【摘要】:近年来双离合器自動变速器(DCT)以其效率高、换挡品质优良和生产继承性好等优点受到国内外整车及零部件厂商的广泛关注。DCT换挡控制技术是电控系统开发嘚核心挡位决策和换挡过程控制是其研究的主要内容。本文结合国家863高科技计划资助项目“双离合器自动变速器产业化技术开发-换挡品質客观评价及数字化标定技术开发()”和教育部博士点基金项目“自动变速器数字化标定关键技术研究(27)”以提高换挡品质与控制系统鲁棒性、缩短控制系统开发时间、节约开发成本为目标,系统开展基于换挡品质客观评价的DCT换挡控制技术研究重点研究基于理想换挡过程的換挡品质客观评价技术、基于后备功率的挡位决策方法、换挡过程综合控制策略及控制品质优化等关键技术。主要内容如下: DCT整车系统建模与仿真建立了基于DCT的整车动力学仿真平台,包括发动机模型、离合器及操纵机构模型、变速箱模型、车辆负载模型及驾驶员模型采鼡包含进气歧管、燃油蒸汽与油膜、动力输出子模型的发动机平均值模型模拟发动机稳态及动态响应。采用静摩擦+库伦+双曲正切摩擦模型模拟离合器实际传递扭矩通过试验测得了摩擦系数与温度、滑摩转速的关系曲线。针对离合器液压控制系统分析了其工作机理建立了包含PWM电磁阀、离合器液压缸模型在内的操纵机构简化模型。基于DCT不同工作状态以动力传动系统模型为基础,研究了起步及换挡过程数学模型针对所建立的仿真平台,以典型工况换挡过程仿真验证了其有效性 2)基于理想换挡过程的换挡品质客观评价技术及系统构建。以模型仿真为基础提出理想换挡过程概念。从不同信号源角度分析并构建DCT换挡过程的客观评价指标体系设计指标提取所需的数据采集方案,采用Canoe-Matlab联合编程技术实现客观评价指标的在线提取应用R型聚类分析方法对换挡过程指标进行分类,基于分类结果进行主成分分析(PCA)以優化指标体系开发基于理想换挡过程的换挡品质客观评价模型,实现换挡品质在线和离线评价 3)基于后备功率的挡位决策方法。提出功率需求的概念并通过理论推导转化为后备功率限定值。针对等速行驶后备功率限定值的计算需求研究了基于EKF动态规划算法 经典实例的車辆载荷及坡度估计技术,采用实车试验数据进行动态规划算法 经典实例仿真验证应用动态规划(DP)理论进行DCT静态换挡规律制定,将动仂性和经济性解耦以DP静态换挡规律为基础实现基于后备功率的挡位决策方法。 4)换挡过程综合控制及控制品质优化分析了典型工况换挡機理,并采用DCT换挡过程简化仿真模型着重分析了DCT换挡过程中两离合器切换时序的协调控制问题提出Power-on升挡、降挡的综合控制策略。基于二佽型最优控制理论设计扭矩相分离离合器滑摩转速控制器,满足滑摩转速的控制精度和响应速度需求针对离合器油压控制中的非线性、时变特点,提出了离合器油压的滑模变结构控制方法实现油压的快速高精度控制。以基于理想换挡过程的评价模型作为适应度函数采用粒子群优化动态规划算法 经典实例(PSO)针对所提出的换挡过程综合控制策略进行控制量寻优,并进行了仿真验证 5)整车试验研究。构建换挡试验数据样本库设计了换挡数据样本采集的试验方案,并实施了多个DCT车型的实车试验为控制系统开发提供有效对标数据及参考。基于可靠TCU硬件平台开发DCT换挡控制系统软件。采用实车试验验证了基于后备功率的挡位决策方法、换挡过程综合控制策略及换挡控制品質优化结果的有效性
【学位授予单位】:吉林大学
【学位授予年份】:2015
|
版权声明:本文为博主原创文章未经博主允许不得转载。 /sinat_/article/details/
前几天在听了学长关于遗传优化动态规划算法 经典实例应用在考虑TMD作用的地震分析之后,感觉到优化动态规劃算法 经典实例一系列的优化动态规划算法 经典实例的强大之处回来也趁热打铁查了一下资料,大致理解一下遗传动态规划算法 经典实唎的机理下面就记录分享一下吧。
顾名思义遗传动态规划算法 经典实例是模拟生物在自然环境下的遗传和进化过程的一种自适应的全局优化搜索动态规划算法 经典实例,通过借助遗传学的原理经过自然选择、遗传、变异等作用机制进而筛选出具有适应性更高的个体(適者生存)。遗传动态规划算法 经典实例从20世纪七八十年代的诞生到现在主要集中的适用范围为:NP问题(指存在多项式动态规划算法 经典實例能够解决的非决定性问题)、非线性、多峰函数优化和多目标优化问题等等同时在机器学习、模式识别和神经网络及社会科学中的應用也显得非常出色。
二、遗传动态规划算法 经典实例的动态规划算法 经典实例理论
2.1遗传动态规划算法 经典实例基本概念与术语:
遗传动態规划算法 经典实例的概念简单来说就是利用种群搜索技术将种群作为一组问题解,通过对当前种群施加类似生物遗传环境因素的选择、交叉、变异等一系列的遗传操作来产生新一代的种群并逐步使种群优化到包含近似最优解的状态。
评价的函数值(适应度函数) |
遗传操作:就包括优选适应性强的个体的“选择”;个体间交换基因产生新个体的“交叉”;个体间的基因突变而产生新个体的“变异”。其中遗传动态规划算法 经典实例是运用遗传算子来进行遗传操作的即:选择算子、变异算子、交叉算子。
1.选择算子:根据个体的适应度按照一定的规则,从第n代群体中选择出一些具有优良性状的个体遗传到下一代(n+1)群体Φ在这一选择过程中,个体适应度越大则被选择到下一代的机会越大。某个体i的适应度fi种群大小NP,则i被选择的概率公式为:
2.交叉算孓:将群体P(n)中选中的各个个体随机搭配对于每一个个体,以某一特定概率(交叉概率Pc(0.25-1.0取值))交换他们之间的部分染色体(编码位串嘚部分位置)交叉动态规划算法 经典实例是的,遗传动态规划算法 经典实例的搜索能力得到更好的延伸
2.1交叉操作的具体步骤可以表述為:1.在交配池中随机取出要交配的一对个体;2,根据编码位串长度L对要交配的一对个体,随机选取[1,L-1]中的一个或者多个整数k作为交叉位置處相互交换各自的部分基因,由此形成新的个体
3.变异操作:对群体的每个个体,以某一个概率(变异概率Pm(0.01-0.1取值))将某一个或者某些基因座上的基因值改变为其他的等位基因值根据个体的编码方式不同,可以将变异分为实值变异和二进制变异
3.1变异的操作步骤为:艏先,对种群中的所有个体按事先的设定的变异概率判断是否进行变异操作;然后 对判断需要变异的个体进行随机选择变异位进行变异
4.1、遗传动态规划算法 经典实例以决策变量的编码作为运算对象,这种对决策变量的编码处理使得在优化计算中可以借鉴生物学的染色体囷基因概念,模拟自然界的生物遗传和进化机制方便的应用决策变量的编码成的位串进行遗传算子。
4.2、遗传动态规划算法 经典实例直接昰以目标函数值作为搜索收敛条件它仅仅使用目标函数值变换来的适应度函数值,就可以确定进一步的搜索方向和范围而不是使用目標函数的求导来进行。简化了动态规划算法 经典实例
4.3、遗传操作是基于概率因子来操作的
4.4、遗传动态规划算法 经典实例是自组织、自适應个自学习的。
五、遗传动态规划算法 经典实例的流程图:
六、Matlab遗传动态规划算法 经典实例的仿真实例:
实例:利用标准遗传动态规划算法 经典实例求函数的最大值其中定义域为[0,10]。(摘自智能优化动态规划算法 经典实例及Matlab实例)
运用matalb画图功能我们可以得到原函数的代码和圖形如下:
根据流程图步骤仿真步骤如下:2.产生初始种群将二进制编码转化为十进制,计算个体的适应度并进行归一化,之后进行遗傳操作产生新的种群。并把优势种群遗传到下一代
3.判断是否满足终止条件。满足则输出不满足则继续迭代优化。
具体代码这里篇幅囿限就不列出来了需要的可以联系本人自取!
最后,欢迎继续关注我的个人博客微信公众号:BlogShareCenter
布谷鸟搜索(Cuckoo SearchCS)是由 Xin-She Yang 和 Suash Deb 于 2009 年开發的自然启发式动态规划算法 经典实例。CS 基于布谷鸟的寄生性育雏(brood parasitism又巢寄生)行为。该动态规划算法 经典实例可以通过所谓的 Levy 飞行来增强而不是简单的各向同性随机游走。研究表明该动态规划算法 经典实例可能比遗传动态规划算法 经典实例、PSO 以及其他动态规划算法 經典实例更有效。
布谷鸟(杜鹃)是一种神奇的鸟不仅因为它们动听的啼鸣,还因它们的积极的繁殖策略杜鹃科中的犀鹃(Ani Cuckoo)和圭拉鵑(Guira Cuckoo),将它们的蛋放在其他鸟的巢中通过去除其他鸟(寄主)的蛋来增加自己蛋的孵化几率。有相当多种类的鸟都有将自己的蛋放在其他鸟的巢中这种寄生性育雏行为 [19]
寄生性育雏分为三种:种内寄生(intraspecific brood parasitism)、合作养育(cooperative breeding)和巢占据(nest takeover)。一些寄主鸟会与入侵的布谷鸟发苼直接冲突如果一个寄主鸟发现这些蛋不是他们自己的,那么他们要么将这些外来蛋清除掉要么就直接放弃这个巢,在别处建造一个噺的巢一些布谷鸟,例如 New World brood-parasitic Tapera已经进化成这样一种方式,雌杜鹃通常非常善于模仿几种特定寄主的卵的颜色和纹理这减少了它们蛋被遗棄的可能性,从而增加了它们的繁殖力
此外,该物种对产蛋时机的把握也非常到位布谷鸟通常会选择那些寄主刚刚产下自己蛋的巢。┅般来说布谷鸟蛋的孵化时间要比寄主蛋的孵化时间要早一些。一旦第一只布谷鸟雏鸟孵化出来第一个本能的动作就是通过盲目地推動将其他蛋从巢中推出,从而增加寄主对布谷鸟雏鸟的食物供给研究还表明,杜鹃雏鸟还可以模仿寄主雏鸟的叫声以获得更多的被喂喰机会。
另一方面各种研究表明,许多动物和昆虫的飞行行为表现出了具有幂律规律的 Lévy 飞行的典型特征Reynolds 和 Frye 最近的一项研究表明,果蠅(或 Drosophila melanogaster)利用一系列直线飞行路径和突然的 90° 转弯来探索景观从而产生 Lévy飞行式的间歇无标度搜索模式 [21]。针对人类行为的研究也表明洳 Ju/’hoansi 狩猎采集觅食模式等也表现出了 Lévy 飞行的典型特征 [4]。即使是光线也与 Lévy 飞行有联系 [2]另外,该行为已被应用于优化搜索结果表明其具有潜力 [20]。
此外 该动态规划算法 经典实例可以通过所谓的 Levy 飞行来增强,而不是简单的各向同性随机游走研究表明,该动态规划算法 经典实例可能比遗传动态规划算法 经典实例、PSO 以及其他动态规划算法 经典实例更有效 [30]为了简化描述标准 CS,这里我们引入以下三条理想化的規则:
进一步地,对于最后一个假设新巢可以通过替換 n 个宿主巢穴的 pa 来近似。对于最大化问题解质量或适应度可以简单地假设为与目标函数的值成比例。其他形式的适应度可以用与遗传动態规划算法 经典实例中的适应度函数类似的方式来定义
从实现的角度来看,我们可以用下面的简单规则:每个巢中的蛋代表一个解每個布谷鸟只能下一个蛋。目的是使用新的和可能更好的解(布谷鸟)来取代巢中不太好的解显然,这个动态规划算法 经典实例可以扩展箌更复杂的情况也就是,每个巢有多个蛋来代表一组解这里,我们只考虑最简单的情况每个巢只有一个蛋。在这种情况下蛋,巢戓布谷鸟之间没有区别因为每个巢对应一个鸡蛋,这也代表一只布谷鸟
该动态规划算法 经典实例使用由开关参数 pa 控制的局部随机游走囷的全局探索随机游走的平衡组合。局部随机游走可以写成
Heaviside 函数(单位阶跃函数)?是从均匀分布中抽取的随机数,s 是步长这里,? 表示两个向量的 entry-wise 积(点乘)
另一方面,全局随机行走使用 Levy 飞行
基于上述三条规则,CS 的基本步骤可以总结为以下伪代码:
式(2)本质上昰一种随机行走的随机(stochastic)公式事实上,随机行走是一个马尔科夫链其下一个状态/位置仅取决于当前状态(上式的第一项)和转移概率(上式的第二项)。然而新解的很大一部分应该由远场随机化产生,它们的位置应该离当前最佳解足够远这将确保系统不会陷入局蔀最优 [30, 32]。
关于布谷鸟搜索的文献在快速增长它得到了广泛地关注,最近不同领域的很多研究都用到了布谷鸟搜索 [6,7,9-11,13,36]. 例如Walton 等改进了该动态規划算法 经典实例提出了修改的 CS 动态规划算法 经典实例 [26];Yang 和 Deb 扩展该动态规划算法 经典实例到多目标优化 [33]。一个全面的综述可以从 Yang 编写的书仩看到 [35]
作为一种元启发式动态规划算法 经典实例有着令人惊讶的丰富特性。如果我们仔细观察更新公式(1)(2)我们就能发现丰富的细节。对於式(1)我们可以把因子放在一起设 Q=αs?H(pa??) ,然后我们有 Q>0于是,式(1)变成了差分进化的主更新公式更进一步,我们将 xtj 替换为当前最佳解 g? 并设 k=i我们有
另一方面对于式(2),这种随机行走是具有 Levy 飞行轉移概率的模拟退火(simulated annealingSA)。在这种情况下SA 的随机冷却表由 pa 控制。
因此差分进化、PSO 以及 SA 都可以看作是 CS 的特殊情况。相反我们也可说 CS 將 DE、PSO 和 SA 好的和有效的部分组合在一个动态规划算法 经典实例中。因此CS 非常有效。
从实现的角度来看用 Lévy 飞行生成随机数应包括两个步驟:随机方向的选择和服从 Lévy 分布的步长的生成。方向的生成应该服从均匀分布而生成步长是相当棘手的。有几种方法可以实现但是朂有效且直接的方法就是使用所谓的 Mantegna 动态规划算法 经典实例来实现对称的 Lévy 稳定分布 [15]。
然而生成正确服从 Lévy 分布的伪随机步长并不简单。 在 Mantegna 动态规划算法 经典实例中步长 s 可以通过以下变换使用两个服从高斯分布的变量 U 和 V 来计算:
方差为 σ2 的高斯正态分布。方差可以使用丅式计算:
Mantegna 动态规划算法 经典实例在数学上已被证明能够产生符合服从要求的分布的随机样本 [15]
对于关键参数,我们也尝试改变寄主巢的數量(或种群规模 40 和 pa=0.25 对于大多数优化问题是足够的结果和分析也表明收敛速度在一定程度上对所使用的参数不敏感。这意味着对于任何問题都不需要进行仔细地调整
让我们看一个简单的例子。我们使用的许多测试函数之一有双变量 Michalewicz 函数
(2.249)处有全局最小值 f?≈?1.8013使用 CS 可以佷容易地找到这个全局最优值,结果如图 2 所示其中巢的最终位置也在图中以 ? 标出。这里我们使用了 n = 15
从图中我们可以看到随着最优值嘚接近,大多数巢朝着全局最优的方向汇聚 我们还注意到,在多模态函数的情况下巢也分布在不同的(局部)最优点。 这意味着如果巢的数量远远大于局部最优的数量,那么 CS 可以同时找到所有的最优解当我们处理多模态和多目标优化问题时,这个优势可能变得更加偅要
在过去的几年里,CS 的许多变种已经被开发出来 尽管该动态规划算法 经典实例只有短暂的历史,但由于其简单、高效和灵活CS 引起叻大量的关注。 结果就是相关文献显著地增长。标准 CS 非常强大和高效但它是为连续优化而开发的。一个有用的扩展是开发离散 CS以使咜可以有效地解决调度问题和组合优化。已经有很多 CS 的变种 综述请参考 [34,12,35]。这里我们只概述几个变种:
修改的布谷鸟搜索(Modified cuckoo searchMCS)。Walton 等人开發了修改的的布谷鸟搜索 [26]已被用来优化网格生成和其他应用。
还有很多其他的变种Fister 等人提供了详细的综述 [12]。Yang 和 Deb 供了一个概念性的综述 [34]最近编写的书有更多关于杜鹃搜索和萤火虫动态规划算法 经典实例的文献 [35]。
除了前面的分析表明DE、PSO 和 SA 是 CS 的特例,最近嘚理论研究也表明 CS 具有全局收敛性 [27]如下一小节所述。
PSO 的理论研究表明它可以快速收敛到当前最优解,但不一定是全局最优解事实上,一些分析表明PSO 更新方程不满足全局收敛条件,因此不能保证全局收敛另一方面,已经证明布谷鸟搜索能够满足全局收敛的要求从洏保证了全局收敛性 [27]。这意味着对于多模态优化PSO 可能过早地收敛到局部最优,而 CS 通常可以收敛到全局最优
此外,CS 具有两种搜索能力:局部搜索和全局搜索由切换/发现概率控制。正如前面提到的那样局部搜索是非常密集的,搜索时间约为 1/4(pa=0.25)而全局搜索约占总搜索時间的 3/4。这使得可以在全局范围内更高效地探索搜索空间从而可以以更高的概率发现全局最优。
CS 的另一个优势是它的全局搜索使用 Lévy 飞荇而不是标准的随机行走。由于 Lévy 飞行具有无限的均值和方差CS 可以比使用标准高斯过程的动态规划算法 经典实例更有效地探索搜索空間。这一优势加上局部搜索能力,保证全局收敛使 CS 非常高效。事实上各种研究和应用已经证明 CS 是非常有效的 [32,13,26,8]。
Wang 等人为标准 CS 提供了全局收敛的数学证明他们的方法基于马尔可夫链理论 [27]。他们的证明可以概括如下:
由于更新公式中有两个分支局部搜索主要用于局部细囮,而主要的探索是通过全局搜索来完成的为了简化分析并强调全局搜索能力,我们使用简化版的 CS也就是说,与发现/切换概率 pa 相比
洇为 CS 动态规划算法 经典实例是一个随机搜索动态规划算法 经典实例,我们可以总结为以下主要步骤:
也就是说动态规划算法 经典实例 A 可以以概率 1
状态和状态空间。搜索历史中布谷鸟/巢的位置及其全局最优解 g
形成了布谷鸟的状态:y=(x,g) 其中 x,g∈Ω,f(g)≥f(x)所有可能状态的集合形成了状态空间,用下式表示
布谷鸟群/种群的状态和空间所有 n
个布谷鸟/巢的状态组成群的状态,由 q=(y1,y2,...,yn) 表示所有布谷鸟的所有状态组成了群的状态空间,记为
步的转移概率P(g1→g′1) 是该步骤中历史全局最优的转移概率。P(x′1→x2) 是第
所有这些集合将保证收敛条件得到满足进一步详细的数学分析证明,当迭代次数接近足够大时群状态序列将收敛到最優状态/解集 H。因此CS 能够保证全局收敛。
CS 已经被应用于许多优化和计算智能领域例如,在工程设计应用中CS 在一系列连续优化问题(例洳弹簧设计和焊接梁设计)上面比其他动态规划算法 经典实例具有更好的性能 [32,13]。
另外由 Walton 等人修改的 CS [26] 已被证明可以非常有效地解决非线性問题,如网格生成 Yildiz [36] 利用 CS 在铣削加工中选择最优的机床参数,提高了结果Zheng 和 Zhou [37] 提供了一个使用高斯过程的CS变体。
在数据融合和无线传感器網络中CS 已被证明是非常有效的 [9,10]。此外基于量子的 CS 能够有效地解决背包问题 [14]。从动态规划算法 经典实例分析的角度来看Civicioglu 和 Desdo [8] 提出的 CS 与粒孓群优化(PSO),差分进化(DE)和人工蜂群(ABC)的概念比较表明CS 与差分进化动态规划算法 经典实例比 PSO 与 ABC 提供了更健壮的结果。Gandomi 等人 [13] 为解决各种结构优化问题提供了更为广泛的比较研究,得出的结论是CS 与其他动态规划算法 经典实例如 PSO 和遗传动态规划算法 经典实例(GA)相比能够获得更好的结果。在各种应用中有一些有趣的性能提升如 Valian 等人使用 CS 来训练神经网络 [23],以及可靠性优化问题 [24]
对于复杂的相平衡应用,Bhargava 等人 [1] 表明CS 为解决热力学计算提供了一个可靠的方法。与此同时Bulatovi’c 等人 [3] 利用 CS 解决了六杆双闭锁联锁问题,Moravej 和 Akhlaghi [16] 以良好收敛速度和性能解決了配电网络中的 DG 分配问题
作为进一步的扩展,Yang 和 Deb [33] 针对设计工程应用提出了多目标布谷鸟搜索(MOCS)对于多目标调度问题,Chandrasekaran 和 Simon [5] 使用 CS 动态規划算法 经典实例取得了很大的进展这证明了他们提出的方法的优越性。最近的研究表明CS 在许多应用中可以比其他动态规划算法 经典實例表现得更好 [13,17,37,36]。更详细的综述请参阅 Yang [35] 和 Yang 等人
版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。