基于遺傳算法優(yōu)化的車輛轉(zhuǎn)矩模糊控制器的設(shè)計

長春工程學(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

長春工程學(xué)院電氣與信息學(xué)院 張 允 張黎黎 杜 波 趙迎輝 蔣夢瑩 郭慕瑤

【摘要】為了使車輛轉(zhuǎn)矩模糊控制器設(shè)計過程中，各項參數(shù)的設(shè)定更加客觀、準(zhǔn)確。本文基于遺傳算法對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，以實現(xiàn)模糊控制器的最佳設(shè)計效果。

【關(guān)鍵詞】遺傳算法；轉(zhuǎn)矩；模糊控制器

0　引言

在車輛轉(zhuǎn)矩模糊控制器設(shè)計過程中，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，這勢必存在一定的主觀性。為此，我們需要采用一種能夠自動設(shè)計和優(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)確地確定出各項參數(shù)及控制規(guī)則，實現(xiàn)最佳設(shè)計效果。遺傳算法的主要特點是群體的搜索策略和群體中個體之間的信息交換，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　轉(zhuǎn)矩模糊控制器的優(yōu)化

1.1參數(shù)編碼

（1）隸屬函數(shù)的編碼

本文所設(shè)計的模糊控制器的二個輸入變量分別是駕駛員的轉(zhuǎn)矩需求Td_req和電池 SOC，輸出變量為電機的轉(zhuǎn)矩需求Tm_req。對于輸入、輸出變量的隸屬函數(shù)待優(yōu)化的參數(shù)共有10個，對應(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)計的二維模糊控制器中NB、NS、Z、PS、PB、N、P這七個模糊語言變量的語言值分別用1～7這7個十進(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)化問題，是一個非負(fù)目標(biāo)函數(shù)的最小化問題，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）的最大估計值。

1.3個體的選擇、交叉與變異

（1）選擇算子

若群體規(guī)模為n，群體中第k個個體的適應(yīng)度為fk，則該個體被選擇的概率為：

這里，Pk為選擇概率，它是群體中第k個個體的相對適應(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)行交叉運算。其計算公式如下所示：

（3）變異算子

對于十進(jìn)制數(shù)編碼，我們采用實值變異的方式進(jìn)行變異運算。其計算公式為：

1.4參數(shù)設(shè)計

（1）種群規(guī)模 n

種群規(guī)模是遺傳算法的一個重要參數(shù)，經(jīng)過試驗我們?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)計算公式為：

（3）進(jìn)化終止代數(shù)

算法運行的終止條件一般是運行到固定的進(jìn)化代數(shù)即停止，這里設(shè)定進(jìn)化終止代數(shù)為100。

2　仿真結(jié)果及分析

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)變量越接近中心點時，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)離中心點時，隸屬函數(shù)的形狀越平緩，系統(tǒng)穩(wěn)定性越好。同時優(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。

3　結(jié)論

本文基于遺傳優(yōu)化理論對車輛轉(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，在此基礎(chǔ)上對優(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.基于高級遺傳算法的船舶模型參數(shù)辨識［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.

基金項目：吉林省教育廳基金項目《混合動力客車多目標(biāo)綜合協(xié)調(diào)控制技術(shù)研究》。

作者簡介：

張允（1973-），女，吉林長春人，博士研究生，副教授，研究方向：混合動力汽車智能控制。