本發(fā)明涉屬于輪轂電機(jī)驅(qū)動(dòng)電動(dòng)輪輕量化設(shè)計(jì)領(lǐng)域，尤其涉及一種輪轂電機(jī)設(shè)計(jì)優(yōu)化方法。
背景技術(shù)：
近年來，在方方面面的支持與關(guān)注之下，新能源汽車尤其是純電動(dòng)汽車得到迅猛發(fā)展，而電動(dòng)汽車今后將會(huì)是人們重要的交通工具。輪轂電機(jī)作為電動(dòng)汽車最核心的部件之一，其最大的特點(diǎn)就是將驅(qū)動(dòng)、傳動(dòng)和制動(dòng)等裝置整合到輪轂內(nèi)，省略了離合器、變速器、傳動(dòng)軸、差速器、分動(dòng)器等傳統(tǒng)的傳動(dòng)部件。輪轂電機(jī)技術(shù)的發(fā)展將帶來一場(chǎng)車輛驅(qū)動(dòng)方式的變革。
作為新能源汽車，輪轂電機(jī)驅(qū)動(dòng)電動(dòng)汽車一直是國內(nèi)外學(xué)者研究的重點(diǎn)。在輪轂電機(jī)系統(tǒng)的研究中一直有一個(gè)比較重要的問題：就是電機(jī)與車輪集成導(dǎo)致非簧載質(zhì)量較大，隔離振動(dòng)性能下降，影響行駛條件下的車輛平順性和安全性，輪轂電機(jī)驅(qū)動(dòng)電動(dòng)車輛非簧載質(zhì)量的增加是引起其平順性惡化的主要原因之一。經(jīng)過分析表明減小輪轂電機(jī)的總質(zhì)量，可以有效的改善車輛的平順性。因此，非常有必要對(duì)輪轂電機(jī)驅(qū)動(dòng)系統(tǒng)進(jìn)行輕量化設(shè)計(jì)。
技術(shù)實(shí)現(xiàn)要素：
為了解決上述技術(shù)問題，本發(fā)明的目標(biāo)是提供一種基于遺傳退火算法的輪轂電機(jī)優(yōu)化設(shè)計(jì)方法。
本發(fā)明解決其技術(shù)問題的思路是：獲取輪轂電機(jī)優(yōu)化的目標(biāo)和約束條件；采用遺傳退火算法對(duì)輪轂電機(jī)進(jìn)行逆解，求得輪轂電機(jī)設(shè)計(jì)變量參數(shù)值；根據(jù)獲得的若干組變量參數(shù)值，找到一組值能使輪轂電機(jī)性能指標(biāo)與經(jīng)濟(jì)技術(shù)指標(biāo)均滿足最優(yōu)，則該組變量參數(shù)值即為最優(yōu)解。
具體的如下所述：
一種基于遺傳退火算法的輪轂電機(jī)優(yōu)化方法，包括以下步驟：
(1)確定輪轂電機(jī)的變量參數(shù)，包括定子外徑、定子內(nèi)徑、鐵芯長度、氣隙長度、永磁體厚度、每槽導(dǎo)體數(shù)、導(dǎo)線直徑、槽滿率；
(2)確定輪轂電機(jī)需要優(yōu)化的目標(biāo)和約束條件：輪轂電機(jī)優(yōu)化的目標(biāo)函數(shù)是電機(jī)使用的有效材料在一定質(zhì)量、材料成本的基礎(chǔ)上使得電機(jī)效率最高；約束條件是指根據(jù)輪轂電機(jī)的特定使用環(huán)境與條件所施加的限制性約束函數(shù)，其數(shù)學(xué)表達(dá)式中包含了所有或部分的變量參數(shù)，輪轂電機(jī)優(yōu)化設(shè)計(jì)的約束條件分別為輪轂電機(jī)的啟動(dòng)電流g1(x)、啟動(dòng)扭矩g2(x)、氣隙磁感應(yīng)強(qiáng)度g3(x)、額定轉(zhuǎn)速g4(x)、熱負(fù)荷g5(x)、定子齒部磁密g6(x)、定子軛部磁密g7(x)、轉(zhuǎn)子軛部磁密g8(x)；
(3)根據(jù)輪轂電機(jī)的變量參數(shù)，生成遺傳模擬退火算法的初始種群p0(t)，設(shè)定遺傳模擬退火算法的適應(yīng)度函數(shù)；
(4)計(jì)算種群中的每一個(gè)個(gè)體的被選中概率，根據(jù)計(jì)算出的被選中概率對(duì)初始種群進(jìn)行隨機(jī)選擇；
(5)對(duì)隨機(jī)選擇后的種群進(jìn)行交叉、變異操作得到種群p1(t)；
(6)判斷是否滿足預(yù)設(shè)的停止準(zhǔn)則，也就是看是否達(dá)到最大遺傳迭代數(shù)量和退火終止溫度，若是，則結(jié)束遺傳算法并輸出最優(yōu)個(gè)體作為輪轂電機(jī)的最優(yōu)設(shè)計(jì)參數(shù)矩陣，反之，對(duì)種群中的個(gè)體進(jìn)行更新；
(7)更新迭代參數(shù)，將遺傳模擬退火算法溫度tt下降、遺傳代數(shù)k增加以及種群數(shù)組更新后，返回步驟(4)進(jìn)行迭代，直至輪轂電機(jī)根據(jù)獲取的變量參數(shù)值滿足輪轂電機(jī)的目標(biāo)函數(shù)。
進(jìn)一步的，步驟(3)中，所述初始種群p0(t)由下式的初始個(gè)體構(gòu)成：
x＝[x0，x1，，λ，xi，λ，xn-1]t
式中，n表示輪轂電機(jī)的設(shè)計(jì)變量數(shù)，x表示解空間的向量，且x中的元素由變量參數(shù)組成。
進(jìn)一步的，步驟(3)中，所述適應(yīng)度函數(shù)為：
minf(x，γ)＝f(x)+p(x，γ)(1)
式中，f(x)為預(yù)設(shè)的目標(biāo)函數(shù)，p(x，γ)為懲罰函數(shù)，是與約束條件gi(x)有關(guān)的函數(shù)；
其中，預(yù)設(shè)的目標(biāo)函數(shù)為
式中，αi為權(quán)系數(shù)，fi(x)為單個(gè)的目標(biāo)函數(shù)，n為目標(biāo)函數(shù)的個(gè)數(shù)；
其中的約束函數(shù)gi(x)表達(dá)式為：
式中，ist為優(yōu)化后的啟動(dòng)電流、ist0為優(yōu)化前的啟動(dòng)電流；tst為優(yōu)化后的啟動(dòng)扭矩、tst0為優(yōu)化前的啟動(dòng)扭矩；bδ為優(yōu)化后的氣隙磁感應(yīng)強(qiáng)度、bδ0為優(yōu)化前的氣隙磁感應(yīng)強(qiáng)度；nγ為優(yōu)化后的額定轉(zhuǎn)速、nγ0為優(yōu)化前的額定轉(zhuǎn)速；h為優(yōu)化后的熱負(fù)荷、h0為優(yōu)化前的熱負(fù)荷；bt為優(yōu)化后的定子齒部磁密、bt0為優(yōu)化前的定子齒部磁密；bj為優(yōu)化后的定子軛部磁密、bj0為優(yōu)化前的定子軛部磁密；bi為優(yōu)化后的轉(zhuǎn)子軛部磁密、bi0為優(yōu)化前的轉(zhuǎn)子軛部磁密；
懲罰函數(shù)p(x，γ)的表達(dá)式為：
式中，γ為懲罰因素；hu(x)為第u個(gè)約束函數(shù)中的等式部分；qu(x)為第u個(gè)約束函數(shù)中的不等式部分；u表示約束函數(shù)的序號(hào)，u＝1，2，λm；m為約束函數(shù)的個(gè)數(shù)。
進(jìn)一步的，步驟(4)中，種群中的每一個(gè)個(gè)體的被選中概率由下式得到：
其中，fmin代表種群中個(gè)體適應(yīng)度函數(shù)值的最小值，f(i)代表第i個(gè)個(gè)體的適應(yīng)度函數(shù)值，pi(tt)代表在更新迭代參數(shù)過程中，當(dāng)前溫度tt下該個(gè)體被選中的概率。
進(jìn)一步的，步驟(5)中，包括以下步驟：
s51、按照交叉率和變異率，采用比例選擇算子對(duì)種群中的個(gè)體進(jìn)行選擇；
s52、對(duì)選擇后的種群進(jìn)行交叉操作；
s53、對(duì)交叉后的種群進(jìn)行變異操作。
其中，步驟s51分為以下幾個(gè)步驟，
s511、按照交叉率pc和變異率pv在種群中進(jìn)行搜索，計(jì)算出每一個(gè)個(gè)體的適應(yīng)值后，按從大到小的順序進(jìn)行排序，所述交叉率pc和變異率pv為：
式中，pc1表示預(yù)設(shè)的交叉率，取(0，1)區(qū)間的值；pv1表示預(yù)設(shè)的變異率，取(0，1)區(qū)間的值；fmin表示群體中個(gè)體的最小適應(yīng)度；favg表示群體中個(gè)體的平均適應(yīng)度；f′表示相互交叉的兩個(gè)個(gè)體之中，相對(duì)較小的個(gè)體適應(yīng)度；
s512、根據(jù)下式計(jì)算每一個(gè)個(gè)體的適應(yīng)度值占總適應(yīng)度值的比例pk(xi)后，組成賭輪盤：
上式中，f(xi)表示第i個(gè)個(gè)體的適應(yīng)度值；
s513、隨機(jī)產(chǎn)生一個(gè)0～1之間的隨機(jī)數(shù)，根據(jù)隨機(jī)數(shù)在賭輪盤上所處的群尖選擇對(duì)應(yīng)的個(gè)體；
s514、重復(fù)執(zhí)行步驟s513直到選取的個(gè)體達(dá)到種群容量的最大值。
其中，步驟s52中，包括下列步驟，
s521、對(duì)于種群p1(t)中的每一個(gè)個(gè)體xi計(jì)算其適應(yīng)度函數(shù)值f(xi)，按f(xi)由小到大的順序重新排列p1(t)，并將p1(t)中f(xi)最小的個(gè)體作為全局最優(yōu)個(gè)體xe保存；
s522、個(gè)體的適應(yīng)度能夠表示為一個(gè)與其在群體中的位置i相關(guān)的函數(shù)，記作：f(i)＝(i+1)/(n+1)，其中i表示個(gè)體在群體中的位置i∈[0，λ，n-1]，從種群p1(t)中按照概率random(0，1)＜f(i)選擇r·n個(gè)個(gè)體；r為交叉率，n為群體規(guī)模，對(duì)于每一個(gè)個(gè)體xi按照下列公式進(jìn)行交叉；
上式中，random(0，1)表示0～1間的隨機(jī)數(shù)。
其中，步驟s53，具體為：
從種群p1(t)中按照概率random(0，1)＞f(i)選擇m·n個(gè)個(gè)體，對(duì)于每一個(gè)交叉操作后的個(gè)體xi′按照變異函數(shù)進(jìn)行變異；
x″i＝x′i+(f(α)scale-x′i)rand(0，1)+fn(i)+ft(tt)(10)
其中，scale表示變量參數(shù)定義域的半徑；xi′表示交叉操作后的個(gè)體，xi″表示變異操作后的個(gè)體，random(0，1)表示0～1間的隨機(jī)數(shù)，ft(tt)表示個(gè)體適應(yīng)度與當(dāng)前溫度的關(guān)系函數(shù)，f(α)為系數(shù)函數(shù)；
fn(i)表示個(gè)體適應(yīng)度與個(gè)體在群體中位置的關(guān)系函數(shù)，其中i表示當(dāng)前個(gè)體的位置：
fn(i)＝2πrand(0，1)f(α)f(i)(11)
其中，f(i)表示個(gè)體適應(yīng)度；
ft(tt)表示個(gè)體適應(yīng)度與當(dāng)前溫度的關(guān)系函數(shù)：
ft(tt)＝2πrand(0，1)f(α)(tstart-tt)/tstart(12)
上式中，tt為當(dāng)前溫度；tstart為退火初始溫度，f(α)為系數(shù)函數(shù)；
其中系數(shù)函數(shù)f(α)為：
進(jìn)一步的，所述步驟s6中所述判斷是否滿足預(yù)設(shè)的停止準(zhǔn)則的步驟，其具體為：
判斷是否達(dá)到最大遺傳代數(shù)和退火終止溫度，或者是否滿足以下條件：
f(x″i)＞500或tt＜tend(13)
其中，f(x″i)表示第i個(gè)個(gè)體的適應(yīng)度值，x″表示變異操作后的新的解向量，tend表示退火終止溫度。
此外，
s11、根據(jù)輪轂電機(jī)優(yōu)化的目標(biāo)函數(shù)，設(shè)置遺傳退火算法的初始溫度以及溫度下降因子，設(shè)定退溫操作函數(shù)如下式：
tt+1＝ktt(14)
式中：tt表示當(dāng)前溫度，tt+1表示退溫操作后的溫度，k表示溫度下降因子，其取值略小于1.0。
s12、所述迭代次數(shù)可以根據(jù)所述輪轂電機(jī)的大小和結(jié)構(gòu)不同設(shè)置為不同值，在此為迭代次數(shù)為500次。
本發(fā)明的有益效果是：本發(fā)明的基于遺傳退火算法的輪轂電機(jī)優(yōu)化設(shè)計(jì)的方法，包括步驟：獲取輪轂電機(jī)優(yōu)化的目標(biāo)和約束條件；采用遺傳退火算法對(duì)輪轂電機(jī)進(jìn)行逆解，求解獲得輪轂電機(jī)設(shè)計(jì)變量參數(shù)值；輪轂電機(jī)根據(jù)獲取的變量參數(shù)值產(chǎn)生穩(wěn)定持續(xù)的轉(zhuǎn)矩。單個(gè)的遺傳算法容易產(chǎn)生早熟現(xiàn)象、局部尋優(yōu)能力較差、運(yùn)行效率較低的問題，所以需要對(duì)遺傳算法作一定的改進(jìn)。因此本方法通過遺傳退火算法對(duì)輪轂電機(jī)進(jìn)行逆解，用遺傳算法的搜索策略彌補(bǔ)模擬退火算法的精度問題，用模擬退火算法的全局搜索能力避免遺傳算法陷入局部最優(yōu)的困境。遺傳退火算法把兩種算法的優(yōu)勢(shì)有機(jī)地結(jié)合起來，不僅能使算法的效率得到提高，還能增強(qiáng)算法的全局把控能力。基于此算法執(zhí)行的輪轂電機(jī)的優(yōu)化方法，精確度高，收斂速度快，效率高。
附圖說明
下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。
圖1是本發(fā)明基于遺傳退火算法的輪轂電機(jī)優(yōu)化設(shè)計(jì)方法的流程圖。
具體實(shí)施方式
首先獲取輪轂電機(jī)優(yōu)化的目標(biāo)和約束條件；然后采用遺傳退火算法對(duì)輪轂電機(jī)的變量參數(shù)進(jìn)行編碼、選擇、交叉和變異操作后得到變量參數(shù)的最優(yōu)值，使得輪轂電機(jī)的性能指標(biāo)和經(jīng)濟(jì)技術(shù)指標(biāo)最優(yōu)化。
參照?qǐng)D1，本發(fā)明提供了一種基于遺傳退火算法的輪轂電機(jī)優(yōu)化設(shè)計(jì)的方法，包括步驟：
s1、初始化遺傳退火算法的初始溫度、溫度下降因子、終止溫度、以及迭代次數(shù)的設(shè)置；
s2、獲取輪轂電機(jī)優(yōu)化的目標(biāo)和約束條件；
s3、對(duì)變量參數(shù)進(jìn)行編碼，產(chǎn)生遺傳退火算法的初始種群p0(t)；
s4、計(jì)算種群中的每一個(gè)個(gè)體的被選中概率，并根據(jù)計(jì)算出的被選中概率對(duì)種群進(jìn)行隨機(jī)選擇；
s5、對(duì)隨機(jī)選擇后的種群進(jìn)行交叉、變異操作得到種群p1(t)；
s6、判斷是否滿足預(yù)設(shè)的停止準(zhǔn)則，即判斷是否達(dá)到設(shè)定的最大遺傳代數(shù)和退火終止溫度，若是，則結(jié)束遺傳算法并輸出最優(yōu)個(gè)體作為輪轂電機(jī)的最優(yōu)設(shè)計(jì)參數(shù)矩陣，反之，對(duì)種群中的個(gè)體進(jìn)行更新；
s7、更新迭代參數(shù)，將遺傳模擬退火算法溫度tt下降、遺傳代數(shù)k增加以及種群數(shù)組更新后，返回步驟s4進(jìn)行迭代。
進(jìn)一步作為優(yōu)選的實(shí)施方式，所述步驟s1，包括：
s11、根據(jù)輪轂電機(jī)優(yōu)化的目標(biāo)函數(shù)，設(shè)置遺傳退火算法的初始溫度以及溫度下降因子，設(shè)定退溫操作函數(shù)如下式：
tt+1＝ktt(1)
式中：tt表示當(dāng)前溫度，tt+1表示退溫操作后的溫度，k表示溫度下降因子，其取值略小于1.0。
s12、所述迭代次數(shù)可以根據(jù)所述輪轂電機(jī)的大小和結(jié)構(gòu)不同設(shè)置為不同值，在此迭代次數(shù)為500次。
結(jié)合本發(fā)明要解決的問題，步驟s1中，初始化遺傳退火算法的初始溫度、溫度下降因子、終止溫度以及迭代次數(shù)的設(shè)置。初始溫度表示輪轂電機(jī)的變量參數(shù)在初始狀態(tài)下的溫度；溫度下降因子表示在優(yōu)化過程中為了計(jì)算簡(jiǎn)便，所選的降溫系數(shù)；終止溫度表示使輪轂電機(jī)的變量參數(shù)在盡量滿足優(yōu)化目標(biāo)函數(shù)的條件下所設(shè)置的溫度；迭代次數(shù)表示使輪轂電機(jī)的變量參數(shù)在盡量滿足優(yōu)化目標(biāo)函數(shù)的條件下所設(shè)置的參數(shù)。
所述步驟s2，確定輪轂電機(jī)需要優(yōu)化的目標(biāo)和約束條件：輪轂電機(jī)的目標(biāo)函數(shù)為：在有效材料(包括永磁體、銅線、硅鋼片)為一定質(zhì)量、一定成本的基礎(chǔ)之上，使電機(jī)效率達(dá)到最高；約束條件是根據(jù)各種特定問題而施加的限制性條件，其數(shù)學(xué)表達(dá)式中包含了所有或部分的變量參數(shù)，輪轂電機(jī)優(yōu)化設(shè)計(jì)的約束條件包括與輪轂電機(jī)的啟動(dòng)電流相關(guān)的g1(x)、與啟動(dòng)扭矩相關(guān)的g2(x)、與氣隙磁感應(yīng)強(qiáng)度相關(guān)的g3(x)、與額定轉(zhuǎn)速相關(guān)的g4(x)、與熱負(fù)荷相關(guān)的g5(x)、與定子齒部磁密相關(guān)的g6(x)、與定子軛部磁密相關(guān)的g7(x)、與轉(zhuǎn)子軛部磁密相關(guān)的g8(x)。
所述步驟s3，根據(jù)輪轂電機(jī)的變量參數(shù)，所述變量參數(shù)包括定子外徑、定子內(nèi)徑、鐵芯長度、氣隙長度、永磁體厚度、每槽導(dǎo)體數(shù)、導(dǎo)線直徑、槽滿率，生成遺傳模擬退火算法的初始種群，所述初始種群由下式的初始個(gè)體構(gòu)成：
x＝[dout，din，liron，lgas，mt，ns，dc，sf]t(2)
上式中，x表示解空間的向量，dout為定子外徑，din為定子內(nèi)徑，liron為鐵芯長度，lgas為氣隙長度，mt為永磁體厚度，ns為每槽導(dǎo)體數(shù)，dc為導(dǎo)線直徑，sf為槽滿率。
進(jìn)一步作為優(yōu)選的實(shí)施方式，所述步驟s4，包括：
s41、設(shè)定遺傳模擬退火算法的適應(yīng)度函數(shù)；
s42、根據(jù)適應(yīng)度函數(shù)，采用下式計(jì)算種群中的每一個(gè)個(gè)體的被選中概率，并根據(jù)計(jì)算出的被選中概率對(duì)種群進(jìn)行隨機(jī)選擇：
其中，fmin代表種群中個(gè)體適應(yīng)度函數(shù)值的最小值，f(i)代表第i個(gè)個(gè)體的適應(yīng)度函數(shù)值，pi(tt)代表在更新迭代參數(shù)過程中，當(dāng)前溫度tt下該個(gè)體被選中的概率。
進(jìn)一步作為優(yōu)選的實(shí)施方式，所述步驟s41，包括：
s411、根據(jù)下式，設(shè)定遺傳退火算法的適應(yīng)度函數(shù)為：
minf(x，γ)＝f(x)+p(x，γ)(4)
其中，f(x)為預(yù)設(shè)的目標(biāo)函數(shù)，p(x，γ)為懲罰函數(shù)，是有關(guān)約束條件的函數(shù)。
s412、根據(jù)設(shè)計(jì)要求預(yù)設(shè)的目標(biāo)函數(shù)表達(dá)式為：
上式中，αi為權(quán)系數(shù)，fi(x)為單個(gè)的目標(biāo)函數(shù)，n為目標(biāo)函數(shù)的個(gè)數(shù)。
其中約束函數(shù)表達(dá)式為：
式中，ist為優(yōu)化后的啟動(dòng)電流、ist0為優(yōu)化前的啟動(dòng)電流；tst為優(yōu)化后的啟動(dòng)扭矩、tst0為優(yōu)化前的啟動(dòng)扭矩；bδ為優(yōu)化后的氣隙磁感應(yīng)強(qiáng)度、bδ0為優(yōu)化前的氣隙磁感應(yīng)強(qiáng)度；nγ為優(yōu)化后的額定轉(zhuǎn)速、nγ0為優(yōu)化前的額定轉(zhuǎn)速；h為優(yōu)化后的熱負(fù)荷、h0為優(yōu)化前的熱負(fù)荷；bt為優(yōu)化后的定子齒部磁密、bt0為優(yōu)化前的定子齒部磁密；bj為優(yōu)化后的定子軛部磁密、bj0為優(yōu)化前的定子軛部磁密；bi為優(yōu)化后的轉(zhuǎn)子軛部磁密、bi0為優(yōu)化前的轉(zhuǎn)子軛部磁密。
懲罰函數(shù)的表達(dá)式為：
式中，γ為懲罰因素；hu(x)為第u個(gè)約束函數(shù)中的等式部分；qu(x)為第u個(gè)約束函數(shù)中的不等式部分；u表示約束函數(shù)的序號(hào)，u＝1，2，λm；m為約束函數(shù)的個(gè)數(shù)。
進(jìn)一步作為優(yōu)選的實(shí)施方式，所述步驟s5，包括：
s51、按照設(shè)定的交叉率和變異率，采用比例選擇算子對(duì)種群中的個(gè)體進(jìn)行選擇；
s52、對(duì)選擇后的種群進(jìn)行交叉操作；
s53、對(duì)交叉后的種群進(jìn)行變異操作。
步驟s5實(shí)際執(zhí)行的是遺傳操作，遺傳操作是整個(gè)算法的關(guān)鍵部分，遺傳操作對(duì)上一代的個(gè)體進(jìn)行選擇，被選擇的個(gè)體通過交叉和變異產(chǎn)生下一代的個(gè)體。在這個(gè)過程中充滿了隨機(jī)性，但是在全局范圍內(nèi)又要有把控搜索方向的能力。遺傳操作包括選擇、交叉和變異三個(gè)步驟，及對(duì)應(yīng)步驟s51～s53。
進(jìn)一步作為優(yōu)選的實(shí)施方式，所述步驟s51，包括：
s511、按照交叉率pc和變異率pv在種群中進(jìn)行搜索，計(jì)算出每一個(gè)個(gè)體的適應(yīng)值后，按從大到小的順序進(jìn)行排序，所述交叉率pc和變異率pv為：
式中，pc1表示預(yù)設(shè)的交叉率，取(0，1)區(qū)間的值；pv1表示預(yù)設(shè)的變異率，取(0，1)區(qū)間的值；fmin表示群體中個(gè)體的最小適應(yīng)度；favg表示群體中個(gè)體的平均適應(yīng)度；f′表示相互交叉的兩個(gè)個(gè)體之中，相對(duì)較小的個(gè)體適應(yīng)度。
交叉率pc是交叉操作過程中的一個(gè)重要的參數(shù)，影響著子代的多樣性以及算法的搜索范圍。交叉操作的主要目的就是將最優(yōu)個(gè)體的部分特征遺傳給子代，以便子代能夠迅速達(dá)到全局最優(yōu)狀態(tài)。如果交叉率pc取得過高，則容易破壞群體中的優(yōu)良模式，不利于算法的收斂；如果交叉率取得過低，則降低了個(gè)體的多樣性，使算法陷入局部最優(yōu)，得出的解的質(zhì)量不高。因此要選擇合適的交叉率。
s512、根據(jù)下式計(jì)算每一個(gè)個(gè)體的適應(yīng)度值占總適應(yīng)度值的比例pk(xi)后，組成賭輪盤：
上式中，f(xi)表示第i個(gè)個(gè)體的適應(yīng)度值；
s513、隨機(jī)產(chǎn)生一個(gè)0～1之間的隨機(jī)數(shù)，根據(jù)隨機(jī)數(shù)在賭輪盤上所處的群尖選擇對(duì)應(yīng)的個(gè)體；
s514、重復(fù)執(zhí)行步驟s413知道直到選取的個(gè)體達(dá)到種群容量的最大值。
進(jìn)一步作為優(yōu)選的實(shí)施方式，所述步驟s52，包括：
s521、對(duì)于種群p1(t)中的每一個(gè)個(gè)體xi計(jì)算其適應(yīng)度函數(shù)值f(xi)，按f(xi)由小到大的順序重新排列p1(t)，并將p1(t)中f(xi)最小的個(gè)體作為全局最優(yōu)個(gè)體xe保存。
s522、個(gè)體的適應(yīng)度可以表示為一個(gè)與其在群體中的位置i相關(guān)的函數(shù)，記作：f(i)＝(i+1)/(n+1)，其中i表示個(gè)體在群體中的位置i∈[0，λ，n-1]，從種群p1(t)中按照概率random(0，1)＜f(i)選擇r·n(r為交叉率，n為群體規(guī)模)個(gè)個(gè)體。對(duì)于每一個(gè)個(gè)體xi按照公式進(jìn)行交叉。
上式中，random(0，1)表示0～1間的隨機(jī)數(shù)。
進(jìn)一步作為優(yōu)選的實(shí)施方式，所述步驟s53，具體為：
從種群p1(t)中按照概率random(0，1)＞f(i)選擇m·n個(gè)個(gè)體。對(duì)于每一個(gè)交叉操作個(gè)體xi′按照變異函數(shù)進(jìn)行變異。
x″i＝x′i+(f(α)scale-x′i)rand(0，1)+fn(i)+ft(tt)(12)
其中，scale表示變量參數(shù)定義域的半徑；xi′表示交叉操作后的個(gè)體，xi″表示變異操作后的個(gè)體，random(0，1)表示0～1間的隨機(jī)數(shù)，fn(i)表示個(gè)體適應(yīng)度與個(gè)體在群體中位置的關(guān)系函數(shù)，ft(tt)表示個(gè)體適應(yīng)度與當(dāng)前溫度的關(guān)系函數(shù)，f(α)為系數(shù)函數(shù)。
fn(i)為個(gè)體適應(yīng)度與個(gè)體在群體中位置的關(guān)系函數(shù)，其中i表示當(dāng)前個(gè)體的位置：
fn(i)＝2πrand(0，1)f(α)f(i)(13)
其中，f(i)表示個(gè)體適應(yīng)度；
ft(tt)為個(gè)體適應(yīng)度與當(dāng)前溫度的關(guān)系函數(shù)：
ft(tt)＝2πrand(0，1)f(α)(tstart-tt)/tstart(14)
上式中，tt為當(dāng)前溫度；tstart為退火初始溫度，f(α)為系數(shù)函數(shù)。
其中系數(shù)函數(shù)f(α)為：
由可以看出，為了保持種群較好的多樣性，個(gè)體必須保持較大強(qiáng)度的擾動(dòng)力度。群體中個(gè)體的擾動(dòng)力度是按照個(gè)體在群體中的位置由前到后逐漸加大的，而且還會(huì)隨著溫度的降低而逐漸加強(qiáng)。這樣，就可以保證當(dāng)溫度較高時(shí)，越是接近最優(yōu)解的個(gè)體抖動(dòng)越小，當(dāng)溫度較低時(shí)，個(gè)體仍然可以保持一定強(qiáng)度的擾動(dòng)，從而為尋找全局最優(yōu)解提供一個(gè)較為妥當(dāng)?shù)娜后w多樣性保持策略。
進(jìn)一步作為優(yōu)選的實(shí)施方式，所述步驟s6中所述判斷是否滿足預(yù)設(shè)的停止準(zhǔn)則的步驟，其具體為：
判斷是否達(dá)到最大遺傳代數(shù)和退火終止溫度，或者是否滿足以下條件：
f(x″i)＞500或tt＜tend(16)
其中，f(x″i)表示第i個(gè)個(gè)體的適應(yīng)度值，x″表示變異操作后的個(gè)體，tend表示退火終止溫度。
本發(fā)明通過遺傳退火算法對(duì)輪轂電機(jī)進(jìn)行逆解，用遺傳算法的搜索策略彌補(bǔ)模擬退火算法的精度問題，用模擬退火算法的全局搜索能力避免遺傳算法陷入局部最優(yōu)的困境。遺傳退火算法把兩種算法的優(yōu)勢(shì)有機(jī)地結(jié)合起來，不僅能使算法的效率得到提高，還能增強(qiáng)算法的全局把控能力?；诖怂惴▓?zhí)行的輪轂電機(jī)的優(yōu)化方法，精確度高，收斂速度快，效率高。