高速列車區(qū)間運(yùn)行過程的多目標(biāo)優(yōu)化與仿真設(shè)計(jì)

列車運(yùn)行時(shí)間模型時(shí)間的計(jì)算同樣采用數(shù)值積分的方法，以?s每個(gè)限速子區(qū)間每一種工況的時(shí)間計(jì)算：(3-6)每個(gè)限速子區(qū)間時(shí)間的計(jì)算為：（3-7）整個(gè)區(qū)間時(shí)間消耗：（3-8）目標(biāo)函數(shù)的確立本文所研究的內(nèi)容可以總結(jié)為在一定的限速條件下，求一個(gè)雙目標(biāo)函數(shù)的的最小值，目標(biāo)函數(shù)就是能耗以及區(qū)間運(yùn)行時(shí)間。目標(biāo)函數(shù)如公式(3-9)所示。（3-9）本文的工作就是在一定的線路參數(shù)以及列車參數(shù)條件下，找出最優(yōu)的區(qū)間運(yùn)行工況序列，使得目標(biāo)函數(shù)最優(yōu)。多目標(biāo)優(yōu)化問題的描述本節(jié)針對(duì)多目標(biāo)優(yōu)化問題，從數(shù)學(xué)角度介紹了Pareto最優(yōu)解以及pareto前沿的概念。同時(shí)對(duì)多目標(biāo)優(yōu)化問題求解方法進(jìn)行了介紹，詳細(xì)說明了線性加權(quán)法、非線性加權(quán)法、約束法和智能算法等4種方法。多目標(biāo)優(yōu)化問題數(shù)學(xué)描述在一般的規(guī)劃問題中，我們往往追求單個(gè)目標(biāo)的最優(yōu)值，這一類問題是基本的單目標(biāo)最優(yōu)化問題。而在實(shí)際應(yīng)用中，我們要面臨很多選擇，有些選擇之間是相互制約的，這實(shí)際上就是多個(gè)目標(biāo)優(yōu)化問題。多目標(biāo)問題的數(shù)學(xué)描述如下：（3-10）單個(gè)目標(biāo)優(yōu)化問題存在唯一的最優(yōu)解。但是對(duì)于多目標(biāo)優(yōu)化問題往往存在無(wú)窮多的解，這些解之間相互制約，決策者需要根據(jù)實(shí)際情況選擇合適的一個(gè)或者多個(gè)解。雖然多目標(biāo)優(yōu)化問題不存在嚴(yán)格的最優(yōu)解。但是卻存在pareto意義下的最優(yōu)解。Pareto最優(yōu)解的定義如下：對(duì)于優(yōu)化目標(biāo)為向量F（x）的多目標(biāo)優(yōu)化問題，如果不存在使得成立，則稱為Pareto意義下的最優(yōu)解。Pareto意義下的最優(yōu)解不是唯一的一個(gè)解。這些解集函數(shù)值得組合稱為Pareto前沿。，其中是Pareto意義下的最優(yōu)解。多目標(biāo)優(yōu)化問題求解方法總體來說，多目標(biāo)優(yōu)化問題的求解方法分為直接求解和間接求解方法。直接解法就是針對(duì)多目標(biāo)優(yōu)化問題本身進(jìn)行求解，在多數(shù)情況下這是很難實(shí)現(xiàn)的。所以到目前位置，直接求解算法的研究較少，只有幾種特殊情況可以利用。間接求解方法是指在一定的背景下，將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題。將多目標(biāo)優(yōu)化問題轉(zhuǎn)化成單目標(biāo)優(yōu)化問題的常用的方法包括線性加權(quán)法、非線性加權(quán)法、約束法、目標(biāo)規(guī)劃法、極大值極小值模糊法等。線性加權(quán)法所謂線性加權(quán)是指對(duì)每個(gè)目標(biāo)函數(shù)設(shè)置分配權(quán)重，然后加權(quán)求和，從而將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為多目標(biāo)優(yōu)化問題。線性加權(quán)的求解方法如下式所示：（3-11）線性加權(quán)明顯的優(yōu)點(diǎn)就是計(jì)算簡(jiǎn)單、便于理解。但是權(quán)重的確定比較麻煩，多數(shù)情況下只能作為一種簡(jiǎn)單的處理方法。非線性加權(quán)法非線性加權(quán)法類似于線性加權(quán)，只是加權(quán)的方式略有不同。以目標(biāo)函數(shù)乘積加權(quán)的方法如下式所示：（3-12）約束法約束法是指將目標(biāo)函數(shù)中最重要的一個(gè)作為優(yōu)化目標(biāo)，其余的優(yōu)化函數(shù)向量都作為約束條件。經(jīng)約束法轉(zhuǎn)化為單目標(biāo)問題如公式（3-13）所示：（3-13）約束法的優(yōu)點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單?？汕蟮枚鄠€(gè)pareto最優(yōu)解。但εi智能算法 隨著智能控制理論的快速發(fā)展，多目標(biāo)的進(jìn)化算法得到了廣泛的應(yīng)用。智能算法對(duì)優(yōu)化問題是否連續(xù)、是否可微沒有特殊要求，多目標(biāo)進(jìn)化算法在一次優(yōu)化過程可以得到多個(gè)pareto最優(yōu)解，近似得到pareto前沿。 利用進(jìn)化算法求解多目標(biāo)優(yōu)化問題是一個(gè)新的方向，進(jìn)化算法在求解多目標(biāo)優(yōu)化問題上有很大優(yōu)點(diǎn)。首先，基于種群的搜索方式的進(jìn)化算法可以實(shí)現(xiàn)搜索的多向性和全局性。另外，進(jìn)化算法可以處理所有類型的目標(biāo)函數(shù)和約束條件。在運(yùn)用進(jìn)化算法求解多目標(biāo)優(yōu)化問題時(shí)需要注意提高解的分布范圍同時(shí)提高算法的收斂速度。 列車運(yùn)行過程的優(yōu)化是非線性、大滯后的過程。本文采用智能算法研究基于能耗和時(shí)間為目標(biāo)函數(shù)的優(yōu)化問題。限速子區(qū)間運(yùn)行最優(yōu)工況組合列車最優(yōu)控制工況組合存在性證明澳大利亞著名專家Howlett基于建立的模型，在Banach空間證明了列車最優(yōu)控制策略的存在性。列車運(yùn)行優(yōu)化的簡(jiǎn)化模型如下所示：（3-14）式中，x為列車在線路上位置，J為能耗，X為區(qū)間全長(zhǎng)，t為時(shí)間，T為全程運(yùn)行時(shí)間，u（t）為t時(shí)輸入控制，v（t）為t時(shí)輸入控制。上式是以能耗為目標(biāo)的單目標(biāo)優(yōu)化問題。對(duì)基于能耗、時(shí)間的多目標(biāo)優(yōu)化問題，分別對(duì)單個(gè)目標(biāo)進(jìn)行優(yōu)化，假設(shè)獲得解集為R1、R2，多目標(biāo)優(yōu)化問題弱有效解為R，則R1R2?RR1是以能耗為目標(biāo)的最優(yōu)解。也一定是多目標(biāo)優(yōu)化問題的弱有效解。根據(jù)Howlett獲得的結(jié)果可知，R1是非空的。因此基于能耗、時(shí)間的多目標(biāo)優(yōu)化問題一定存在弱有效解。因此，一定存在pareto意義下的最優(yōu)控制序列。最優(yōu)工況序列組合求解最優(yōu)工況序列的求解主要分為兩個(gè)步驟。首先根據(jù)劃分的限速子區(qū)間，以能耗和時(shí)間兩個(gè)目標(biāo)函數(shù)采用智能算法求解出子區(qū)間內(nèi)的工況序列。然后根據(jù)不同子區(qū)間的限速關(guān)系確定各個(gè)運(yùn)行子區(qū)間的最優(yōu)工況序列的組合。假定有列車行駛于A站和B站之間兩站之內(nèi)有4個(gè)限速區(qū)間，限速值分別為：v1,r，v2,r，v3,r，v4,r。限速子區(qū)間示意圖劃分如圖3-2高速列車子區(qū)間劃分示意圖對(duì)于區(qū)間i內(nèi)高速列車區(qū)間運(yùn)行工況組合方式受到入口速度vi,a以及末速度vi,d大小的直接影響。而vi,a，vi,d直接和區(qū)間i-1,i+1的限速有關(guān)。根據(jù)相鄰區(qū)間限速值的大小關(guān)系可以分4種情況進(jìn)行討論，如圖3-3所示圖3-3列車運(yùn)行子區(qū)間i四種可能運(yùn)行情況高速列車運(yùn)行情況區(qū)間限速條件工況組合優(yōu)化高速列車運(yùn)行過程第一種牽引+巡航/惰行+制動(dòng)列車牽引加速至目標(biāo)速度；轉(zhuǎn)換為惰行或巡航工況，運(yùn)行至制動(dòng)點(diǎn)；在的情況下，制動(dòng)減速至速度。第二種牽引+巡航/惰行在的情況下，列車牽引加速至目標(biāo)速度，繼而采用惰行或巡航工況。第三種巡航/惰行在的情況下，列車僅采用惰行或巡航工況，不采用牽引和制動(dòng)工況。第四種巡航/惰行+制動(dòng)在的情況下，列車巡航/惰行至制動(dòng)點(diǎn)，轉(zhuǎn)換為制動(dòng)工況，使速度降至下一子區(qū)間初始速度。表3-1區(qū)間限速工況組合方式 高速列車最優(yōu)工況序列組合的求解實(shí)質(zhì)上就是在每個(gè)限速子區(qū)間尋找到最優(yōu)的速度序列組合向量。通過高速列車運(yùn)行計(jì)算過程確定每種工況的運(yùn)行距離。計(jì)算過程如下，其中和分別表示第i和第i+1步長(zhǎng)的列車運(yùn)行性距離，表示合力，表示加速度，表示牽引力，表示制動(dòng)力，表示阻力，表示每一步的能耗。Step1:根據(jù)入口初速度以及牽引最大速度，采用數(shù)值積分的方法對(duì)牽引工況進(jìn)行計(jì)算，每一步計(jì)算的過程如公式（3-16）。整個(gè)牽引過程持續(xù)到最大速度，從而得到整個(gè)牽引過程的運(yùn)行距離。（3-16） Step2:根據(jù)制動(dòng)速度以及末速度，采用數(shù)值積分的方法對(duì)制動(dòng)工況進(jìn)行計(jì)算，每一步計(jì)算的過程如公式（3-17）所示，直到速度減小到出口速度，從而得到制動(dòng)過程運(yùn)行距離。（3-17）Step3:根據(jù)最大牽引速度和制動(dòng)速度，采用數(shù)值積分的方法對(duì)惰行工況過程進(jìn)行計(jì)算，每一步的計(jì)算過程如公式（3-18）所示，整個(gè)惰性過程中速度值從減小到，從而得到惰行過程運(yùn)行距離。（3-18）Step4；根據(jù)前3步計(jì)算的結(jié)果可以對(duì)巡航過程進(jìn)行計(jì)算。巡航過程計(jì)算過程如公式（3-19）所示。（3-19）根據(jù)分步計(jì)算的結(jié)果以及能耗和時(shí)間的計(jì)算公式，可以得到確定區(qū)間速度向量下的能耗和時(shí)間指標(biāo)。含有模糊參數(shù)的高速列車區(qū)間運(yùn)行優(yōu)化模型多目標(biāo)優(yōu)化問題參數(shù)模糊性的描述在整個(gè)列車運(yùn)行優(yōu)化的過程中，所有的參數(shù)都是當(dāng)作固定值，然而列車的運(yùn)行過程中許多情況是不確定的。每站停車帶來的客流量的變化勢(shì)必會(huì)造成列車質(zhì)量的變化。而高速列車自身質(zhì)量的變化會(huì)對(duì)列車運(yùn)行過程的很多過程產(chǎn)生影響。同時(shí)上下車乘客的數(shù)量多少也會(huì)直接影響列車的?？空緯r(shí)間。所以客流量的變化對(duì)運(yùn)行過程的能耗和時(shí)間都有影響。在前面的模型之中將列車質(zhì)量作為定值處理是不恰當(dāng)?shù)?。本文針?duì)客流量變化的影響建立了更加精確的改進(jìn)數(shù)學(xué)模型。在限速區(qū)間內(nèi)，用模糊變量表示客流量，下面對(duì)模糊變量以及模糊變量的性質(zhì)作簡(jiǎn)要介紹。對(duì)于模糊變量，需要用到可信性測(cè)度的概念，設(shè)是乘機(jī)空間上的一個(gè)模糊變量，是一個(gè)連續(xù)函數(shù)，則模糊變量的可信性測(cè)度為（3-20）其中是隸屬度函數(shù)，X是x的取值范圍。對(duì)于模糊變量的計(jì)算需要用到模糊變量期望的概念，模糊變量的期望定義如下：（3-21）其中上述表達(dá)式右端的兩個(gè)積分至少一個(gè)有限。下面列舉幾種特殊的模糊變量的期望若服從的隸屬度函數(shù)是均勻分布（3-22）則的期望為（3-23）如果隸屬度函數(shù)是梯形模糊變量（3-24）則的期望為（3-25）如果隸屬度函數(shù)是三角形模糊變量（3-26）則的期望為（3-27）基于上面對(duì)模糊變量的介紹，將客流量作為模糊變量的列車運(yùn)行過程可以描述為：（3-28）式中—實(shí)時(shí)列車質(zhì)量；—列車空載質(zhì)量；—客流量變化引起的模糊質(zhì)量；—客流量客流量用三角形模糊變量來表示，該模型的期望的求解方法如公式（3-20）所示。圖3-4三角模糊變量隸屬度函數(shù)從A站到站時(shí)開始到B站到站時(shí)止列車的客流量變化可用下面的模型簡(jiǎn)化。圖3-5停站過程客流量分析圖.客流量的變化主要體現(xiàn)在到達(dá)A站后下車乘客以及上車乘客的變化。時(shí)間段近似模擬列車到A站后乘客下車的過程，近似表示列車在A站乘客上車的過程。把客流量變化考慮在內(nèi)，綜合考慮了列車質(zhì)量的變化的影響，能更精確表述列車運(yùn)行的整個(gè)過程。同時(shí)能耗和時(shí)間的計(jì)算也能到了相應(yīng)的優(yōu)化。優(yōu)化目標(biāo)函數(shù)能耗的計(jì)算：首先應(yīng)該根據(jù)額模糊客流量期望的計(jì)算將含有模糊的轉(zhuǎn)變成固定參數(shù)的多目標(biāo)優(yōu)化模型。然后根據(jù)3.1.1節(jié)所述的能耗的計(jì)算方法計(jì)算能耗。優(yōu)化目標(biāo)函數(shù)能耗的計(jì)算：時(shí)間的計(jì)算過程采用所有乘客旅行時(shí)間的概念，所有旅客旅行時(shí)間考慮了列車停站時(shí)乘客數(shù)量的變化。參考圖3-5計(jì)算公式可采用式（3-23）。（3-23）將所有旅客時(shí)間作為優(yōu)化目標(biāo)能更精確反應(yīng)乘客數(shù)量變化帶來的影響。含有模糊參數(shù)的高速列車區(qū)間運(yùn)行多目標(biāo)求解思路每一站上下車的乘客數(shù)量在不同的時(shí)間段其實(shí)是不確定的。因此把乘客數(shù)量作為不確定的參數(shù)更為合理。如果可以利用的歷史數(shù)據(jù)足夠多，則可以采用統(tǒng)計(jì)概率的方法。如果可以利用的歷史數(shù)據(jù)有限時(shí)，只能根據(jù)有限的數(shù)據(jù)對(duì)客流量進(jìn)行模糊化處理。對(duì)于含有模糊變量的模型，求解思路就步驟是：Step1:首先對(duì)客流量變化建立合適的隸屬度函數(shù)。Step2:根據(jù)隸屬度函數(shù)以及模糊隸屬度函數(shù)期望的求解方法，將含有模糊參數(shù)的數(shù)學(xué)模型轉(zhuǎn)化為固定參數(shù)的數(shù)學(xué)模型。Step3:對(duì)模型中的限速子區(qū)間進(jìn)行劃分，每個(gè)子區(qū)間根據(jù)相鄰區(qū)間限速值以及前一區(qū)間末速度得到速度向量，從而得到了每一種工況的運(yùn)行距離，并在整個(gè)過程根據(jù)公式計(jì)算列車的能耗E以及時(shí)間T，建立目標(biāo)函數(shù)。Step4:根據(jù)搜索算法以及目標(biāo)函數(shù)搜索最優(yōu)的區(qū)間速度向量組合，并逐步得到Pareto最優(yōu)解集，并根據(jù)情況選擇最優(yōu)解得到規(guī)劃的“速度-位置”曲線圖。本章小結(jié)本章主要是對(duì)高速列車區(qū)間運(yùn)行過程建立基于能耗、時(shí)間的多目標(biāo)優(yōu)化模型，提出最優(yōu)工況序列的求解方式。并對(duì)一般的多目標(biāo)優(yōu)化問題的解法進(jìn)行了說明。另外分析了模型中參數(shù)的模糊性，給出了含有模糊參數(shù)的高速列車區(qū)間運(yùn)行多目標(biāo)求解思路。列車區(qū)間運(yùn)行多目標(biāo)求解算法本章內(nèi)容主要是介紹列車運(yùn)行過程多目標(biāo)優(yōu)化的算法。第一節(jié)主要是固定參數(shù)模型的求解方法。第二節(jié)針對(duì)第四章提出的客流量模糊性對(duì)方法進(jìn)行改進(jìn)，采用模糊遺傳算法進(jìn)行求解?；谶z傳算法的高速列車區(qū)間運(yùn)行多目標(biāo)求解算法遺傳算法原理遺傳算法（Genetic

Algorithm，GA）是一種典型的仿生算法，根據(jù)達(dá)爾文生物進(jìn)化論仿生而來。1975年，J.Holland教授首先提出了遺傳算法的概念。遺傳算法具有很好的全局搜索能力，在尋優(yōu)過程采用了概率化的方法通過種群個(gè)體之間的競(jìng)爭(zhēng)指導(dǎo)搜索過程。遺傳算法在解決復(fù)式優(yōu)化問題上有很大的優(yōu)越性。遺傳算法的基本流程圖如圖4.1所示：圖4-1遺傳算法流程圖考慮如式（4-1）所示的多目標(biāo)優(yōu)化問題，和分別是第k維變量的上下界，d是搜索變量的維數(shù)。 （4-1） 在遺傳算法中每一個(gè)個(gè)體代表一個(gè)解。遺傳算法種群初始化時(shí)可以采用二進(jìn)制編碼或者實(shí)數(shù)編碼。二進(jìn)制編碼：通過每個(gè)變量的搜索范圍和離散精度確定編碼長(zhǎng)度：（4-2）每個(gè)個(gè)體第i維分量第j位上的二進(jìn)制數(shù)值如公式（4-4）所示。rand()表示0~1之間的隨機(jī)數(shù)，round（）表示四舍五入。，（4-3）實(shí)數(shù)編碼：遺傳算法初始化時(shí)，隨機(jī)產(chǎn)生初代種群的N個(gè)個(gè)體。，，（4-4） 算法的流程圖如圖4.1所示，在遺傳算法中，變異、交叉和選擇是3個(gè)重要核心步驟。交叉過程首先選擇出pareto意義下的最優(yōu)的個(gè)體群，然后對(duì)每一個(gè)最優(yōu)個(gè)體作為父本，隨機(jī)選擇母本，按照一定交叉概率交叉生成一個(gè)進(jìn)化個(gè)體變異過程在交叉過程之后，對(duì)每一個(gè)進(jìn)化個(gè)體變異概率進(jìn)行變異，二進(jìn)制編碼就是把指定位置上的0,1改編成1,0。最后生成新的進(jìn)化個(gè)體選擇過程選擇主要是對(duì)和進(jìn)行性能對(duì)比，如果即對(duì)具有支配作用，那么保留作為下一代的父本，否則保留作為下一代的父本。（4-5）遺傳算法的搜索能力取決于全局搜索和局部開發(fā)之間的一種平衡，種種平衡主要依賴于交叉概率以及選擇概率的影響。遺傳算法的優(yōu)缺點(diǎn)總結(jié)如表4-1所示。遺傳算法性能分析優(yōu)點(diǎn)1、從串解集開始搜索，有利于全局最優(yōu)；2、算法不采用確定的規(guī)則，用概率指引搜索的方向；3、具有自學(xué)性、自適應(yīng)性4、易與其他算法相結(jié)合構(gòu)造更有效的混合算法；缺點(diǎn)1、算法局部搜索能力較弱，需要與基于問題信息的局部搜索相結(jié)合；2、算法搜索性能對(duì)參數(shù)具有一定的依懶性；3、算法難以在有限時(shí)間內(nèi)保證獲得全局最優(yōu)解，且搜索效率有待增強(qiáng)；表4-1遺傳算法性能分析基于遺傳算法的模型求解步驟通過前面建立的高速列車區(qū)間運(yùn)行多目標(biāo)優(yōu)化模型，應(yīng)用遺傳算法求解以時(shí)間、能耗為優(yōu)化目標(biāo)的優(yōu)化問題，算法求解步驟如下：第一步：在A、B兩站之間，根據(jù)線路條件的限速信息，劃分i個(gè)限速子區(qū)間，參考表3-1以及圖3-3列車運(yùn)行最優(yōu)工況組合方式確定子區(qū)間工況組合方式。第二步：根據(jù)區(qū)間限速關(guān)系在每個(gè)限速的子區(qū)間內(nèi)設(shè)置速度向量，分別表示子區(qū)間入口速度，最大牽引速度，制動(dòng)速度，出口速度。設(shè)計(jì)遺傳算法的初始種群數(shù)量NP，進(jìn)化代數(shù)NG。根據(jù)公式（4-2）（4-3）（4-4）采用二進(jìn)制編碼規(guī)則或者實(shí)數(shù)編碼規(guī)則對(duì)初代種群進(jìn)行編碼，得到編碼后的速度向量值。第三步：按照第二章中提到的能耗模型以及時(shí)間模型，分別計(jì)算初代種群中每個(gè)個(gè)體的能耗和時(shí)間。按照多目標(biāo)解的支配性概念構(gòu)建Pareto意義下的最優(yōu)解P。第四步：判斷是否已經(jīng)達(dá)到最大的規(guī)定進(jìn)化代數(shù)。如果已經(jīng)達(dá)到最大進(jìn)化代數(shù)，退出算法，輸出pareto最優(yōu)解P。如果沒有達(dá)到最大進(jìn)化代數(shù)，則執(zhí)行以下步驟。第五步：對(duì)保留的個(gè)體根據(jù)變異和選擇過程產(chǎn)生新的目標(biāo)個(gè)體。計(jì)算目標(biāo)個(gè)體的函數(shù)值。第六步：按照式（4-5）選擇下一代個(gè)體，并重新組建Pareto最優(yōu)解。并返回第四步。含有模糊客流量參數(shù)的模型求解算法通過前面建立的含有模糊參數(shù)的多目標(biāo)優(yōu)化模型（見公式（3-28）），首先根據(jù)模糊數(shù)學(xué)的相關(guān)理論，將模糊參數(shù)轉(zhuǎn)變成固定參數(shù)的模型，然后采用進(jìn)化算法求解最優(yōu)解。以A站到B站的區(qū)間運(yùn)行為例。整個(gè)求解步驟如下： 第一步：當(dāng)列車到達(dá)A站時(shí)，根據(jù)參考數(shù)據(jù)對(duì)上車乘客以及下車乘客數(shù)量建立相應(yīng)的三角形隸屬度函數(shù)。 第二步：根據(jù)模糊的客流量以及模糊數(shù)學(xué)的理論確定實(shí)時(shí)的列車質(zhì)量。將含有模糊參數(shù)的數(shù)學(xué)模型去模糊化，得到固定參數(shù)的數(shù)學(xué)模型。 第三步：在A、B兩站之間，根據(jù)線路條件的限速信息，劃分i個(gè)限速子區(qū)間，參考表3-1以及圖3-3列車運(yùn)行最優(yōu)工況組合方式確定子區(qū)間工況組合方式。第四步：根據(jù)區(qū)間限速關(guān)系在每個(gè)限速的子區(qū)間內(nèi)設(shè)置速度向量，分別表示子區(qū)間入口速度，最大牽引速度，制動(dòng)速度，出口速度。設(shè)計(jì)遺傳算法的初始種群數(shù)量NP，進(jìn)化代數(shù)NG。根據(jù)公式（4-2）（4-3）（4-4）采用二進(jìn)制編碼規(guī)則或者實(shí)數(shù)編碼規(guī)則對(duì)初代種群進(jìn)行編碼，得到編碼后的速度向量值。第五步：按照第二章中提到的能耗模型以及時(shí)間模型，分別計(jì)算初代種群每個(gè)個(gè)體的能耗和時(shí)間。按照多目標(biāo)解的支配性概念構(gòu)建Pareto意義下的最優(yōu)解P。第六步：判斷是否已經(jīng)達(dá)到最大的規(guī)定進(jìn)化代數(shù)。如果已經(jīng)達(dá)到最大進(jìn)化代數(shù)，退出算法，輸出pareto最優(yōu)解P。如果沒有達(dá)到最大進(jìn)化代數(shù)，則執(zhí)行以下步驟。第七步：對(duì)保留的個(gè)體根據(jù)變異和選擇過程產(chǎn)生新的目標(biāo)個(gè)體。計(jì)算目標(biāo)個(gè)體的函數(shù)值。第八步：按照式（4-5）選擇下一代個(gè)體，并重新組建Pareto最優(yōu)解。并返回第六步。本章小結(jié)本章主要介紹了高速列車區(qū)間運(yùn)行過程的求解算法。將遺傳算法應(yīng)用于列車運(yùn)行多目標(biāo)優(yōu)化問題上。給出了具體的求解步驟，為仿真驗(yàn)證提供了依據(jù)。仿真驗(yàn)證及分析本章對(duì)高速列車區(qū)間運(yùn)行優(yōu)化控制進(jìn)行了仿真驗(yàn)證?；贛atlabGUI設(shè)計(jì)用戶界面，通過讀入線路條件以及列車的自身參數(shù)通過遺傳算法得到基于能耗時(shí)間的多目標(biāo)Pareto最優(yōu)解以及列車運(yùn)行“速度-位置”曲線。高速列車區(qū)間運(yùn)行多目標(biāo)優(yōu)化仿真平臺(tái)搭建為了對(duì)論文建立的模型以及算法進(jìn)行驗(yàn)證，論文基于Matlab以及MatlabGUI工具箱建立有界面的仿真驗(yàn)證環(huán)境，實(shí)現(xiàn)了高速列車區(qū)間運(yùn)行“速度-距離”曲線的仿真和驗(yàn)證。功能模塊劃分該仿真平臺(tái)是基于單質(zhì)點(diǎn)列車模型，根據(jù)列車運(yùn)行的整個(gè)計(jì)算過程將仿真部分劃分為四個(gè)模塊：線路數(shù)據(jù)輸入模塊、列車數(shù)據(jù)輸入模塊、尋優(yōu)搜索算法搜模塊、以及結(jié)果顯示模塊。整個(gè)仿真系統(tǒng)的結(jié)構(gòu)圖如圖5-1所示：圖5-1仿真平臺(tái)功能模塊劃分線路數(shù)據(jù)輸入模塊線路數(shù)據(jù)輸入模塊包含限速信息，線路坡道數(shù)據(jù)以及線路曲線數(shù)據(jù)等。本文將數(shù)據(jù)存在Excel表中，讀入到仿真平臺(tái)。線路數(shù)據(jù)輸入模塊界面顯示如圖5-2所示：圖5-2線路數(shù)據(jù)輸入模塊列車參數(shù)輸入模塊

列車參數(shù)輸入模塊包含了車型（CRH3、CRH2、CRH1動(dòng)車組）、列車長(zhǎng)度、列車質(zhì)量、定員人數(shù)、最高運(yùn)行速度等信息。高速列車數(shù)據(jù)輸入模塊界面顯示模塊如圖5-3所示：圖5-3 列車參數(shù)輸入模塊尋優(yōu)搜索算法模塊本仿真平臺(tái)提供兩種算法：遺傳算法以及基于模糊客流量的遺傳算法。算法的參數(shù)輸入界面如圖5-4、圖5-5、圖5-6所示：圖5-4最優(yōu)算法選擇圖5-5遺傳算法參數(shù)輸入圖5-6遺傳算法參數(shù)輸入結(jié)果顯示模塊結(jié)果顯示模塊主要包括區(qū)間Pareto最優(yōu)解的分布圖以及速度距離曲線圖。圖5-7參數(shù)選擇模塊算例結(jié)果分析本算例選取了京滬高鐵一段60km長(zhǎng)度的限速區(qū)間作為仿真的路線。列車參數(shù)設(shè)置如表5-1所示，遺傳算法參數(shù)設(shè)置如表5-2所示，區(qū)間限速條件如表5-3和圖5-8所示。表5-1列車參數(shù)設(shè)置列車參數(shù)取值列車參數(shù)參數(shù)取值型號(hào)CRH2最大行駛速度350km/h編組6M2T基本阻力列車質(zhì)量424t回轉(zhuǎn)質(zhì)量系數(shù)列車長(zhǎng)度203m編組定員480人表5-2遺傳算法參數(shù)設(shè)置遺傳算法參數(shù)NPNG離散精度取值40600.1m/s表5-3區(qū)間限速信息限速值運(yùn)行距離20km15km25km圖5-8高速列車限速區(qū)間劃分 根據(jù)限速信息，參考表5-1和圖5-3可以得到每個(gè)子區(qū)間的工況組合方式如表5-4所示。表5-4限速子區(qū)間工況組合方式子區(qū)間編號(hào)工況的組合牽引+巡航/惰行+制動(dòng)巡航/惰行牽引+巡航/惰行+制動(dòng) 根據(jù)工況組合方式，對(duì)列車子區(qū)間的速度向量限定搜索范圍，如表5-5所示。表5-5限速子區(qū)間速度向量初始化范圍子區(qū)間標(biāo)號(hào)列車運(yùn)行子區(qū)間中速度信息初始化0 在高速列車子區(qū)間速度向量初始化范圍的基礎(chǔ)之上，通過遺傳算法對(duì)整個(gè)過程進(jìn)行單目標(biāo)優(yōu)化，分別以能耗和時(shí)間單個(gè)目標(biāo)進(jìn)行優(yōu)化，得到的優(yōu)化結(jié)果如表5-6所示：表5-6優(yōu)化評(píng)價(jià)指標(biāo)優(yōu)化目標(biāo)運(yùn)行能耗/(KJ)行車時(shí)間/(s)能耗1122時(shí)間975多目標(biāo)（能耗和時(shí)間）981 多目標(biāo)優(yōu)化的第一區(qū)間以能耗和時(shí)間為目標(biāo)的pareto最優(yōu)解的分布情況以及高速列車速度距離曲線圖如圖5-9和圖5-10所示。圖5-9第一限速子區(qū)間Pareto最優(yōu)解圖5-10速度距離曲線圖 在MatlabGUI程序界面中，輸入相應(yīng)參數(shù)后得到的結(jié)果如圖5-11所示。圖5-11界面顯示結(jié)果 考慮客流量變化時(shí)，輸入三角模糊隸屬度函數(shù)，同樣可以得到以所有乘客旅行時(shí)間為目標(biāo)的Pareto最優(yōu)解，如圖5-12所示。圖5-12模糊客流量下Pareto最優(yōu)解根據(jù)表5-6的結(jié)果以及圖5-2~圖5-5以及列車運(yùn)行中能耗和時(shí)間的數(shù)據(jù)可以看出列車的區(qū)間運(yùn)行能耗和時(shí)間是存在一種明顯的負(fù)相關(guān)關(guān)系。列車運(yùn)行中的能耗和時(shí)間無(wú)法同時(shí)達(dá)到最優(yōu)，本文根據(jù)Pareto最優(yōu)解的概念，得到以能耗和時(shí)間為目標(biāo)的Pareto最優(yōu)解集，根據(jù)運(yùn)行實(shí)際情況，權(quán)衡能耗和時(shí)間，得到多目標(biāo)優(yōu)化的速度-距離曲線圖。本章總結(jié)本章針對(duì)前面提出的模型和算法進(jìn)行了仿真驗(yàn)證。通過MatlabGUI設(shè)計(jì)用戶界面，分析了列車運(yùn)行時(shí)間和能耗的制約關(guān)系。得到以能耗和時(shí)間為目標(biāo)的Pareto最優(yōu)解集并選擇適合的解規(guī)劃高速列車區(qū)間運(yùn)行速度距離曲線。結(jié)論與展望結(jié)論本文在系統(tǒng)分析總結(jié)高速鐵路運(yùn)行優(yōu)化相關(guān)的已有研究成果的基礎(chǔ)上，通過詳細(xì)的理論推導(dǎo)，首先分析了高速列車運(yùn)行的動(dòng)力學(xué)基礎(chǔ)，并對(duì)列車區(qū)間運(yùn)行的四種工況模式進(jìn)行了理論分析?？紤]客流量變化給列車運(yùn)行帶來的影響，將客流量參數(shù)模糊化處理，提出基于模糊多，目標(biāo)的列車運(yùn)行優(yōu)化模型。并針對(duì)模型提出模糊遺傳算法，設(shè)計(jì)基于matlab的仿真平臺(tái)，得到很好的仿真驗(yàn)證效果。論文主要的研究工作總結(jié)如下：論文針對(duì)高速列車運(yùn)行優(yōu)化問題，考慮客流量變化的影響，將模糊理論運(yùn)用到模型之中，建立了基于模糊理論的高速列車運(yùn)行優(yōu)化模型，并將運(yùn)行過程的能耗、所有乘客旅行時(shí)間作為優(yōu)化目標(biāo)，采用模糊遺傳算法進(jìn)行優(yōu)化。論文設(shè)計(jì)基于matlab的仿真環(huán)境，基于遺傳算法求解了多個(gè)目標(biāo)的優(yōu)化問題，得到多目標(biāo)優(yōu)化問題的Pareto意義下的解集以及列車運(yùn)行優(yōu)化曲線圖。展望論文在高速列車運(yùn)行優(yōu)化、控制仿真驗(yàn)證上做了研究，構(gòu)建了基于模糊客流量的高速列車運(yùn)行性優(yōu)化數(shù)學(xué)模型，并對(duì)多目標(biāo)優(yōu)化問題進(jìn)行了求解仿真驗(yàn)證。但論文的研究工作仍然存在著不足之處，今后需要從以下幾個(gè)的三個(gè)方面深入分析。本文的建模是基于高速列車的單質(zhì)點(diǎn)列車模型，單質(zhì)點(diǎn)列車模型在變坡道、變曲率的線路上存在計(jì)算誤差，基于多質(zhì)點(diǎn)列車模型的運(yùn)行優(yōu)化建模有待研究。本文考慮了客流量變化對(duì)列車質(zhì)量、運(yùn)行和?？繒r(shí)間的影響。忽略了客流量變化對(duì)列車各種參數(shù)的影響。如何建立一整套的基于模糊理論系統(tǒng)是后續(xù)的重點(diǎn)。本文考慮的是單車運(yùn)行優(yōu)化過程，沒有考慮列車追蹤問題，列車運(yùn)行群優(yōu)化過程有待進(jìn)一步研究。參考文獻(xiàn)王慶云．交通運(yùn)輸發(fā)展理論與實(shí)踐（上冊(cè)）[M]．北京：中國(guó)科學(xué)技術(shù)出版社，2006．Ichikawa,K.Applicationofoptimizationtheoryforboundedstatevariableproblemstotheoperationoftrain.BulletinofJSME,11(47):857–865,1968.Howlett,P.G.,Milroy,I.P.,andPudney,P.J.Energy-efficienttraincontrol.ControlEngineeringPractice,2(2):193–200,1994.MiyamotoShiji,SeijiYasunobuandIharaHirokazu.Predictivefuzzycontrolanditsapplicationtoautomatictrainoperationsystem.1987:59-72GhoseiriK,SzidarovszkyF,AsgharpourMJ.Amulti-objectivetrainschedulingmodelandsolution[J].TransportationResearchPartB:Methodological,2004,38(10):927-952.M.Brio,G.M.Webb,andA.R.Zakharian.ParetooptimalityinTheVector-ValuedMaximin,V.I.ZhukovskiyandM.E.Salukvadze,Eds.,vol.193ofMathematicsinScienceandEngineering,chapter3,pp.81-129,AcademicPress,NewYork,NY,USA,1994.SicreC,CucalaAP,Fernández-CardadorA.Realtimeregulationofefficientdrivingofhighspeedtrainsbasedonageneticalgorithmandafuzzymodelofmanualdriving[J]EngineeringApplicationsofArtificialIntelligence,2014,29:79-92.CucalaAP,FernándezA,SicreC,etal.Fuzzyoptimalscheduleofhighspeedtrainoperationtominimizeenergyconsumptionwithuncertaindelaysanddriver'sbehavioralresponse[J].EngineeringApplicationsofArtificialIntelligence,2012,25(8):1548-1557.Jiaxin,C.,Howlett,P.Applicationofcriticalvelocitiestotheminimisationoffuelconsumptioninthecontroloftrains[J].Automatica,1992,28(1):165-169.程家興.列車節(jié)能操縱中最優(yōu)方案的算法[J].微機(jī)發(fā)展,1999(2):1-4.程家興.長(zhǎng)途列車節(jié)能操縱的建模[J].系統(tǒng)仿真學(xué)報(bào),1999,11(4):286-288.陳萬(wàn)里,程家興.基于模擬退火算法(SAA)求解列車控制問題[J].安徽大學(xué)學(xué)報(bào),2000,24(4):46-49.毛保華,何天鍵,袁振洲等.通用列車運(yùn)行模擬軟件系統(tǒng)研究[J].鐵道學(xué)報(bào),2000,22(01):1-6.丁勇,毛保華,劉海東等.定時(shí)約束條件下列車節(jié)能操縱的仿真算法研究[J].系統(tǒng)仿真學(xué)報(bào),2004,16(10):2241-2244.馮曉云,何鴻云,朱金陵.列車優(yōu)化操縱原則及其優(yōu)化操縱策略的數(shù)學(xué)描述[J].機(jī)車電傳動(dòng),2001,(04):13-17.崔世文,馮曉云.列車優(yōu)化操縱與自動(dòng)駕駛模式的研究與仿真[J].鐵道機(jī)車車輛，2005,25(05):9-13.Jia,L.M.,Zhang,X.D.,Xie,Z.T..Automatictraincontrol-anintelligentapproach[C].TENCON'93.Proceedings.Computer,Communication,ControlandPowerEngineering.1993IEEERegion10Conferenceon.IEEE,1993:338-342.金煒東,王自力.列車節(jié)能操縱優(yōu)化方法研究[J].鐵道學(xué)報(bào),1997,19(06):58-62.崔世文,馮曉云.列車優(yōu)化操縱與自動(dòng)駕駛模式的研究與仿真[J].鐵道機(jī)車車輛,2005,25(5):9-12.李玉生,侯忠生.基于遺傳算法的列車節(jié)能控制研究[J].系統(tǒng)仿真學(xué)報(bào),2007,19(2):384-387.付印平,高自友,李克平.路網(wǎng)中的列車節(jié)能操縱優(yōu)化方法研究[J].交通運(yùn)輸系統(tǒng)工程與信息,2009,9(4):90-96.馬超云,毛保華,梁肖,等.地鐵列車節(jié)能運(yùn)行惰行控制研究[J].交通信息與安全,2010(002):37-42.R-M.GoodallandW.Kortum,“Mechatronicdevelpmentsforrailwayvehiclesoffuture”,ControlEng.Pract,pp.887-898,Oct.2002ShangguanW,Yan,Xi-Hui,Cai,Bai-Gen,etal.MultiobjectiveOptimizationforTrainSpeedTrajectoryinCTCSHigh-SpeedRailwayWithHybridEvolutionaryAlgorithm[J].IEEETransactionsonIntelligentTransportationSystems,2015:1-11.致謝本論文的工作是在畢設(shè)導(dǎo)師上官偉老師的指導(dǎo)下完成的。上官偉老師給我提供了良好的實(shí)驗(yàn)室環(huán)境，讓我對(duì)高速列車運(yùn)行優(yōu)化過程有了深入的了解。并對(duì)我今后的研究方向以及研究工作內(nèi)容指明了方向。在此向上官偉老師表示衷心感謝。 在實(shí)驗(yàn)室論文撰寫期間，實(shí)驗(yàn)室嚴(yán)細(xì)輝師兄對(duì)我的工作進(jìn)行了細(xì)心的指導(dǎo)，給予了我很多建議與幫助，再此向嚴(yán)細(xì)輝師兄表示衷心的感謝。同時(shí)實(shí)驗(yàn)室王娟等研究生同學(xué)也給與了很大的幫助。此外，也感謝在日常生活學(xué)習(xí)中給與幫助的老師同學(xué)。 最后，感謝我的父母，他們對(duì)我的學(xué)習(xí)和生活提供一如既往的支持，是我學(xué)習(xí)的動(dòng)力。今后的學(xué)習(xí)和生活中我會(huì)更加努力。

請(qǐng)刪除以下內(nèi)容，O(∩_∩)O謝謝！?。onduction,transferofheatorelectricitythroughasubstance,resultingfromadifferenceintemperaturebetweendifferentpartsofthesubstance,inthecaseofheat,orfromadifferenceinelectricpotential,inthecaseofelectricity.Sinceheatisenergyassociatedwiththemotionsoftheparticlesmakingupthesubstance,itistransferredbysuchmotions,shiftingfromregionsofhighertemperature,wheretheparticlesaremoreenergetic,toregionsoflowertemperature.Therateofheatflowbetweentworegionsisproportionaltothetemperaturedifferencebetweenthemandtheheatconductivityofthesubstance.Insolids,themoleculesthemselvesareboundandcontributetoconductionofheatmainlybyvibratingagainstneighboringmolecules;amoreimportantmechanism,however,isthemigrationofenergeticfreeelectronsthroughthesolid.Metals,whichhaveahighfree-electrondensity,aregoodconductorsofheat,whilenonmetals,suchaswoodorglass,havefewfreeelectronsanddonotconductaswell.Especiallypoorconductors,suchasasbestos,havebeenusedasinsulatorstoimpedeheatflow(seeinsulation).Liquidsandgaseshavetheirmoleculesfartherapartandaregenerallypoorconductorsofheat.Conductionofelectricityconsistsoftheflowofchargesasaresultofanelectromotiveforce,orpotentialdifference.Therateofflow,i.e.,theelectriccurrent,isproportionaltothepotentialdifferenceandtotheelectricalconductivityofthesubstance,whichinturndependsonthenatureofthesubstance,itscross-sectionalarea,anditstemperature.Insolids,electriccurrentconsistsofaflowofelectrons;asinthecaseofheatconduction,metalsarebetterconductorsofelectricitybecauseoftheirgreaterfree-electrondensity,whilenonmetals,suchasrubber,arepoorconductorsandmaybeusedaselectricalinsulators,ordielectrics.Increasingthecross-sectionalareaofagivenconductorwillincreasethecurrentbecausemoreelectronswillbeavailableforconduction.Increasingthetemperaturewillinhibitconductioninametalbecausetheincreasedthermalmotionsoftheelectronswilltendtointerferewiththeirregularflowinanelectriccurrent;inanonmetal,however,anincreaseintemperatureimprovesconductionbecauseitfreesmoreelectrons.Inliquidsandgases,currentconsistsnotonlyintheflowofelectronsbutalsointhatofions.Ahighlyionizedliquidsolution,e.g.,saltwater,isagoodconductor.Gasesathightemperaturestendtobecomeionizedandthusbecomegoodconductors(seeplasma),althoughatordinarytemperaturestheytendtobepoorconductors.Seeelectrochemistry;electrolysis;superconductivity.AlmosteveryonehasexperiencedtheDopplereffect,thoughperhapswithoutknowingwhatcausesit.Forexample,ifoneisstandingonastreetcornerandanambulanceapproacheswithitssirenblaring,thesoundofthesirensteadilygainsinpitchasitcomescloser.Then,asitpasses,thepitchsuddenlylowersperceptibly.ThisisanexampleoftheDopplereffect:thechangeintheobservedfrequencyofawavewhenthesourceofthewaveismovingwithrespecttotheobserver.TheDopplereffect,whichoccursbothinsoundandelectromagneticwaves—includinglightwaves—hasanumberofapplications.Astronomersuseit,forinstance,togaugethemovementofstarsrelativetoEarth.Closertohome,principlesrelatingtotheDopplereffectfindapplicationinradartechnology.Dopplerradarprovidesinformationconcerningweatherpatterns,butsomepeopleexperienceitinalesspleasantway:whenapoliceofficerusesittomeasuretheirdrivingspeedbeforewritingaticket.Soundandlightarebothexamplesofenergy,andbotharecarriedonwaves.Wavemotionisatypeofharmonicmotionthatcarriesenergyfromoneplacetoanotherwithoutactuallymovinganymatter.Itisrelatedtooscillation,atypeofharmonicmotioninoneormoredimensions.Oscillationinvolvesnonetmovement,onlymovementinplace;yetindividualpointsinthewavemediumareoscillatingevenastheoverallwavepatternmoves.Thetermperiodicmotion,ormovementrepeatedatregularintervalscalledperiods,describesthebehaviorofperiodicwaves—wavesinwhichauniformseriesofcrestsandtroughsfolloweachotherinregularsuccession.Aperiod(representedbythesymbolT)istheamountoftimerequiredtocompleteonefullcycleofthewave,fromtroughtocrestandbacktotrough.Periodismathematicallyrelatedtoseveralotheraspectsofwavemotion,includingwavespeed,frequency,andwavelength.Frequency(abbreviatedf)isthenumberofwavespassingthroughagivenpointduringtheintervalofonesecond.ItismeasuredinHertz(Hz),namedafternineteenth-centuryGermanphysicistHeinrichRudolfHertz(1857-1894),andaHertzisequaltoonecycleofoscillationpersecond.Higherfrequenciesareexpressedintermsofkilohertz(kHz;103or1,000cyclespersecond);megahertz(MHz;106or1millioncyclespersecond);andgigahertz(GHz;109or1billioncyclespersecond.)Wavelength(representedbythesymbolλ,theGreekletterlambda)isthedistancebetweenacrestandtheadjacentcrest,oratroughandanadjacenttrough,ofawave.Thehigherthefrequency,theshorterthewavelength.Amplitude,thoughmathematicallyindependentfromtheparametersdiscussed,iscriticaltotheunderstandingofsound.Definedasthemaximumdisplacementofavibratingmaterial,amplitudeisthe"size"ofawave.Thegreatertheamplitude,thegreatertheenergythewavecontains:amplitudeindicatesintensity,which,inthecaseofsoundwaves,ismanifestedaswhatpeoplecommonlycall"volume."Similarly,theamplitudeofalightwavedeterminestheintensityofthelight.electromagneticradiation,energyradiatedintheformofawaveasaresultofthemotionofelectriccharges.Amovingchargegivesrisetoamagneticfield,andifthemotionischanging(accelerated),thenthemagneticfieldvariesandinturnproducesanelectricfield.Theseinteractingelectricandmagneticfieldsareatrightanglestooneanotherandalsotothedirectionofpropagationoftheenergy.Thus,anelectromagneticwaveisatransversewave.Ifthedirectionoftheelectricfieldisconstant,thewaveissaidtobepolarized(seepolarizationoflight).Electromagneticradiationdoesnotrequireamaterialmediumandcantravelthroughavacuum.ThetheoryofelectromagneticradiationwasdevelopedbyJamesClerkMaxwellandpublishedin1865.Heshowedthatthespeedofpropagationofelectromagneticradiationshouldbeidenticalwiththatoflight,about186,000mi(300,000km)persec.SubsequentexperimentsbyHeinrichHertzverifiedMaxwell'spredictionthroughthediscoveryofradiowaves,alsoknownashertzianwaves.Lightisatypeofelectromagneticradiation,occupyingonlyasmallportionofthepossiblespectrumofthisenergy.Thevarioustypesofelectromagneticradiationdifferonlyinwavelengthandfrequency;theyarealikeinallotherrespects.Thepossiblesourcesofelectromagneticradiationaredirectlyrelatedtowavelength:longradiowavesareproducedbylargeantennassuchasthoseusedbybroadcastingstations;muchshortervisiblelightwavesareproducedbythemotionsofchargeswithinatoms;theshortestwaves,thoseofgammaradiation,resultfromchangeswithinthenucleusoftheatom.Inorderofdecreasingwavelengthandincreasingfrequency,varioustypesofelectromagneticradiationinclude:electricwaves,radiowaves(includingAM,FM,TV,andshortwaves),microwaves,infraredradiation,visiblelight,ultravioletradiation,Xrays,andgammaradiation.Accordingtothequantumtheory,lightandotherformsofelectromagneticradiationmayattimesexhibitpropertieslikethoseofparticlesintheirinteractionwithmatter.(Conversely,particlessometimesexhibitwavelikeproperties.)TheindividualquantumofelectromagneticradiationisknownasthephotonandissymbolizedbytheGreeklettergamma.Quantumeffectsaremostpronouncedforthehigherfrequencies,suchasgammarays,andareusuallynegligibleforradiowavesatthelong-wavelength,low-frequencyendofthespectrum.目錄第一章項(xiàng)目總論 -1-§1.1項(xiàng)目簡(jiǎn)介 -1-§1.2可行性研究的范圍 -2-§1.3編制依據(jù) -2-第二章項(xiàng)目建設(shè)背景及必要性 -3-§2.1橡膠密封件項(xiàng)目提出的背景 -3-§2.2國(guó)家產(chǎn)業(yè)政策 -6-§2.3項(xiàng)目建設(shè)的必要性 -8-第三章項(xiàng)目?jī)?yōu)勢(shì) -11-§3.1市場(chǎng)優(yōu)勢(shì) -11-§3.2技術(shù)優(yōu)勢(shì) -16-§3.3組織優(yōu)勢(shì) -17-§3.4政策優(yōu)勢(shì):關(guān)中—天水經(jīng)濟(jì)區(qū)發(fā)展規(guī)劃 -17-§3.5區(qū)域投資環(huán)境優(yōu)勢(shì) -17-第四章產(chǎn)品介紹與技術(shù)介紹 -20-§4.1橡膠密封件產(chǎn)品介紹 -20-§4.2產(chǎn)品標(biāo)準(zhǔn) -21-§4.3產(chǎn)品特征及材質(zhì) -21-§4.4產(chǎn)品方案 -26-§4.