基于Pareto的L4级智能电动汽车EE架构优化及实现
发布时间：2021-10-18 22:22
近年来,随着无人驾驶的发展,汽车四化即电动化、智能化、网联化、共享化逐渐成为汽车行业未来的发展方向,汽车电子电气架构必须支撑未来汽车“四化”和车载软件的快速发展,为此必须满足的基本需求包括高计算性能、高通讯带宽、高功能安全、高信息安全性和软件持续更新。然而目前的电子电气架构存在着计算性能需要提升、通讯带宽需要提高、软件需要逐步升级的问题,不能满足未来智能汽车发展的需求。智能电动汽车的发展对于车载电子电气架构的要求进一步的提升,需要更加合理完善的电子电气架构对智能电动汽车予以支撑。因此,需要对于目前的传统汽车的EE架构进行进一步地改进和优化。本文首先对Pareto多目标优化原理进行深入研究,并将精英控制策略快速非支配排序遗传算法（Fast and elitist non-dominated sorting genetic algorithm,NSGA-Ⅱ）应用到后期架构模型优化的求解中。之后分析三款竞标车型宝马7系、奥迪A8和特斯拉的电子电气架构网络拓扑图,总结三款车型的控制器、驾驶辅助系统控制器、总线协议并结合L4级标准来确定下一代智能电动汽车的功能需求,然后制定出架构方案,架构方案包...
【文章来源】：天津职业技术师范大学天津市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图2-1两目标的Pareto前沿及可行域通过多目标优化问题的描述来评价目标函数解之间的适应度强弱
天津职业技术师范大学硕士学位论文10图2-2多目标进化算法模型遗传操作主要包括三个遗传算子:选择、交叉和变异。以下是对进化过程中各个算子的详细描述。2.1.4交叉算子交叉的过程是模拟的自然界的生物杂交的过程，从父代种群中随即选择两个个体进行杂件，而交叉算子则是进行基因片段的交叉然后产生子代，交叉算子一般主要包括均匀交叉算子[46]和模拟二进制交叉算子[47]：（1）均匀交叉算子均匀交叉指的是基因交换的概率是相同的，从父代中随即选择两个个体进行杂交，其中、2是父代中的两个个体，、2为父代两个个体进行交叉后的子代，为随机产生的概率模板。（2）模拟二进制交叉算子从种群中选择两个个体2和22222，使用模拟二进制交叉产生了两个子个体2和22222如式2.8和式2.9所示：.52（2.8）2.52（2.9）2如果.52其他情况其中，均匀分布地随机数，在每次交叉的过程会随机产生，和2为父
天津职业技术师范大学硕士学位论文14图2-3NSGA-II计算流程图2.3本章小结本章主要进行了多目标优化问题的描述并介绍了相关的多目标进化算法的概念，包括Pareto支配、Pareto最优解、Pareto最优解集、局部Pareto最优解和弱Pareto最优解，然后讲述了多目标进化算法的模型，并叙述了该进化算法中的各个过程，介绍了三个遗传算子即选择、交叉和变异。其中交叉算子中介绍了均匀交叉算子和模拟二进制交叉算子，变异算子中介绍了均匀变异、非均匀变异和多项式变异，环境选择中介绍了轮盘赌法、锦标赛选择法和排序选择法。通过分析NSGA-II算法的优缺点，采用精英策略与动态拥挤距离排序来改善NSGA-II算法的缺点，其中精英策略可以改善NSGA-II算法的侧向多样性，动态拥挤距离排序可以改善种群个体之间分布的均匀性，最后是对本章的概述，本章为后续算法的使用提供了相应的理论基矗
【参考文献】：
期刊论文
[1]智能网联汽车网络架构方案研究[J]. 李云海. 智能城市. 2019(19)
[2]基于PREEvision的汽车电子电气架构设计介绍[J]. 王永辉. 汽车实用技术. 2019(15)
[3]基于新架构的智能汽车整车线束设计研究[J]. 闫新星,李玉庆,李国庆,徐海良. 电脑知识与技术. 2019(22)
[4]智能电动汽车电子电气架构的设计与优化措施[J]. 赵洪林,关志伟,杜峰,李俊凯. 汽车零部件. 2019(06)
[5]改进的分布估计算法求解多目标优化问题[J]. 吴烨烨,高尚. 计算机与数字工程. 2019(06)
[6]基于混合PAES的置信规则库推理算法[J]. 傅仰耿,刘莞玲,吴伟昆,李敏,吴英杰. 电子科技大学学报. 2019(02)
[7]电动汽车电气电子架构设计[J]. 杨伟兵,陈亚丽. 电子技术与软件工程. 2018(23)
[8]自动驾驶分级方法及测试技术[J]. 石娟,田晓笛,王建培. 汽车工程师. 2018(09)
[9]对标分析在整车设计中的应用[J]. 袁祥,杜忠仁,韩殿清,王征. 重型汽车. 2018(03)
[10]汽车电子电器构架设计及优化措施[J]. 陆彦达. 时代汽车. 2018(06)
博士论文
[1]人工免疫算法的优化及其关键问题研究[D]. 舒万能.武汉大学 2013
硕士论文
[1]基于遗传算法的离散多目标优化问题研究及其应用[D]. 马玉泉.兰州理工大学 2019
[2]基于进化算法的约束多目标优化问题研究[D]. 李进.兰州理工大学 2019
[3]电动汽车CAN总线实时性能研究[D]. 李海龙.吉林大学 2018
[4]基于以太骨干网的域集中式网络架构设计与验证[D]. 孟超.吉林大学 2018
[5]带精英策略的非支配排序遗传算法优化研究[D]. 郭军.辽宁大学 2017
[6]基于Pareto支配的高维多目标进化算法研究[D]. 韩红艳.大连理工大学 2016
[7]改进遗传算法在多目标问题上的应用研究[D]. 郭修豪.重庆师范大学 2016
[8]遗传算法进化策略的改进研究[D]. 弭宝福.东北农业大学 2014
[9]进化算法在公交调度中的应用研究[D]. 王玉杰.沈阳工业大学 2014
[10]汽车线束一体化设计[D]. 陈轶峰.上海交通大学 2012
本文编号：3443606
【文章来源】：天津职业技术师范大学天津市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图2-1两目标的Pareto前沿及可行域通过多目标优化问题的描述来评价目标函数解之间的适应度强弱
天津职业技术师范大学硕士学位论文10图2-2多目标进化算法模型遗传操作主要包括三个遗传算子:选择、交叉和变异。以下是对进化过程中各个算子的详细描述。2.1.4交叉算子交叉的过程是模拟的自然界的生物杂交的过程，从父代种群中随即选择两个个体进行杂件，而交叉算子则是进行基因片段的交叉然后产生子代，交叉算子一般主要包括均匀交叉算子[46]和模拟二进制交叉算子[47]：（1）均匀交叉算子均匀交叉指的是基因交换的概率是相同的，从父代中随即选择两个个体进行杂交，其中、2是父代中的两个个体，、2为父代两个个体进行交叉后的子代，为随机产生的概率模板。（2）模拟二进制交叉算子从种群中选择两个个体2和22222，使用模拟二进制交叉产生了两个子个体2和22222如式2.8和式2.9所示：.52（2.8）2.52（2.9）2如果.52其他情况其中，均匀分布地随机数，在每次交叉的过程会随机产生，和2为父
天津职业技术师范大学硕士学位论文14图2-3NSGA-II计算流程图2.3本章小结本章主要进行了多目标优化问题的描述并介绍了相关的多目标进化算法的概念，包括Pareto支配、Pareto最优解、Pareto最优解集、局部Pareto最优解和弱Pareto最优解，然后讲述了多目标进化算法的模型，并叙述了该进化算法中的各个过程，介绍了三个遗传算子即选择、交叉和变异。其中交叉算子中介绍了均匀交叉算子和模拟二进制交叉算子，变异算子中介绍了均匀变异、非均匀变异和多项式变异，环境选择中介绍了轮盘赌法、锦标赛选择法和排序选择法。通过分析NSGA-II算法的优缺点，采用精英策略与动态拥挤距离排序来改善NSGA-II算法的缺点，其中精英策略可以改善NSGA-II算法的侧向多样性，动态拥挤距离排序可以改善种群个体之间分布的均匀性，最后是对本章的概述，本章为后续算法的使用提供了相应的理论基矗
【参考文献】：
期刊论文
[1]智能网联汽车网络架构方案研究[J]. 李云海. 智能城市. 2019(19)
[2]基于PREEvision的汽车电子电气架构设计介绍[J]. 王永辉. 汽车实用技术. 2019(15)
[3]基于新架构的智能汽车整车线束设计研究[J]. 闫新星,李玉庆,李国庆,徐海良. 电脑知识与技术. 2019(22)
[4]智能电动汽车电子电气架构的设计与优化措施[J]. 赵洪林,关志伟,杜峰,李俊凯. 汽车零部件. 2019(06)
[5]改进的分布估计算法求解多目标优化问题[J]. 吴烨烨,高尚. 计算机与数字工程. 2019(06)
[6]基于混合PAES的置信规则库推理算法[J]. 傅仰耿,刘莞玲,吴伟昆,李敏,吴英杰. 电子科技大学学报. 2019(02)
[7]电动汽车电气电子架构设计[J]. 杨伟兵,陈亚丽. 电子技术与软件工程. 2018(23)
[8]自动驾驶分级方法及测试技术[J]. 石娟,田晓笛,王建培. 汽车工程师. 2018(09)
[9]对标分析在整车设计中的应用[J]. 袁祥,杜忠仁,韩殿清,王征. 重型汽车. 2018(03)
[10]汽车电子电器构架设计及优化措施[J]. 陆彦达. 时代汽车. 2018(06)
博士论文
[1]人工免疫算法的优化及其关键问题研究[D]. 舒万能.武汉大学 2013
硕士论文
[1]基于遗传算法的离散多目标优化问题研究及其应用[D]. 马玉泉.兰州理工大学 2019
[2]基于进化算法的约束多目标优化问题研究[D]. 李进.兰州理工大学 2019
[3]电动汽车CAN总线实时性能研究[D]. 李海龙.吉林大学 2018
[4]基于以太骨干网的域集中式网络架构设计与验证[D]. 孟超.吉林大学 2018
[5]带精英策略的非支配排序遗传算法优化研究[D]. 郭军.辽宁大学 2017
[6]基于Pareto支配的高维多目标进化算法研究[D]. 韩红艳.大连理工大学 2016
[7]改进遗传算法在多目标问题上的应用研究[D]. 郭修豪.重庆师范大学 2016
[8]遗传算法进化策略的改进研究[D]. 弭宝福.东北农业大学 2014
[9]进化算法在公交调度中的应用研究[D]. 王玉杰.沈阳工业大学 2014
[10]汽车线束一体化设计[D]. 陈轶峰.上海交通大学 2012
本文编号：3443606
本文链接：https://www.wllwen.com/kejilunwen/qiche/3443606.html
