节能列车运行控制优化：从动力学建模到最优控制算法实践

1. 项目概述：从“跑得快”到“跑得省”的列车驾驶哲学

如果你问一个普通人，火车司机是怎么开车的，他可能会说“看信号、控速度、准时到站”。这没错，但如果你问一个轨道交通领域的工程师或研究者，他会告诉你，这背后藏着一套复杂的“节能驾驶算法”。尤其是在“双碳”目标成为国家战略的今天，如何让一列重达数百吨、载客上千人的钢铁巨龙，在保证安全准点的前提下，像一位经验丰富的“老司机”一样，用最少的电能完成一趟旅程，已经从一个技术问题，上升为一个兼具经济和社会价值的核心课题。

2023年第八届数维杯大学生数学建模挑战赛的B题，正是精准地切入了这个前沿且极具现实意义的领域——节能列车运行控制优化策略。这个题目听起来很学术，但它的内核非常“接地气”：给定一条具体的线路（包含坡道、弯道、限速等条件），一列已知基本参数的列车，以及必须遵守的运行时间，参赛者需要设计一套控制策略，告诉列车司机（或自动驾驶系统）在每一个位置该以多大牵引力、制动力或惰行（不施加力），才能让总能耗最低。

这绝不是简单的“慢点开就省电”。它是一场在时间、空间、能量三维约束下的精密博弈。开得太慢，无法按时到达；开得太快，能耗呈指数级增长，还可能超速；遇到长下坡，是提前减速还是利用势能加速？这些都是需要精确计算的决策。这道题考察的，正是将复杂的物理过程（列车动力学）、工程约束（信号、限速）和优化目标（最小能耗）转化为数学模型，并通过算法求解的能力。对于参赛的理工科学生而言，这是一次绝佳的将理论（高等数学、物理、控制理论、优化算法）应用于复杂工程系统的实战演练。

2. 核心问题拆解：把大象装进冰箱需要几步？

面对这样一个综合性问题，新手容易感到无从下手。我们可以借鉴经典的“把大象装进冰箱”的思维，将其分解为三个核心步骤，但每一步都充满了技术细节。

2.1 第一步：建立列车的“数字双胞胎”——动力学模型

你要控制一个对象，首先必须了解它如何运动。列车的运动遵循牛顿第二定律，但其受力情况比高中物理的小滑块复杂得多。

核心方程：列车运行的基本方程可以表述为：m * a = F_traction - F_brake - F_resistance其中：

• m是列车质量（需考虑旋转质量系数，通常将总质量乘以一个1.05~1.10的系数，以等效旋转部件的惯性）。
• a是加速度。
• F_traction是牵引力，由牵引电机提供，其大小受电机特性曲线限制，通常与速度有关（高速时牵引力下降）。
• F_brake是制动力，包括电制动和空气制动。
• F_resistance是基本运行阻力，这是能耗的“大头”，通常用经验公式表示，最经典的是戴维斯公式：F_resistance = A + B*v + C*v^2其中v是速度，A代表机械摩擦等与速度无关的阻力，B*v代表与速度成正比的阻力（如轴承摩擦），C*v^2代表空气阻力，它与速度的平方成正比，高速时此项占主导。

注意：题目通常会给出具体的阻力公式系数，或者直接给出公式。务必仔细审题，这是建模的基石。如果未给出，可能需要根据列车类型（动车组、普速客车、货车）查阅文献选取典型值。

工况划分：列车的运行状态可以简化为四种工况，这是后续控制决策的基础：

1. 牵引工况：F_traction > 0, F_brake = 0，电机耗电，列车加速或爬坡。
2. 惰行工况：F_traction = 0, F_brake = 0，列车依靠惯性滑行，基本不耗电（辅助设备耗电较小，通常忽略）。
3. 制动工况：F_traction = 0, F_brake > 0，消耗动能，部分车型可将动能转化为电能回馈电网（再生制动）。
4. 巡航工况：F_traction = F_resistance，合力为零，匀速运行。这可以看作是牵引工况的一个特例。

2.2 第二步：读懂“赛道说明书”——线路条件与约束

列车不是在真空中运行，它奔驰在一条有坡有弯、有站有信号的复杂线路上。这些条件构成了优化问题的约束。

• 线路纵断面：这是最重要的条件之一。线路由一段段坡度（上坡、下坡、平道）连接而成。上坡时，重力分量成为额外的阻力；下坡时，重力分量成为“助推力”。在模型中，需要在阻力F_resistance中加上或减去m*g*sinθ（θ为坡道角度，通常很小，sinθ≈tanθ=坡度千分数i）。处理技巧：将线路离散化为多个小段，每段内坡度视为恒定。
• 限速曲线：线路不同位置有不同的最高允许速度，可能因为弯道、道岔、桥梁或信号系统限制。你的速度轨迹v(s)（速度关于位置s的函数）必须全程处于这条“天花板”之下。这是优化问题的一个硬约束。
• 运行时分：从起点到终点，总运行时间T_total是固定的。这构成了一个积分约束：∫ (1/v(s)) ds = T_total。你不能为了省电而无限制地慢行。
• 站停要求：如果中间有车站，还需要考虑停车精度（位置误差）、停车时间等。

2.3 第三步：定义“好”的标准——优化目标与问题表述

在满足所有约束的前提下，什么是最优解？本题的目标是总能耗最小。

牵引工况消耗的电能E_traction可以近似为牵引力做的功：E_traction = ∫ F_traction * v * dt，积分在整个牵引阶段进行。这里假设牵引效率为常数（如0.85）。

如果考虑再生制动，即制动时电机变为发电机，将部分动能转化为电能回馈电网，那么制动工况可以产生“负能耗”。此时总能耗为：E_total = E_traction - η * E_brake，其中η是再生制动能量回收效率（通常为0.6~0.8），E_brake是制动能量。

实操心得：是否考虑再生制动，对优化策略有颠覆性影响。不考虑时，策略倾向于尽可能多用惰行来减速；考虑时，在需要减速的地段，可能会更积极地使用电制动，因为“浪费”的动能可以部分回收。题目通常会明确说明是否考虑再生制动，这是关键假设。

至此，我们完整地定义了优化问题：在给定的线路条件（坡度、限速）下，寻找列车牵引/制动力的控制序列（或速度轨迹v(s)），使得从起点到终点的总运行时间等于给定值T_total，且全程不超速，同时总能耗E_total最小。

3. 核心优化策略与算法实现：寻找那条“黄金曲线”

问题定义清楚了，接下来就是如何求解。这是一个典型的最优控制问题。对于大学生数模竞赛，通常采用离散化+数值优化的思路。下面介绍两种主流且可行的求解路径。

3.1 策略一：基于极大值原理的解析推导与数值求解

庞特里亚金极大值原理是处理这类连续时间最优控制问题的有力工具。它将寻找最优控制函数的问题，转化为求解一组微分方程（状态方程和协态方程）的边值问题。

1. 建立哈密顿函数：将能耗最小化问题转化为哈密顿函数最小化问题。H = F_traction * v + λ * (F_traction - F_brake - R(v) - m*g*i(s))/m这里，λ是协态变量（可以理解为“时间”的影子价格），R(v)是基本阻力，i(s)是坡度。

2. 应用极大值原理：最优控制（牵引力、制动力）应使哈密顿函数H取最小值。通过对H关于控制量求导分析，可以得出一个非常重要的结论——最优驾驶策略通常是“bang-bang”控制与奇异控制的结合。

   • Bang-bang控制：控制量（牵引/制动力）要么取最大值，要么取最小值（0）。对应到驾驶策略就是：最大牵引加速 → 惰行/巡航 → 最大制动减速。
   • 奇异控制：在某些阶段，H对控制量的导数为零，控制量可以取中间值。这通常对应着以某个特定功率（或力）匀速运行的阶段。

3. 数值求解：推导出的最优性条件是一组微分方程，结合边界条件（起点终点速度、位置、时间），构成一个两点边值问题。可以使用打靶法、多重打靶法或配点法（如直接转录法）进行数值求解。MATLAB的bvp4c或bvp5c求解器非常适合处理此类问题。

注意事项：极大值原理能给出深刻的物理洞察（如最优策略的结构），但推导过程数学要求较高，数值求解对初值敏感，调试起来可能比较耗时。适合理论功底扎实、追求最优解完备性的队伍。

3.2 策略二：基于动态规划的离散化搜索

动态规划是解决此类分段决策问题的“万能钥匙”，思路直观，易于实现，特别适合离散化的线路模型。

1. 状态离散化：将线路从起点到终点离散化为N个位置点s0, s1, ..., sN。在每个位置点si，将速度也离散化为多个等级v0, v1, ..., vM。这样，整个运行过程就被映射到一个(N+1) * (M+1)的网格上。

2. 定义状态与决策：

   • 状态：(si, vj)，表示在位置si处速度为vj。
   • 决策：从当前状态(si, vj)到下一个位置si+1，选择一个目标速度vk。根据运动学公式，可以反推出从si到si+1这段距离所需的平均加速度，进而判断需要施加的牵引/制动力是否在设备能力范围内，以及这段行程所花费的时间Δt和消耗的能量ΔE。

3. 构建递推方程（Bellman方程）： 设F(i, j)为从位置si、速度vj出发，到达终点所需的最小剩余能耗。 递推关系为：F(i, j) = min_{k} { ΔE(i, j, k) + F(i+1, k) }其中，k遍历所有从(si, vj)能合法、合规地到达si+1的速度状态vk。ΔE(i, j, k)是这段行程的能耗。

4. 逆向求解与路径回溯：

   • 从终点开始（终点速度通常为0），初始化F(N, 0)=0，其他状态为无穷大。
   • 从i=N-1倒推回i=0，计算每个状态的最小剩余能耗及其对应的最优下一状态。
   • 从起点(0, 0)开始，根据记录的最优决策，正向回溯，即可得到完整的最优速度曲线和控制序列。

实操心得：动态规划的核心是状态转移的合法性校验。在计算ΔE(i, j, k)时，必须严格检查：

1. 计算出的平均加速度对应的牵引/制动力是否超出列车能力曲线。
2. 从si到si+1这段路程中，根据匀变速运动公式插值出的瞬时速度，是否在任何点都超过了该位置的限速。
3. 这段行程的时间Δt是否为正。 这些校验保证了求解的可行性和安全性。虽然动态规划是“暴力搜索”，但通过合理的状态离散（位置间隔50-100米，速度间隔1-2 km/h），在现代计算机上求解是可行的。

3.3 策略三：基于直接法的非线性规划

这是目前工程界和学术界最主流的方法，尤其适合用MATLAB的fmincon或Python的SciPy.optimize等工具包快速实现。

1. 直接转录：将连续的最优控制问题直接离散化为一个非线性规划问题。

   • 将全程划分为K个控制段（比如每100米一段，或固定时间间隔一段）。
   • 决策变量：将每个控制段上的控制量（牵引/制动力，或直接是加速度）作为优化变量，记作向量u = [u1, u2, ..., uK]。或者，更常见的是将一系列位置点的速度v = [v1, v2, ..., vK]作为决策变量。
   • 约束构建：
     • 动力学约束：利用离散化的运动方程，将相邻位置的速度、距离、控制量关联起来。例如，使用梯形积分公式：(v_{i+1}^2 - v_i^2) / (2*Δs) = (u_i - R(v_i) - m*g*i_i) / m。
     • 路径约束：v_i ≤ V_lim(s_i)，即每个点的速度不超过限速。
     • 边界约束：v0 = 0, vK = 0, sK = S_total（总里程）。
     • 时间约束：Σ (2*Δs / (v_i + v_{i+1})) = T_total，这是将时间积分离散化后的等式约束。
   • 目标函数：总能耗，离散化为Σ P_i * Δt_i，其中P_i是牵引功率（F_traction * v_i），Δt_i是每段的时间。

2. 调用求解器：将上述目标函数和约束（线性/非线性等式与不等式）输入fmincon等求解器，选择合适的算法（如内点法、序列二次规划SQP）进行求解。

踩坑记录：直接法最大的挑战是初值选取。如果给求解器一个很差的初值（比如全零），它很可能收敛到局部最优甚至不收敛。一个实用的技巧是先用一个简单的策略（如“最大牵引-惰行-最大制动”）跑一遍，得到一条可行的速度曲线，用这条曲线对应的速度序列作为非线性规划问题的初值，成功率会大大提高。

4. 模型实现细节与编程技巧

无论选择哪种策略，最终都需要编程实现。这里分享一些通用的实现技巧和注意事项。

4.1 数据预处理与插值

题目给出的线路数据（坡度、限速）通常是按里程点给出的离散值。而你的模型需要在任意位置查询这些值。

• 坡度处理：将坡度数据存储为(s, i)的数组。在计算任意位置s的坡度时，使用线性插值。i(s) = interp1(s_array, i_array, s, 'linear')。
• 限速处理：同样使用插值。但要注意，限速是“天花板”，你的速度必须小于等于它。在优化中，这表现为不等式约束v(s) ≤ V_lim(s)。

4.2 工况判断与力/功率计算

在每一步计算中，都需要根据目标加速度a，计算所需的合力，再判断工况。

# 伪代码示例 def calculate_force_and_power(m, v, a, gradient, resistance_coef): """ 计算所需合力、实际工况、能耗功率。 m: 质量 v: 速度 a: 需求加速度 gradient: 坡度千分数 resistance_coef: 阻力公式系数[A, B, C] """ # 1. 计算基本阻力和坡度附加力 R = resistance_coef[0] + resistance_coef[1]*v + resistance_coef[2]*v*v G = m * g * gradient # 坡度力，上坡为正（阻力），下坡为负（动力） # 2. 根据牛顿定律计算需求合力 F_required = m * a + R + G # 3. 判断工况并计算实际施加的力和功率 if F_required > 0: # 需要牵引力 F_traction = min(F_required, F_traction_max(v)) # 不能超过牵引特性曲线 F_brake = 0 power = F_traction * v # 牵引功率，正值，消耗能量 elif F_required < 0: # 需要制动力 F_traction = 0 F_brake = min(-F_required, F_brake_max(v)) # 不能超过制动能力 if consider_regenerative_braking: power = -eta_regenerative * F_brake * v # 再生制动功率，负值，回收能量 else: power = 0 # 不考虑回收，制动能耗视为0（热能耗散） else: # 需求合力为0，惰行或精确巡航 F_traction = 0 F_brake = 0 power = 0 return F_traction, F_brake, power

4.3 时间积分的精度问题

总运行时间是关键约束。计算从位置s1到s2（速度从v1到v2）所需的时间，如果加速度变化不大，可以使用匀变速运动公式：Δt = 2 * Δs / (v1 + v2)。 如果加速度变化较大，或者步长Δs较大，这个近似会有误差。更精确的做法是使用数值积分，例如将小段再细分为更小的步长进行龙格-库塔法积分。但在数模竞赛中，只要离散化得足够细（如每段50米），梯形公式的精度通常可以接受。务必在论文中说明你采用的时间积分方法及其合理性。

5. 结果分析与策略解读：读懂最优速度曲线

求解完成后，你会得到一条最优速度-距离曲线v(s)和对应的工况序列。这条曲线就是你要提交的“节能驾驶策略说明书”。如何分析它？

5.1 典型节能策略模式

一条经典的单区间（起点站到终点站，中间无停站）节能速度曲线，通常呈现“牵引-巡航-惰行-制动”或“牵引-惰行-制动”的模式，具体形态受线路坡道影响巨大。

• 平直线路：最优策略往往是“最大牵引加速至某一速度 → 惰行减速 → 必要时制动停车”。巡航阶段可能很短甚至没有，因为维持匀速需要持续输出牵引力来克服阻力，而提前惰行利用惯性“溜车”更省能。
• 起伏线路：
  • 面对长上坡：策略倾向于在坡前适当加速，储备动能，利用动能爬坡，可以减少牵引电机在高阻力下的持续做功。
  • 面对长下坡：策略会充分利用势能。如果下坡后需要停车，可能会提前惰行甚至轻微制动，防止速度过高；如果下坡后仍是平路或上坡，可能会让速度自然攀升，储备更多动能。
• 考虑再生制动时：曲线会发生变化。在需要减速的区域（如进站前、限速下降区），你会看到更早、更积极地使用（电）制动，而不是纯惰行，因为部分制动能量可以被回收。

5.2 灵敏度分析与策略鲁棒性

模型建立在许多假设之上（如固定的阻力系数、精确的坡度数据、即时的控制响应）。在论文中，进行简单的灵敏度分析能大大提升深度。

• 时间裕度分析：如果运行时间要求从T放宽到T+Δt，能耗能降低多少？绘制“能耗-时间”曲线，可以直观看出为了节省最后那一点时间，需要付出多少额外的能量代价。这解释了现实中为何列车时刻表会留有一定的“冗余时间”。
• 参数扰动分析：将阻力系数C增加5%，重新优化，观察最优速度和能耗的变化。这可以探讨模型对参数不确定性的鲁棒性。
• 策略对比：将你的最优策略与一个“基准策略”对比。一个简单的基准策略是“匀速策略”（以S_total / T_total的平均速度运行）。计算你的策略比基准策略节能了多少百分比，这个数字是衡量你优化效果最直观的指标。

6. 论文写作要点与常见误区

数模竞赛最终比拼的是论文。如何将你的工作清晰、专业地呈现出来？

6.1 模型部分写作框架

1. 问题重述与分析：用你自己的话精炼概括问题，并完成上文所述的“三步走”分析，明确决策变量、目标函数和约束条件。
2. 模型假设：清晰列出。例如：“假设列车为质点模型”、“忽略天气影响”、“牵引/制动特性曲线已知且固定”、“不考虑信号系统移动闭塞的动态影响”等。合理的假设能简化问题，体现你的思考。
3. 符号说明：制作一个三列表格（符号、含义、单位），让评委一目了然。
4. 模型建立：这是核心。
   • 先给出列车单质点动力学方程。
   • 给出阻力公式、牵引/制动特性曲线公式。
   • 给出能耗计算公式（区分是否考虑再生制动）。
   • 最后，用数学语言完整表述优化问题：min J = ∫ ... ds; s.t. dv/dt = ..., v ≤ V(s), ∫ dt = T, ...。
5. 模型求解：详细说明你采用的算法（动态规划、直接法等）。如果是动态规划，写出状态定义、递推方程、边界条件和求解步骤。如果是直接法+非线性规划，说明离散化方法、决策变量、约束的构建过程以及所用求解器。
6. 模型求解流程图：用文字描述配合清晰的流程图，展示从输入数据到输出结果的完整计算过程。

6.2 常见误区与避坑指南

• 误区一：把模型建立和模型求解混为一谈。在“模型建立”部分，你只负责用数学公式把问题定义清楚。至于怎么解这个数学问题，是“模型求解”部分的内容。两者分开写，逻辑更清晰。
• 误区二：忽略了单位换算和量纲一致性。这是工科建模的大忌。速度用km/h，距离用m，时间用s，力用N，功率用W。在公式中务必统一到国际单位制（SI），并在计算代码中做好转换。例如，速度输入是km/h，在动力学公式中要先除以3.6转换为m/s。
• 误区三：模型结果只有一张速度曲线图。至少还应有：
  • 工况序列图（用不同颜色标注牵引、惰行、制动、巡航段）。
  • 能耗累积曲线。
  • 关键节点的速度、时间、能耗数据表格。
  • 与基准策略的对比表格（节能百分比、各工况距离/时间占比）。
• 误区四：灵敏度分析过于随意。不要简单地说“改变参数，结果变了”。要定量分析，例如：“运行时间增加1%，能耗平均降低0.5%”，并尝试解释其物理意义。
• 误区五：摘要空洞无物。摘要是评委第一眼看到的内容。必须包含：针对什么问题、建立了什么模型、用了什么方法、得到了什么关键结果（例如：最优策略比匀速策略节能XX%）、有何结论。避免出现“我们经过认真思考”、“我们建立了模型”这样的废话，直接上干货。

这道赛题的魅力在于，它用一个高度简化的框架，模拟了轨道交通领域一个真实且核心的优化问题。从理解物理原理，到建立数学模型，再到编程求解和结果分析，完成整个流程，无异于亲身参与了一次缩微版的工程研发。无论最终成绩如何，这份在复杂约束下寻求最优解的思维训练，以及将理论知识转化为代码和方案的能力，才是比赛留给每位参赛者最宝贵的财富。在实际编程调试中，当你看到那条光滑而合理的最优速度曲线第一次被成功绘制出来时，那种将理论付诸实践的成就感，或许比获奖本身更令人振奋。