基于遗传算法的汽车底盘系统协调控制优化_刘显贵_郑从兴_林勇明

合集下载

基于遗传算法的汽车主动悬架LQR控制器的优化设计

基于遗传算法的汽车主动悬架LQR控制器的优化设计

性 能指标 加权 系数 的 直接 决 定其 所 输 出的 最优 控 制 力及 控制 效果 。但 是加 权 系 数选 择 主 要 由设 计 者 的 经验 确定 , 这样 的 “ 最优” 控 制 实 际上 完 全 依 赖 于 设 计者 的经 验 。如果 选 择 不 当 , 虽 然 可 以求 出 最 优 解 却没 有 实际意 义 , 有 时还 可能 得 出错 误 的结论 。另一 方面 , 所选 择的加权 系 数常 常无 法保 证性 能 指标 的最
O 前 言
悬 架 系统是 汽 车结 构 中 的一 个 起 到举 足 轻 重 的
组 成部 分 , 它具体是 指衔接车轮 ( 车桥 ) 与车身 ( 车 架) 的所 有零 部件 的统 称 , 减 震器 和导 向机 构 以及 弹 簧 是 它 的三个 核 心 组 成 部 分 , 是 增 强 车 辆 平 顺 舒 适
Th e Op t i ma l De s i g n o f Au t o mo b i l e Ac t i v e S u s p e n s i o n wi t h LQR Co n t r o l l e r Ba s e d o n Ge n e t i c Al g o r i t h m
Ab s t r a c t :Ai mi n g a t t h e L QR c o n t r o l l e r o f Au t o mo b i l e a c t i v e s u s p e r s i o n, T h e we i g h t e d ma t r i x wa s o p t i —
为 目标 函数 对加权矩 阵进 行优化 , 提高了L Q R控制 器的设计效率 和性能 。仿真 结果表 明基 于遗 传 算法 设计 的 L Q R控制 器减少 了路 面对 车身的振动 冲击 , 提 高了汽车操 作的稳 定性和 乘 坐的舒适性 。 关键 词 : 主动 悬 架 ; L Q R; 遗 传 算法 ; 目标 函数 ; 仿 真 中图分 类号 : U 4 6 1 . 4 文献 标识 码 : B

并行遗传算法在汽车悬架系统参数优化设计中的应用研究

并行遗传算法在汽车悬架系统参数优化设计中的应用研究
维普资讯
第2 3卷 第 7期
20 0 6年 7月
计 算机 应 用与软 件
Co u e p ia in n fwa e mp tr Ap lc to s a d Sot r
Vo. 3. . 1 2 No 7
J 12 0 u.0 6
Kew r y o  ̄
V hc upni yt Prl l e ecagrh ( G Cut ytm ei esses nss m l o e aa e gnt lo tm P A) ls rss l i i e e
( )全局 P A 它又称 为主从 P A, 遗传算 法并行 化 的 1 G G 是
t rd no he wol w. The r s e ti nd r n om p i z to t d . Ge t lo t y a e a c ran a a d o tmiain meho s nei ag r hm sa tpia a do meho n s ly l s e il— c i i y c lr n m t d a d dipa swel p cai
定性优化方法和随机性优化方法。遗传算法作 为一 种典 型的随机 性方法 , 在处理 此类 问题 时显示 出 了良好 的特 性。但是随着 问题 规模 的不断扩大 , 统遗传 算法的计算效率 已无法满足要求。本 文将并行遗传 算法应用 于汽车悬架 系统参数优化设计 , 传 并在集群 系
统 上 对 其 进 行 了测 试 。 计 算 效 率 得 到 了很 大 提 高 , 得 了满 意效 果 。 取
Ab t a t sr c V h c es s e so ss se i at pc l o lx mu t b d y a c y tm.T e ea e t p i z t n d sg a so a e il u p n i n y tm s y ia mpe l — o y d n miss se c i h r r woo t miai e in me d a ig wi h tp o l m.Bu t e ic e s n a g fp o l ms d me so s h ac l t ef in yo a io a g n t l o t m y i e l t t a r b e n h t h t n r a ee l r eo r b e ’ i n in ,t e c lu ae f ce c ft d t n l e ei ag r h wi h i r i c i

基于遗传算法的12自由度动力总成悬置系统多目标优化

基于遗传算法的12自由度动力总成悬置系统多目标优化

关键词 :1 2自由度动力总成悬置 系统 ; 多 目标优化 ;遗传算法
中 图 分 类 号 :U 4 6 1 . 2 文 献 标 志 码 :A 文章 编 号 :1 6 7 4 -1 9 8 6( 2 0 1 6 )1 2 - 0 0 7 - 0 5
Mu l t i - o b j e c t i v e Op t i mi z a t i o n o f T we l v e D e g r e e s o f F r e e d o m P o w e r t r a i n
D O I :1 0 . 1 9 4 6 6 / j . c n k i . 1 6 7 4 — 1 9 8 6 . 2 0 1 6 . 1 2 . 0 0 2
基 于 遗 传 算法 的 1 2 自由度 动 力 总成 悬 置 系统 多 目标优 化
樊帆
( 广 ’ J ' l 汽车集团股份有限公司汽车工程研究院,广东广州 5 1 1 4 3 4 )
Ab s t r a c t :T a k i n g a e a r a s s t u d y o b j e c t , a d y n a m i c mo d e l o f t w e l v e d e g r e e s o f f r e e d o m p o w e r t r a i n m o u n t i n g s y s t e m w a s e s t a b l i s h e d w h i c h i n c l u d e d p o w e r t r a i n a n d b o d y .T a k i n g e n e r g y d e c o u p l i n g r a t e a n d v i b r a t i o n i s o l a t i o n i n i d l e a s o b j e c t i v e f u n c t i o n s , c o n s i d e r i n g t h e ma i n s p r i n g s t r u c t u r e a n d f r e q u e n c y d i s t r i b u t i o n o f r i g i d b o d y a s c o n s t r a i n t c o n d i t i o n s , mu l t i — o b j e c t i v e o p t i m i z a t i o n a i m i n g a t e n e r g y d e c o u p l i n g r a t e a n d v i —

应用遗传算法进行汽车动力传动系统参数的优化

应用遗传算法进行汽车动力传动系统参数的优化

值 ; 果 cr 如 v 大于 1说 明 目前 种群 正在 收敛 , , 不进 行 单纯形 操作 , 否则 , 种 群进行 单纯形 对 操作 。在选择 哪些 群体 做单纯 形运算 的问题 上, 我们首 先对种 群按适 应 值进 行 排队 , 选择 中间 的 3 %进行 运 算 , 0 当然 这所 选 个数 应 为 3的倍 数 。 ( )约束 的处理 4 遗传算法 对 于约 束 的处 理 有很 多方 法 , 其 中以罚 函数 法 最 为 简单 易用 , 且 实 验结 而 果证 明对 于大 多 数 约束 类 型而 言 , 函数法 罚
遗传 算法 优 化设 计 传动 系
敛慢 , 易陷入局部 最优 等 缺点 井将 此算法 成功地运 用在汽 车动 力传 动 系统参数优化 上 。 吝
纯 形 算 子 , 得 了较 好 的 实 算 效 果 。 取
l 引 言
2 改 进 的 i 算 法 蠹传
动 力传 动 系 与 汽 车 使 用 工 况 匹 配 的 好 坏 直 接关 系 到汽 车 的 动 力 性 能 的 发 挥 和燃 油 经 济 性 的 改 善 。特 别 是 汽 车 驱 动 桥 速 比对 汽 车 动 力 性 + 经 济 性 影 响 很 大 , 动 桥 的速 比增 燃 驱 大 , 以增 大 汽 车 的 后 备 功 率 , 高 汽 车 的 加 可 提 ( )杂 交 算 子 1 杂 交算 子是 遗传 算 法 中的 主 要算 子 , 简 单 遗 传 算 法 采 用 单 点 杂 交 , 种 方 法 容 易 使 这 群 体早熟 , 不利 于 群 体 的 多 样 性 , 文 中 采 用 本 差 异 演 化 的 思 想 , 计 新 的 杂交 算 子 。 设 差 分 演 化 葬 法 是 一 种 简 单 有 效 的 演 化 策 略 , 的 主 要 思 想 是 将 两 个 个 体 的 差 值 加 权 它 与 第 三 个 个 体 之 和 作 为一 个新 的 个 体 , 把 再

遗传算法在车辆动力系统优化中的应用案例

遗传算法在车辆动力系统优化中的应用案例

遗传算法在车辆动力系统优化中的应用案例车辆动力系统的优化一直是汽车工程领域的重要课题之一。

随着科技的发展,遗传算法作为一种智能优化方法,被广泛应用于车辆动力系统的设计与优化中。

本文将介绍一些遗传算法在车辆动力系统优化中的应用案例,展示其在提高汽车性能和燃油经济性方面的潜力。

1. 引言车辆动力系统优化的目标是提高汽车性能和燃油经济性,减少尾气排放。

遗传算法作为一种模拟自然选择和遗传进化的计算方法,可以在搜索解空间中找到最优解。

因此,它被广泛应用于车辆动力系统的优化中。

2. 发动机参数优化发动机是车辆动力系统的核心组成部分,其参数的优化对于提高汽车性能和燃油经济性至关重要。

遗传算法可以通过对发动机参数进行优化,找到最佳的参数组合。

例如,某汽车制造商希望优化某款车型的发动机参数,以提高其燃油经济性。

他们使用遗传算法来搜索最佳的进气道几何形状、燃烧室设计和喷油策略等参数。

通过对大量的参数组合进行评估和选择,遗传算法最终找到了一组优化的发动机参数,使得该车型的燃油经济性提高了10%。

3. 换挡策略优化换挡策略对于汽车性能和燃油经济性同样具有重要影响。

传统的换挡策略通常基于固定的转速和车速阈值,但这种策略往往不能最大化汽车的性能和燃油经济性。

通过遗传算法,可以优化换挡策略,使其更加智能化和个性化。

例如,一家汽车公司使用遗传算法来优化某款车型的自动变速器换挡策略。

遗传算法根据车速、转速、油门开度等参数,通过不断进化和选择,找到了最佳的换挡策略。

经过优化后,该车型的加速性能提高了10%,燃油经济性提高了5%。

4. 动力分配优化动力分配是指将发动机的输出功率合理地分配给车辆的各个驱动轮,以提高车辆的操控性和稳定性。

遗传算法可以通过优化动力分配策略,使得车辆在不同路况下表现更加出色。

例如,一家赛车车队使用遗传算法来优化赛车的动力分配策略。

遗传算法根据赛车的速度、转向角度、轮胎抓地力等参数,找到了最佳的动力分配策略。

基于遗传算法汽车动力总成悬置系统解耦优化

基于遗传算法汽车动力总成悬置系统解耦优化

V ol 35No.5Oct.2015噪声与振动控制NOISE AND VIBRATION CONTROL 第35卷第5期2015年10月文章编号:1006-1355(2015)05-0077-05基于遗传算法汽车动力总成悬置系统解耦优化伍建伟,刘夫云,李峤,周洪威,李应弟(桂林电子科技大学机电工程学院,广西桂林541004)摘要:为避免传统优化算法在对汽车动力总成悬置系统优化中陷入局部最优解,采用遗传算法对其进行优化。

在深入分析设计变量选取、约束函数的提取及目标函数的选取原则基础上,以悬置刚度为优化变量、固有频率的范围和固有频率之差为约束函数、六自由度方向的解耦率为目标函数,利用MATLAB 平台的遗传算法进行优化。

开发基于遗传算法汽车动力总成悬置系统解耦优化系统,并对某型号汽车动力总成系统优化。

优化结果表明:系统的固有频率的分配和解耦率得到极大的改善,效率和精度都得到很大的提升。

关键词:振动与波;动力总成;悬置系统;遗传算法;优化;MATLAB 中图分类号:U461.1文献标识码:ADOI 编码:10.3969/j.issn.1006-1335.2015.05.016Decoupling Optimization of an Automotive Powertrain MountSystem Based on Genetic AlgorithmWU Jian-wei ,LIU Fu-yun ,LIQiao,ZHOU Hong-wei ,LI Ying-di(School of Mechanic and Electronic Engineering,Gulin University of Electronic Technology,Guilin 541004,Guangxi China )Abstract :To avoid the local optimal solution of the automotive powertrain system by traditional optimization algorithm,the system was optimized by genetic algorithm.The principles of the selection of design variables,the extraction of constraint functions and the selection of the objective functions were deeply analyzed.On this basis,taking the stiffness parameters of the mounting system as the design variables,the scope and the interval of natural frequency as the constraint function,and the decoupling rate of the 6degrees-of-freedom as the objective function,the powertrain mounting system was optimized by genetic algorithm using MATLAB.The optimization system for powertrain mounting system decoupling of automobiles was developed based on the genetic algorithm.As an example,the powertrain mounting system of a vehicle was optimized.The results show that the distribution of the natural frequency and decoupling rate of the system are greatly improved,and the efficiency and accuracy are greatly raised.Key words :vibration and wave ;powertrain ;mounting system ;genetic algorithm ;optimization ;MATLAB汽车动力总成的振动是汽车振动的主要激振源之一,对汽车NVH 特性有很大的影响。

基于遗传蚁群算法的履带式混合动力车辆控制策略参数优化

基于遗传蚁群算法的履带式混合动力车辆控制策略参数优化

・47 ・ 2009 年 6 月 吴静波 , 等 : 基于遗传蚁群算法的履带式混合动力车辆控制策略参数优化
f ( x) gj ( x) ≥0 j = 1 , 2 , …m f itness ( x) = f worst +
m
j =1
〈 g ( x) 〉 其他 ∑
j

( 4)
式中 , f worst 为种群中最坏解的目标函数值 。 算子 〈〉 定义如下 :
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
履带式车辆采用混合动力结构 , 可以在不降低 车辆性能的前提下降低油耗和排放 。然而多能源动 力系统的高效运行必须依赖于控制策略 , 以使得整 个系统的总体效率最高 。目前已提出了许多不同的 控制策略 ,然而控制策略的参数优化始终是一个具 有共性的研究点[ 123 ] 。 目前普遍采用的确定控制参数值的方法是依靠 工程经验设置初值 , 并结合 “试错法” 对参数进行调 整 。该方法虽然具有一定的实用性 , 但不能保证动 力系统的最佳效率匹配 。文献 [ 4 ] 基于遗传算法对 控制策略参数进行优化 , 但遗传算法没有利用系统 中的反馈信息 ,导致无为的冗余迭代 ,降低了求解效 率 。新发展起来的蚁群算法具有正反馈寻优等优 点 ,但容易出现停滞现象 [ 5 ] 。本研究根据混合动力 车辆控制策略参数优化的具体特征 , 采用遗传蚁群 算法进行控制策略参数的优化 。
第 3 期 ( 总第 182 期) 2009 年 6 月
车 用 发 动 机 V EH ICL E EN GIN E
No . 3 ( Serial No . 182) J un. 2009

基于改进遗传算法的汽轮机DEH系统参数优化

基于改进遗传算法的汽轮机DEH系统参数优化
了一种有效的方法,具有一定的参考价值 。
关键词 :遗传 算法;数字 电液调节 系统 ;参数优化
中图分 类号 :T 3 1 K 2 文献标识码 :A
索最 优化方 法 。它将 “ 胜劣 汰 ,适 者 生存 ” 的 优
0 引 言
汽轮机 调 节 系统 是保 证 机 组 安 全稳 定 运 行 的
12 初始 值及 目标 函数 的选取 .
在优化中,初始值 的选取非常重要,从不 同 遗传算法 ( eecAgrh s G nt l i m )是 16 i ot 92年由 美 国 Mi i n大学 的 H ln 授提 出 的模拟 自然 的初始值 出发 所 得 到 的 优化 值 也 不 同 ,初 始值 选 cg ha ol d教 a 界 遗传机 制和 生物 进 化 论 而成 的一 种 并行 随机 搜 择 不 当 ,甚 至 导致 优 化 过 程 发 散 。 当优 化 的 多个
李 娜 , 吕丽革
(.华北电力大学 控制与计算机工程学 院,河北 保定 0 10 ; 1 7 0 3
2 河北建投灵海发 电有限责任公司,河北 秦 皇岛 0 60 ) . 6 0 1 摘要 :在简要介 绍改进遗传算 法的基础上 ,将其应用 于汽轮机 数字 电液调 节 系统 的参 数优化 ,并给 出 了 参数优化过程。该算 法有效抑制 了算法早熟,提 高了算 法的全局搜 索能 力和局 部搜 索能力。优 化结果表 明 ,这种优化 算法具有计算速度快、精度 高、程序通用性强等优 点,为汽轮 机调 节 系统的参数 优化提供
0. 01—1 0, T i:0 .1~1 0, T 0 d=0 .1~5 0
( )适值 函数 3
这样 避免 了参 数 范 围过 大 ,大 大减 小 了初 始 寻优 的盲 目性 ,节省计 算 量 。

基于微粒群算法的汽车底盘控制系统集成优化

基于微粒群算法的汽车底盘控制系统集成优化

刘显贵 ,陈无畏 ,罗善 明,等.基于微粒群算法 的汽车底盘控制系统集成优 化 [ J ] .农业工程学报 ,2 0 1 5 ,来自 1 ( 6 ) :9 7 —
1 0 4.
Li u Xi a n g u i , Ch e n Wu we i , Lu o S h a n mi n g , e t a 1 . S i mu l t a n e o u s o p t i mi z a t i o n d e s i g n o f v e h i c l e c h a s s i s i n t e g r a t e d c o n t r o l s y s t e m
汽车 主动安全性及汽车舒适性均得 到了不 同程度 的改善和提 高。优 化设计方法对改善汽车底盘 主动 安全 性具有重要参考
意义 。
关键 词:车辆 ;优化;试验 ;主动悬架 系统; 防抱死 制动 系统 ;协调控 制
d o i :1 0 . 3 9 6 9 0 . i s s n . 1 0 0 2 — 6 8 1 9 . 2 0 1 5 . 0 6 . 0 1 4 中 图 分 类 号 :U4 6 3 . 5 文献 标 志 码 :A 文章编号 :1 0 0 2 — 6 8 1 9 ( 2 0 1 5 ) 一 0 6 — 0 9 7 — 0 8
数采用 串行设 计容易失去全局最优性 能的特 点,提出一种基于微粒群优化算法 的参数的集成优化方法 ,以集成系统机械
与控制参 数为优 化变量 ,以反映汽车动 力学综合性能为 目标 函数 ,编制 了集 成优 化程序进行 了优化仿真计算 。仿真 结果 表 明 :汽 车底 盘 集 成 系 统 经 过 参 数 优 化 后 , 汽 车 的 俯 仰 角 加 速 度 较 优 化 前 减 小 , 表 明 汽 车 乘 坐 舒 适 性 得 到 改 善 ;汽 车 制 动时制动距离 、前 后轮 动 载 荷 均 有 明显 减 小 ,表 明汽 车 制 动 的安 全 性 显 著提 高。最后 改变汽车 的部 分机械 结构参 数 和全 部控 制参数进行实车试验 ,试验 结果表 明:汽车底盘集成控制 系统经过优化后 ,汽车 的前 、后轮动载荷 分别 降低 了 3 4 . 2 % ̄ I 1 3 2 . 1 %, 汽车制动 时制 动时间和制动距离分别 降低 了 2 . 3 1 %3 1 4 . 5 %, 汽车制动时俯仰角加速度响应降低了 1 5 . 1 %,

【CN109986973A】一种基于遗传算法的单级减速器动力总成匹配优化方法【专利】

【CN109986973A】一种基于遗传算法的单级减速器动力总成匹配优化方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910112801.X(22)申请日 2019.02.13(71)申请人 南京越博动力系统股份有限公司地址 210019 江苏省南京市建邺区嘉陵江东街18号4栋410(72)发明人 李占江 高超 蒋元广 李麟 杨清宇 (74)专利代理机构 北京中海智圣知识产权代理有限公司 11282代理人 白凤武(51)Int.Cl.B60L 15/20(2006.01)(54)发明名称一种基于遗传算法的单级减速器动力总成匹配优化方法(57)摘要本发明公开一种基于遗传算法的单级减速器动力总成匹配优化方法,通过对对获取的整车参数进行整理进行整体电机的限值计算,设定为整体电机的下限值;并采用搭建基于基因遗传算法的整车参数优化模型,对整体电机的参数进行优化,实现对驱动电机参数,变速器参数的优化选型,使整车在满足动力性需求的同时可以提高驱动效率,增加续驶里程,并降低制造成本。

权利要求书2页 说明书4页CN 109986973 A 2019.07.09C N 109986973A权 利 要 求 书1/2页CN 109986973 A1.一种基于遗传算法的单级减速器动力总成匹配优化方法,其特征在于,包括如下步骤:步骤1:收集测试车辆的整车参数及动力性要求,对获取的整车参数进行整理,其中,动力性要求包括:爬坡度、0-50km/h加速时间、最高车速及30min最高车速;步骤2:将步骤1中获取的整车参数和不同的动力性要求导入动力学公式进行整体电机的限值计算;步骤2.1:通过整车参数及爬坡度求出满足车辆爬坡性能要求的最低整体电机的功率限值;步骤2.2:通过整车参数及0-50km/h加速时间求出满足车辆加速性能要求的最低整体电机的功率限值;步骤2.3:通过整车参数及最高车速求出满足车辆最高车速要求的最低整体电机的功率限值;步骤3:将不同的动力性要求得出的整体电机的限值的最大值设定为整体电机的下限值;步骤4:通过整车参数及最高车速求出满足最高车速要求的最低整体电机中电机的转速限值,将其设定为最低电机转速下限值;步骤5:根据步骤4中电机的转速限值求出需求的扭矩,作为最低整体电机中电机的扭矩的下限值;步骤6:搭建基于基因遗传算法的整车参数优化模型,并且在优化器中确定惩罚函数及目标函数的范围,采用基于NEDC、WTVC、等速40km/h、等速60km/h的仿真能耗值为目标的多目标加权系数法,对整体电机的参数进行优化;步骤7:对整体电机中电机的参数通过基因遗传算法优化;步骤8:通过现有蓝牌物流车型所使用的电机的峰值扭矩确定总成中电机所使用电机的峰值扭矩,将大电机的峰值扭矩除以总成中电机峰值扭矩得到速比值;步骤9:将得到速比值乘以整体电机峰值转速值,便可得到动力总成电机峰值转速;步骤10:通过电机峰值转速和电机峰值扭矩求出电机峰值功率;步骤11:将整体电机的峰值功率、峰值转速、峰值扭矩分别与各参数的额定系数相除,求出电机的额定功率、额定转速、额定扭矩;步骤12:将求得的动力总成中的电机参数填入仿真模型中,完成对单级减速器总成中电机参数、单级减速器速比的匹配优化。

基于遗传算法的汽车悬架仿真与优化设计

基于遗传算法的汽车悬架仿真与优化设计


要: 遗传算法是一种借鉴生物界 自然选 择和进化 机制 发展起来 的随机 搜索算法 。基于 A A SCr D M /a
的环境建立 了某 车前悬 架系统的仿 真模 型 , 对系统进行 了车轮平行跳 动试验动态 仿真分析 , 并用遗传 算法对 该悬 架系统进行 了优化 。研究结果 为汽车悬架 的设 计提供了技术依据 。 关键 词 : D M / a; A A S C r 遗传算法 ;汽车悬 架 ; 车轮跳动 ;优化设计
Jn 2 l u .0 2
文 章 编 号 :05— 8 2 2 1 ) 3— 3 3— 4 2 9 3 5 (02 0 0 1 0
文献 标 志码 : A
基 于遗 传 算 法 的汽 车 悬 架 仿真 与优 化 设 计
龚 侃 , 天 明 , 超 何 陈
(. 1 武汉理工大学 汽车工程学院 , 湖北 武汉 4 0 7 ;. 3 0 0 2 现代汽车零部件技术 湖北 省重点实验室 , 湖北 武汉 4 07 ) 300
样 机 的几分 之一 。
麦弗逊 悬架 由车 身 、 摆 臂 、 向节 总 成 、 下 转 转 向拉杆 、 减振 器 、 螺旋 弹簧 以及 车轮组 成 。在建 模 过 程 中对模 型作 了一 些 合 理 的 简化 , 忽 略车 轮 如 的厚度 和各 部 件 的 弹 性 作 用 等 J 。前 悬 架 结 构
和评 价 。
软件 对 系统进 行模 拟 仿 真 将 大 大 提高 工 作 效 率 。
A A /a D MS C r是 MD 公 司 与 A d 、 M 、 e al I u iB W R nut
和 Vl ov o等公 司 合 作 开 发 的整 车 设 计 软件 包 , 集 成 了他们在 汽 车设 计 开 发 方 面 的专 家 经 验 , 够 能 帮助 工程 师快 速建 造 高 精 度 的 整车 虚 拟 样 机 , 其 中包 括车 身 、 架 、 动机 构 、 动机 、 向机 构和 悬 传 发 转

【CN110046460A】一种基于自适应精英遗传算法的两栖车辆布列优化方法【专利】

【CN110046460A】一种基于自适应精英遗传算法的两栖车辆布列优化方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910347970.1(22)申请日 2019.04.28(71)申请人 哈尔滨理工大学地址 150080 黑龙江省哈尔滨市南岗区学府路52号(72)发明人 栾添添 孙明晓 徐军 (51)Int.Cl.G06F 17/50(2006.01)(54)发明名称一种基于自适应精英遗传算法的两栖车辆布列优化方法(57)摘要本发明涉及一种基于自适应精英遗传算法的两栖车辆布列优化方法。

本发明包括:获取两栖车辆及布列空间尺寸;明确两栖车辆布列约束条件;确定两栖车辆布列目标函数;设定自适应精英遗传算法初始参数;随机产生第一代两栖车辆布列种群编码;解算当代个体适应度,保存最优个体作为精英个体;判断是否达到最大迭代次数或平均适应度达到预期值;所有个体与最差个体适应度的差作为所有个体新适应度;进行遗传选择、交叉和变异,产生新一代种群;精英个体替换新一代种群最差个体;对最后一代种群中的最优个体进行解码,得到车辆布列的最优顺序;利用最低水平线定位算法确定两栖车辆布列位置。

权利要求书2页 说明书5页 附图6页CN 110046460 A 2019.07.23C N 110046460A1.一种基于自适应精英遗传算法的两栖车辆布列优化方法,其特征在于,包括如下步骤:(1)获取两栖车辆及布列空间尺寸;所涉及的两栖车辆及布列空间尺寸为:车辆舱矩形的布列空间为P,长为L,宽度为W,存在n个车辆{P i ,i=1...n},长度和宽度分别为l i 和w i ,车辆舱甲板俯视平面图中,设左下角为原点O(0,0),左上角为(0,L),右下角为(W,0),矩形车辆P i 的左上角顶点是(x i1,y i1),则P i右下角坐标是(2)明确两栖车辆布列约束条件;所涉及的约束条件为:两个车辆P i 和P j (i≠j)不重叠,车辆不能放置在布列空间之外,同时车辆的高度和宽度大于0,每种车辆都会有最大数量的限制,num r 是第r种类车辆布列的数量,N r 是第r种车辆的最大数量,约束如下:(3)确定两栖车辆布列目标函数;所涉及的目标函数为车辆舱甲板未利用率最小,即车辆所占布列面积之和最大,表示为:(4)设定自适应精英遗传算法初始参数;所涉及的初始参数为:迭代次数为100次,种群大小为100,交叉概率为0.9,变异概率为0.15;(5)随机产生第一代两栖车辆布列种群编码;所涉及的种群生成为:生成初始种群的方式为利用随机数构成的染色体对应的个体组成初始种群,两栖车辆布列问题可转化为车辆停放序列的组合优化问题,选取十进制车辆编号为编码方式;(6)解算当代个体适应度,保存最优个体作为精英个体;所涉及的适应度为:选取甲板未利用率为适应度函数;(7)判断是否达到最大迭代次数或平均适应度达到预期值,如果是则转到步骤(11),否则转到步骤(8);权 利 要 求 书1/2页2CN 110046460 A。

基于遗传算法的汽车底盘生产线调度优化模型研究

基于遗传算法的汽车底盘生产线调度优化模型研究

基于遗传算法的汽车底盘生产线调度优化模型研究许文正(黄河交通学院,河南焦作454950)摘㊀要:底盘作为汽车的重要组成部分,其生产线的调度对整个汽车生产流程的效率和质量至关重要㊂然而,汽车底盘生产线调度面临着复杂的制造难题,如生产工艺复杂㊁生产时间不确定以及订单变化频繁等㊂该文以汽车底盘生产线调度优化为研究对象,通过分析目前汽车底盘生产线制造的难点,提出基于遗传算法下汽车底盘生产线调度优化模型,通过将遗传算法引入底盘生产线调度优化中,可以在考虑生产线复杂约束条件的同时,寻找到最优调度方案㊂通过优化调度方案,实现生产线的柔性化和智能化,有望为汽车制造企业提高生产效率㊁适应市场需求提供有力的支持和指导㊂关键词:汽车;底盘生产线;调度优化;遗传算法;柔性化生产中图分类号:U468㊀㊀㊀㊀㊀㊀㊀㊀文献标识码:Adoi :10.14031/ki.njwx.2024.02.027Research on Automobile Chassis Production Line Scheduling Optimization Model Based on Genetic AlgorithmXU Wenzheng(Huanghe Jiaotong University,Jiaozuo 454950,China)Abstract :As an important part of automobile,chassis,its production line scheduling is crucial to the efficiency and quality of the whole automobile production process.However,automobile chassis production line scheduling faces com-plex manufacturing difficulties,such as complex production process,uncertainty of production time and frequent changesin orders.This paper takes the automobile chassis production line scheduling optimization as the research object,through analyzing the current difficulties in the manufacturing of automobile chassis production line,proposes the auto-mobile chassis production line scheduling optimization model based on genetic algorithm,by introducing the genetic algo-rithm into the chassis production line scheduling optimization,it can find the optimal scheduling plan while considering the complex constraints of the production line.By optimizing the scheduling scheme,the flexibilization and intelligenceof the production line can be realized,which is expected to provide powerful support and guidance for automobile manu-facturing enterprises to improve production efficiency and adapt to market demand.Keywords :automobile;chassis production line;scheduling optimization;genetic algorithm;flexible production 基金项目:黄河交通学院校级教科研课题(Hhjt -2023008)作者简介:许文正(1993 ),男,河南焦作人,本科,助教,研究方向为车辆工程㊂0㊀引言近年来,在新能源汽车产业的迅速发展以及全球工业化的影响下,汽车制造业正经历着前所未有的快速转型和升级㊂同时,消费者对汽车的需求日益多样化和个性化,汽车更新换代和产品升级周期大幅缩短,为汽车制造企业带来了巨大的生产挑战㊂在此背景下,汽车制造生产线及物流调度需要实现汽车柔性化生产,以满足不断变化的市场需求㊂底盘作为汽车的重要组成部分,其生产线的调度对整个汽车生产流程的效率和质量至关重要[1-2]㊂然而,传统的静态生产线调度模式已经无法适应动态生产制造环境下的实际需求,亟需采用新的优化方法与策略㊂在复杂的优化问题中,特别是当问题空间很大或没有显式的数学表达式时,传统的解析方法和梯度下降等局部搜索方法可能会陷入局部最优解而无法找到全局最优解[3]㊂遗传算法作为一种模拟自然选择和遗传机制的优化方法,具有较强的全局搜索能力和解决复杂问题的潜力[4],在汽车底盘生产线调度优化问题中,底盘生产线的复杂性和不确定性使得传统的调度方法往往无法得到最优解㊂而遗传算法正适用于这类具有多目标和复杂约束条件的问题㊂通过将底盘生产线的调度问题转化为适应度函数的构建,然后运用遗传算法进行优化,可以在考虑各种约束条件的情况下,寻找到最优调度方案,从而提高生产线的效率和灵活性[5-7]㊂本文以汽车底盘生产线调度优化为研究对象,在当前汽车制造业的难题与挑战的基础上,采用遗传算法构建汽车底盘生产线调度优化模型,研究结果旨在为汽车制造企业实现生产线的柔性化㊁智能化调度提供支持,提高生产效率,适应快速变化的市场需求,从而推动汽车制造业在全球竞争中取得更加稳固的地位㊂1㊀汽车底盘生产线发展现状与分析1.1㊀难点分析1.1.1㊀复杂的生产工艺汽车底盘作为汽车的关键组成部分,其生产工艺通常较为复杂,涉及多个生产环节和工序㊂每个工序的加工时间㊁设备要求以及工人技能都可能不同,因此如何合理安排生产顺序和时间,以确保整个生产过程的高效稳定,是一个具有挑战性的问题㊂㊀㊀1.1.2㊀生产时间的不确定性在实际生产中,由于各种不可控因素,如设备故障㊁工人疏忽㊁原材料供应延迟等,生产时间往往存在一定的不确定性㊂这导致传统的静态调度方法可能无法应对实际情况,需要考虑动态调度方案以适应变化㊂1.1.3㊀订单变化频繁在传统的固定计划下,生产线通常被规划为定量化的㊁静态的生产方式,一旦生产计划确定,很难在生产过程中进行灵活调整㊂然而,当市场需求发生突然变化或出现新的订单要求时,这种固定计划可能会导致生产线无法及时适应,从而出现滞销或者订单交付延误等问题,影响了企业的生产效率和客户满意度㊂1.1.4㊀多目标优化底盘生产线的调度通常需要考虑多个目标,如最小化生产时间㊁最大化设备利用率㊁降低库存成本等[8]㊂这些目标往往相互制约,因此需要寻找一种平衡的调度方案,使得各项指标都能得到满足㊂1.2㊀路径规划需求分析1.2.1㊀多样化订单处理动态生产制造环境下,汽车底盘生产线可能会面临大量不同类型的订单,包括不同型号㊁配置和数量的底盘㊂因此,路径规划需要能够灵活处理不同订单的生产要求,并根据订单特性进行优化调度,以实现生产线的高效运行㊂1.2.2㊀最小化生产成本在动态生产制造环境中,生产成本的波动较大,包括原材料成本㊁人力成本㊁设备运营成本等,路径规划需要考虑降低生产成本的优化目标,以确保生产线的经济效益㊂1.2.3㊀最大化资源利用率有效利用生产资源是动态生产制造环境下路径规划的重要目标㊂路径规划应该优化资源的利用率,确保生产线的设备㊁人力和时间得到最优配置,以提高生产效率和产出㊂此外,底盘生产线通常涉及多个工序和设备,可能存在容量限制㊁运行时间限制等约束条件㊂路径规划需要综合考虑这些约束条件,并进行合理的调度安排,避免资源浪费和生产延误㊂1.2.4㊀智能化和自适应在动态生产制造环境下,传统的静态路径规划方法不再适用㊂因此,路径规划需要引入智能化和自适应的技术,如机器学习㊁遗传算法等,以优化规划过程,并根据实时数据做出灵活调整㊂1.3㊀智能算法在汽车底盘制造路径规划中的应用智能算法在汽车底盘制造路径规划中能够有效地解决复杂的调度问题并优化生产线的运行㊂可以帮助企业实现生产线的灵活调度㊁最优资源配置㊁最小化生产成本等目标㊂通过将智能算法与实时数据采集及处理相结合,底盘生产线能够更好地应对市场需求的快速变化,提高生产效率和企业竞争力㊂同时,智能算法的自适应性和学习能力使其能够适应不同生产环境和调度需求,为汽车底盘制造带来更加智能化和高效的生产规划[9]㊂2㊀基于遗传算法下汽车底盘调度路径优化设计㊀㊀2.1㊀遗传算法特点及原理遗传算法是一种模拟自然进化过程的优化算法,用于解决复杂的搜索和优化问题㊂该算法受到达尔文的进化理论启发,模拟了生物进化中的遗传和适应性机制,通过不断迭代和进化,从种群中选择出适应度较高的个体,然后通过交叉和变异等操作产生新的个体,逐渐优化和改进解决方案,最终找到问题的近似最优解[10]㊂遗传算法本质是对染色体进行一系列运算,以求解问题的最优解,通过模拟生物进化的过程,通过选择㊁交叉和变异等操作,在种群中不断优化和改进个体,以逐步逼近问题的最优解(图1)㊂2.2㊀优化设计方案及参数设置2.2.1㊀遗传编码的设计遗传编码是遗传算法的基础,将问题的解空间图1㊀基于遗传算法下汽车底盘生产线优化流程映射为染色体的形式,使问题的求解可以通过对染色体的遗传操作来进行㊂设计合适的遗传编码对于遗传算法的性能和效果具有重要影响㊂常见的遗传编码主要包括浮点数编码㊁字符编码和二进制编码㊂本文使用二进制编码,主要原因包括以下3个方面:1)计算效率㊂计算机内部的数据处理和存储都是以二进制形式进行的,因此,使用二进制编码可以充分利用计算机的硬件优势,使遗传算法的计算过程更加高效㊂二进制编码的基因操作(如交叉和变异)也可以通过位运算来实现,在计算机中执行速度较快,有利于提高计算效率㊂2)通用性㊂二进制编码是一种通用的编码方式,适用于各种类型的问题,包括连续优化问题和离散优化问题,可以用来表示不同类型的变量,如整数㊁浮点数等㊂这种通用性使得二进制编码成为遗传算法在不同领域和问题上广泛应用的基础㊂3)遗传操作的简便性㊂二进制编码的遗传操作(如交叉和变异)相对简单,通过对两个二进制串进行按位交换来完成,变异操作可以通过随机翻转或替换二进制位来实现,更加简便㊂因此,本章节用0表示生产物流中心,用1㊁2㊁ ㊁P表示各个装配工位,增加M-1个虚拟工位,用于分割自然数队列,用P+1㊁P+2㊁ ㊁P+M-1表示㊂这样,自然数队列就变成了1㊁2㊁ ㊁P㊁P+1㊁P+2㊁ ㊁P+M-1㊂实现程序如图2所示,使用字符串列表来表示底盘生产线的任务顺序,即染色体㊂优化目标是使得生产线的完成时间最短,即生产线的makespan最小化㊂遗传算法根据任务的完成时间作为适应度函数,并进行选择㊁交叉和变异操作来优化染色体㊂最终输出的最优染色体即为优化后的生产任务顺序,对应的makespan为最优完成时间㊂图2㊀遗传编码部分运行程序2.2.2㊀初始种群的确定确定初始种群是遗传算法中的重要步骤,对算法的性能和搜索效率有影响㊂初始种群应该具有一定的多样性,涵盖解空间的不同区域,以提供良好的起点用于优化㊂本文使用随机生成方法进行初始种群的确定,根据问题的特性和编码方式,随机生成一组合适的个体,作为初始种群的起始点㊂假设染色体长度为8,表示一个8位的二进制串,每个基因位可以是0或1,运行程序如图3所示㊂本文使用了Python的random库来随机生成每个个体(染色体)的二进制串㊂函数initialize_population用于生成初始种群,其中循环50次来生成50个个体,每个个体都是一个8位的随机二进制串㊂2.2.3㊀适应度评估本文使用随机生成初始种群的方法时,需要根据问题的特性和编码方式,随机生成一组合适的个体作为初始种群的起始点㊂对于某个个体j,K j为对应调度路径中的不可行路径(若K j=0,则表示个体对应一个可行解),图3㊀初始种群部分运行程序其目标函数值为Z j,F j为个体的适应度,用式(1)表示F j=1Z j+K j G(1)式中,G为物料小车的不可行路径的惩罚权重,可以根据目标函数取值范围选用一个相对较大的正数㊂2.2.4㊀交叉和变异的设计交叉(Crossover)和变异(Mutation)是遗传算法中两个基本遗传操作,通过组合和改变个体的基因来引入新的解,从而增加搜索空间的多样性和全局搜索能力㊂交叉操作程序实现如图4所示,函数crossover用于执行单点交叉操作,首先通过cross-over_rate来决定是否进行交叉操作,如果随机数小于交叉率,则进行交叉操作㊂交叉点是随机选择的一个位置,在该位置之前的基因位来自一个父代,之后的基因位来自另一个父代,从而生成两个子代个体㊂变异操作程序如图5所示,本文基于Python 的random库来随机生成初始种群,并随机选择一个个体进行变异㊂函数mutation用于执行位变异操作,对个体的每个基因位进行检查,如果随机数小于变异率,则将该基因位进行翻转(0变为1, 1变为0)㊂3㊀优化结果与分析假设有一个包含5个任务的汽车底盘生产线㊂每个任务的工序时间已经给出㊂本文运行遗传算法来优化任务的顺序,以最小化底盘生产线的完成时间(makespan)㊂结果如表1所示,表中展示了若图4㊀交叉程序的实现图5㊀变异程序的实现干个体(个体1㊁个体2㊁个体3等)的染色体表示,表示了它们完成任务的顺序,以及对应的完成时间(makespan)㊂最优解是遗传算法找到的最优染色体,它表示了经过优化后的最优任务顺序,以及对应的最短完成时间㊂通过表格可以看出,遗传算法通过不断选择㊁交叉和变异操作,逐步优化种群中的个体,寻找到较优解(个体编号为1的染色体),其完成时间为18,相较于其他个体具有更优的表现㊂遗传算法通过搜索整个解空间,寻找最佳任务顺序,以最小化完成时间,使得底盘生产线的生产效率得到了提高㊂表1㊀基于遗传算法下汽车底盘生产线调度优化结果个体编号染色体(任务顺序)完成时间(makespan)个体1Task2->Task4->Task1->Task3->Task521个体2Task1->Task4->Task2->Task3->Task523个体3Task3->Task2->Task1->Task4->Task523 最优解Task1->Task2->Task3->Task4->Task5184㊀结论与展望4.1㊀结论本文以汽车底盘生产线调度优化为研究对象,采用遗传算法作为优化方法,通过分析汽车底盘生产线制造的难点,针对动态生产制造环境下的需求,对遗传编码㊁适应度评估㊁交叉和变异等关键部分进行了设计和实现㊂通过对算法的试验验证,得出以下结论:1)对汽车底盘生产线制造的难点进行了分析,包括市场需求的快速变化㊁生产计划频繁调整㊁生产线灵活性和快速调整能力的要求等选择遗传算法作为优化方法,实际的试验验证表明,遗传算法在提高全局搜索能力和解决复杂问题方面表现出了潜力,可以有效地应对动态生产制造环境下的挑战,以满足市场需求的变化和生产线的灵活性要求㊂2)本文采用了二进制编码表示汽车底盘生产线的任务顺序,设计适应度函数以衡量个体在问题中的表现,优化目标为最小化底盘生产线的完成时间(makespan)㊂通过遗传算法的迭代过程,试验结果表明,通过这种编码方式和适应度函数,找到了较优的任务顺序,使底盘生产线的完成时间达到最小值㊂3)在遗传算法的优化过程中使用了交叉和变异操作,通过组合和改变个体的基因来引入新的解,增加搜索空间的多样性和全局搜索能力,通过多次迭代逐渐找到较优的解,即使得底盘生产线完成时间最短的任务顺序,并通过比较找到了最优的任务顺序,使得底盘生产线的完成时间达到最小值,从而提高了生产效率㊂4.2㊀展望在生产线调度优化研究领域,除了遗传算法,还有其他模拟优化方法,例如模拟退火㊁粒子群优化㊁蚁群算法㊁禁忌搜索等,这些方法在生产线调度优化研究中也有应用,未来研究可探索和比较不同模拟优化方法在生产线调度优化中的性能和适用性,同时考虑将不同模拟优化方法结合起来,创建混合优化方法,充分利用其优势㊂例如,结合遗传算法和模拟退火,以提高全局搜索和局部搜索的能力,满足现实生产环境中的需求,提高生产效率㊂参考文献:[1]㊀田端洋.汽车底盘域多维度动力学集成优化控制及其软件架构设计[D ].长春:吉林大学,2022.[2]㊀叶正挺.新能源汽车铝合金轻量化及其连接技术发展现状[J ].科技创新与应用,2023,13(20):155-158.[3]㊀范华丽,熊禾根,蒋国璋,等.动态车间作业调度问题中调度规则算法研究综述[J ].计算机应用研究,2016(2):648-653.[4]㊀黄李丽.智能网联背景下汽车底盘线控系统及控制技术应用[J ].内燃机与配件,2023(13):93-95.[5]㊀Caumond A ,Lacomme P ,Moukrim A ,et al.An MILPfor scheduling problems in an FMS with one vehicle [J ].European Journal of Operational Research ,2009,199(3):706-722.[6]㊀韩庆.新能源汽车底盘设计的发展趋势探索[J ].农机使用与维修,2022(05):45-47.[7]㊀高兰兰,程星星.新能源汽车底盘结构与故障诊断技术分析[J ].时代汽车,2023(13):151-153.[8]㊀张丁尹.MEMS 传感器在汽车电子控制系统中的应用[J ].汽车与新动力,2023,6(03):19-21.[9]㊀Gen M ,Lin L ,Zhang H.Evolutionary techniques for op-timization problems in integrated manufacturing system :State -of -the -art -survey [J ].Computers &industrial engineering ,2009,56(3):779-808.[10]张文娜,毕胜强,崔声伶,等.课程思政在汽车底盘构造与维修中的应用研究与实践[J ].汽车实用技术,2023,48(12):192-195.(05)。

基于遗传算法的独立悬架与转向系统匹配优化设计

基于遗传算法的独立悬架与转向系统匹配优化设计

基于遗传算法的独立悬架与转向系统匹配优化设计基于遗传算法的独立悬架与转向系统匹配优化设计是一种新型的优化设计方法,它可以有效地提高汽车的悬架和转向系统的性能,使汽车更加稳定、安全和舒适。

本文将从以下几个方面进行详细介绍。

一、遗传算法的基本原理遗传算法是一种模拟自然进化过程的优化算法,它模拟了生物进化的过程,通过不断地进化和选择,找到最优解。

遗传算法的基本原理是:首先,随机生成一组初始解,然后通过交叉、变异和选择等操作,不断地生成新的解,并筛选出最优解。

这个过程类似于自然界中的进化过程,可以有效地搜索解空间,找到最优解。

二、独立悬架与转向系统的匹配优化设计独立悬架和转向系统是汽车悬架系统中的两个重要部分,它们的性能直接影响汽车的操控性和舒适性。

因此,对独立悬架和转向系统进行匹配优化设计,可以有效地提高汽车的性能。

在独立悬架和转向系统的匹配优化设计中,遗传算法可以用来搜索最优的参数组合。

首先,需要确定独立悬架和转向系统的设计参数,如悬架弹簧刚度、减震器阻尼、转向系统的转向角度等。

然后,通过遗传算法不断地生成新的参数组合,并计算每个参数组合的性能指标,如车辆的操控性、舒适性等。

最后,筛选出最优的参数组合,作为最终的设计方案。

三、优化设计的实现步骤基于遗传算法的独立悬架与转向系统匹配优化设计的实现步骤如下:1. 确定独立悬架和转向系统的设计参数,如悬架弹簧刚度、减震器阻尼、转向系统的转向角度等。

2. 随机生成一组初始解,作为遗传算法的种群。

3. 通过交叉、变异和选择等操作,不断地生成新的解,并计算每个解的性能指标。

4. 筛选出最优的解,作为最终的设计方案。

5. 对最优解进行优化调整,以进一步提高汽车的性能。

四、优化设计的应用前景基于遗传算法的独立悬架与转向系统匹配优化设计具有广阔的应用前景。

它可以应用于汽车制造、汽车工程、汽车设计等领域,为汽车的性能提升和优化提供了一种新的思路和方法。

同时,它也可以应用于其他领域的优化设计中,如机械设计、电子设计等。

基于改进遗传算法的汽车主动悬架控制器设计

基于改进遗传算法的汽车主动悬架控制器设计
· 58 ·
计算 机 测 量 与 控 制 .2016.24(4) 犆狅犿狆狌狋犲狉 犕犲犪狊狌狉犲犿犲狀狋 牔 犆狅狀狋狉狅犾
控制技术
文章编号:1671 4598(2016)04 0058 03 DOI:10.16526/j.cnki.11-4762/tp.2016.04.018 中图分类号:TP273 文献标识码:A
关键词:主动悬架;模糊控制;改进遗传算法;修正因子
犇犲狊犻犵狀狅犳犆狅狀狋狉狅犾犿狆狉狅狏犲犱犌犲狀犲狋犻犮犃犾犵狅狉犻狋犺犿狊
ZengLi,SunDongmei,ZhouBing
(SchoolofAutomationandElectricalEngineering,Nanjing UniversityofTechnology,Nanjing 211816,China) 犃犫狊狋狉犪犮狋:Tosolvepoorself-adaptiveofcommonfuzzylogicstrategyadoptedbytheactivesuspensionofvehicle,thepaperputsfor wardthefuzzylogicstrategywithadaptivecontrolcharacteristics,whichusefuzzycontrolruleofanalyticalformula.Thecorrectionoferror anderrorratewhichistwoinputoffuzzycontrollerindifferentstateisoptimizedbythenewimprovedgeneticalgorithm,inthattheoptimal fuzzycontrolruleofthecontrollerisfound.Theactivesuspensionsystem withimprovedfuzzylogiccontrollerwassimulatedbyMatlab/Sim ulink.Thesimulationresultsdemonstratethatthesuspension withthefuzzylogiccontrollercaneffectivelyimprovevehicle’sridingper formancesandhandlingperformancecomparedwithconventionalpassivesuspensionandtheactivesuspensionwithcommonfuzzylogiccon troller.Thecontrollerbyoptimizedhasstrongrobustnessandstability. 犓犲狔狑狅狉犱狊:activesuspension;improvedgeneticalgorithm;fuzzycontrol;correction

基于遗传算法的汽车底盘系统协调控制优化

基于遗传算法的汽车底盘系统协调控制优化

基于遗传算法的汽车底盘系统协调控制优化
刘显贵;郑从兴;林勇明
【期刊名称】《机械设计与制造》
【年(卷),期】2015(000)003
【摘要】为了消除汽车底盘集成系统机械与控制系统间的耦合,首先建立了汽车悬架与转向系统整车动力学模型,分别设计了主动悬架(ASS)LQG控制器和主动前轮转向系统(AFS)滑模变结构控制器和两系统的规则协调控制器.以集成系统机械与控制参数为优化变量,以反映汽车动力学综合性能为目标函数,基于遗传算法编制了集成优化程序,对集成控制系统进行了优化仿真计算.仿真结果表明:汽车底盘集成控制系统经过参数优化后,汽车综合性能得到改善:汽车的横摆角速度、车身侧向加速度均方根值分别降低了近34%,38.12%,车身俯仰角速度降低了4.91%、改善了车辆的乘坐舒适性,方向盘操纵转矩大大降低,提高了汽车转向时的转向轻便性.
【总页数】4页(P47-50)
【作者】刘显贵;郑从兴;林勇明
【作者单位】厦门理工学院机械与汽车工程学院,福建厦门361024;厦门理工学院机械与汽车工程学院,福建厦门361024;国家(厦门)环境保护机动车污染控制技术中心,福建厦门361023
【正文语种】中文
【中图分类】TH16;U463.5
【相关文献】
1.汽车底盘集成系统协调控制问题探讨 [J], 周麟
2.浅谈汽车底盘集成系统协调控制问题 [J], 秦立友;赵云
3.基于多体模型的汽车底盘多系统协调控制研究 [J], 王爱国;秦炜华;王云霞;刘明岩
4.基于遗传算法的汽车底盘控制优化技术研究 [J], 童俊炜;蔡祥鹏
5.基于博弈论和功能分配的汽车底盘系统协调控制 [J], 汪洪波;陈无畏;杨柳青;夏光
因版权原因,仅展示原文概要,查看原文内容请购买。

基于遗传算法的汽车磁流变减振器多目标优化

基于遗传算法的汽车磁流变减振器多目标优化

基于遗传算法的汽车磁流变减振器多目标优化郑玲;牛伯瑶;李以农;庞剑;李传兵;徐小敏;付江华【摘要】为满足汽车半主动悬架系统的功能需求,宜设计具有大阻尼力调节范围、低能耗、响应迅速的磁流变减振器.本文中分别以磁流变减振器线圈耗能功率和响应时间为目标函数,以输出阻尼力和磁流变减振器阻尼通道处磁感应强度为约束条件,建立了磁流变减振器多目标优化模型,采用带精英策略的非支配排序遗传算法,获得了磁流变减振器多目标优化的最优Pareto解集.结果表明:多目标优化不仅能满足阻尼力可调范围的工程需求,且线圈功率损耗大大减小,响应时间明显缩短,为汽车磁流变减振器的结构优化提供了有效方法..【期刊名称】《汽车工程》【年(卷),期】2016(038)007【总页数】7页(P871-877)【关键词】磁流变减振器;带精英策略的非支配排序遗传算法;多目标优化【作者】郑玲;牛伯瑶;李以农;庞剑;李传兵;徐小敏;付江华【作者单位】重庆大学汽车工程学院,机械传动国家重点实验室,重庆400044;汽车噪声振动和安全技术国家重点实验室,重庆401120;重庆大学汽车工程学院,机械传动国家重点实验室,重庆400044;重庆大学汽车工程学院,机械传动国家重点实验室,重庆400044;汽车噪声振动和安全技术国家重点实验室,重庆401120;长安汽车工程研究总院,重庆401120;汽车噪声振动和安全技术国家重点实验室,重庆401120;长安汽车工程研究总院,重庆401120;汽车噪声振动和安全技术国家重点实验室,重庆401120;长安汽车工程研究总院,重庆401120;汽车噪声振动和安全技术国家重点实验室,重庆401120;长安汽车工程研究总院,重庆401120【正文语种】中文磁流变液体作为一种典型智能材料,一直倍受关注并在诸多工程领域得以应用,例如建筑、汽车、船舶等,具体应用有汽车的减振器[1]、离合器[2]和制动器[3],桥梁等建筑结构的阻尼器[4],动力装置隔振器[5]和传感器[6]等。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

3.2 主动前轮转向控制器设计
基于滑模变结构控制设计了主动前轮转向系统。 对于主动前轮转向, 前轮实际转角可表示为: δf =δc +δs 过操纵转向系统转向盘来实施。 转向系统的角度误差和角速度误差为: e=r-x1 (8 ) δ s —通过主动转向实施的汽车前轮转角; δ c —由驾驶员通 式中:
并作为设计参数同时进行并行集成优化, 达到系统解藕和改善所
2014-08-21 来稿日期: 基金项目: 国家自然基金资助( 61104225); 福建省自然科学基金资助 (2013J01208) ; 福建省教育厅 A 类项目 (JA12251 ) ; 厦门理工学院科技项目 (YKJ11007R ) 作者简介: 刘显贵, (1973) , 男, 江西人, 博士, 硕士生导师, 主要研究方向: 汽车设计研究; 郑从兴, (1982) , 男, 江西人, 硕士研究生, 主要研究方向: 汽车设计与检测研究
以提高汽车舒适性、 主动安全性为改善目标, 取悬架主要动 咬、 咬 力学性能指标为: 汽车车身垂直加速度z 、 俯仰角加速度θ 前后轮 前后悬架动行程及作动力 u1 和 u2。 胎位移 z1 和 z2、 则悬架性能目标指数 J 可表示如下:
2 2 2 2 2 2 2
俯仰运动 (b )
z3 z3il c2il z2il m2il k1il z1il fil m3 k2il hi c2ir hi kai 准 y fir m2ir k1ir z1ir z3ir k2ir z2ir
转向运动 (a )
z3 m3 z3rj c2rj z2rj frj m2rj k2rj lr k1rj z1rj c2fj lf ffj m2fj k1fj z1fj k2fj z2fj θ x z3fj

觶 =AX+BU+GW X Y=CX+v
(7 )
T 式中: —前后悬架作动力输入; U= [u1 u2] T W= [w1 w2] —高斯白噪声路面输入。
[5-6]
设计的汽车底盘集成系统整体性能之目的。 文献[7]采用循环迭代优化设计方法设计出机电系统, 考虑满 足系统鲁棒性能要求和输出的前提下, 使得机电系统主动控制所 需的能量最小。 文献[8-9]采用遗传算法等优化设计方法分别对汽车 的电动助力转向和主动悬架系统等单个汽车控制系统的机械和 控制参数进行了同时优化选择。 文献[9]对 ASS 和 EPS 进行集中式 集成控制基础上, 采用模拟退火优化算法, 对集成系统机械和控 制参数进行了并行优化研究, 结果表明汽车操纵稳定性和平顺性 等动力学性能均不同程度提高和改善。 遗传算法 (Genetic Algorithm, 简称 GA ) 是一种模拟遗传选
Simultaneous Optimization Design of Vehicle Chassis Integrated Control System Based on Genetic Algorithm
LIU Xian-gui1, ZHENG Cong-xing1, LIN Yong-ming2
48
刘显贵等: 基于遗传算法的汽车底盘系统协调控制优化
第3期
但它不同于枚举 择和生物进化过程并行随机搜索最优解的算法, 法的随机搜索, 通过对参数空间编码并随机选择作为工具引导搜 索过程向着更高的方向发展。对 ASS 和 AFS 系统集成协调控制 基础上, 基于遗传优化算法对该集成控制系统的机械结构与控制 参数进行优化, 结果表明优化后汽车操纵稳定性及舒适性等汽车 整车性能均得到了不同程度的改善和提高。
J=lim 1 T→∞ T

T
T 2 1 2
咬 +q z +q z +q 觶 z-z1 -aθ 咬 +q2 θ q z 3 1 4 2 5
2 2 2
2
2
2
2
觶 +
2
0 2 2
z-z2 +bθ 觶 q6 觶 +r1 u1 +r2 u2
2 2 2 2 2 2 2 2 2 2 2
dt
式中: r1, r2—加权系数, q1…q6, 上式可以写成如下矩阵形式, 即: J=lim 1 T→∞ T dt X QX+U RU+2X NU 觶 乙觶
转向运动: 咬=觶 觶 +ω 觶 FY1 +FY2 +FY3 +FY4 觶 -ms h准 mv 觶 β r 觶 =l 觶 FY1 +FY2 觶 FY3 +FY4 觶 -lr 觶 Iz ω r f 俯仰运动、 垂直运动: 咬 -l 觶 F21 +F22 觶 F23 +F24 觶 +lr 觶 =0 Iyθ f 咬 +F +F +F +F =0 ms Z s 21 22 23 24 咬 -F +F =0 (i=1, 2, 3, 4 ) m1i Z 1i 2i 1i 侧倾运动: 咬 -m h 觶 觶 +ω 觶 F21 -F22 觶 F23 -F24 觶 +hf 觶 +hr 觶 -ms gh准=0 Ix 准 β s r (6 ) (3 ) (4 ) (5 ) (1 ) (2 )
第3期 2015 年 3 月
机械设计与制造 Machinery Design & Manufacture
47
基于遗传算法的汽车底盘系统协调控制优化
刘显贵 1, 郑从兴 1, 林勇明 2
福建 厦门 361024; 2.国家 (厦门 ) 环境保护机动车污染控制技术中心, 福建 厦门 361023 ) (1.厦门理工学院 机械与汽车工程学院,
er ef a1 δ a2 ψ 觶 2hr Fcr O a2 Fcr Fcfr V3 控制源自设计3.1 主动悬架控制器设计
基于 LQG 控制设计了主动悬架控制器。 取状态向量为:
β Fcf a1 δ
2hf
觶, 觶 , 觶 , 觶, X= 觶 z z z θ z, z1 , zg1 , zg2 觶 1 z2 , 2 θ, 输出向量取为: 觶, 觶 , 觶 , 觶觶 Y= 觶 z z z θ z, z1 , 1 z2 , 2 θ, 主动悬架系统状态方程和输出方程可写成下式:
Xiamen University of Technology, Fujian Xiamen 361024, China; (1.School of Mechanical and Automotive Engineering, 2.Xiamen Environmental Protection Vehicle Emission Control Technology Center, Fujian Xiamen 361023, China ) Abstract: In order to remove the coupling interferences between the mechanical structure and control system of vehicle chassis control system and further enhance the overall performance of vehicle, the method of simultaneous optimization design of mechanical structure and controller of vehicle chassis system based on genetic algorithm was presented. The integrated simultaneous optimization program was developed based on genetic algorithm in MATLAB environment while the mechanical structure and control parameters of integrated control system was set as optimization variables and the overall performance of automotive dynamic was set as objective function. Simulation result not only apparently improves ride performance and vehicle handiness,but effectively reduces the vibration caused by road inputs in order to get well vehicle maneuverability and ride comfort as well. Key Words: Genetic Algorithm; Active Suspension System; Active Front Steering System; Coordinated Control; Simultaneous Optimization

觶 =r 觶 -ωe e
(9 )
觶 —横摆角及其角速度的实时值; r r、 x1、 ωe —横摆角及其角速 式中: 觶 =ω。 度期望的稳态值, 且r
No.3 Mar.2015
觶 定义切换函数为: s=ce+e 控制率为: 根据比例切换控制方法, u=δs = 觶 α e +β e 觶
机械设计与制造
觶— β 式中: m、 ms—整车质量、悬挂质量; Iz—车身横摆转动惯量; β、 质心侧偏角、侧偏角速度; v—车速; ωr—横摆角速度; FYi— 前后轮侧偏力; θ—俯仰角; 准—侧倾角; Zs—悬挂质量的垂 直位移; Z1i—非悬挂垂直位移; 2, 3, 4 表示前、后左右 i=1、 轮。
2.2 其他模型
(10 ) (11 )
相关文档
最新文档