混合動(dòng)力汽車參數(shù)優(yōu)化

混合動(dòng)力汽車動(dòng)力系統(tǒng)參數(shù)的優(yōu)化方法混合動(dòng)力汽車各動(dòng)力元件參數(shù)及控制策略參數(shù)對(duì)汽車性能有著很大的影響。對(duì)系統(tǒng)參數(shù)的優(yōu)化研究已經(jīng)成為現(xiàn)代汽車設(shè)計(jì)的一個(gè)重要環(huán)節(jié)，其主要思想是借助計(jì)算機(jī)工具，以重要的系統(tǒng)參數(shù)或控制參數(shù)為設(shè)計(jì)變量，確定目標(biāo)函數(shù)及約束函數(shù)，建立系統(tǒng)匹配數(shù)學(xué)模型，結(jié)合可靠的汽車仿真工具軟件，選擇優(yōu)化算法進(jìn)行求解，得到一組最優(yōu)解或近似最優(yōu)解來指導(dǎo)汽車后續(xù)設(shè)計(jì)，從而達(dá)到系統(tǒng)最佳匹配。提高燃油經(jīng)濟(jì)性，減少排放，并且滿足一定的動(dòng)力性要求。［1］優(yōu)化算法HEV的系統(tǒng)優(yōu)化是一個(gè)多變量多目標(biāo)的非線性約束優(yōu)化問題，其一般形式可表示為'min*gfM^0j=…，而式中；:;既府；次——目標(biāo)函數(shù)］￡#一束函數(shù)*為氣——分別為交童的下限值和上限值*工心——離散變量的孑弗合*JC——連續(xù)變意的子集合.一般處理此類優(yōu)化問題的優(yōu)化算法按需不需要計(jì)算函數(shù)的導(dǎo)數(shù)信息分為基于梯度的算法和非梯度算法兩大類?；谔荻鹊乃惴?，需要計(jì)算函數(shù)的導(dǎo)數(shù)信息，其中SQP算法是求解約束優(yōu)化問題最有效的解法之一。其基本思想是：在每一迭代步通過求解一個(gè)二次規(guī)劃子問題來確定一個(gè)下降方向，以減少價(jià)值函數(shù)來取得步長(zhǎng)，重復(fù)這些步驟直到求的原問題的解［2。matlab非線性規(guī)劃工具箱中的FMINCON函數(shù)使用了這一算法。但是混合動(dòng)力汽車系統(tǒng)比較復(fù)雜，其函數(shù)導(dǎo)數(shù)信息不易計(jì)算，而錯(cuò)誤的導(dǎo)數(shù)信息將會(huì)影響最優(yōu)解的搜索方向以及收斂性，從而陷入局部最優(yōu)。圖1是一個(gè)兩變量的HEV優(yōu)化決策空間，可以看出含有多個(gè)局部最優(yōu)解，因此在這里基于梯度的算法往往會(huì)失效。圖1非梯度算法不需要計(jì)算函數(shù)的導(dǎo)數(shù)信息，因此可以收斂到全局最優(yōu)。目前應(yīng)用于HEV系統(tǒng)優(yōu)化的非梯度算法有Complex,DIRECT等，都具有較好的效果。DIRECT算法是一種確定性全局優(yōu)化算法，特別適用于具有確定變量空間的函數(shù)尋優(yōu)。在DIRECT算法中，對(duì)取值范圍進(jìn)行歸一化，從而將變量空間變成一個(gè)n維超立方。該算法首先計(jì)算變量空間中心點(diǎn)處函數(shù)值，然后不斷分割變量空間并比較分割出的子空間中心點(diǎn)處函數(shù)值，最終獲得全局最優(yōu)函數(shù)值［3］如文獻(xiàn)3中就是采用DIRECT進(jìn)行參數(shù)的優(yōu)化。隨著現(xiàn)代最優(yōu)化技術(shù)的發(fā)展，現(xiàn)代優(yōu)化算法如模擬退火、遺傳算法、粒子群算法等也逐漸應(yīng)用于混合動(dòng)力汽車系統(tǒng)參數(shù)的優(yōu)化。在HEV中應(yīng)用較多的是遺傳算法(GA)。遺傳算法是模擬自然界遺傳機(jī)制和生物進(jìn)化論而形成的一種過程搜索全局最優(yōu)解的算法［4］.文獻(xiàn)5中就是采用遺傳算法進(jìn)行參數(shù)的優(yōu)化。遺傳算法能實(shí)現(xiàn)多目標(biāo)優(yōu)化，因此具有很大的研究和應(yīng)用價(jià)值，是國(guó)內(nèi)外優(yōu)化算法研究的重要方向。但是基本遺傳算法(SimpleGeneticAlgorithm,SGA)難以兼顧多樣性和收斂性的問題，容易出現(xiàn)早熟現(xiàn)象(即很快收斂到局部最優(yōu)而非全局最優(yōu))、后期收斂速度慢、遺傳漂移現(xiàn)象、局部尋優(yōu)能力較弱、進(jìn)化速度緩慢等問題，因此可以結(jié)合其他算法的優(yōu)點(diǎn)對(duì)基本遺傳算法進(jìn)行改進(jìn)，構(gòu)成混合遺傳算法(HybridGeneticAlgorithm)⑹?；旌线z傳算法的實(shí)現(xiàn)主要有兩類［7］:一是對(duì)遺傳算法本身做進(jìn)一步改進(jìn)，如基于小生境的遺傳算法(NichedGeneticAlgorithm,NGA)和自適應(yīng)遺傳算法(Real-codedAdaptiveGeneticAlgorithm,RAGA)［8］等；二是將遺傳算法與其他優(yōu)化算法結(jié)合(如SQP、模擬退火算法9等)，從而提高局部尋優(yōu)能力。DIRECT和遺傳算法的運(yùn)算速度都比較慢，文獻(xiàn)10中的運(yùn)算時(shí)間達(dá)到了86個(gè)小時(shí)。而文獻(xiàn)13中利用DIRECT和GA-SQP算法優(yōu)化單目標(biāo)函數(shù)則分別用了144h和121h，盡管如此仍未得到全局最優(yōu)解。粒子群算法(ParticleSwarmOptimization，PSO)與遺傳算法類似，也是一種模擬自然規(guī)律的優(yōu)化算法。系統(tǒng)初始化為一組隨機(jī)解，通過迭代搜尋最優(yōu)值。但是它沒有遺傳算法用的交叉(crossover)以及變異(mutation)，而是粒子在解空間追隨最優(yōu)的粒子進(jìn)行搜索。同遺傳算法比較，PSO的優(yōu)勢(shì)在于簡(jiǎn)單容易實(shí)現(xiàn)并且沒有許多參數(shù)需要調(diào)整。目前已廣泛應(yīng)用于函數(shù)優(yōu)化，神經(jīng)網(wǎng)絡(luò)訓(xùn)練，模糊系統(tǒng)控制以及其他遺傳算法的應(yīng)用領(lǐng)域。如文獻(xiàn)11中就是采用粒子群算法進(jìn)行參數(shù)的優(yōu)化。理論上粒子群算法也可以應(yīng)用于多目標(biāo)優(yōu)化問題，但是其不像遺傳算法那樣已經(jīng)相對(duì)比較成熟，仍停留于研究的初步階段。以上對(duì)混合動(dòng)力汽車系統(tǒng)優(yōu)化中常用的算法進(jìn)行了簡(jiǎn)單介紹。文獻(xiàn)12中針對(duì)一個(gè)單目標(biāo)優(yōu)化問題對(duì)幾種優(yōu)化算法包括SQP、Complex.DIRECT等進(jìn)行了比較，得出結(jié)論是基于非梯度的優(yōu)化算法比非梯度優(yōu)化算法效果要好，其中DIRECT效果最好。而文獻(xiàn)ParameterOptimizationofPowerControlStrategyforSeriesHybridElectricVehicle中用DIRECT和GA算法針對(duì)不同工況下的燃油經(jīng)濟(jì)性和排放性進(jìn)行了優(yōu)化，得出的結(jié)論是GA的優(yōu)化結(jié)果要優(yōu)于DIRECT。在多目標(biāo)優(yōu)化中，文獻(xiàn)6針對(duì)一個(gè)多目標(biāo)優(yōu)化問題對(duì)GA和SAGA進(jìn)行了比較，得出模擬退火遺傳算法具有優(yōu)化效率更高、收斂進(jìn)化代數(shù)更少、優(yōu)化目標(biāo)更優(yōu)等特點(diǎn)。下表簡(jiǎn)要列出了一些混合動(dòng)力汽車系統(tǒng)優(yōu)化上常用算法的優(yōu)缺點(diǎn)。優(yōu)點(diǎn)缺點(diǎn)基于梯度的算法序列二次規(guī)劃法（SQP）收斂快，精度高優(yōu)化函數(shù)必須可導(dǎo)，容易陷入局部最優(yōu)基于非梯度的算法DIRECT能得到全局最優(yōu)解精度不高，對(duì)于高維問題搜索緩慢。只適用于變量少的情況【12】遺傳算法（GA）具有固有的并行性和并行計(jì)算的能力可以實(shí)現(xiàn)多目標(biāo)多變量?jī)?yōu)化早熟現(xiàn)象，后期收斂速度慢。粒子群算法（PSO）容易實(shí)現(xiàn)、沒有許多參數(shù)需要調(diào)整多目標(biāo)優(yōu)化理論研究仍未成熟綜上所述，基于梯度的優(yōu)化算法收斂快，但容易陷入局部最優(yōu)或失效；非梯度算法（如DIRECT,GA）可以收斂到全局最優(yōu)點(diǎn)，但運(yùn)算速度很慢。其中基于遺傳算法的混合算法和粒子群算法能實(shí)現(xiàn)多目標(biāo)優(yōu)化問題，是目前國(guó)內(nèi)外研究的主要方向。此外鑒于現(xiàn)有算法的運(yùn)算速度，開發(fā)更高效的算法，提高運(yùn)算速度也是一個(gè)需要解決的問題。優(yōu)化方式HEV的系統(tǒng)優(yōu)化問題一般是基于仿真環(huán)境的優(yōu)化，優(yōu)化模型的目標(biāo)函數(shù)和約束函數(shù)并非設(shè)計(jì)變量的顯式表達(dá)，在此情況下，目標(biāo)函數(shù)、約束函數(shù)與設(shè)計(jì)變量是由仿真系統(tǒng)所決定的一種隱式關(guān)系。這種隱式的數(shù)學(xué)關(guān)系取決于所用的汽車仿真系統(tǒng)，目前使用較多的是ADVISOR仿真軟件。ADVISOR2002中提供了界面運(yùn)行和非界面運(yùn)行兩種方式。ADVISOR界面上的Autosize模塊提供了基于MATLAB或基于VisualDOC2.0兩種優(yōu)化方法，其中基于MATLAB的優(yōu)化方法調(diào)用的是MATLAB優(yōu)化工具箱中的FMINCON函數(shù)，采用的是序列二次規(guī)劃法°VisualDOC2.0是基于梯度算法的優(yōu)化軟件包【⑴。算法提供了直接梯度優(yōu)化（DGO）和響應(yīng)表面近似（RSA）2種程序。DGO采用序列二次規(guī)劃方法計(jì)算梯度以決定優(yōu)化值的搜索方向；RSA執(zhí)行實(shí)驗(yàn)設(shè)計(jì)（DOE），為這些數(shù)據(jù)點(diǎn)建立基于響應(yīng)的第二順序值。基于表面響應(yīng)，程序可以估計(jì)優(yōu)化設(shè)計(jì)點(diǎn)，評(píng)價(jià)這一點(diǎn)的函數(shù)值，更新基于實(shí)際值的近似值，并反復(fù)尋找最優(yōu)設(shè)計(jì)點(diǎn)，直到條件滿足【15】。當(dāng)采用非界面命令式的運(yùn)行方式時(shí)。外部程序便可通過訪問ADVISOR的內(nèi)部命令來控制它的仿真運(yùn)行，這樣可以使用其他的優(yōu)化工具包或者優(yōu)化算法。優(yōu)化過程是：首先優(yōu)化軟件向ADVISOR模塊傳遞優(yōu)化問題的初始值、目標(biāo)函數(shù)和約束函數(shù)的輸入?yún)?shù)，由ADVISOR模塊的函數(shù)計(jì)算出相應(yīng)的目標(biāo)函數(shù)和約束函數(shù)值，然后判斷約束條件是否成立，如果不成立，則更新初始值，循環(huán)上面的計(jì)算過程；如果成立，則優(yōu)化計(jì)算結(jié)束俄"其算法優(yōu)化過程如圖2約束函數(shù)計(jì)算函數(shù)成削臂饕:：*a|advi二模塊底制目標(biāo)函數(shù)日標(biāo)函數(shù)和約束函數(shù)的輸出參教圖2接口[error_code,resp]=adv_no_gui(action,input)優(yōu)化模型分類建立優(yōu)化數(shù)學(xué)模型的主要工作是選擇設(shè)計(jì)變量，、確定約束條件和目標(biāo)函數(shù)。設(shè)計(jì)變量一般選取對(duì)設(shè)計(jì)結(jié)果有顯著影響的并能直接控制的獨(dú)立參數(shù)，通常選擇的設(shè)計(jì)變量是HEV動(dòng)力系統(tǒng)主要部件的功率參數(shù)，如發(fā)動(dòng)機(jī)、電動(dòng)機(jī)功率以及蓄電池的單體數(shù)目，也可以是控制策略的控制參數(shù)，如SOC的上下限等。約束條件主要是整車性能的特定要求，一般是對(duì)HEV的動(dòng)力性能要求以及對(duì)設(shè)計(jì)變量的取值限制。也可能是油耗、排放要求等。根據(jù)目標(biāo)函數(shù)的數(shù)量可以將優(yōu)化問題分成單目標(biāo)優(yōu)化和多目標(biāo)優(yōu)化。單目標(biāo)優(yōu)化又可以分為主要目標(biāo)法和統(tǒng)一目標(biāo)法。單目標(biāo)法以一個(gè)優(yōu)化目標(biāo)作為目標(biāo)函數(shù)，其他目標(biāo)給定約束范圍，作為約束函數(shù)處理?；旌蟿?dòng)力汽車動(dòng)力系統(tǒng)優(yōu)化問題包括動(dòng)力元件參數(shù)優(yōu)化和控制策略參數(shù)優(yōu)化兩個(gè)方面。前者的目標(biāo)函數(shù)通常是動(dòng)力系統(tǒng)成本網(wǎng)［17］，后者的目標(biāo)函數(shù)通常是燃油經(jīng)濟(jì)性和排放性we。統(tǒng)一目標(biāo)法將多個(gè)優(yōu)化目標(biāo)進(jìn)行歸一化，然后加權(quán)求和得到一個(gè)總的評(píng)價(jià)函數(shù)。［23-28］主要目標(biāo)法只能優(yōu)化汽車性能的一個(gè)方面，而沒有對(duì)整體性能進(jìn)行綜合考慮。而統(tǒng)一目標(biāo)法雖然可以同時(shí)考慮多個(gè)目標(biāo)，但是其實(shí)質(zhì)是將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)進(jìn)行優(yōu)化，其固有缺陷是一次只能求出一個(gè)解，這與多目標(biāo)優(yōu)化問題的本質(zhì)是相違背的。并且各目標(biāo)函數(shù)的權(quán)重完全憑經(jīng)驗(yàn)選取。因此，要實(shí)現(xiàn)HEV多目標(biāo)參數(shù)優(yōu)化設(shè)計(jì)最好的辦法是對(duì)這些參數(shù)同時(shí)進(jìn)行優(yōu)化。目前應(yīng)用于多目標(biāo)優(yōu)化問題的主要是遺傳算法。例如在文獻(xiàn)29中引入了基于共享機(jī)制的小生境技術(shù)，求解出多參數(shù)優(yōu)化的Pareto最優(yōu)解集，這個(gè)解集為設(shè)計(jì)人員提供了一個(gè)相對(duì)廣泛的選擇空間。在文獻(xiàn)29、30、31中以動(dòng)力性能作為約束，同時(shí)優(yōu)化燃油經(jīng)濟(jì)性和排放性能，在文獻(xiàn)32中則對(duì)動(dòng)力系統(tǒng)成本和燃油經(jīng)濟(jì)性同時(shí)進(jìn)行了優(yōu)化。參考文獻(xiàn)：1混合動(dòng)力電動(dòng)汽車系統(tǒng)參數(shù)的優(yōu)化方法研究2最優(yōu)化方法及其matlab程序設(shè)計(jì)3基于DIRECT算法的混合動(dòng)力汽車參數(shù)優(yōu)化研究4遺傳算法一理論、應(yīng)用與軟件實(shí)現(xiàn)5遺傳算法在混合動(dòng)力汽車控制策略優(yōu)化中的應(yīng)用6燃料電池電動(dòng)汽車動(dòng)力系統(tǒng)參數(shù)匹配與優(yōu)化研究7一種改進(jìn)的遺傳模擬退火算法及其應(yīng)用8基于混合自適應(yīng)遺傳算法HEV系統(tǒng)參數(shù)的優(yōu)化9基于模擬退火的混合遺傳算法研究10基于遺傳算法的串聯(lián)混合動(dòng)力汽車參數(shù)優(yōu)化11基于粒子群優(yōu)化的并聯(lián)式混合動(dòng)力汽車模糊能量管理策略研究12OptimalDesignofAutomotiveHybridPowertrainSystems13演化計(jì)算在混合驅(qū)動(dòng)系統(tǒng)優(yōu)化中的應(yīng)用14AutosizeHelp15混合動(dòng)力系統(tǒng)的匹配設(shè)計(jì)和優(yōu)化算法16混合動(dòng)力客車動(dòng)力系統(tǒng)設(shè)計(jì)及參數(shù)優(yōu)化17四輪驅(qū)動(dòng)燃料電池汽車動(dòng)力系統(tǒng)參數(shù)匹配與優(yōu)化18四驅(qū)混聯(lián)電動(dòng)汽車的燃油經(jīng)濟(jì)性優(yōu)化19混合動(dòng)力電動(dòng)汽車控制策略的仿真研究及優(yōu)化PowermanagementanddesignoptimizationoffuelPlug-inhybridelectricvehiclecontrolstrategyparameteroptimization遺傳算法在混合動(dòng)力汽車能量管理策略及匹配優(yōu)化中的應(yīng)用基于混合遺傳算法的混合動(dòng)力汽車優(yōu)化設(shè)計(jì)研究24基于混合自適應(yīng)遺傳算法HEV系統(tǒng)參數(shù)的優(yōu)化25遺傳算法與ADVISOR聯(lián)合優(yōu)化仿真汽車動(dòng)力傳動(dòng)系統(tǒng)Multi-ObjectiveGeneticAlgorithmforHybridElectricVehicleParameterOptimizationMulti-objectiveoptimizationforhydraulichybridvehiclebasedonadaptivesimulatedannealinggeneticalgorithmParticleSwarmOptimizationforEfficientSelectionofHybridElectricVehicleDesignParamete