基于深度學(xué)習(xí)與遺傳算法的動(dòng)車組與ATP車載設(shè)備接口試驗(yàn)測(cè)試序列優(yōu)化生成

袁 磊, 甘慶鵬, 李開成, 付 強(qiáng)(. 北京交通大學(xué) 軌道交通控制與安全國(guó)家重點(diǎn)實(shí)驗(yàn)室， 北京 00044；. 北京交通大學(xué) 軌道交通運(yùn)行控制系統(tǒng)國(guó)家工程研究中心， 北京 00044)

ATP車載設(shè)備是高速鐵路列車運(yùn)行控制系統(tǒng)(以下簡(jiǎn)稱列控系統(tǒng))的車載子系統(tǒng)核心主控設(shè)備，其與高速動(dòng)車組之間接口的適配性，是實(shí)現(xiàn)超速防護(hù)功能的根本。目前我國(guó)為適應(yīng)不同應(yīng)用需求，各種新型號(hào)的高速動(dòng)車組不斷投入運(yùn)用。由于不同型號(hào)的ATP車載設(shè)備在接口特性方面不盡相同。因此，裝備某一型號(hào)的ATP車載設(shè)備的新型動(dòng)車組在投入運(yùn)營(yíng)前，需要通過(guò)型式試驗(yàn)驗(yàn)證其接口適配的可用性和安全性。事實(shí)上，驗(yàn)證不同型號(hào)的動(dòng)車組與新配備的車載ATP設(shè)備之間接口以保證其安全性與適配性的第三方接口型式試驗(yàn)已納入了中國(guó)列控系統(tǒng)技術(shù)體系要求[1]。通常新型動(dòng)車組與ATP的接口型式試驗(yàn)在高速鐵路運(yùn)營(yíng)線路上開展，用于試驗(yàn)的時(shí)間資源和線路資源有限。如何在有限的資源下，高效、安全地完成測(cè)試，是測(cè)試序列設(shè)計(jì)的主要目標(biāo)。目前接口型式試驗(yàn)測(cè)試序列均由測(cè)試專家根據(jù)需求與試驗(yàn)大綱手動(dòng)編寫，效率低下，測(cè)試項(xiàng)可用性、安全性無(wú)法保證，也無(wú)法在編寫過(guò)程中有效衡量測(cè)試序列的優(yōu)劣。與列控系統(tǒng)相關(guān)試驗(yàn)的測(cè)試序列生成的研究，目前主要集中于基于系統(tǒng)功能需求的實(shí)驗(yàn)室仿真或半仿真功能測(cè)試序列生成[2-4]，并未涉及接口型式試驗(yàn)或者測(cè)試序列的優(yōu)化過(guò)程，方法不具有通用性。

針對(duì)接口型式試驗(yàn)的研究場(chǎng)景，本文對(duì)測(cè)試序列生成、更新與優(yōu)化過(guò)程建模，尋找基于綜合指標(biāo)的次優(yōu)解，利用深度學(xué)習(xí)算法與遺傳算法，設(shè)計(jì)了序列更新過(guò)程與序列優(yōu)化過(guò)程相結(jié)合的策略，以得到符合期望的測(cè)試序列?；诠蟾咚勹F路CRH380B型動(dòng)車組與CTCS3-300S型ATP車載設(shè)備某次型式試驗(yàn)現(xiàn)場(chǎng)數(shù)據(jù)，對(duì)本文提出的算法策略進(jìn)行了仿真分析。

1 測(cè)試序列優(yōu)化生成的總體策略

接口型式試驗(yàn)的每個(gè)測(cè)試序列由多個(gè)基本測(cè)試項(xiàng)組成，序列中的測(cè)試項(xiàng)具體明確測(cè)試項(xiàng)類型、執(zhí)行的位置、條件以及步驟等。單次型式試驗(yàn)需要多個(gè)測(cè)試序列。接口型式試驗(yàn)大綱指定了列車牽引、制動(dòng)、測(cè)距、報(bào)文接收、空氣制動(dòng)以及低黏著度處理等6大類試驗(yàn)共25種類型的動(dòng)態(tài)試驗(yàn)基本測(cè)試項(xiàng)，并可根據(jù)測(cè)試需求增加特殊測(cè)試項(xiàng)。動(dòng)車組的運(yùn)營(yíng)速度等級(jí)不同，則測(cè)試項(xiàng)的執(zhí)行過(guò)程也有區(qū)別，本文基于310 km/h的最高運(yùn)營(yíng)速度。

基于人工編寫測(cè)試序列的經(jīng)驗(yàn)與試驗(yàn)的需求，本文提出了測(cè)試序列的執(zhí)行時(shí)間效率與能量消耗目標(biāo)、測(cè)試項(xiàng)的有效性與安全性原則、測(cè)試項(xiàng)覆蓋度與冗余度要求，用于定義測(cè)試序列生成的預(yù)期測(cè)試需求。接口型式試驗(yàn)測(cè)試序列優(yōu)化生成策略在本文中被設(shè)計(jì)成兩個(gè)過(guò)程，即測(cè)試序列的優(yōu)化過(guò)程與測(cè)試序列的更新過(guò)程，兩個(gè)實(shí)現(xiàn)過(guò)程互相結(jié)合聯(lián)系，生成滿足預(yù)期測(cè)試需求且優(yōu)化的所有測(cè)試序列?？傮w策略具體見圖 1。

測(cè)試序列的優(yōu)化過(guò)程根據(jù)需求在測(cè)試序列解空間中尋找較優(yōu)的問(wèn)題解，包括母測(cè)試序列集合優(yōu)化與母序列集合優(yōu)化再生成兩部分。測(cè)試序列的更新過(guò)程根據(jù)預(yù)定的規(guī)則更新優(yōu)化過(guò)程中再生成的測(cè)試序列的測(cè)試項(xiàng)，使得序列中的每個(gè)測(cè)試項(xiàng)的安全性與有效性得以滿足，同時(shí)所有測(cè)試序列總體上能夠達(dá)到測(cè)試項(xiàng)的冗余度與覆蓋度要求。其包括決策點(diǎn)更新、測(cè)試項(xiàng)決策以及子測(cè)試序列更新等部分。

決策點(diǎn)DP(Decision Point)在本文中定義為間隔大于500 m的應(yīng)答器組的位置，在列車運(yùn)行仿真過(guò)程中動(dòng)態(tài)地決定DP處是否設(shè)置某個(gè)類型的測(cè)試項(xiàng)。測(cè)試項(xiàng)決策是決策網(wǎng)絡(luò)基于列車仿真運(yùn)行到DP處的條件狀態(tài)計(jì)算測(cè)試項(xiàng)可選集，是子測(cè)試序列更新的基礎(chǔ)。算法操作基于母測(cè)試序列并行進(jìn)行，一個(gè)母測(cè)試序列由單次接口型式試驗(yàn)中所有測(cè)試序列(稱為子測(cè)試序列)串聯(lián)組成，代表1個(gè)優(yōu)化問(wèn)題的可能解。每個(gè)子測(cè)試序列表示在型式試驗(yàn)中列車在1個(gè)車次中執(zhí)行的所有測(cè)試項(xiàng)。

2 基于深度學(xué)習(xí)的測(cè)試序列更新過(guò)程

2.1 測(cè)試序列的更新

實(shí)際測(cè)試序列在本文設(shè)計(jì)的算法策略中轉(zhuǎn)換為數(shù)字向量形式，一個(gè)子測(cè)試序列對(duì)應(yīng)一個(gè)列車車次，測(cè)試序列中以數(shù)字表示對(duì)應(yīng)的測(cè)試項(xiàng)類型號(hào)，“0”表示無(wú)測(cè)試項(xiàng)，測(cè)試項(xiàng)所在位置對(duì)應(yīng)線路上的不同DP。圖 2為1個(gè)子測(cè)試序列的更新示意圖，英文字母表示測(cè)試項(xiàng)類型。更新前的子測(cè)試序列屬于優(yōu)化再生成的母測(cè)試序列的一部分，根據(jù)測(cè)試項(xiàng)決策網(wǎng)絡(luò)計(jì)算得到的測(cè)試項(xiàng)可選集按照預(yù)定規(guī)則從一個(gè)DP到另一個(gè)DP更新測(cè)試項(xiàng)：(1)列車仿真執(zhí)行完上一個(gè)測(cè)試項(xiàng)，運(yùn)行至DP1，更新前測(cè)試項(xiàng)為0，則保留；(2)運(yùn)行至DP2，更新前為測(cè)試項(xiàng)a，可選集中包含a，則保留；(3)假設(shè)列車仿真執(zhí)行測(cè)試項(xiàng)a運(yùn)行至DP5處，則DP3與DP4更新為0；(4)運(yùn)行至DP5，可選集為空集，則更新為0；(5)運(yùn)行至DP6，更新前測(cè)試項(xiàng)為d，可選集包含d，則保留；(6)執(zhí)行測(cè)試項(xiàng)d，則更新DP7為0。

2.2 測(cè)試項(xiàng)決策算法

列車仿真向前運(yùn)行經(jīng)過(guò)每個(gè)DP，為了考察在測(cè)試序列更新過(guò)程中列車仿真運(yùn)行到DP處時(shí)能否滿足執(zhí)行某些測(cè)試項(xiàng)的條件，本文定義了條件狀態(tài)來(lái)表征當(dāng)前DP處的特征。構(gòu)建了基于深度學(xué)習(xí)算法的測(cè)試項(xiàng)決策網(wǎng)絡(luò)以特征向量為輸入來(lái)計(jì)算得到DP處的測(cè)試項(xiàng)可選集。具體定義的N維條件狀態(tài)向量描述了執(zhí)行測(cè)試項(xiàng)必要的需求

x=[x1,x2,…,xN]

( 1 )

分量取值可以是0、0.5以及1，分別表征當(dāng)前DP處不滿足對(duì)應(yīng)該分量的條件、在可接受程度上滿足以及完全滿足。基于型式試驗(yàn)的具體情況，根據(jù)速度等級(jí)、坡度、軌道電路、應(yīng)答器以及不同測(cè)試項(xiàng)之間的耦合關(guān)系等多類別要求，確定狀態(tài)向量x為18維。

為了確定與每個(gè)狀態(tài)向量對(duì)應(yīng)的測(cè)試項(xiàng)類別樣本，得到DP處的測(cè)試項(xiàng)可選集，定義類別向量

y=[y1,y2,…,yM]

( 2 )

式中:M為測(cè)試項(xiàng)類別數(shù)，分量下標(biāo)代表了定義的測(cè)試項(xiàng)類型號(hào)，若根據(jù)狀態(tài)向量可以計(jì)算出符合某類型測(cè)試項(xiàng)實(shí)施要求，則在類別向量對(duì)應(yīng)分量置1，否則置0。狀態(tài)向量與類別向量之間的映射計(jì)算關(guān)系通過(guò)具有深度學(xué)習(xí)能力的決策網(wǎng)絡(luò)來(lái)完成。利用人工或者隨機(jī)生成并人工定標(biāo)簽的訓(xùn)練樣本，對(duì)構(gòu)建好的決策網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練與特征學(xué)習(xí)，以條件狀態(tài)向量為在線輸入即可得到對(duì)應(yīng)的測(cè)試項(xiàng)可選集，適應(yīng)不同的鐵路試驗(yàn)線路數(shù)據(jù)以及試驗(yàn)需求。

深度學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)的進(jìn)一步研究的結(jié)果[6]。深度學(xué)習(xí)[7]利用低層特征組合成更為抽象的高層表示。本文利用稀疏的多層自編碼[8-9]與多層邏輯回歸[10]構(gòu)成的神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行測(cè)試項(xiàng)決策，見圖 3。

網(wǎng)絡(luò)學(xué)習(xí)的第一部分為編碼層的特征學(xué)習(xí)。圖中多層自動(dòng)編碼網(wǎng)絡(luò)有2個(gè)編碼層，按照逐層貪婪方式(Layer-wise)[11]的方式逐層訓(xùn)練，其本質(zhì)是優(yōu)化層與層之間的權(quán)值使得輸出能夠重構(gòu)輸入。具體地，對(duì)第一個(gè)編碼層，若有m個(gè)維度為N的學(xué)習(xí)樣本，則該編碼層特征學(xué)習(xí)的代價(jià)函數(shù)為

J(W,b)=

( 3 )

其中，第1項(xiàng)為誤差項(xiàng)，hW,b(x)為該編碼層對(duì)應(yīng)的輸出層輸出，輸出層與輸入同維度，不顯含于圖中。第2項(xiàng)為稀疏項(xiàng)，使部分神經(jīng)元都處于非激活狀態(tài)，網(wǎng)絡(luò)具有稀疏特性，其中

( 4 )

( 5 )

式中：ρ為稀疏參數(shù)，表示需要達(dá)到的稀疏程度，通常取0.05。式( 3 )中第3項(xiàng)為規(guī)則項(xiàng)，限制權(quán)值過(guò)大，其中W1為編碼層的權(quán)值，Wd為該編碼層對(duì)應(yīng)輸出層的權(quán)值。按照代價(jià)函數(shù)( 3 )以基于反向傳播算法(BP Algorithm)[13]求梯度的梯度下降學(xué)習(xí)方式優(yōu)化，形成稀疏自動(dòng)編碼，僅保留編碼層權(quán)值W1。第1個(gè)編碼層的特征學(xué)習(xí)完成后，其直接輸出作為下一編碼層的輸入，按照類似式( 3 )的代價(jià)函數(shù)進(jìn)行訓(xùn)練。

網(wǎng)絡(luò)學(xué)習(xí)的第2部分為輸出層的感知學(xué)習(xí)。編碼網(wǎng)絡(luò)僅能夠提取深度的樣本特征，因此，在多層編碼網(wǎng)絡(luò)后串聯(lián)由多個(gè)具有二分類能力的邏輯回歸構(gòu)成的輸出層，進(jìn)行樣本特征的認(rèn)知學(xué)習(xí)。邏輯回歸利用了Sigmoid函數(shù)，是線性回歸的改進(jìn)，增加了魯棒性，多邏輯回歸的輸出層代價(jià)函數(shù)

( 6 )

式中:第一項(xiàng)為誤差項(xiàng);a2為第二個(gè)編碼層的直接特征輸出；第2項(xiàng)為限制權(quán)值過(guò)大的規(guī)則項(xiàng)。

網(wǎng)絡(luò)學(xué)習(xí)的第3部分為整體的調(diào)優(yōu)(Fine Tuning)，經(jīng)過(guò)前面的特征學(xué)習(xí)與感知學(xué)習(xí)的過(guò)程后，為了獲得更高的精度，需要對(duì)整體的網(wǎng)絡(luò)調(diào)優(yōu)，以前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的方式基于BP算法求梯度，對(duì)網(wǎng)絡(luò)整體按照梯度下降的方式進(jìn)行有監(jiān)督的學(xué)習(xí)。學(xué)習(xí)過(guò)程中的網(wǎng)絡(luò)誤差損失函數(shù)為

( 7 )

學(xué)習(xí)樣本可以通過(guò)專家基于試驗(yàn)經(jīng)驗(yàn)手動(dòng)構(gòu)造或者隨機(jī)大量構(gòu)造。在大樣本集的基礎(chǔ)上，利用圖 3具有深度學(xué)習(xí)能力的分類決策網(wǎng)絡(luò)進(jìn)行離線學(xué)習(xí)。在測(cè)試序列的更新過(guò)程中，對(duì)列車進(jìn)行運(yùn)行仿真計(jì)算，實(shí)算牽引過(guò)程，推導(dǎo)制動(dòng)過(guò)程，在每個(gè)決策點(diǎn)形成一個(gè)當(dāng)前的條件狀態(tài)特征向量，輸入到?jīng)Q策網(wǎng)絡(luò)中，在線計(jì)算測(cè)試項(xiàng)可選集。測(cè)試序列的更新過(guò)程利用測(cè)試項(xiàng)可選集按照預(yù)定規(guī)則更新測(cè)試項(xiàng)。

3 基于遺傳算法的測(cè)試序列優(yōu)化過(guò)程

3.1 目標(biāo)函數(shù)

測(cè)試序列優(yōu)化過(guò)程基于二進(jìn)制遺傳算法，對(duì)其中的相關(guān)過(guò)程進(jìn)行了相應(yīng)的修改以適應(yīng)本文的應(yīng)用場(chǎng)景的需求。優(yōu)化過(guò)程與更新過(guò)程相互結(jié)合與相互聯(lián)系，按照綜合需求的目標(biāo)，以迭代的方式生成新的測(cè)試序列集合，最終得到符合需求的期望的測(cè)試序列。按照型式試驗(yàn)，可以決定測(cè)試序列的總數(shù)Ns，同時(shí)決定所有M類測(cè)試項(xiàng)各自的最低冗余度nj(j=1,2,…,M)。對(duì)應(yīng)第k個(gè)測(cè)試序列有g(shù)k個(gè)測(cè)試項(xiàng)，由優(yōu)化過(guò)程決定，該測(cè)試序列期望的測(cè)試項(xiàng)數(shù)Mk。若對(duì)應(yīng)一個(gè)車次有sk個(gè)決策點(diǎn)，對(duì)應(yīng)測(cè)試序列為sk維的向量xk。綜合考慮測(cè)試序列生成過(guò)程中的上述限制以及需要優(yōu)化的運(yùn)行時(shí)間與能量消耗指標(biāo)，具體的優(yōu)化目標(biāo)函數(shù)為

( 8 )

xk,i+1@xk,ii=1,2,…,sk-1

式中:第一項(xiàng)為時(shí)間項(xiàng),Tk為第k個(gè)測(cè)試序列期望執(zhí)行時(shí)間(小于調(diào)度計(jì)劃時(shí)間),T(xk)為第k個(gè)測(cè)試序列的執(zhí)行時(shí)間;第2項(xiàng)為能耗項(xiàng)，Ek為第k個(gè)測(cè)試序列消耗的最大計(jì)算能量，E(xk)為第k個(gè)測(cè)試序列消耗的計(jì)算能量。計(jì)算方法為：(1)列車以最大牽引加速到限速后，進(jìn)行制動(dòng)至速度為0；(2)重復(fù)該“最大牽引-制動(dòng)”過(guò)程至終點(diǎn)處。第3項(xiàng)為懲罰項(xiàng)，1個(gè)測(cè)試序列中測(cè)試不能過(guò)多。符號(hào)A@B表示A的取值受到B的限制。若各序列向量xk確定，式( 8 )值將可以基于列車運(yùn)行仿真執(zhí)行測(cè)試序列來(lái)具體計(jì)算。

式( 8 )中給出的是單個(gè)測(cè)試序列中的期望測(cè)試項(xiàng)數(shù)目，為了使得測(cè)試項(xiàng)的冗余度與覆蓋度在優(yōu)化過(guò)程中趨于滿足，修正測(cè)試序列的更新過(guò)程，符合測(cè)試項(xiàng)可選集的當(dāng)前預(yù)設(shè)測(cè)試項(xiàng)需滿足下式才能進(jìn)行更新設(shè)置

( 9 )

3.2 用于測(cè)試序列優(yōu)化過(guò)程的遺傳算法

從式( 8 )以及本文設(shè)計(jì)的策略可以知道，測(cè)試序列的優(yōu)化生成是一個(gè)非線性、非連續(xù)以及非凸的問(wèn)題，無(wú)法利用經(jīng)典的規(guī)劃與優(yōu)化理論求解。因此，本文通過(guò)改進(jìn)的適用本文應(yīng)用場(chǎng)景的遺傳算法來(lái)優(yōu)化求解式( 8 )。首先將最小化代價(jià)函數(shù)轉(zhuǎn)變?yōu)榍笞畲蟮倪m應(yīng)度值

(10)

遺傳算法(GA)[14]模擬自然進(jìn)化過(guò)程搜索最優(yōu)解，通過(guò)選擇、交叉和變異3個(gè)階段來(lái)不斷產(chǎn)生新的染色體群。二進(jìn)制編碼遺傳算法中，一個(gè)二進(jìn)制位表示一個(gè)基因，多個(gè)連續(xù)的基因?yàn)橐粋€(gè)基因型，其解碼表示即解向量的一個(gè)分量。

在本文應(yīng)用中，1個(gè)母測(cè)試序列(所有需求的子序列)代表1個(gè)染色體，總的決策點(diǎn)數(shù)目為Md，則對(duì)應(yīng)基因型的個(gè)數(shù)也為Md。基因型解碼對(duì)應(yīng)測(cè)試項(xiàng)類型號(hào)，定義為(b0,b1,…,bL0-1)2，其位數(shù)為L(zhǎng)0，則染色體個(gè)體基因位數(shù)為

(11)

Step1群體初始化。每個(gè)染色體個(gè)體表示一個(gè)母測(cè)試序列，群體則表示母測(cè)試序列集合。以二進(jìn)制編碼的形式，隨機(jī)產(chǎn)生Ng個(gè)染色體個(gè)體的群體，長(zhǎng)度L。

Step2個(gè)體解碼。染色體個(gè)體各基因型在按照下式解碼，得到測(cè)試項(xiàng)類型號(hào)表示的母測(cè)試序列

(12)

Step3個(gè)體更新。母測(cè)試序列集合中所有個(gè)體在解碼后進(jìn)行的測(cè)試序列更新過(guò)程，得到新集合。

Step4適應(yīng)度更新。對(duì)解碼后的群體按照式(10)計(jì)算群體中各個(gè)體適應(yīng)度，并且更新群體局部最優(yōu)(當(dāng)前最優(yōu))適應(yīng)度及其對(duì)應(yīng)的個(gè)體，以及更新全局最優(yōu)(歷史最優(yōu))適應(yīng)度及對(duì)應(yīng)的個(gè)體。

Step5選擇操作。首先選擇最高適應(yīng)度對(duì)應(yīng)的染色體保留到下一代，并拋棄最低適應(yīng)度對(duì)應(yīng)的個(gè)體。其次計(jì)算其余個(gè)體適應(yīng)度值Fl(l=1,2,…,Ng-2)占總的適應(yīng)度值的比例

(13)

按照輪盤賭選擇法以概率Pl選擇復(fù)制對(duì)應(yīng)染色體。

Step6交叉操作與變異操作。單點(diǎn)交叉方式，選擇操作得到的群體每?jī)蓚€(gè)個(gè)體分為一組，在某設(shè)定基因點(diǎn)右側(cè)的部分以概率μc相互交換。多點(diǎn)隨機(jī)變異方式，不超過(guò)L/50數(shù)目的基因點(diǎn)按照概率μm變異。經(jīng)過(guò)交叉與變異操作后，得到新的群體，即解碼后得到優(yōu)化再生成的母測(cè)試序列集合。

Step7終止演化。若達(dá)到最大迭代數(shù)目則終止演化過(guò)程，否則重復(fù)步驟Step2～ Step7。

迭代結(jié)束后群體終止演化，得到了整個(gè)算法周期中的全局最優(yōu)適應(yīng)度及其對(duì)應(yīng)的最優(yōu)個(gè)體，按照式(12)進(jìn)行解碼后即為求解得到的期望的母測(cè)試序列。母測(cè)試序列所包含的所有子測(cè)試序列中的測(cè)試項(xiàng)，明確了測(cè)試項(xiàng)類型與執(zhí)行的位置，按照具體的測(cè)試項(xiàng)內(nèi)容轉(zhuǎn)換為可直接應(yīng)用于試驗(yàn)現(xiàn)場(chǎng)的測(cè)試序列。相關(guān)的轉(zhuǎn)換以及試驗(yàn)計(jì)劃的后續(xù)形成不屬于本文研究重點(diǎn)，不再做進(jìn)一步闡述。

4 仿真試驗(yàn)

本文對(duì)前述算法過(guò)程進(jìn)行了仿真試驗(yàn)，數(shù)據(jù)來(lái)自CRH380B型動(dòng)車組與CTCS3-300S型ATP車載設(shè)備接口型式試驗(yàn)。該型式試驗(yàn)的線路為哈大高速鐵路長(zhǎng)約115 km的四平東站至長(zhǎng)春西站區(qū)間。測(cè)試序列共12個(gè)，適用測(cè)試項(xiàng)類型為22種，包括下行正向與上行正向，以反方向進(jìn)站應(yīng)答器組FJZ(或進(jìn)站JZ)到進(jìn)站應(yīng)答器組JZ(或反進(jìn)站FJZ)區(qū)間的應(yīng)答器組為決策點(diǎn)。動(dòng)車組的仿真運(yùn)行以CRH3型動(dòng)車組的牽引特性數(shù)據(jù)進(jìn)行。

測(cè)試項(xiàng)狀態(tài)向量18維，兩個(gè)編碼層維度均為20，輸出層維度為25，適用試驗(yàn)大綱中所有25類基本測(cè)試項(xiàng)。在人工構(gòu)造與隨機(jī)生成的4 000個(gè)狀態(tài)樣本及對(duì)應(yīng)類別樣本基礎(chǔ)上，對(duì)決策網(wǎng)絡(luò)進(jìn)行離線學(xué)習(xí)。圖 4為第1個(gè)編碼層的重構(gòu)誤差，可知第2個(gè)編碼層重構(gòu)誤差也較小。圖 5為輸出層感知學(xué)習(xí)的誤差收斂情況，對(duì)比圖 6的整體調(diào)優(yōu)過(guò)程可以知道網(wǎng)絡(luò)性能得到了提升。網(wǎng)絡(luò)在線測(cè)試項(xiàng)決策實(shí)驗(yàn)利用了總共包含了3 520個(gè)測(cè)試項(xiàng)的1 000例測(cè)試樣本。跟進(jìn)試驗(yàn)結(jié)果，正確識(shí)別測(cè)試項(xiàng)數(shù)目為3 419，識(shí)別率97.13 %。誤報(bào)識(shí)別數(shù)目217，誤報(bào)率為6.16 %。因此，網(wǎng)絡(luò)決策精度較高，結(jié)果出錯(cuò)概率小，性能滿足要求。此外，測(cè)試項(xiàng)更新過(guò)程是從測(cè)試項(xiàng)集合中按預(yù)定規(guī)則選擇1個(gè)測(cè)試項(xiàng)，具有隨機(jī)特性，可以使得錯(cuò)誤項(xiàng)影響更低。

直接對(duì)本文設(shè)計(jì)的測(cè)試序列的優(yōu)化生成策略進(jìn)行仿真驗(yàn)證。對(duì)于式( 8 )，根據(jù)試驗(yàn)數(shù)據(jù)，可知需求序列數(shù)目Ns為12，按JZ(FJZ)之間的應(yīng)答器組為DP點(diǎn)，單個(gè)序列決策點(diǎn)數(shù)目sk為117或119。需求冗余度為1～3，覆蓋22類測(cè)試項(xiàng)。序列的設(shè)置每個(gè)子測(cè)試序列的期望執(zhí)行時(shí)間為40 min，各子測(cè)試序列期望的測(cè)試項(xiàng)數(shù)目為8。按照前文最大執(zhí)行能耗計(jì)算過(guò)程進(jìn)行計(jì)算，最大計(jì)算執(zhí)行耗能設(shè)置為1.2×107kJ。權(quán)系數(shù)w1、w2與w3分別設(shè)置為0.5、0.3與0.2；項(xiàng)內(nèi)權(quán)系數(shù)w1,k、w2,k與w3,k均設(shè)置為0.101 9(k≠10,11,12)或0.027 8(k=10,11,12)。適應(yīng)度函數(shù)中Fmax取1，染色體長(zhǎng)度經(jīng)計(jì)算為7 080，交叉概率0.9，個(gè)體變異基因數(shù)目48，概率0.05。優(yōu)化過(guò)程最大迭代數(shù)為400，適應(yīng)度、序列執(zhí)行的時(shí)間花費(fèi)以及能量消耗的信息追蹤結(jié)果分別見圖7～圖9。

圖7表明算法在進(jìn)行了約200次左右的迭代便收斂了，得到的全局最佳適應(yīng)度對(duì)應(yīng)的母測(cè)試序列，即為優(yōu)化生成的期望的所有子測(cè)試序列。圖 8顯示了子測(cè)試序列的時(shí)間花費(fèi)，包括子序列01與所有子測(cè)試序列的平均值。算法收斂時(shí)平均時(shí)間花費(fèi)為39.4 min，接近期望值。子序列01在母測(cè)試序列中最靠前，在序列更新的過(guò)程中較大概率設(shè)置更多測(cè)試項(xiàng)，因此執(zhí)行時(shí)間花費(fèi)更高。圖 9顯示算法收斂時(shí)得到的子測(cè)試序列平均能耗約為8.79×106kJ，即總能耗約為1.05×108kJ。統(tǒng)計(jì)最終優(yōu)化生成的測(cè)試序列的測(cè)試項(xiàng)數(shù)目情況，見表1，實(shí)際得到的子測(cè)試序列為10個(gè)。

表1 優(yōu)化生成的測(cè)試序列測(cè)試項(xiàng)數(shù)目統(tǒng)計(jì)

與實(shí)際現(xiàn)場(chǎng)序列的時(shí)間花費(fèi)與能耗的理論計(jì)算結(jié)果對(duì)比，見表2，結(jié)果根據(jù)生成的子測(cè)試序列數(shù)目進(jìn)行了修正。可見相比于原人工編寫的測(cè)試序列，序列總耗能降低了，執(zhí)行序列平均耗時(shí)接近預(yù)期的40 min。此外，在滿足式( 9 )冗余度規(guī)則下，在有限的測(cè)試序列中測(cè)試項(xiàng)數(shù)目更多。進(jìn)一步統(tǒng)計(jì)可知，測(cè)試序列中測(cè)試項(xiàng)整體滿足了覆蓋度要求，各類型測(cè)試項(xiàng)滿足其冗余度要求。

表2 實(shí)際測(cè)試序列與優(yōu)化生成的測(cè)試序列對(duì)比

為了說(shuō)明優(yōu)化生成的測(cè)試序列可以被有效執(zhí)行，以01號(hào)子測(cè)試序列(下行正向)為例進(jìn)行仿真執(zhí)行與分析說(shuō)明。該子測(cè)試序列為[/*6(0)*/ 6 /*23(0)*/ 3 /*33(0)/ 14 /*10(0)/ 24 /*6(0)*/ 9 /*1(0)*/ 10 /*12(0)*/ 3 /*6(0)*/ 11 /*6(0)*/ 12 /*6(0)*/]，序列中/*6(0)*/表示為6個(gè)“0”，連續(xù)6個(gè)決策點(diǎn)無(wú)測(cè)試項(xiàng)?？梢钥闯鲈撔蛄泄舶?個(gè)測(cè)試項(xiàng)，仿真執(zhí)行該測(cè)試序列，結(jié)果見圖10。

可見該測(cè)試序列中由于不同的位置的不同類型測(cè)試項(xiàng)設(shè)置合理，相互間不會(huì)產(chǎn)生影響，都可以按照其預(yù)期仿真曲線仿真執(zhí)行，滿足其有效性原則。線路區(qū)間在下行正向的線路靜態(tài)速度全線為310 km/h，無(wú)其他臨時(shí)限速，從圖中可以看到各測(cè)試項(xiàng)的執(zhí)行均滿足ATP限速要求；除去測(cè)試序列的仿真起止點(diǎn)外，該子測(cè)試序列共有6個(gè)停車點(diǎn)，包括K951+738、K956+342、K962+211、K964+174、K987+984以及K994+674，線路區(qū)間的分相區(qū)信息見表3，對(duì)比仿真制動(dòng)停車點(diǎn)與分相區(qū)信息，可以知道各停車點(diǎn)距分相區(qū)均滿足安全距離，無(wú)掉進(jìn)分相區(qū)的危險(xiǎn)，因此各測(cè)試項(xiàng)滿足其安全性原則。其他子序列也可以進(jìn)一步地推導(dǎo)出相同結(jié)果。數(shù)字向量的測(cè)試序列轉(zhuǎn)換為實(shí)際文本測(cè)試序列不屬于本文研究重點(diǎn)，不作進(jìn)一步說(shuō)明。

表3 下行區(qū)間分相區(qū)(公里標(biāo))

5 結(jié)束語(yǔ)

作為高速動(dòng)車組的重要型式試驗(yàn)之一，第三方評(píng)估認(rèn)證的ATP車載設(shè)備接口型式試驗(yàn)是我國(guó)高速鐵路技術(shù)體系的一部分。本文研究了專家人工編寫接口型式試驗(yàn)測(cè)試序列過(guò)程中的測(cè)試序列生成與優(yōu)化，為了解決其中的測(cè)試項(xiàng)的有效性、執(zhí)行的安全性、整體的需求覆蓋等問(wèn)題，量化地衡量測(cè)試序列的優(yōu)化程度，提高測(cè)試序列編寫效率與接口型式試驗(yàn)的執(zhí)行效率，本文基于深度學(xué)習(xí)算法與遺傳算法設(shè)計(jì)了測(cè)試序列的優(yōu)化生成策略，包括測(cè)試序列更新過(guò)程與測(cè)試序列優(yōu)化過(guò)程。文章結(jié)合哈大高速鐵路CTCS3-300S型車載ATP設(shè)備與CRH380B型動(dòng)車組某次接口型式試驗(yàn)數(shù)據(jù)進(jìn)行了仿真對(duì)比，說(shuō)明了本文設(shè)計(jì)的策略的有效性。本文方法可為列控系統(tǒng)其他功能試驗(yàn)的測(cè)試序列生成提供參考。

參考文獻(xiàn)：

[1] 程劍鋒，鄭升，趙顯瓊. ATP車載設(shè)備型式管理體系及方法研究[J].中國(guó)鐵路, 2013(10):43-46.

CHENG Jianfeng, ZHENG Sheng, ZHAO Xianqiong. Research on Type Management System and Means of ATP Onboard Equipment[J]. Chinese Railways, 2013(10):43-46.

[2] 張勇，王超琦.CTCS-3級(jí)列控系統(tǒng)車載設(shè)備測(cè)試序列優(yōu)化生成方法[J].中國(guó)鐵道科學(xué)，2011，32(3)：100-106.

ZHANG Yong, WANG Chaoqi. The Method for the Optimal Generation of Test Sequence for CTCS-3 On-board Equipment[J]. China Railway Science, 2011, 32(3):100-106.

[3] 梁茨，鄭偉，李開成，等.基于路徑優(yōu)化算法的測(cè)試序列自動(dòng)生成及驗(yàn)證[J].鐵道學(xué)報(bào)，2013，35(6):53-58.

LIANG Ci, ZHENG Wei, LI Kaicheng, et al. Automated Generation of Test Cases and Sequences Based on Path Optimization Algorithm[J]. Journal of the China Railway Society, 2013,35(6):53-58.

[4] ZHANG Y, WANG S, ZHANG X K, et al. A Computer-aided Tool for Generating Test Sequence for CTCS-3 Train Control System[J]. Advances in Information Sciences & Service Sciences, 2012, 11(4):311-317.

[5] 甘慶鵬. ATP車載設(shè)備與動(dòng)車組接口型式試驗(yàn)測(cè)試序列的優(yōu)化生成研究[D].北京：北京交通大學(xué)，2017.

[6] HINTON G E, OSINDERO S, TEH Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation, 2006, 18(7):1527-1554.

[7] SCHMIDHUBER J. Deep Learning in Neural Networks: An Overview[J]. Neural Networks, 2014, 61:85-117.

[8] KAMYSHANSKA H, MEMISEVIC R. The Potential Energy of an Autoencoder[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2015, 37(6):1261-1273.

[9] OTHMAN E, BAZI Y, ALAJLAN N, et al. Using Convolutional Features and A Sparse Autoencoder for Land-use Scene Classification[J]. International Journal of Remote Sensing, 2016, 37(10):1977-1995.

[10] DREISEITL S, OHNO M L. Logistic Regression and Artificial Neural Network Classification Models: a Methodology Review[J]. Journal of Biomedical Informatics, 2002, 35(5/6):352-359.

[11] SCH?LKOPF B, PLATT J， HOFMANN T. Greedy Layer-wise Training of Deep Networks[C] //Proceedings of the Confenrence on Advances in Neural Information Processing Systems (NIPS2006). New York: MIT Press,2007:153-160.

[12] HECTNIELSEN B R. Theory of the Backpropagation Neural Network[J]. Neural Networks, 2010, 1(1):65-93.

[13] CHANG H. An Overview of Genetic Algorithm[J]. Computer Study, 2010, 55(6):1171-1177.

[14] WONG K K, HO T K. Dynamic Coast Control of Train Movement with Genetic Algorithm[J]. International Journal of Systems Science, 2004, 35(13):835-846.