基于遗传算法优化的车辆转矩模糊控制器的设计

长春工程学院电气与信息学院 张 允 张黎黎 杜 波 赵迎辉 蒋梦莹 郭慕瑶



基于遗传算法优化的车辆转矩模糊控制器的设计

长春工程学院电气与信息学院 张 允 张黎黎 杜 波 赵迎辉 蒋梦莹 郭慕瑶

【摘要】为了使车辆转矩模糊控制器设计过程中，各项参数的设定更加客观、准确。本文基于遗传算法对模糊控制器的隶属度函数与模糊控制规则进行了优化，以实现模糊控制器的最佳设计效果。

【关键词】遗传算法；转矩；模糊控制器

0　引言

在车辆转矩模糊控制器设计过程中，确定隶属度函数与模糊控制规则的传统方法主要是依靠专家的经验，这势必存在一定的主观性。为此，我们需要采用一种能够自动设计和优化隶属度函数与模糊控制规则的方法，以期更加客观、准确地确定出各项参数及控制规则，实现最佳设计效果。遗传算法的主要特点是群体的搜索策略和群体中个体之间的信息交换，不依赖于梯度信息，不易陷于局部最优解，因而，该算法能很好的用于隶属度函数与模糊控制规则的优化。

1　转矩模糊控制器的优化

1.1参数编码

（1）隶属函数的编码

本文所设计的模糊控制器的二个输入变量分别是驾驶员的转矩需求Td_req和电池 SOC，输出变量为电机的转矩需求Tm_req。对于输入、输出变量的隶属函数待优化的参数共有10个，对应的编码为｛x1，x2，x3，x4， x5，x6，x7，x8， x9，x10｝。

（2）模糊控制规则的编码

我们将所设计的二维模糊控制器中NB、NS、Z、PS、PB、N、P这七个模糊语言变量的语言值分别用1～7这7个十进制数表示。这样就可以把已制定的模糊控制规则数字化处理，形成编码。进一步将数字化规则拉伸，生成编码为：｛11223 12234 22345 23345｝

（3）联合编码

将隶属函数与控制规则编码联合，形成最终的一维的十进制染色体编码串：

｛ x1x2x3x4x5x6x7x8x9x1011223 12234 22345 23345｝。

1.2选取适应度函数

由于控制系统的参数优化问题，是一个非负目标函数的最小化问题，故可采用如下变化方式将目标函数映射成适应度函数。

Cmax为g（x）的最大估计值。

1.3个体的选择、交叉与变异

（1）选择算子

若群体规模为n，群体中第k个个体的适应度为fk，则该个体被选择的概率为：

这里，Pk为选择概率，它是群体中第k个个体的相对适应度。

（2）交叉算子

由于本文的遗传编码为十进制数，所以我们采用中间重组的方式进行交叉运算。其计算公式如下所示：

（3）变异算子

对于十进制数编码，我们采用实值变异的方式进行变异运算。其计算公式为：

1.4参数设计

（1）种群规模 n

种群规模是遗传算法的一个重要参数，经过试验我们取 n=50。

（2）交叉概率和变异概率

交叉概率Pc和变异概率Pm的选择直接影响遗传算法的收敛性。交叉和变异概率的自适应计算公式为：

（3）进化终止代数

算法运行的终止条件一般是运行到固定的进化代数即停止，这里设定进化终止代数为100。

2　仿真结果及分析

优化后各输入、输出变量的隶属函数及模糊控制规则表分别如下所示。

图1　优化后 Td_req的隶属度函数仿真曲线

图2　优化后SOC值的隶属度函数仿真曲线

图3　优化后Te_req的隶属度函数仿真曲线

表1　优化后模糊控制规则表

从隶属度函数仿真曲线优化结果可以看出，当变量越接近中心点时，模糊子集的划分越精细，隶属度函数的形状越陡，模糊集合分辨率越高，控制效果越精确。反之，当变量越远离中心点时，隶属函数的形状越平缓，系统稳定性越好。同时优化后的隶属函数能够更好地满足系统在不同阶段的性能要求。

3　结论

本文基于遗传优化理论对车辆转矩模糊控制器的隶属度函数与模糊控制规则进行了优化设计，在此基础上对优化后的隶属函数进行了Matlab仿真，仿真结果表明该优化算法能够有效改善控制系统的精确性与稳定性。

参考文献

［1］徐孟，陈永冰，周永余.基于高级遗传算法的船舶模型参数辨识［J］.舰船电子工程，2006（1）：101-106.

［2］王小平，曹立明.遗传算法-理论、应用与软件实现［M］.西安：西安交通大学出版社，2001.

［3］刘晓霞.种群规模对遗传算法性能影响的研究［D］.北京：华北电力大学，2010.

［4］陈长征，王楠.遗传算法中交叉和变异概率选择的自适应方法及作用机理［J］.控制理论与应用，2002，19（1）：41-43.

［5］刘咪.遗传算法及其在优化模糊控制器中的应用［D］.福州：福州大学，2005.

基金项目：吉林省教育厅基金项目《混合动力客车多目标综合协调控制技术研究》。

作者简介：

张允（1973-），女，吉林长春人，博士研究生，副教授，研究方向：混合动力汽车智能控制。