[发明专利]基于模拟退火粒子群算法的混合动力汽车参数优化方法

说明书

技术领域

本发明属于汽车参数优化领域，尤其是指基于模拟退火粒子群算法的混合动力汽车参数优化方法。

背景技术

混合动力汽车具有排放小、污染少、燃油经济性好优点，是未来汽车发展的一个重要方向，但混合动力汽车运行模式复杂，其控制策略还不是很成熟。目前只有基于工程经验设计的逻辑门限控制策略在实际商品化的混合动力汽车上被广泛应用。工程实践中逻辑门限值设定主要依据工程经验和直观判断，然后通过大量的实验对比验证，寻找最佳值，这往往需要花费很长的时间。

粒子群算法是由美国心理学家Kennedy和电气工程师Eberhart于1995年提出的一种基于群体智能的随机寻优算法，与其他算法相比具有更高的搜索效率，且算法简洁、易于实现，但后期受随机振荡现象的影响极易陷入局部极小值，导致精度降低，易发散。模拟退火算法是一种通用的优化算法，其并行技术能大幅改进系统性能，加大信息吞吐量和调高运算速度。模拟退火粒子群算法是将模拟退火思想引入到粒子群算法中，在粒子位置和速度更新过程中加入模拟退火机制，使算法呈现跳跃性，既能保证全局的搜索能力，又能提高计算精度，随着温度逐渐下降，粒子逐渐形成低能量基态，收敛至全局最优解。

随着人工智能的进一步发展和人工生命的兴起，出现了一些模拟社会型生物行为的启发式算法，例如遗传算法、粒子群算法等。遗传算法、粒子群算法等已被证明适合应用于混合动力控制参数的优化。利用智能算法对已有控制策略进行优化，使优化后的车辆表现出更好的经济性和排放性能，因此，基于模拟退火粒子群算法的混合动力汽车参数优化方法对于汽车节能减排和混合动力汽车理论研究具有重要的意义。

发明内容

针对混合动力汽车控制参数在设置过程中的经验化以及不能快速获得最优解等问题，本发明提出了基于模拟退火粒子群算法的混合动力汽车参数优化方法，其算法简洁，易于实现，具有高效的全局和局部搜索能力，能达到实现最佳空间覆盖效果。

本发明的实现技术思路是：首先建立并调用混合动力汽车整车模型，在此基础上，设置模拟退火粒子群算法的相关参数，调用仿真循环工况并进行荷电状态等设置，然后设置加速测试、爬坡测试等约束条件，之后计算油耗、排放，编写目标函数F(x)，进入循环迭代主程序，计算每个粒子的适应度值，更新个体极值与全局极值，更新粒子位置与速度，计算更新后的适应度值，判断是否接受新位置，接受则降温，否则拒绝，返回再次计算适应度值。在迭代结束后，提取数据，代入原控制策略，获得油耗与排放数据，综合比较各组油耗与排放数据，得出最优控制参数。

为了实现上述目的，下面进一步描述本发明的技术方案：

基于模拟退火粒子群算法的混合动力汽车参数优化方法，包括以下步骤：

一种基于模拟退火粒子群算法的混合动力汽车参数优化方法，包括如下步骤：

步骤1，建立并调用混合动力汽车整车模型；

步骤2，设置模拟退火粒子群算法参数，包括退火起止温度Tstart、Tend、退火速度K、种群大小S、粒子维数D、粒子位置范围[Pmin Pmax]、粒子速度范围[Vmin Vmax]、惯性权重ωstart、ωend、最大迭代次数Tmax；

步骤3，调用仿真循环工况并进行荷电状态等设置，包括重复运行循环次数，电池电量校正及校正时的最大波动值；

步骤4，设置加速测试、爬坡测试约束条件；

步骤5，计算油耗、排放，根据目标函数F(x)编写适应度值Fitness(x)；

步骤6，计算每个粒子的适应度值；

步骤7，更新个体极值与全局极值；

步骤8，更新粒子位置、速度以及惯性权重；

步骤9，计算更新后的适应度值；

步骤10，判断是否接受新位置；

步骤11，迭代结束，提取数据，代入原控制策略，获得油耗与排放数据；

步骤12，综合比较各组油耗与排放数据，得出最优控制参数。

进一步，所述步骤1中，调用整车模型时应根据所建立混合动力汽车的类型初始化各部件参数。

进一步，所述步骤4中，约束条件设置包括加速测试和爬坡测试，加速测试规定汽车加速时间，最大速度，最大加速度；爬坡测试规定爬坡车速，爬坡度。

进一步，所述步骤5中，目标函数F(x)是将汽车的燃油消耗率和排放结合起来的多目标函数，函数采用如下形式描述：