一種發(fā)動(dòng)機(jī)多目標(biāo)優(yōu)化算法
【專利摘要】本發(fā)明公開(kāi)了一種發(fā)動(dòng)機(jī)多目標(biāo)優(yōu)化算法，在兩用燃料發(fā)動(dòng)機(jī)ECU硬件在環(huán)仿真模型和排放試驗(yàn)基礎(chǔ)上，基于遺傳算法GA和蟻群算法ACA的特性而提出用于發(fā)動(dòng)機(jī)的多目標(biāo)優(yōu)化算法，用于解決點(diǎn)火提前角連續(xù)空間多目標(biāo)優(yōu)化問(wèn)題。構(gòu)建了發(fā)動(dòng)機(jī)點(diǎn)火提前角多目標(biāo)優(yōu)化的數(shù)學(xué)模型，對(duì)目標(biāo)函數(shù)動(dòng)力性能指標(biāo)轉(zhuǎn)矩和各種排放物進(jìn)行歸一化處理。用蟻群遺傳算法對(duì)目標(biāo)函數(shù)進(jìn)行求解，結(jié)果表明λT＝0.7時(shí)的點(diǎn)火提前角作為線性加權(quán)和意義下的點(diǎn)火提前角能夠在發(fā)動(dòng)機(jī)的動(dòng)力性能和排放性能之間取得很好折衷。
【專利說(shuō)明】一種發(fā)動(dòng)機(jī)多目標(biāo)優(yōu)化算法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于兩用燃料發(fā)動(dòng)機(jī)ECU硬件在環(huán)仿真模型和排放試驗(yàn)的多目標(biāo)優(yōu)化算法。

【背景技術(shù)】
[0002]點(diǎn)火提前角是汽車(chē)電控系統(tǒng)最重要的控制參數(shù)之一。獲取最佳點(diǎn)火提前角MAP圖是電控發(fā)動(dòng)機(jī)ECU標(biāo)定過(guò)程的重要組成部分。在實(shí)際應(yīng)用中，對(duì)多目標(biāo)優(yōu)化問(wèn)題的求解至今還是一個(gè)難點(diǎn)，通常很難求出其最優(yōu)解，只能求出Pareto解。近年來(lái)，智能算法如遺傳算法(GA)、粒子群優(yōu)化(PSO)和蟻群算法(ACA)等在車(chē)輛工程、過(guò)程控制、工程優(yōu)化等方面得到大量應(yīng)用，但在求解多目標(biāo)函數(shù)優(yōu)化問(wèn)題時(shí)存在一些困難。
[0003]GA和ACA的融合(GAAA)是當(dāng)前一種較新的思路，它基于遺傳算法的快速全局搜索能力和螞蟻算法的正反饋收斂機(jī)制；但已有的GAAA只是簡(jiǎn)單地先后運(yùn)用GA及ACA兩種算法進(jìn)行求解，實(shí)質(zhì)上并未對(duì)兩者進(jìn)行融合，所以盡管在一定程度上提高了求解的精度，但是算法效率卻降低了。


【發(fā)明內(nèi)容】

[0004]為了解決在電控發(fā)動(dòng)機(jī)ECU標(biāo)定過(guò)程中還不能通過(guò)對(duì)多目標(biāo)優(yōu)化問(wèn)題的求解來(lái)獲得最佳點(diǎn)火提前角MAP圖，本發(fā)明在兩用燃料發(fā)動(dòng)機(jī)ECU硬件在環(huán)仿真模型和排放試驗(yàn)基礎(chǔ)上，基于GA和ACA的特性提出一種發(fā)電機(jī)多目標(biāo)優(yōu)化算法(簡(jiǎn)稱M0AGA)，在遺傳搜索中引入ACA的信息反饋更新機(jī)制，用于解決連續(xù)空間點(diǎn)火提前角多目標(biāo)優(yōu)化問(wèn)題。
[0005]本發(fā)明采用如下技術(shù)方案來(lái)解決上述技術(shù)問(wèn)題:一種發(fā)動(dòng)機(jī)多目標(biāo)優(yōu)化算法，包括以下步驟:
[0006]S1、設(shè)解空間中的數(shù)據(jù)為遺傳算法的表現(xiàn)型形式；選擇合適的編碼策略，使編碼完成解空間的數(shù)據(jù)從表現(xiàn)型到基因型的轉(zhuǎn)化，將解空間的數(shù)據(jù)表示成遺傳空間的基因型串?dāng)?shù)據(jù)結(jié)構(gòu)；
[0007]S2、設(shè)定初始種群，隨機(jī)產(chǎn)生N個(gè)初始串?dāng)?shù)據(jù)結(jié)構(gòu)作為初始種群p(0);設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器，t = 0，最大進(jìn)化代數(shù)為L(zhǎng)，遺傳算法以所述N個(gè)初始串?dāng)?shù)據(jù)結(jié)構(gòu)作為初始點(diǎn)開(kāi)始迭代；
[0008]S3、根據(jù)初始種群，初始化蟻群算法的信息素分布；
[0009]S4、設(shè)計(jì)適應(yīng)度函數(shù)，表征群體P (t)中個(gè)體的優(yōu)劣性；
[0010]S5、求解適應(yīng)度函數(shù):設(shè)計(jì)遺傳操作算子，運(yùn)用選擇、交叉和變異遺傳操作算子作用于群體P (t)，選擇出群體P (t)中的優(yōu)秀個(gè)體組合成下一代群體P (t+Ι)；
[0011]S6、根據(jù)下一代群體P (t+1)，更新蟻群算法的信息素分布；
[0012]S7、設(shè)定控制參數(shù)，若t〈L，則t = t+Ι，轉(zhuǎn)到步驟S2 ;若t>L，則以進(jìn)化過(guò)程中所得到的具有最大適應(yīng)度個(gè)體作為最優(yōu)解輸出，獲取最優(yōu)發(fā)動(dòng)機(jī)點(diǎn)火提前角，停止運(yùn)算。
[0013]與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)及有益效果:
[0014]1、本發(fā)明充分利用了 MOGA的快速性、隨機(jī)性、全局收斂性。一方面ACA中信息素指導(dǎo)MOGA的遺傳選擇，另一方面MOGA的結(jié)果引起信息素的更新，并用于指導(dǎo)下一次遺傳選擇，充分利用了 A CA的并行性、正反饋機(jī)制以及求解效率高等特性。使兩者優(yōu)勢(shì)互補(bǔ)，從而提聞解的精度、求解效率。
[0015]2、求解結(jié)果表明以λ τ = 0.7時(shí)的點(diǎn)火提前角29.59 (MBT = 33)作為線性加權(quán)和意義下的點(diǎn)火提前角，能夠在發(fā)動(dòng)機(jī)的動(dòng)力性能和排放性能之間取得很好折衷，能以較小的轉(zhuǎn)矩?fù)p失可以換取較大的排放改善。

【專利附圖】

【附圖說(shuō)明】
[0016]圖1為本發(fā)明的求解流程圖；
[0017]圖2為本發(fā)明的目標(biāo)函數(shù)極值圖；
[0018]圖3為本發(fā)明中的不同的權(quán)系數(shù)λ τ下的函數(shù)求解分析圖；
[0019]圖4為本發(fā)明的不同權(quán)系數(shù)λ τ值時(shí)gt (X)與gx(x)圖；
[0020]圖5為本發(fā)明的工況A下λ τ值為0.7時(shí)的發(fā)動(dòng)機(jī)性能優(yōu)化圖；
[0021]圖6為本發(fā)明的工況B下λ τ值為0.7時(shí)的發(fā)動(dòng)機(jī)性能優(yōu)化圖；
[0022]圖7為本發(fā)明的工況C下λ τ值為0.7時(shí)的發(fā)動(dòng)機(jī)性能優(yōu)化圖；
[0023]圖8為本發(fā)明的工況D下λ τ值為0.7時(shí)的發(fā)動(dòng)機(jī)性能優(yōu)化圖。

【具體實(shí)施方式】
[0024]下面結(jié)合實(shí)施例及附圖，對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明，但本發(fā)明實(shí)施方式不限于此。
[0025]實(shí)施例
[0026]遺傳算法(GA)和蟻群算法(ACA)具有互補(bǔ)性，它們完全有可能有機(jī)地融合在一起。GA和ACA融合的策略，根據(jù)它們兩者在某個(gè)集成算法中所處的地位和優(yōu)勢(shì)不同，大體可以劃分為兩個(gè)大類:一類是以蟻群算法為主體的混合蟻群算法，利用GA尋找ACA中P、α、β的最優(yōu)組合；另一類是以遺傳算法為主體混合遺傳算法。
[0027]本發(fā)明多目標(biāo)優(yōu)化算法(MOAGA)的基本思路是算法主體過(guò)程采用多目標(biāo)遺傳算法(MOGA)，充分利用MOGA的快速性、隨機(jī)性、全局收斂性。一方面ACA中信息素指導(dǎo)MOGA的遺傳選擇，另一方面MOGA的結(jié)果引起信息素的更新，并用于指導(dǎo)下一次遺傳選擇，充分利用了 ACA的并行性、正反饋機(jī)制以及求解效率高等特性。求解流程如圖1所示，具體包括以下步驟:
[0028]S1、選擇合適的編碼策略。解空間中的數(shù)據(jù)為遺傳算法的表現(xiàn)型形式，編碼完成解空間的數(shù)據(jù)從表現(xiàn)型到基因型的轉(zhuǎn)化，遺傳算法在進(jìn)行搜索之前將解空間的數(shù)據(jù)表示成遺傳空間的基因型串?dāng)?shù)據(jù)結(jié)構(gòu)，不同的串?dāng)?shù)據(jù)結(jié)構(gòu)就構(gòu)成不同點(diǎn)。
[0029]S2、設(shè)定初始種群，隨機(jī)產(chǎn)生N個(gè)初始串?dāng)?shù)據(jù)結(jié)構(gòu)。每個(gè)初始串?dāng)?shù)據(jù)結(jié)構(gòu)稱為一個(gè)個(gè)體，N個(gè)個(gè)體構(gòu)成了一個(gè)群體，即N個(gè)初始串?dāng)?shù)據(jù)結(jié)構(gòu)。遺傳算法以此N個(gè)初始串?dāng)?shù)據(jù)結(jié)構(gòu)作為初始點(diǎn)開(kāi)始迭代。設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器，t = 0，最大進(jìn)化代數(shù)為L(zhǎng) ;隨機(jī)生成的N個(gè)個(gè)體作為初始種群P (O)。
[0030]設(shè)定初始種群時(shí)用約束條件判斷，剔除非可行初始串?dāng)?shù)據(jù)結(jié)構(gòu)就得到可行串?dāng)?shù)據(jù)結(jié)構(gòu)。
[0031]S3、根據(jù)初始種群，初始化蟻群算法的信息素分布。信息素或初始種群的多少將直接影響到該空間中決策被選擇的概率大?。欢畔⑺鼗虺跏挤N群由目標(biāo)函數(shù)決定，目標(biāo)函數(shù)可能為正也可能為負(fù)，但信息素只能為非負(fù)。
[0032]S4、采用適應(yīng)度函數(shù)表明個(gè)體優(yōu)劣性，設(shè)計(jì)適應(yīng)度函數(shù)來(lái)表征群體P (t)中個(gè)體的優(yōu)劣性。對(duì)于不同問(wèn)題個(gè)體適應(yīng)度的函數(shù)定義方式不同，根據(jù)具體問(wèn)題，計(jì)算群體p(t)各個(gè)個(gè)體的適應(yīng)度。
[0033]本發(fā)明采用適應(yīng)度函數(shù)表明個(gè)體優(yōu)劣性，即設(shè)計(jì)一個(gè)函數(shù)用來(lái)選擇個(gè)體，被選擇的就表明優(yōu)秀，沒(méi)選擇上的被淘汰。被選擇的個(gè)體又重新組合成下一代群體。本發(fā)明設(shè)計(jì)的適應(yīng)度函數(shù)就是下文(I)式所建立的點(diǎn)火提前角多目標(biāo)優(yōu)化數(shù)學(xué)模型，它的設(shè)計(jì)思想就是讓CO、He、NOx排放最少，發(fā)動(dòng)機(jī)扭矩最大。只要滿足這個(gè)適應(yīng)度函數(shù)，就表明個(gè)體優(yōu)秀。
[0034]設(shè)χ為點(diǎn)火提前角，fT (x)、fco (χ)、fHC (χ)和fN0 (x)分別為轉(zhuǎn)矩、CO、HC和NOx排放物的統(tǒng)計(jì)模型。則發(fā)動(dòng)機(jī)點(diǎn)火提前角多目標(biāo)優(yōu)化的數(shù)學(xué)模型(MO)如下:
[0035]

【權(quán)利要求】
1.一種發(fā)動(dòng)機(jī)多目標(biāo)優(yōu)化算法，其特征在于，包括以下步驟: 51、設(shè)解空間中的數(shù)據(jù)為遺傳算法的表現(xiàn)型形式；選擇合適的編碼策略，使編碼完成解空間的數(shù)據(jù)從表現(xiàn)型到基因型的轉(zhuǎn)化，將解空間的數(shù)據(jù)表示成遺傳空間的基因型串?dāng)?shù)據(jù)結(jié)構(gòu)； 52、設(shè)定初始種群，隨機(jī)產(chǎn)生N個(gè)初始串?dāng)?shù)據(jù)結(jié)構(gòu)作為初始種群p(0);設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器，t = 0，最大進(jìn)化代數(shù)為L(zhǎng)，遺傳算法以所述N個(gè)初始串?dāng)?shù)據(jù)結(jié)構(gòu)作為初始點(diǎn)開(kāi)始迭代； 53、根據(jù)初始種群，初始化蟻群算法的信息素分布； 54、設(shè)計(jì)適應(yīng)度函數(shù)，表征群體P(t)中個(gè)體的優(yōu)劣性； 55、求解適應(yīng)度函數(shù):設(shè)計(jì)遺傳操作算子，運(yùn)用選擇、交叉和變異遺傳操作算子作用于群體P (t)，選擇出群體P (t)中的優(yōu)秀個(gè)體組合成下一代群體P (t+Ι)； 56、根據(jù)下一代群體P(t+Ι)，更新蟻群算法的信息素分布； 57、設(shè)定控制參數(shù)，若t〈L，則t= t+Ι，轉(zhuǎn)到步驟S2 ;若t>L，則以進(jìn)化過(guò)程中所得到的具有最大適應(yīng)度個(gè)體作為最優(yōu)解輸出，獲取最優(yōu)發(fā)動(dòng)機(jī)點(diǎn)火提前角，停止運(yùn)算。
2.根據(jù)權(quán)利要求1所述的發(fā)動(dòng)機(jī)多目標(biāo)優(yōu)化算法，其特征在于，步驟S4所述設(shè)計(jì)適應(yīng)度函數(shù)為建立點(diǎn)火提前角多目標(biāo)優(yōu)化數(shù)學(xué)模型遏乂為點(diǎn)火提前角士⑴^^入&⑴和fN0(x)分別為轉(zhuǎn)矩、CO、HC和NOx排放物的統(tǒng)計(jì)模型，發(fā)動(dòng)機(jī)點(diǎn)火提前角多目標(biāo)優(yōu)化的數(shù)學(xué)模型如下:
其中，Gmin和分別表示多目標(biāo)優(yōu)化的點(diǎn)火提前角的上、下限值。
3.根據(jù)權(quán)利要求2所述的發(fā)動(dòng)機(jī)多目標(biāo)優(yōu)化算法，其特征在于，對(duì)所述 (I)式利用遺傳算法求取極值，采用線性加權(quán)和法建立如下評(píng)價(jià)函數(shù)h(f(x)):
將(I)式中發(fā)動(dòng)機(jī)點(diǎn)火提前角多目標(biāo)優(yōu)化的數(shù)學(xué)模型求解轉(zhuǎn)化為:
SO:minh(f (X)) = AT[(-fT(x)+19.3194)/13.3866]
+ AC0[(fc0(x)-88.6008)/0.0193]


(3)
AHc[(fHc(x)-2.44)/11.88
λΝ0χ(?*(Χ)-1.838)/4.077 其中，λτ、λχ、λ⑶、Xsc及λ NQx分別為函數(shù)G(Xhfa)(X)、fHC(X)和fN0(x)的權(quán)系數(shù)。
4.根據(jù)權(quán)利要求3所述的發(fā)動(dòng)機(jī)多目標(biāo)優(yōu)化算法，其特征在于，設(shè)λτ+λχ=1，λω =λ K = λ ΝΟχ = λ χ/3 ； (3)式最小值min h (f (χ))的求解如下:
用蟻群遺傳算法對(duì)式(4)進(jìn)行求解，得到評(píng)價(jià)函數(shù)h(f(x))的最小值。
5.根據(jù)權(quán)利要求4所述的發(fā)動(dòng)機(jī)多目標(biāo)優(yōu)化算法，其特征在于，取λτ = 0.7時(shí)，點(diǎn)火提前角29.59為線性加權(quán)和意義下的最優(yōu)點(diǎn)火提前角。
【文檔編號(hào)】G06N3/12GK104200271SQ201410418676
【公開(kāi)日】2014年12月10日 申請(qǐng)日期:2014年8月22日 優(yōu)先權(quán)日:2014年8月22日
【發(fā)明者】吳偉斌, 洪添勝, 李禮夫, 朱余清, 張鐵民, 肖磊, 許棚搏, 廖勁威, 馮運(yùn)琳 申請(qǐng)人:華南農(nóng)業(yè)大學(xué)