專利名稱：一種基于遺傳算法的發(fā)動機(jī)自動標(biāo)定參數(shù)優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明涉及發(fā)動機(jī)ECU控制參數(shù)自動標(biāo)定優(yōu)化的技術(shù)，尤其是一種基于遺傳算法的發(fā)動機(jī)自動標(biāo)定參數(shù)優(yōu)化方法。
背景技術(shù)：
ECU控制參數(shù)標(biāo)定根據(jù)整車的各種性能要求(如動力性、經(jīng)濟(jì)性和排放等)，調(diào)整、優(yōu)化和確定電控系統(tǒng)的運(yùn)行參數(shù)(如轉(zhuǎn)速、空氣流量、節(jié)氣門位置、冷卻水溫等)和控制參數(shù)(如噴油脈寬、點(diǎn)火提前角度、EGR閥開度等)的過程。標(biāo)定試驗(yàn)中優(yōu)化的主要對象是基本控制輸出量MAP。MAP是控制輸出量(噴油脈寬、點(diǎn)火提前角等)計(jì)算的依據(jù)，它存儲了不同發(fā)動機(jī)負(fù)荷、轉(zhuǎn)速下的基本輸出量大小，ECU根據(jù)發(fā)動機(jī)運(yùn)行工況，利用插值法查詢 MAP圖，經(jīng)過參數(shù)修正后輸出控制信號。MAP中由負(fù)荷、轉(zhuǎn)速等工況特征組成的節(jié)點(diǎn)網(wǎng)絡(luò)能否全面反映發(fā)動機(jī)的各個(gè)工況，以及節(jié)點(diǎn)上控制數(shù)據(jù)的準(zhǔn)確性都直接影響發(fā)動機(jī)的性能。ECU的標(biāo)定是一個(gè)非常繁瑣的工作。工程師需要對發(fā)動機(jī)的各個(gè)工況點(diǎn)進(jìn)行參數(shù)的優(yōu)化。假設(shè)一個(gè)具有50個(gè)工況點(diǎn)的控制參數(shù)，工程師對于每個(gè)工況點(diǎn)需要進(jìn)行多次的反復(fù)優(yōu)化才能最終確定其最優(yōu)值，同時(shí)每一次的優(yōu)化都需要大量的時(shí)間。這使得工程師需要花費(fèi)大量的時(shí)間，進(jìn)行大量的重復(fù)操作后，才能完成對發(fā)動機(jī)中一個(gè)MAP圖的標(biāo)定。而發(fā)動機(jī)中往往含有很多大小不同的MAP圖，這就使得整個(gè)標(biāo)定工作的周期變得很長，同時(shí)會導(dǎo)致工作強(qiáng)度大，成本投入高。這些因素都限制了 E⑶標(biāo)定的發(fā)展。一種典型的E⑶控制參數(shù)的方法如下1.由標(biāo)定工程師確定需要標(biāo)定的參數(shù)或MAP圖。這些需要標(biāo)定的參數(shù)可以根據(jù)其所需優(yōu)化的對象進(jìn)行確定，由于ECU控制策略的因素，工程師可能需要選取多個(gè)控制參數(shù)以達(dá)到對象優(yōu)化的目的，此時(shí)標(biāo)定工程師需要了解各個(gè)控制參數(shù)與被優(yōu)化對象之間的定性關(guān)系，例如當(dāng)優(yōu)化對象是發(fā)動機(jī)排放時(shí)，則選取的標(biāo)定對象應(yīng)為其影響因子點(diǎn)火提前角， 噴油脈寬等，同時(shí)工程師需要了解在不同的工況下，點(diǎn)火提前角與噴油脈寬對排放的影響。2.標(biāo)定工程師根據(jù)步驟1中所選擇的標(biāo)定參數(shù)，MAP圖以及優(yōu)化對象，進(jìn)行工況點(diǎn)的確定。在合理的選取好工況點(diǎn)后，通過不斷調(diào)整參數(shù)的數(shù)值，使優(yōu)化對象達(dá)到優(yōu)化目標(biāo)后，記錄下當(dāng)前參數(shù)值，寫入到對應(yīng)的工況點(diǎn)MAP中。不斷重復(fù)此操作，對所有工況點(diǎn)都進(jìn)行優(yōu)化。3.標(biāo)定工程師根據(jù)步驟2中得到的MAP圖，進(jìn)行曲線擬合。若無法擬合成相應(yīng)曲線，則利用插值法進(jìn)行點(diǎn)的補(bǔ)全，以實(shí)現(xiàn)參數(shù)的連續(xù)變化。在上述的方法中，標(biāo)定工程師需要進(jìn)行大量的測量工作以及不斷的標(biāo)定操作，才能得到最后的最優(yōu)參數(shù)。這些工作將花費(fèi)大量的時(shí)間和投入大量的成本。另外，工況點(diǎn)的確定由具體的標(biāo)定需求所決定。工況點(diǎn)選取的越多，則MAP圖的顆粒度越高，控制的精確度越高，整個(gè)控制過程則更接近理想狀態(tài)，但是工況點(diǎn)越多，則標(biāo)定過程所需的操作越多，標(biāo)定的周期，成本，繁瑣度越高。反之，減少工況點(diǎn)，則能夠減少標(biāo)定的周期，成本與繁瑣度，但是這會導(dǎo)致MAP圖顆粒度降低，控制的精確度降低，整個(gè)控制過程與理想狀態(tài)偏離的越遠(yuǎn)，甚至出現(xiàn)錯(cuò)誤的控制參數(shù)。這就產(chǎn)生了一個(gè)矛盾，既要保證MAP圖的顆粒度高，控制精度高，同時(shí)還要讓標(biāo)定過程的周期短，成本低，繁瑣度低，這個(gè)時(shí)候，這種傳統(tǒng)的方法就會產(chǎn)生很大的局限性。現(xiàn)階段解決以上問題的最主要的方法是依靠不斷的積累以及工程師標(biāo)定的經(jīng)驗(yàn)。 通過積累，工程師可以約束最優(yōu)參數(shù)出現(xiàn)的范圍，從而降低標(biāo)定的次數(shù)，以此來提高標(biāo)定的效率，但是這種方法具有很大的約束性1.積累需要過程，這導(dǎo)致這個(gè)方法不易普及，同時(shí)起步難。2.針對性強(qiáng)。當(dāng)目標(biāo)發(fā)動機(jī)發(fā)生改變的時(shí)候，積累的經(jīng)驗(yàn)可能會將去其相應(yīng)的作用。3.缺乏客觀性。由于整個(gè)標(biāo)定過程都基于標(biāo)定工程師對優(yōu)化目標(biāo)的主觀觀察以及基于經(jīng)驗(yàn)的參數(shù)尋優(yōu)，這必然會導(dǎo)致參數(shù)的優(yōu)化帶有標(biāo)定工程師的主觀因素，從而使得標(biāo)定的結(jié)果缺乏一定的客觀性。本發(fā)明的自動標(biāo)定參數(shù)優(yōu)化方法建立在遺傳算法的基礎(chǔ)上，遺傳算法是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過程的計(jì)算模型，是一種建立在隨機(jī)方法之上的優(yōu)化算法，它利用隨機(jī)算法生成一定數(shù)量的原始解，通過每一個(gè)生物代得迭代操作，將這些原始解進(jìn)行交叉，繁殖和變異操作，然后淘汰掉質(zhì)量差的個(gè)體，使得最后的解慢慢接近于最優(yōu)的解。在使用遺傳算法的過程中，最重要的就是對每一階段產(chǎn)生的數(shù)據(jù)進(jìn)行評估，該部分的評估通常通過定義一個(gè)評估函數(shù)實(shí)現(xiàn)。對于前面描述的標(biāo)定過程，其評估函數(shù)是十分明顯的，即標(biāo)定所需達(dá)到的優(yōu)化目標(biāo)。對于一個(gè)目標(biāo)函數(shù)來說，在其邊界條件內(nèi)調(diào)節(jié)其影響因子的值使其與目標(biāo)函數(shù)最優(yōu)化，則其適應(yīng)度(也就是控制參數(shù)的優(yōu)化程度)就越高。

發(fā)明內(nèi)容
本發(fā)明的目的正是要解決上述技術(shù)存在的不足，而提供一種基于遺傳算法的發(fā)動機(jī)自動標(biāo)定參數(shù)優(yōu)化方法，是一種能夠顯著的提高標(biāo)定效率、提高標(biāo)定準(zhǔn)確性的優(yōu)化技術(shù)。本發(fā)明的目的是獲得一個(gè)高效率，高精度，適應(yīng)性強(qiáng)的自動標(biāo)定方法該方法通過給定邊界條件，評估函數(shù)以及優(yōu)化目標(biāo)，自動進(jìn)行參數(shù)優(yōu)化，從而得到當(dāng)前條件下的最優(yōu)控制參數(shù)。該方法不依賴于任何主觀因子，具有高度的客觀性，工程師只需要給出標(biāo)定對象的邊界條件以及最后的優(yōu)化目標(biāo)，就可以通過該方法自動的進(jìn)行所選參數(shù)的優(yōu)化匹配。同時(shí)， 由于遺傳算法的本質(zhì)并發(fā)性，使得本方法具有很高的效率，能夠在較短的時(shí)間內(nèi)進(jìn)行多次迭代，從而快速得到最優(yōu)解。并且由于遺傳算法的范圍覆蓋性，以范圍內(nèi)的多個(gè)點(diǎn)進(jìn)行同時(shí)迭代，因此具有高度的覆蓋性，能夠覆蓋整個(gè)約束范圍，從而提高優(yōu)化的準(zhǔn)確性。本發(fā)明解決其技術(shù)問題采用的技術(shù)方案本發(fā)明所述的這種基于遺傳算法的發(fā)動機(jī)自動標(biāo)定參數(shù)優(yōu)化方法，在原有的標(biāo)定技術(shù)的基礎(chǔ)上，引入遺傳算法，在進(jìn)行發(fā)動機(jī)控制參數(shù)的優(yōu)化時(shí)，利用遺傳算法為每一個(gè)參數(shù)建立其所對應(yīng)的原始種群，適應(yīng)度評判公式，交叉率，變異率以及終止條件，進(jìn)行遺傳算法優(yōu)化操作，最終得到最優(yōu)基因作為MAP圖中的控制參數(shù)，其具體步驟為1)確定標(biāo)定任務(wù)的優(yōu)化對象(Optimizing Target，以下簡稱0T)。根據(jù)0T，確定需要標(biāo)定的MAP圖及參數(shù)，這個(gè)MAP圖中包含有1-2個(gè)的參考參數(shù)，用于工況點(diǎn)的確定，同
4時(shí)包含有至少1個(gè)的控制參數(shù)，用以標(biāo)定優(yōu)化；然后對MAP圖中每一個(gè)單元任務(wù)Cell Task 進(jìn)行遺傳算法優(yōu)化；2)根據(jù)OT所需達(dá)到的控制精度，我們?yōu)镸AP圖指定其顆粒度，設(shè)計(jì)工況點(diǎn)的分布。 工況點(diǎn)一般以均勻分布為主，若有特殊需求，則根據(jù)需求進(jìn)行局部修正。最終將整個(gè)MAP圖劃分成以工況點(diǎn)為標(biāo)準(zhǔn)的多個(gè)小任務(wù)(Cell Task)，每個(gè)Cell Task需要進(jìn)行一次參數(shù)優(yōu)化，使整個(gè)MAP圖向最優(yōu)狀態(tài)進(jìn)化。3)為每一個(gè)Cell Task指定優(yōu)化算法的初始化因子，為GA = (M，F(xiàn)，c, m, p。，pm)， 其中M為群體大小，F(xiàn)為個(gè)體適應(yīng)度評價(jià)函數(shù)，c為交叉操作算子，m為變異操作算子，Pc為交叉概率，Pffl為變異概率；4)根據(jù)具體要求精度，為優(yōu)化對象進(jìn)行編碼，編碼公式的確定為將優(yōu)化目標(biāo)的取值范圍，定為[a” bj，給定其精度要求，為δ，計(jì)算其二進(jìn)制編碼的長度
Λ 21-1+ 1 <2^(λ為整數(shù))。然后，利用隨機(jī)的方法，從 到h中產(chǎn)生初始種群S1,
O
種群的大小根據(jù)需求定為M ；5)進(jìn)入遺傳算法的遺傳優(yōu)化，其中依次進(jìn)行選擇，交叉，變異三種遺傳方式，并不斷循環(huán)這個(gè)過程直到達(dá)到終止條件(終止條件可以為得到最優(yōu)值或?yàn)檫_(dá)到終止遺傳代數(shù))，最后得到最優(yōu)的值為該Cell Task的最優(yōu)參數(shù)。6)對其他的Cell Task重復(fù)上述的操作，最終完成整個(gè)MAP圖的參數(shù)優(yōu)化。作為優(yōu)選的步驟如下1)以O(shè)T (Optimizing Target)的反饋值作為種群的適應(yīng)度，通過解碼公式 α, +[.Α l—1)·!^將選取的種群中的每個(gè)個(gè)體進(jìn)行解碼，得到Si，并計(jì)算其所對應(yīng)的適應(yīng)度f (Si)；2)當(dāng)確定了所有的適應(yīng)度后，對種群進(jìn)行選擇遺傳。首先計(jì)算每個(gè)個(gè)體的的選擇
/⑷
概率，其公式為A YjJiys ) ’在得到全部的選擇概率后，通過使
；=1用賭輪選擇法進(jìn)行選擇。該優(yōu)化方法進(jìn)行如下模擬a)在W，1]區(qū)間內(nèi)產(chǎn)生一個(gè)均勻分布的隨機(jī)數(shù)r。b)若r彡Ql，則個(gè)體S1被選中。c)若Qh <r^qk(2^k^M),則個(gè)體Sk被選中。其中的稱為個(gè)體Si (i = 1，
i
2，…，M)的積累概率，其計(jì)算公式為尸(\)。
；=1當(dāng)計(jì)算得出每個(gè)個(gè)體的選中次數(shù)后，即可用新的個(gè)體代替原始個(gè)體組成新一代的群體(即子群體)S2，并將代數(shù)計(jì)數(shù)器t設(shè)置為t+1。3)繼續(xù)對新一代的種群進(jìn)行交叉遺傳。設(shè)定種群的交叉率(crossover rate)為 P。及交叉點(diǎn)X，計(jì)算種群中的交叉?zhèn)€體數(shù)為IM ·Pcι，并從種群中隨機(jī)抽取相應(yīng)個(gè)數(shù)的個(gè)體， 配對進(jìn)行交叉操作(若交叉?zhèn)€數(shù)為奇數(shù)，則最后一個(gè)個(gè)體自身交叉)，即互換兩個(gè)個(gè)體ι到 X位上的基因(二進(jìn)制數(shù))，并用產(chǎn)生的新個(gè)體代替原個(gè)體，產(chǎn)生種群S3 ；
5
4)繼續(xù)對新一代的種群進(jìn)行變異遺傳。設(shè)定種群的變異率(Mutation rate)為 Pm及變異基因座y，從種群&中隨機(jī)確定|Μ·Ρω|個(gè)個(gè)體，進(jìn)行變異遺傳，即改變個(gè)體對應(yīng)的變異基因座上的基因，并用產(chǎn)生的新個(gè)體代替原個(gè)體，產(chǎn)生種群、；5)重復(fù)上面的遺傳操作，直到達(dá)到遺傳終止條件(最優(yōu)解出現(xiàn)或達(dá)到了設(shè)定的最大種群代)，此時(shí)取最優(yōu)解或適應(yīng)度最大的個(gè)體作為所求結(jié)果，算法結(jié)束。作為優(yōu)選，通過使用遺傳算法GA，為發(fā)動機(jī)控制參數(shù)的MAP圖中的每個(gè)單元任務(wù) (CellTask)進(jìn)行指定初始化因子(M，F(xiàn)，c，m，p。，pm)，然后進(jìn)行遺傳操作(選擇，交叉，變異)， 對種群進(jìn)行不斷繁殖優(yōu)化，最后得到最優(yōu)解寫入Cell Task中，作為最終控制參數(shù)。本發(fā)明與現(xiàn)有的方法相比，具有以下優(yōu)點(diǎn)1.具有高度的自動化。標(biāo)定工程師不需要一直進(jìn)行標(biāo)定工作，而只需要給出其參數(shù)范圍以及優(yōu)化對象的邊界條件，即可完成對整個(gè)MAP圖的優(yōu)化。2.該方法具有高度的客觀性與正確性。優(yōu)化方法通過遺傳算法，對整個(gè)覆蓋范圍上的參數(shù)進(jìn)行遺傳迭代，這使得最后產(chǎn)生的最優(yōu)解適用于整個(gè)范圍。3.通用性。 由于整個(gè)優(yōu)化方法是基于遺傳算法，其沒有使用到任何的針對性特殊值，這使得整個(gè)優(yōu)化方法能夠被各種優(yōu)化對象所復(fù)用，增加本發(fā)明的覆蓋性。4.安全性。整個(gè)優(yōu)化方法建立在成熟的算法之上，使用較為安全。


圖1遺傳算法流程示意2傳統(tǒng)算法與遺傳算法的區(qū)別示意圖；圖3 —般標(biāo)定流程示意圖；圖4本發(fā)明提供的優(yōu)化算法在整個(gè)標(biāo)定流程中所處的位置示意圖；
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步說明實(shí)施例1.以發(fā)動機(jī)點(diǎn)火提前角的標(biāo)定為例，進(jìn)行具體實(shí)施方法的說明根據(jù)標(biāo)定方案設(shè)計(jì)，本例子采用最簡單的四缸發(fā)動機(jī)Tesis模型進(jìn)行最后的仿真模擬。在該模型中，點(diǎn)火提前角的參考參數(shù)為發(fā)動機(jī)轉(zhuǎn)速與負(fù)載扭矩，因此將發(fā)動機(jī)轉(zhuǎn)速與負(fù)載扭矩作為影響因子， 進(jìn)行點(diǎn)火提前角的MAP圖制定。根據(jù)標(biāo)定需求，本例選定10*8的MAP圖進(jìn)行描述，其顆粒度為80。其MAP圖如表1所示
權(quán)利要求
1.一種基于遺傳算法的發(fā)動機(jī)自動標(biāo)定參數(shù)優(yōu)化方法，其特征在于在原有的標(biāo)定技術(shù)的基礎(chǔ)上，引入遺傳算法，在進(jìn)行發(fā)動機(jī)控制參數(shù)的優(yōu)化時(shí)，利用遺傳算法為每一個(gè)參數(shù)建立其所對應(yīng)的原始種群，適應(yīng)度評判公式，交叉率，變異率以及終止條件，進(jìn)行遺傳算法優(yōu)化操作，最終得到最優(yōu)基因作為MAP圖中的控制參數(shù)，其具體步驟為確定標(biāo)定任務(wù)的優(yōu)化對象，簡稱OT ；根據(jù)0T，確定需要標(biāo)定的MAP圖及參數(shù)，這個(gè)MAP 圖中包含有1-2個(gè)的參考參數(shù)，用于工況點(diǎn)的確定，同時(shí)包含有至少1個(gè)的控制參數(shù)，用以標(biāo)定優(yōu)化；然后對MAP圖中每一個(gè)單元任務(wù)Cell Task進(jìn)行遺傳算法優(yōu)化；根據(jù)OT所需達(dá)到的控制精度，為MAP圖指定其顆粒度，設(shè)計(jì)工況點(diǎn)的分布，工況點(diǎn)以均勻分布為主，最終將整個(gè)MAP圖劃分成以工況點(diǎn)為標(biāo)準(zhǔn)的多個(gè)小任務(wù)Cell Task，每個(gè)Cell Task需要進(jìn)行一次參數(shù)優(yōu)化，使整個(gè)MAP圖向最優(yōu)狀態(tài)進(jìn)化；為每一個(gè)Cell Task指定優(yōu)化算法的初始化因子，為，其中M為群體大小，F(xiàn)為個(gè)體適應(yīng)度評價(jià)函數(shù)，c為交叉操作算子，m為變異操作算子，為交叉概率，為變異概率；根據(jù)具體要求精度，為優(yōu)化對象進(jìn)行編碼，編碼公式的確定為將優(yōu)化目標(biāo)的取值范圍， 定為，給定其精度要求，為，計(jì)算其二進(jìn)制編碼的長度，為整數(shù)；然后，利用隨機(jī)的方法， 從到中產(chǎn)生初始種群，種群的大小根據(jù)需求定為M ；進(jìn)入遺傳算法的遺傳優(yōu)化，其中依次進(jìn)行選擇，交叉，變異三種遺傳方式，并不斷循環(huán)這個(gè)過程直到達(dá)到終止條件，終止條件為得到最優(yōu)值或?yàn)檫_(dá)到終止遺傳代數(shù)，最后得到最優(yōu)的值為該Cell Task的最優(yōu)參數(shù)。
2.根據(jù)權(quán)利要求1所述基于遺傳算法的發(fā)動機(jī)自動標(biāo)定參數(shù)優(yōu)化方法，其特征為以O(shè)T的反饋值作為種群的適應(yīng)度，通過解碼公式將選取的種群中的每個(gè)個(gè)體進(jìn)行解碼，得到，并計(jì)算其所對應(yīng)的適應(yīng)度；計(jì)算每個(gè)個(gè)體的的選擇概率，其公式為，在得到全部的選擇概率后，通過使用賭輪選擇法進(jìn)行選擇，當(dāng)計(jì)算得出每個(gè)個(gè)體的選中次數(shù)后，即可用新的個(gè)體代替原始個(gè)體組成新一代的群體，即子群體，并將代數(shù)計(jì)數(shù)器設(shè)置為；繼續(xù)對新一代的種群進(jìn)行交叉遺傳，設(shè)定種群的交叉率為及交叉點(diǎn)，計(jì)算種群中的交叉?zhèn)€體數(shù)為，并從種群中隨機(jī)抽取相應(yīng)個(gè)數(shù)的個(gè)體，配對進(jìn)行交叉操作，若交叉?zhèn)€數(shù)為奇數(shù)，則最后一個(gè)個(gè)體自身交叉，即互換兩個(gè)個(gè)體1到位上的基因，并用產(chǎn)生的新個(gè)體代替原個(gè)體，產(chǎn)生種群；繼續(xù)對新一代的種群進(jìn)行變異遺傳，設(shè)定種群的變異率為及變異基因座，從種群中隨機(jī)確定個(gè)個(gè)體，進(jìn)行變異遺傳，即改變個(gè)體對應(yīng)的變異基因座上的基因，并用產(chǎn)生的新個(gè)體代替原個(gè)體，產(chǎn)生種群；重復(fù)上面的遺傳操作，直到達(dá)到遺傳終止條件，即最優(yōu)解出現(xiàn)或達(dá)到了設(shè)定的最大種群代，此時(shí)取最優(yōu)解或適應(yīng)度最大的個(gè)體作為所求結(jié)果，算法結(jié)束。
3.根據(jù)權(quán)利要求1所述基于遺傳算法的發(fā)動機(jī)自動標(biāo)定參數(shù)優(yōu)化方法，其特征為通過使用遺傳算法GA，為發(fā)動機(jī)控制參數(shù)的MAP圖中的每個(gè)單元任務(wù)進(jìn)行指定初始化因子， 然后進(jìn)行依次進(jìn)行選擇，交叉，變異三種遺傳方式，對種群進(jìn)行不斷繁殖優(yōu)化，最后得到最優(yōu)解寫入Cell Task中，作為最終控制參數(shù)。
全文摘要
本發(fā)明涉及一種基于遺傳算法的發(fā)動機(jī)自動標(biāo)定參數(shù)優(yōu)化方法，在原有的標(biāo)定技術(shù)的基礎(chǔ)上，引入遺傳算法，在進(jìn)行發(fā)動機(jī)控制參數(shù)的優(yōu)化時(shí)，利用遺傳算法為每一個(gè)參數(shù)建立其所對應(yīng)的原始種群，適應(yīng)度評判公式，交叉率，變異率以及終止條件，進(jìn)行遺傳算法優(yōu)化操作，最終得到最優(yōu)基因作為MAP圖中的控制參數(shù)。本發(fā)明有益的效果該方法不依賴于任何主觀因子，具有高度的客觀性，工程師只需要給出標(biāo)定對象的邊界條件以及最后的優(yōu)化目標(biāo)，就可以通過該方法自動的進(jìn)行所選參數(shù)的優(yōu)化匹配。同時(shí)本方法具有很高的效率，能夠在較短的時(shí)間內(nèi)進(jìn)行多次迭代，從而快速得到最優(yōu)解。并且具有高度的覆蓋性，能夠覆蓋整個(gè)約束范圍，從而提高優(yōu)化的準(zhǔn)確性。
文檔編號F02D43/00GK102337979SQ20111023011
公開日2012年2月1日 申請日期2011年8月11日 優(yōu)先權(quán)日2011年8月11日
發(fā)明者呂品, 唐凱, 李紅, 楊國青, 錢嘯君 申請人:浙江大學(xué)