论文部分内容阅读
混合动力电动车(简称HEV)因其低油耗、低排放、商品化相对容易，是将来二十年内汽车开发的主要型式之一，但因其具有至少两套动力驱动系统，故硬件结构和能源管理系统都比较复杂，需要找到各类部件的最优匹配和大量控制参数的最佳组合。本文提出用演化计算来求解这类HEV的驱动系统优化问题，将各部件典型的性能参数和主要的控制策略参数同时作为优化变量基于HEV驱动仿真软件ADVISOR进行单目标优化和多目标优化。 在进行单目标优化时采用了遗传算法。该方法克服了传统优化方法需要计算目标函数导数且容易陷入局部最优的缺陷，但遗传算法本身具有搜索效率低的缺陷，本文提出将其与传统梯度算法SQP相结合，发挥遗传算法的全局搜索能力和梯度算法收敛快的优势，开发了两种混合算法GA-SQP-I和GA-SQP-Ⅱ。实车计算的结果表明，这些方法大大提高了原车的燃料经济性。在此部分还测试了另外一种全局优化方法DIRECT，该方法不同于遗传算法，是一种确定性算法，有较强的健壮性，虽找到的最优解的精度不高，但收敛比较快，对于一般的工程问题也是一种合适的选择。 本文的后半部分阐述了多目标优化的概念，并应用多目标演化算法NSGA-Ⅱ对一辆并联HEV的燃油经济性和各种排放(CO，NOx，CO等)同时进行了优化，得到了一组Pareto解。针对这组解的分析表明，多目标演化算法不仅提高了原车的以上几项性能，而且为用户提供了一个具有很大柔性的选择空间，使其能根据不同的需求灵活地选择各种部件和控制策略。 文中对加快多目标演化算法的收敛也做了一定的探索，主要思想是将多目标演化算法与梯度算法采用ε-Constraint的方式相结合，据此开发了混合算法NSGA-SQP。实验表明其对于某些测试问题收敛非常快，但对于某些具有大量局部最优陷阱的测试问题并不比原来的NSGA-Ⅱ表现更出色，需要进一步研究。