信息的代表性的组合，需要评估。因此执行一次OOBL策略需要的函数评估次数是 $M - 1$ 次。从种群和正交反向候选解中选择最优的N个个体作为新种群，这样可以充分发掘个体和反向个体中有用信息的组合，并更多地在种群中保存这些信息。

3.2 OOFA算法

本节把提出的正交重心反向学习策略OOBL结合到FA中，提出一种正交反向学习的FA算法，简称为OOFA，见算法2(表2)。

表 2 算法2：OOFA算法

输入：目标函数；
输出：全局最优位置及适应值。
步骤：
(1) 随机初始化有N个个体的种群X；
(2) 评估初始种群f(X)，当前函数评估次数FEs=N；
(3) 根据种群适应值排序；
(4) 根据函数维数D，生成2水平D因素的正交表L；
(5) while 未达迭代终止条件
(6)　　 for i=1:N
(7)　　　 for j=1: i
(8) 　　　　根据式(1)和式(2)，第i个个体向第j个个体移位；
(9) 　　　end for
(10) 　end for
(11) 　对种群进行边界检查；
(12) 　评估种群，函数评估次数FEs=FEs+N；
(13) 　随机选择群体中一个个体，执行OOBL；
(14)　根据式(3)更新步长因子；
(15) end while

下载: 导出CSV

| 显示表格

OOFA算法中，生成2水平D因素的正交表的算法见文献[19]的附录部分。OOFA保持了FA算法的基本框架和主要操作，仅在种群移位之后增加了随机选择一个个体并对它执行OOBL操作。设目标函数的维度为D，种群规模为N，最大迭代次数为T。OOFA算法的主要操作是第6步至第10步的萤火虫移位操作和第13步的OOBL，前者时间复杂度都是 $O({N^2}D)$ ，后者时间复杂度是 $O({D^2})$ 。这两种操作都在迭代过程中，所以总的时间复杂度为 $O(T{N^2}D) + O(T{D^2})$ ，略去低阶项，算法总时间复杂度为 $O(T{N^2}D)$ 。OOFA与FA算法时间复杂度一致，对算法的改进没有增加过多的计算开销。

迭代初期，OOFA通过执行反向计算引入了不同个体在不同维上的反向搜索空间，从而拓展了潜在的有希望的搜索空间，加强了全局搜索能力。随着迭代不断进行，反向搜索空间不断减小，此时OOFA通过正交试验设计对个体周围较小的空间和反向空间进行局部探索，从而提升了算法的局部勘探能力。

4. 仿真实验与结果分析

4.1 测试函数

为了全面客观地对OOFA算法的性能做出评价，选择CEC 2013测试集。该测试集一共28个函数，包含了单峰、多峰和组合函数，比传统测试集的函数更多更复杂，可以更好地代表广泛的实际优化问题，具体定义见文献[20]。实验运行在一台配置为：Intel Core(TM)2 Duo CPU E4600 @ 2.40 GHz；内存2 GB；操作系统为Windows 8 专业版的计算机上。所有算法在Matlab 2012下进行仿真。实验中，最大函数评估次数设为10⁵，种群规模N=30，问题维数D=30，每个算法在每个函数上独立运行25次。

4.2 OOBL策略有效性分析

为了验证OOBL策略的有效性，对OOFA与FA在收敛精度、稳定性、收敛速度和运行时间上进行比较。为了公平比较，根据Yang^[16]给出的参数取值范围，两种算法的参数均设为： ${\beta _0} = 1,$ ${\alpha _0} = 0.5$ , $\gamma = 1$ , $\delta = 0.97$ 。比较收敛精度和稳定性时，迭代终止条件设为到达最大函数评估次数，记录算法找到的最优解与函数最优值之差的均值(Mean)和标准差(SD)。比较收敛速度和运行时间时，迭代终止条件设为到达给定精度或到达最大函数评估次数，记录算法的平均函数评估次数(FEs)和平均运行时间(T)。时间单位为s。因OOFA的收敛精度高于FA，所以给定精度以FA在各函数上能达到的平均精度为基准进行设定。为了进一步分析两者收敛速度的差异，求各函数上FA与OOFA的平均函数评估次数之比，即加速比(R)。实验结果见表3。

表 3 FA与OOFA的比较结果

函数	FA				OOFA				加速比R
函数	Mean	SD	FEs	T (s)	Mean	SD	FEs	T (s)	加速比R
f₁	5.16E+04	6.35E+03	80232	3.85	1.70E–10	8.44E–10	1091	0.03	73.54
f₂	7.30E+08	2.15E+08	72314	3.82	3.39E+07	1.04E+07	1704	0.06	42.44
f₃	4.74E+16	1.43E+17	16662	0.94	1.61E+09	8.63E+08	616	0.02	27.05
f₄	9.36E+04	1.29E+04	37973	1.94	7.25E+04	1.22E+04	5669	0.17	6.70
f₅	1.58E+04	3.90E+03	44544	2.25	1.06E+02	3.32E+01	1421	0.04	31.35
f₆	8.71E+03	2.01E+03	36463	1.85	6.90E+01	2.47E+01	904	0.03	40.34
f₇	1.08E+05	1.13E+05	32322	2.11	4.11E+01	1.12E+01	1082	0.05	29.87
f₈	2.10E+01	5.29E–02	82741	4.87	2.10E+01	6.09E–02	85977	3.23	0.96
f₉	4.28E+01	1.42E+00	64643	18.07	2.14E+01	4.18E+00	4178	1.08	15.47
f₁₀	6.79E+03	1.12E+03	72373	3.95	1.67E+01	1.19E+01	1094	0.04	66.15
f₁₁	8.38E+02	9.77E+01	52407	2.85	1.13E+01	3.35E+00	989	0.03	52.99
f₁₂	8.43E+02	9.43E+01	56517	3.51	1.05E+02	3.38E+01	1133	0.05	49.88
f₁₃	8.17E+02	9.91E+01	60595	3.89	8.64E+01	3.04E+01	1304	0.06	46.47
f₁₄	8.10E+03	3.23E+02	80418	4.48	1.55E+03	5.45E+02	5359	0.19	15.01
f₁₅	8.07E+03	3.59E+02	72859	4.24	4.41E+03	7.63E+02	5598	0.21	13.02
f₁₆	3.19E+00	5.04E–01	57793	11.01	1.79E+00	5.38E–01	10998	1.86	5.25
f₁₇	1.40E+03	1.91E+02	56622	2.95	4.09E+01	3.16E+00	1955	0.06	28.96
f₁₈	1.44E+03	1.68E+02	52612	3.01	1.06E+02	2.98E+01	1484	0.05	35.45
f₁₉	1.04E+06	4.38E+05	52422	2.75	3.34E+00	7.17E–01	1230	0.04	42.62
f₂₀	1.50E+01	1.43E–05	8888	0.51	1.50E+01	3.14E–05	962	0.04	9.24
f₂₁	3.57E+03	1.80E+02	64395	5.24	2.92E+02	2.75E+01	1901	0.12	33.87
f₂₂	8.87E+03	3.07E+02	61069	4.75	1.91E+03	1.25E+03	4629	0.27	13.19
f₂₃	9.05E+03	4.02E+02	49134	4.21	5.61E+03	1.21E+03	4437	0.29	11.07
f₂₄	4.15E+02	2.78E+01	32295	10.01	2.17E+02	6.37E+00	652	0.19	49.53
f₂₅	4.09E+02	1.66E+01	44404	13.74	2.70E+02	1.38E+01	728	0.21	60.99
f₂₆	3.08E+02	4.83E+01	64359	20.94	2.95E+02	2.03E+01	41667	12.63	1.54
f₂₇	1.64E+03	5.93E+01	32762	10.50	4.51E+02	6.27E+01	955	0.29	34.31
f₂₈	6.25E+03	5.82E+02	48551	4.94	3.00E+02	6.06E–03	1499	0.12	32.39

下载: 导出CSV

| 显示表格

分析表3可知，OOFA仅在函数 ${f_8}$ 和 ${f_{20}}$ 上与FA取得相同结果，在其它26个函数上所得结果的精度均优于FA，且在 ${f_1},{f_3}$ 和 ${f_{19}}$ 等多个函数上的精度高于FA多个数量级，这说明OOBL有助于提高算法收敛精度。从标准差上看，函数 ${f_8},{f_9},{f_{14}},{f_{15}},$ ${f_{16}},{f_{20}},{f_{22}},{f_{23}}$ 和 ${f_{27}}$ 上，FA的结果略优于OOFA，但其它19个函数上，OOFA的结果均优于FA，这说明OOBL策略使算法的稳定性更好。总之，OOBL策略虽花费了一定的函数评估次数，但获得了更大的收益，它聚合了个体与反向个体中的有用信息，加快了算法的搜索进程，有效提高了算法的收敛精度，在函数评估次数相同的情况下，OOFA的收敛精度明显高于FA。

从平均迭代次数上来看，到达相同精度，OOFA在除了 ${f_8}$ 之外的其它27个函数上需要的函数评估次数均少于FA。OOFA平均运行时间也少于FA，其主要原因是到达给定精度时OOFA需要的函数评估次数比FA所需要的更少些。 ${f_8}$ 上OOFA虽然平均函数评估次数略多于FA，但平均运行时间仍然少于FA。由3.2节OOFA算法时间复杂度的分析可知，萤火虫移位操作的时间复杂度高于OOBL的时间复杂度，而FA中萤火虫移位操作的执行次数多于OOFA中移位操作的执行次数。所以， ${f_8}$ 上OOFA使用与FA相近次数的函数评估，但运行时间仍少些。从加速比上可看出，除 ${f_8}$ 之外的其它27个函数上加速比均大于1，最大加速比到达73.57。可见，OOFA算法的收敛速度和运行速度都更快。

图2是各算法随机选择一次运行结果的收敛曲线，表现了算法多数情况下的收敛行为。受篇幅限制，仅选择了2个单峰函数( ${f_1}$ 和 ${f_4}$ )和2个多峰函数( ${f_9}$ 和 ${f_{12}}$ )上的收敛曲线。从图2可看出，算法运行早期，FA和OOFA的收敛曲线都急剧下降，说明这个过程算法的求解精度在迅速提高。与FA的收敛曲线相比，OOFA的收敛曲线下降幅度更大，这说明OOFA算法的收敛速度更快。算法运行后期，FA与OOFA的收敛曲线逐渐稳定于某个值，OOFA曲线收敛的值小于FA的，说明OOFA的收敛精度高于FA。

图 2 FA与OOFA在函数f₁, f₄, f₉和f₁₂上的收敛曲线

下载: 全尺寸图片幻灯片

综上所述，对表3和图2的分析证明了OOBL在FA算法中的有效性和适用性。

4.3 OOFA与近期FA改进算法比较

为了验证OOFA的性能，选择近期有代表性的FA变种算法进行比较。比较算法有：MFA^[21], VSSFA^[6], OFA^[12]、RaFA^[8]和ODFA^[9]。为了公平比较，各算法共同的参数设置同4.2节，其它参数与原文献保持一致，即MFA的m=20, OFA的p=0.25。迭代终止条件设为到达最大函数评估次数。表4记录各算法找到的最优解与函数最优值之差的均值(Mean)和标准差(SD)。为了从统计意义上对实验结果进行评价，采用Wilcoxon秩和检验^[22](显著性水平设为0.05)来分析各算法与OOFA在各函数上的结果之间是否存在显著差异，符号“–”，“+”，“≈”分别表示各算法劣于、优于和相当于OOFA的结果。P-value反映OOFA与各算法性能差异的显著性。最后采用Friedman检验^[22]来对算法进行排名。这3项结果记录在表4的最后3行。

表 4 各FA变种算法结果的比较(Mean±SD)

函数	MFA	VSSFA	OFA	RaFA	ODFA	OOFA
f₁	3.58E+04±5.83E+03	3.45E+04±4.31E+03	2.42E+04±5.28E+03	4.03E+02±7.35E+02	1.32E+04±5.63E+03	1.70E–10±8.44E–10
f₂	5.03E+08±1.67E+08	3.73E+08±7.44E+07	3.34E+08±1.65E+08	3.71E+07±2.17E+07	2.19E+08±8.17E+07	3.39E+07±1.04E+07
f₃	1.47E+15±2.87E+15	1.68E+13±2.15E+13	2.01E+14±5.77E+14	2.62E+10±1.55E+10	6.04E+14±2.98E+15	1.61E+09±8.63E+08
f₄	9.27E+04±1.08E+04	8.04E+04±8.81E+03	8.68E+04±1.27E+04	1.04E+05±3.33E+04	8.21E+04±2.27E+04	7.25E+04±1.22E+04
f₅	9.85E+03±4.47E+03	8.56E+03±1.64E+03	5.70E+03±1.94E+03	4.99E+02±1.01E+03	1.14E+03±6.20E+02	1.06E+02±3.32E+01
f₆	5.84E+03±1.72E+03	4.49E+03±5.99E+02	3.48E+03±1.19E+03	1.71E+02±7.17E+01	1.64E+03±1.07E+03	6.90E+01±2.47E+01
f₇	2.52E+04±2.64E+04	2.61E+03±1.28E+03	6.42E+03±1.09E+04	3.03E+04±4.31E+04	2.40E+04±5.81E+04	4.11E+01±1.12E+01
f₈	2.10E+01±6.57E–02	2.10E+01±5.85E–02	2.10E+01±6.54E–02	2.11E+01±5.93E–02	2.10E+01±5.39E–02	2.10E+01±6.09E–02
f₉	4.16E+01±1.81E+00	4.05E+01±9.64E–01	3.83E+01±3.17E+00	3.96E+01±2.48E+00	3.72E+01±3.35E+00	2.14E+01±4.18E+00
f₁₀	5.14E+03±1.10E+03	4.59E+03±5.23E+02	3.29E+03±8.44E+02	1.49E+02±1.23E+02	1.97E+03±9.37E+02	1.67E+01±1.19E+01
f₁₁	6.54E+02±1.11E+02	6.50E+02±4.33E+01	4.60E+02±9.00E+01	1.52E+02±5.41E+01	4.65E+02±9.63E+01	1.13E+01±3.35E+00
f₁₂	7.40E+02±8.81E+01	6.52E+02±4.22E+01	5.13E+02±9.01E+01	8.69E+02±1.54E+02	6.73E+02±1.39E+02	1.05E+02±3.38E+01
f₁₃	7.42E+02±9.14E+01	6.50E+02±5.49E+01	5.48E+02±7.61E+01	8.81E+02±1.31E+02	6.86E+02±9.57E+01	8.64E+01±3.04E+01
f₁₄	7.44E+03±4.96E+02	7.66E+03±2.56E+02	5.83E+03±6.32E+02	1.62E+03±3.60E+02	7.27E+03±6.99E+02	1.55E+03±5.45E+02
f₁₅	7.56E+03±5.92E+02	7.65E+03±3.13E+02	5.72E+03±7.14E+02	4.89E+03±1.01E+03	7.26E+03±4.44E+02	4.41E+03±7.63E+02
f₁₆	2.70E+00±4.78E–01	2.76E+00±3.05E–01	1.47E+00±4.45E–01	1.95E+00±5.61E–01	2.46E+00±4.73E–01	1.79E+00±5.38E–01
f₁₇	1.26E+03±1.41E+02	1.18E+03±8.23E+01	6.52E+02±1.04E+02	9.87E+01±4.59E+01	8.98E+02±1.68E+02	4.09E+01±3.16E+00
f₁₈	1.28E+03±2.00E+02	1.16E+03±9.17E+01	7.18E+02±1.52E+02	1.55E+03±2.47E+02	1.03E+03±1.92E+02	1.06E+02±2.98E+01
f₁₉	2.75E+05±2.01E+05	2.39E+05±6.70E+04	5.00E+04±3.86E+04	7.96E+01±1.68E+02	2.68E+04±5.41E+04	3.34E+00±7.17E–01
f₂₀	1.50E+01±3.72E–02	1.50E+01±2.29E–02	1.50E+01±6.32E–08	1.49E+01±1.78E–01	1.37E+01±8.18E–01	1.50E+01±3.14E–05
f₂₁	3.03E+03±2.98E+02	3.10E+03±1.43E+02	2.47E+03±1.64E+02	4.57E+02±1.71E+02	2.16E+03±3.59E+02	2.92E+02±2.75E+01
f₂₂	8.43E+03±4.74E+02	8.29E+03±2.74E+02	6.77E+03±1.01E+03	2.07E+03±5.70E+02	7.63E+03±9.75E+02	1.91E+03±1.25E+03
f₂₃	8.16E+03±4.96E+02	8.28E+03±2.43E+02	6.82E+03±8.01E+02	6.38E+03±9.46E+02	7.58E+03±6.23E+02	5.61E+03±1.21E+03
f₂₄	3.83E+02±2.26E+01	3.57E+02±8.70E+00	3.45E+02±1.59E+01	3.69E+02±2.90E+01	3.48E+02±1.61E+01	2.17E+02±6.37E+00
f₂₅	4.02E+02±1.31E+01	3.76E+02±6.32E+00	3.85E+02±1.81E+01	3.94E+02±1.78E+01	3.74E+02±1.73E+01	2.70E+02±1.38E+01
f₂₆	2.73E+02±4.82E+01	2.50E+02±1.53E+01	2.62E+02±5.77E+01	3.31E+02±1.08E+02	3.04E+02±9.55E+01	2.95E+02±2.03E+01
f₂₇	1.56E+03±6.16E+01	1.47E+03±3.89E+01	1.41E+03±4.78E+01	1.60E+03±1.07E+02	1.46E+03±9.06E+01	4.51E+02±6.27E+01
f₂₈	5.60E+03±5.24E+02	4.96E+03±2.87E+02	4.56E+03±5.53E+02	6.00E+03±1.08E+03	4.45E+03±6.04E+02	3.00E+02±6.06E–03
–/≈/+	25/2/1	25/2/1	24/2/2	27/0/1	26/1/1	—
P-value	1.18E–5	1.18E–5	1.33E–5	4.46E–6	7.03E–6	—
Friedman	5.30	4.30	3.13	3.61	3.32	1.34

下载: 导出CSV

| 显示表格

从表4可看出，OOFA在大部分函数上都优于各比较算法。从表4中的P-value值均小于0.05，说明OOFA与各比较算法的性能差异非常显著。由Friedman检验排名可知OOFA与各算法相比排名第一。与VSSFA相比，OOFA性能明显更好，这说明OOBL对算法性能提升的贡献高于VSSFA中参数控制的贡献。MFA和RaFA都采用了精英策略。每次迭代中，MFA让最亮萤火虫飞向一个从多个随机方向中找出的最好方向。RaFA则是让最亮萤火虫执行柯西变异。而OOFA中每只萤火虫都有机会执行OOBL，可以探索不同的反向空间，相比MFA和RaFA, OOFA具有更强的全局搜索能力。OFA与ODFA也采用了反向学习策略。OFA算法仅在 ${f_{16}}$ 和 ${f_{26}}$ 上表现优于OOFA。它用最差萤火虫的反向个体和最优个体依概率替换最差萤火虫，这种策略对群体逃离局部最优有一定作用，但它只利用了最差个体的反向空间，没有探索更多优秀个体的反向空间；而且最差个体的反向个体不一定在每一维上的信息都较差。所以，OFA算法探索的反向空间是非常有限的，且没有充分聚集最差个体和其反向个体中的有用信息。ODFA仅在 ${f_{20}}$ 上表现优于OOFA，它仅在种群初始过程中利用反向学习获得更好的初始种群，而迭代过程中，在不同维上结合了不同个体所包含的有利信息，没有利用反向个体中的有利信息。OOFA在24个函数上优于OFA，在26个函数上优于ODFA。这说明OOFA中的OOBL策略不但利用反向学习充分探索了反向空间，而且利用正交试验设计结合并保存个体和反向个体中有用信息的组合。此外，OFA和ODFA采用的反向学习策略是OBL，我们之前的研究^[23]发现，OBL容易造成搜索偏向坐标，在带偏移的函数上往往表现不佳。而OOFA采用的是CO，没有坐标搜索偏向，所以在复杂的CEC 2013测试函数上能表现出更好的收敛性。

基于以上实验结果和统计分析，可得出在CEC 2013测试集上，OOFA算法性能明显优于其它比较算法。

5. 结束语

本文利用反向学习和正交试验设计构造了一种正交反向学习策略OOBL，并应用到FA中，提出了一种改进的萤火虫算法OOFA。OOFA的特点主要是利用正交试验设计充分挖掘和保存个体与反向个体中的有用信息，从而提高算法性能。OOFA保持了FA算法的基本框架，没有增加额外参数，仅在群体中随机选择的一个个体上执行OOBL。本文从理论上分析了OOFA的优越性，且从实验和统计分析上表明OOBL策略的有效性和OOFA的较优性能。后续工作是将OOBL策略引入其它群智能算法中并用于解决命名数据网络中的路由优化等问题。

图 1 高速列车组合定位方案

下载: 全尺寸图片幻灯片

图 2 本文改进的自适应IMM算法框架

下载: 全尺寸图片幻灯片

图 3 算法位置误差比较

下载: 全尺寸图片幻灯片

图 4 CV切换至CA时算法模型概率变化曲线

下载: 全尺寸图片幻灯片

图 5 CV切换至CT时算法模型概率变化曲线

下载: 全尺寸图片幻灯片

图 6 传感器量测噪声方差自适应调整

下载: 全尺寸图片幻灯片

图 7 场景2下算法位置误差比较

下载: 全尺寸图片幻灯片

表 1 列车定位传感器特性

传感器	类别	提供的信息	精度下降的场景	优势	误差来源
轮轴测速传感器	相对定位	速度	车轮粘着不良	低成本、高可靠	空转打滑、轮径磨损
车载多普勒雷达	相对定位	速度	极端积水	高精度	安装误差、车体振动
卫星接收器	直接定位	位置/速度	封闭空间	低成本、高精度	受卫星接收条件影响
INS	相对定位	加速度/角速度	无	高精度、高可靠	累计误差

下载: 导出CSV

表 2 CRH3型车的动力学参数

参数	取值
轮径(mm)	920
牵引质量(t)	536
回转系数	0.08
基本阻力(N)	0.79+0.0064v+0.000115v²
牵引(kN)	–0.285v+300, v≤119 km/h, 31500/v, v＞119 km/h
制动加速度(m/s²)	–0.00043v+0.7105, v＞210 km/h , –0.0021v+1.0612, 172 km/h＜v≤210 km/h , –0.025v+5, 160 km/h＜v≤172 km/h, 1 km/h＜v≤160 km/h, 0

下载: 导出CSV

表 3 各滤波算法的定位性能比较

算法	东方向位移MAE(m)	东方向位移最大偏差(m)	北方向位移MAE(m)	北方向位移最大偏差(m)	位置MAE(m)	位置RMSE(m)	最大位置偏差(m)
文献[5]	0.5090	2.1361	0.4788	2.0156	0.7690	0.8707	2.8537
标准IMM	0.4304	2.2686	0.4278	2.4337	0.6719	0.7801	2.9912
文献[13]	0.4244	2.4353	0.4147	2.9316	0.6551	0.7628	3.1984
文献[16]	0.4729	2.1850	0.4743	2.3048	0.7411	0.8456	2.6531
文献[14]	0.3892	2.3567	0.3876	2.8491	0.6082	0.7360	3.6359
文献[15]	0.3865	2.7326	0.3849	2.9204	0.6040	0.7325	3.5502
本文	0.3874	2.1912	0.3765	2.3092	0.5964	0.7209	2.7817

下载: 导出CSV

表 4 传感器实际精度

传感器	雷达(m/s)	轮轴测速传感器(m/s)	卫星(m)
噪声标准差(V≥100 km/h)	$\dfrac{{{\text{0}}{\text{.4}}{f_0}\cos \theta }}{{3{\text{c}} \cdot 3.6}}$	$\dfrac{{0.2\% NV\Delta t}}{{3\pi D \cdot 3.6}}$	1
噪声标准差(V＜100 km/h)	$\dfrac{{{\text{0}}{\text{.2\% }}V{f_0}\cos \theta }}{{3{\text{c}} \cdot 3.6}}$	$\dfrac{{0.6N\Delta t}}{{3\pi D \cdot 3.6}}$	1

下载: 导出CSV

表 5 算法在场景2的定位性能对比

算法	东方向位移MAE(m)	北方向位移MAE(m)	位置RMSE(m)	最大位置偏差(m)
文献[5]	0.6678	0.6959	1.3752	6.2420
文献[15]	0.6055	0.6009	1.3268	7.6920
文献[17]	0.5615	0.5629	1.1176	5.9152
本文	0.4931	0.4947	0.9515	5.3753

下载: 导出CSV

参考文献(19)

[1]	OTEGUI J, BAHILLO A, LOPETEGI I, et al. A survey of train positioning solutions[J]. IEEE Sensors Journal, 2017, 17(20): 6788–6797. doi: 10.1109/jsen.2017.2747137.
[2]	MARAIS J, BEUGIN J, and BERBINEAU M. A survey of GNSS-based research and developments for the European railway signaling[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(10): 2602–2618. doi: 10.1109/tits.2017.2658179.
[3]	蔡煊, 陶汉卿, 侯宇婷, 等. 北斗卫星导航系统在列车定位中的应用研究与发展[J]. 铁道科学与工程学报, 2022, 19(8): 2417–2427. doi: 10.19713/j.cnki.43-1423/u.t20211086. CAI Xuan, TAO Hanqing, HOU Yuting, et al. Application research and development of Beidou navigation satellite system in train positioning[J]. Journal of Railway Science and Engineering, 2022, 19(8): 2417–2427. doi: 10.19713/j.cnki.43-1423/u.t20211086.
[4]	JIANG Wei, CHEN Sirui, CAI Baigen, et al. A multi-sensor positioning method-based train localization system for Low Density Line[J]. IEEE Transactions on Vehicular Technology, 2018, 67(11): 10425–10437. doi: 10.1109/TVT.2018.2869157.
[5]	莫志松, 安鸿飞. 新型列控系统列车综合自主定位技术研究[J]. 铁道学报, 2022, 44(1): 56–64. doi: 10.3969/j.issn.1001-8360.2022.01.008. MO Zhisong and AN Hongfei. Research on comprehensive autonomous positioning technology of new train control system[J]. Journal of the China Railway Society, 2022, 44(1): 56–64. doi: 10.3969/j.issn.1001-8360.2022.01.008.
[6]	KIM K, KONG S H, and JEON S Y. Slip and slide detection and adaptive information sharing algorithms for high-speed train navigation systems[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(6): 3193–3203. doi: 10.1109/TITS.2015.2437899.
[7]	MAZOR E, AVERBUCH A, BAR-SHALOM Y, et al. Interacting multiple model methods in target tracking: A survey[J]. IEEE Transactions on Aerospace and Electronic Systems, 1998, 34(1): 103–123. doi: 10.1109/7.640267.
[8]	ZENG Yuan, LU Wenbin, YU Bo, et al. Improved IMM algorithm based on support vector regression for UAV tracking[J]. Journal of Systems Engineering and Electronics, 2022, 33(4): 867–876. doi: 10.23919/JSEE.2022.000075.
[9]	曾浩, 母王强, 杨顺平. 高机动目标跟踪ATPM-IMM算法[J]. 通信学报, 2022, 43(7): 93–101. doi: 10.11959/j.issn.1000-436x.2022135. ZENG Hao, MU Wangqiang, and YANG Shunping. High maneuvering target tracking ATPM-IMM algorithm[J]. Journal on Communications, 2022, 43(7): 93–101. doi: 10.11959/j.issn.1000-436x.2022135.
[10]	彭滔, 张亚, 李世中. 基于航向角辅助的IMM-CKF雷达/红外跟踪算法[J]. 探测与控制学报, 2022, 44(2): 48–53. doi: 10.11812/j.issn.1008-1194.2022.2.tcykzxb202202009. PENG Tao, ZHANG Ya, and LI Shizhong. IMM-CKF Radar/IR tracking algorithm based on course angle aids[J]. Journal of Detection &Control, 2022, 44(2): 48–53. doi: 10.11812/j.issn.1008-1194.2022.2.tcykzxb202202009.
[11]	YAO Yiqing, XU Xiaosu, YANG Dongrui, et al. An IMM-UKF aided SINS/USBL calibration solution for underwater vehicles[J]. IEEE Transactions on Vehicular Technology, 2020, 69(4): 3740–3747. doi: 10.1109/TVT.2020.2972526.
[12]	高学泽, 魏文军. 马尔可夫参数自适应IMM算法在列车定位中的应用[J]. 传感器与微系统, 2019, 38(1): 155–157,160. doi: 10.13873/J.1000-9787(2019)01-0155-03. GAO Xueze and WEI Wenjun. Application of Markov parameter adaptive IMM algorithm in train positioning[J]. Transducer and Microsystem Technologies, 2019, 38(1): 155–157,160. doi: 10.13873/J.1000-9787(2019)01-0155-03.
[13]	戴定成, 姚敏立, 蔡宗平, 等. 改进的马尔可夫参数自适应IMM算法[J]. 电子学报, 2017, 45(5): 1198–1205. doi: 10.3969/j.issn.0372-2112.2017.05.024. DAI Dingcheng, YAO Minli, CAI Zongping, et al. Improved adaptive Markov IMM algorithm[J]. Acta Electronica Sinica, 2017, 45(5): 1198–1205. doi: 10.3969/j.issn.0372-2112.2017.05.024.
[14]	叶瑾, 许枫, 杨娟, 等. 一种改进的时变转移概率AIMM跟踪算法[J]. 应用声学, 2020, 39(2): 246–252. doi: 10.11684/j.issn.1000-310X.2020.02.011. YE Jin, XU Feng, YANG Juan, et al. An improved AIMM tracking algorithm based on adaptive transition probability[J]. Journal of Applied Acoustics, 2020, 39(2): 246–252. doi: 10.11684/j.issn.1000-310X.2020.02.011.
[15]	王平波, 刘杨. 基于改进自适应IMM-UKF算法的水下目标跟踪[J]. 电子与信息学报, 2022, 44(6): 1999–2005. doi: 10.11999/JEIT211128. WANG Pingbo and LIU Yang. Underwater target tracking algorithm based on improved adaptive IMM-UKF[J]. Journal of Electronics &Information Technology, 2022, 44(6): 1999–2005. doi: 10.11999/JEIT211128.
[16]	邓雯琪, 黄景春, 康灿, 等. 基于交互式多模型滤波算法机车车速估计[J]. 传感器与微系统, 2022, 41(7): 122–125. doi: 10.13873/J.1000-9787(2022)07-0122-04. DENG Wenqi, HUANG Jingchun, KANG Can, et al. Locomotive speed estimation based on interactive multi-model filtering algorithm[J]. Transducer and Microsystem Technologies, 2022, 41(7): 122–125. doi: 10.13873/J.1000-9787(2022)07-0122-04.
[17]	XU Shuqing, ZHOU Haiyin, WANG Jiongqi, et al. SINS/CNS/GNSS integrated navigation based on an improved federated Sage–Husa adaptive filter[J]. Sensors, 2019, 19(17): 3812. doi: 10.3390/s19173812.
[18]	李飞, 段哲民, 龚诚, 等. GNSS接收机自主完好性监测算法研究[J]. 测绘通报, 2007(8): 14–15. doi: 10.3969/j.issn.0494-0911.2007.08.005. LI Fei, DUAN Zhemin, GONG Cheng, et al. Research on RAIM Algorithm of GNSS[J]. Bulletin of Surveying and Mapping, 2007(8): 14–15. doi: 10.3969/j.issn.0494-0911.2007.08.005.
[19]	杨栋, 王思明, 许建玉. CRH3型动车组牵引制动模式曲线的算法研究[J]. 城市轨道交通研究, 2013, 16(12): 94–98. doi: 10.16037/j.1007-869x.2013.12.025. YANG Dong, WANG Siming, and XU Jianyu. On algorithm of traction and braking mode curve for CRH3 multiple unit[J]. Urban Mass Transit, 2013, 16(12): 94–98. doi: 10.16037/j.1007-869x.2013.12.025.

施引文献

期刊类型引用(2)

1.	WANG Chenglong，MA Yi，WANG Xia. Double random number encryption blind watermarking technique based on DWT-DCT domain. Optoelectronics Letters. 2024(10): 614-622 . 必应学术
2.	丁渝琴，张玲梅. 一个新四维混沌系统的分析与同步控制研究. 自动化与仪器仪表. 2024(11): 11-19 . 百度学术

其他类型引用(6)

资源附件(0)

访问统计

图(7) / 表(5)

计量

文章访问数: 558
HTML全文浏览量: 414
PDF下载量: 75
被引次数: 8

1. 引言
2. 萤火虫算法与反向学习
2.1 萤火虫算法FA
2.2 反向学习
3. 正交反向学习萤火虫算法OOFA
3.1 正交反向学习策略
3.2 OOFA算法
4. 仿真实验与结果分析
4.1 测试函数
4.2 OOBL策略有效性分析
4.3 OOFA与近期FA改进算法比较
5. 结束语

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于改进自适应IMM算法的高速列车组合定位

doi: 10.11999/JEIT230251

作者简介:
王小敏：男，教授，研究方向为轨道交通运行控制

雷筱：男，硕士生，研究方向为列车定位

张亚东：男，副教授，研究方向为列车运行控制理论与技术

通讯作者:
雷筱　m18781012607@163.com

计量

Combined Positioning of High-Speed Train Based on Improved Adaptive IMM Algorithm

1. 引言

2. 萤火虫算法与反向学习

2.1 萤火虫算法FA

2.2 反向学习

3. 正交反向学习萤火虫算法OOFA

3.1 正交反向学习策略

3.2 OOFA算法

4. 仿真实验与结果分析

4.1 测试函数

4.2 OOBL策略有效性分析

4.3 OOFA与近期FA改进算法比较

5. 结束语

期刊类型引用(2)

其他类型引用(6)

计量

目录

1. 引言

2. 萤火虫算法与反向学习

2.1 萤火虫算法FA

2.2 反向学习

3. 正交反向学习萤火虫算法OOFA

3.1 正交反向学习策略

3.2 OOFA算法

4. 仿真实验与结果分析

4.1 测试函数

4.2 OOBL策略有效性分析

4.3 OOFA与近期FA改进算法比较

5. 结束语

留言板

基于改进自适应IMM算法的高速列车组合定位

doi: 10.11999/JEIT230251

作者简介: 王小敏：男，教授，研究方向为轨道交通运行控制 雷筱：男，硕士生，研究方向为列车定位 张亚东：男，副教授，研究方向为列车运行控制理论与技术

通讯作者: 雷筱 m18781012607@163.com

计量

出版历程

Combined Positioning of High-Speed Train Based on Improved Adaptive IMM Algorithm

1. 引言

2. 萤火虫算法与反向学习

2.1 萤火虫算法FA

2.2 反向学习

3. 正交反向学习萤火虫算法OOFA

3.1 正交反向学习策略

3.2 OOFA算法

4. 仿真实验与结果分析

4.1 测试函数

4.2 OOBL策略有效性分析

4.3 OOFA与近期FA改进算法比较

5. 结束语

期刊类型引用(2)

其他类型引用(6)

计量

出版历程

目录

1. 引言

2. 萤火虫算法与反向学习

2.1 萤火虫算法FA

2.2 反向学习

3. 正交反向学习萤火虫算法OOFA

3.1 正交反向学习策略

3.2 OOFA算法

4. 仿真实验与结果分析

4.1 测试函数

4.2 OOBL策略有效性分析

4.3 OOFA与近期FA改进算法比较

5. 结束语

作者简介:
王小敏：男，教授，研究方向为轨道交通运行控制

雷筱：男，硕士生，研究方向为列车定位

张亚东：男，副教授，研究方向为列车运行控制理论与技术

通讯作者:
雷筱　m18781012607@163.com