長(zhǎng)春工程學(xué)院電氣與信息學(xué)院 張 允 張黎黎 杜 波 趙迎輝 蔣夢(mèng)瑩 郭慕瑤
?
基于遺傳算法優(yōu)化的車輛轉(zhuǎn)矩模糊控制器的設(shè)計(jì)
長(zhǎng)春工程學(xué)院電氣與信息學(xué)院 張 允 張黎黎 杜 波 趙迎輝 蔣夢(mèng)瑩 郭慕瑤
【摘要】為了使車輛轉(zhuǎn)矩模糊控制器設(shè)計(jì)過(guò)程中,各項(xiàng)參數(shù)的設(shè)定更加客觀、準(zhǔn)確。本文基于遺傳算法對(duì)模糊控制器的隸屬度函數(shù)與模糊控制規(guī)則進(jìn)行了優(yōu)化,以實(shí)現(xiàn)模糊控制器的最佳設(shè)計(jì)效果。
【關(guān)鍵詞】遺傳算法;轉(zhuǎn)矩;模糊控制器
在車輛轉(zhuǎn)矩模糊控制器設(shè)計(jì)過(guò)程中,確定隸屬度函數(shù)與模糊控制規(guī)則的傳統(tǒng)方法主要是依靠專家的經(jīng)驗(yàn),這勢(shì)必存在一定的主觀性。為此,我們需要采用一種能夠自動(dòng)設(shè)計(jì)和優(yōu)化隸屬度函數(shù)與模糊控制規(guī)則的方法,以期更加客觀、準(zhǔn)確地確定出各項(xiàng)參數(shù)及控制規(guī)則,實(shí)現(xiàn)最佳設(shè)計(jì)效果。遺傳算法的主要特點(diǎn)是群體的搜索策略和群體中個(gè)體之間的信息交換,不依賴于梯度信息,不易陷于局部最優(yōu)解,因而,該算法能很好的用于隸屬度函數(shù)與模糊控制規(guī)則的優(yōu)化。
1.1參數(shù)編碼
(1)隸屬函數(shù)的編碼
本文所設(shè)計(jì)的模糊控制器的二個(gè)輸入變量分別是駕駛員的轉(zhuǎn)矩需求Td_req和電池 SOC,輸出變量為電機(jī)的轉(zhuǎn)矩需求Tm_req。對(duì)于輸入、輸出變量的隸屬函數(shù)待優(yōu)化的參數(shù)共有10個(gè),對(duì)應(yīng)的編碼為{x1,x2,x3,x4, x5,x6,x7,x8, x9,x10}。
(2)模糊控制規(guī)則的編碼
我們將所設(shè)計(jì)的二維模糊控制器中NB、NS、Z、PS、PB、N、P這七個(gè)模糊語(yǔ)言變量的語(yǔ)言值分別用1~7這7個(gè)十進(jìn)制數(shù)表示。這樣就可以把已制定的模糊控制規(guī)則數(shù)字化處理,形成編碼。進(jìn)一步將數(shù)字化規(guī)則拉伸,生成編碼為:{11223 12234 22345 23345}
(3)聯(lián)合編碼
將隸屬函數(shù)與控制規(guī)則編碼聯(lián)合,形成最終的一維的十進(jìn)制染色體編碼串:
{ x1x2x3x4x5x6x7x8x9x1011223 12234 22345 23345}。
1.2選取適應(yīng)度函數(shù)
由于控制系統(tǒng)的參數(shù)優(yōu)化問(wèn)題,是一個(gè)非負(fù)目標(biāo)函數(shù)的最小化問(wèn)題,故可采用如下變化方式將目標(biāo)函數(shù)映射成適應(yīng)度函數(shù)。
Cmax為g(x)的最大估計(jì)值。
1.3個(gè)體的選擇、交叉與變異
(1)選擇算子
若群體規(guī)模為n,群體中第k個(gè)個(gè)體的適應(yīng)度為fk,則該個(gè)體被選擇的概率為:
這里,Pk為選擇概率,它是群體中第k個(gè)個(gè)體的相對(duì)適應(yīng)度。
(2)交叉算子
由于本文的遺傳編碼為十進(jìn)制數(shù),所以我們采用中間重組的方式進(jìn)行交叉運(yùn)算。其計(jì)算公式如下所示:
(3)變異算子
對(duì)于十進(jìn)制數(shù)編碼,我們采用實(shí)值變異的方式進(jìn)行變異運(yùn)算。其計(jì)算公式為:
1.4參數(shù)設(shè)計(jì)
(1)種群規(guī)模 n
種群規(guī)模是遺傳算法的一個(gè)重要參數(shù),經(jīng)過(guò)試驗(yàn)我們?nèi)?n=50。
(2)交叉概率和變異概率
交叉概率Pc和變異概率Pm的選擇直接影響遺傳算法的收斂性。交叉和變異概率的自適應(yīng)計(jì)算公式為:
(3)進(jìn)化終止代數(shù)
算法運(yùn)行的終止條件一般是運(yùn)行到固定的進(jìn)化代數(shù)即停止,這里設(shè)定進(jìn)化終止代數(shù)為100。
優(yōu)化后各輸入、輸出變量的隸屬函數(shù)及模糊控制規(guī)則表分別如下所示。
圖1 優(yōu)化后 Td_req的隸屬度函數(shù)仿真曲線
圖2 優(yōu)化后SOC值的隸屬度函數(shù)仿真曲線
圖3 優(yōu)化后Te_req的隸屬度函數(shù)仿真曲線
表1 優(yōu)化后模糊控制規(guī)則表
從隸屬度函數(shù)仿真曲線優(yōu)化結(jié)果可以看出,當(dāng)變量越接近中心點(diǎn)時(shí),模糊子集的劃分越精細(xì),隸屬度函數(shù)的形狀越陡,模糊集合分辨率越高,控制效果越精確。反之,當(dāng)變量越遠(yuǎn)離中心點(diǎn)時(shí),隸屬函數(shù)的形狀越平緩,系統(tǒng)穩(wěn)定性越好。同時(shí)優(yōu)化后的隸屬函數(shù)能夠更好地滿足系統(tǒng)在不同階段的性能要求。
本文基于遺傳優(yōu)化理論對(duì)車輛轉(zhuǎn)矩模糊控制器的隸屬度函數(shù)與模糊控制規(guī)則進(jìn)行了優(yōu)化設(shè)計(jì),在此基礎(chǔ)上對(duì)優(yōu)化后的隸屬函數(shù)進(jìn)行了Matlab仿真,仿真結(jié)果表明該優(yōu)化算法能夠有效改善控制系統(tǒng)的精確性與穩(wěn)定性。
參考文獻(xiàn)
[1]徐孟,陳永冰,周永余.基于高級(jí)遺傳算法的船舶模型參數(shù)辨識(shí)[J].艦船電子工程,2006(1):101-106.
[2]王小平,曹立明.遺傳算法-理論、應(yīng)用與軟件實(shí)現(xiàn)[M].西安:西安交通大學(xué)出版社,2001.
[3]劉曉霞.種群規(guī)模對(duì)遺傳算法性能影響的研究[D].北京:華北電力大學(xué),2010.
[4]陳長(zhǎng)征,王楠.遺傳算法中交叉和變異概率選擇的自適應(yīng)方法及作用機(jī)理[J].控制理論與應(yīng)用,2002,19(1):41-43.
[5]劉咪.遺傳算法及其在優(yōu)化模糊控制器中的應(yīng)用[D].福州:福州大學(xué),2005.
基金項(xiàng)目:吉林省教育廳基金項(xiàng)目《混合動(dòng)力客車多目標(biāo)綜合協(xié)調(diào)控制技術(shù)研究》。
作者簡(jiǎn)介:
張?jiān)剩?973-),女,吉林長(zhǎng)春人,博士研究生,副教授,研究方向:混合動(dòng)力汽車智能控制。