多目标粒子群优化算法研究及在HEV参数优化中应用

发布时间：2017-09-22 00:32

  本文关键词：多目标粒子群优化算法研究及在HEV参数优化中应用

  更多相关文章： 进化算法 混合动力汽车 粒子群优化算法 多目标优化 均衡 速度项系数

【摘要】：现实世界中许多复杂的工程和科学研究问题可以归纳为优化问题,智能汽车研究中混合动力汽车(HEV)的燃油消耗和污染物排放参数优化问题,就属于优化范畴。开展混合动力汽车中参数设置问题的研究,不仅仅有助于提高科学决策水平,更是保护环境、节约能源重要的前提条件。为进一步提高我国在智能汽车领域的研究水平,以达到节能环保的目的,结合粒子群优化算法在解决多目标优化问题上的优势,对多目标粒子群优化算法的三个速度项系数进行同时改进,并应用于并联式混合动力汽车中,为将来进一步求解智能汽车领域的复杂参数优化问题做了有益和必要的探索。本研究紧紧围绕进化算法中多目标粒子群优化算法和并联式混合动力汽车中的参数优化等研究问题,开展以下研究工作并取得了相应创新成果：1.设计了一种均衡各速度项系数的多目标粒子群优化算法,从粒子的惯性权重、全局最优信息以及局部最优信息三个不同的角度出发,提出了三种不同的动态自适应策略,综合对多目标粒子群优化算法的各速度项系数进行均衡优化,在7个标准测试函数上进行测试,与5种对等算法进行对比,实验结果表明,本文改进的算法对于避免粒子过早陷入局部最优以及提高整个算法的精度都有一定的优势。2.成功地将改进的多目标粒子群优化算法应用在并联式混合动力汽车参数优化中,对汽车燃油消耗和污染物排量放进行优化,基于ADVISOR仿真平台以及城市循环工况(UDDS)进行仿真模拟,最后将优化出的结果和NSGA-Ⅱ以及多目标粒子群优化算法进行对比,实验结果表明,优化后的参数对降低燃油消耗以及降低污染物的排放量有很大的优越性。发挥了交叉学科的优点,为智能汽车领域研究开拓了新思路。以上工作不仅丰富了粒子群算法在多目标优化领域的理论基础,对于进化算法的应用领域也起到了进一步扩展的作用,为其与智能汽车相关的研究相结合,提供了一种行之有效的新方法,使其在智能汽车中的应用更加广泛。
【关键词】：进化算法 混合动力汽车 粒子群优化算法 多目标优化 均衡 速度项系数
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U469.7;TP18
【目录】：

• 摘要5-6
• Abstract6-8
• 第一章 绪论8-16
• 1.1 引言8-14
• 1.1.1 研究背景及意义8-9
• 1.1.2 多目标进化算法的研究现状9-12
• 1.1.3 进化算法在混合动力汽车应用中的研究现状12-14
• 1.2 研究内容14
• 1.3 本文组织结构14-15
• 1.4 本章小结15-16
• 第二章 粒子群优化算法的相关工作基础16-26
• 2.1 粒子群优化算法介绍16-20
• 2.1.1 基本描述16-18
• 2.1.2 基本流程18-19
• 2.1.3 基本应用19-20
• 2.2 多目标粒子群优化算法介绍20-24
• 2.2.1 研究进展20-22
• 2.2.2 基本流程22-23
• 2.2.3 算法应用23-24
• 2.3 与其他进化算法对比24-25
• 2.4 本章小结25-26
• 第三章 均衡各速度项系数的MOPSO算法(bcMOPSO)26-43
• 3.1 惯性权重设置方法存在问题分析26-28
• 3.2 各速度项系数动态设置方法28-31
• 3.2.1 惯性权重均衡策略28-30
• 3.2.2 局部最优项均衡策略30-31
• 3.2.3 全局最优项均衡策略31
• 3.3 bcMOPSO算法流程31-33
• 3.4 实验设计33-34
• 3.5 性能指标34-35
• 3.6 实验结果与分析35-41
• 3.7 本章小结41-43
• 第四章 bcMOPSO算法在混合动力汽车参数优化中应用43-64
• 4.1 并联式混合动力汽车介绍43-44
• 4.2 能量管理策略及仿真软件44-46
• 4.2.1 能量管理策略研究44-45
• 4.2.2 仿真软件ADVISOR简介45-46
• 4.3 bcMOPSO算法及在并联式混合动力汽车参数优化中应用(PHEV-bcMOPSO)46-49
• 4.3.1 混合动力系统的三目标优化模型47-48
• 4.3.2 PHEV-bcMOPSO算法流程48-49
• 4.4 实验与仿真49-56
• 4.4.1 车型的基本信息和仿真路况50-51
• 4.4.2 约束条件和优化参数51-52
• 4.4.3 对比算法52-56
• 4.5 优化结果与分析56-63
• 4.6 本章小结63-64
• 第五章 总结与展望64-67
• 5.1 总结64-65
• 5.2 下一步工作与展望65-67
• 参考文献67-75
• 致谢75-76
• 作者简介76

【相似文献】

中国期刊全文数据库 前10条

1 戴冬雪,王祁,阮永顺,王晓超;基于混沌思想的粒子群优化算法及其应用[J];华中科技大学学报(自然科学版);2005年10期

2 李艳灵;李刚;;粒子群优化算法研究进展[J];重庆工学院学报(自然科学版);2007年05期

3 岳兴汉;薛云灿;蔡亮;;基于混沌思想的粒子群优化算法[J];河海大学常州分校学报;2007年04期

4 吕林;罗绮;刘俊勇;田立峰;;一种基于多种群分层的粒子群优化算法[J];四川大学学报(工程科学版);2008年05期

5 房靖;高尚;;不完全判断矩阵权值的粒子群优化算法计算[J];科学技术与工程;2009年19期

6 徐安;赵思宏;寇英信;黄俊;;基于混合粒子群优化的多目标决策新方法[J];火力与指挥控制;2010年01期

7 梁武;;改进的粒子群优化算法在结构优化中的应用[J];广东建材;2010年04期

8 冯雪;裴志松;;粒子群优化算法的研究与应用[J];吉林建筑工程学院学报;2011年03期

9 高立群;李若平;邹德旋;;全局粒子群优化算法[J];东北大学学报(自然科学版);2011年11期

10 赵成业;闫正兵;刘兴高;;改进的变参数粒子群优化算法[J];浙江大学学报(工学版);2011年12期

中国重要会议论文全文数据库 前10条

1 张妍;张晓光;王永钢;;几种改进型的粒子群优化算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年

2 孙红光;潘毓学;;基于运动目标路径的粒子群优化算法研究[A];第二届全国信息获取与处理学术会议论文集[C];2004年

3 韩毅;唐加福;郭伟宏;刘阳;;混合粒子群优化算法求解多层批量问题(英文)[A];中国运筹学会第八届学术交流会论文集[C];2006年

4 金一粟;梁逸曾;;空间自适应粒子群优化算法的应用研究[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

5 汪荣贵;李守毅;孙见青;;一种新的自适应粒子群优化算法及应用[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

6 黄双欢;程良伦;;一种基于粒子群优化的快速图像倾斜角度检测算法[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年

7 侯志荣;吕振肃;;基于退火策略的粒子群优化算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

8 徐俊杰;忻展红;;基于增强型参考位置的粒子群优化模型[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年

9 王亚;于永光;耿玲玲;;一类改进的自适应粒子群优化算法对混沌系统未知参数的估计[A];中国力学大会——2013论文摘要集[C];2013年

10 崔静;邓方;方浩;;基于改进粒子群优化算法的弹道求解方法[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

中国博士学位论文全文数据库 前10条

1 刘昊;多样性增强的粒子群优化算法及其应用研究[D];北京理工大学;2015年

2 姜毅;动态环境下粒子群优化算法的研究[D];武汉大学;2013年

3 刘华蓥;粒子群优化算法的改进研究及在石油工程中的应用[D];东北石油大学;2012年

4 刘波;粒子群优化算法及其在机电设备中的应用研究[D];中北大学;2011年

5 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年

6 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年

7 闫允一;粒子群优化及其在图像处理中的应用研究[D];西安电子科技大学;2008年

8 余炳辉;粒子群优化算法试验研究及扩展[D];华中科技大学;2007年

9 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年

10 徐慧;粒子群优化算法改进及其在煤层气产能预测中的应用研究[D];中国矿业大学;2013年

中国硕士学位论文全文数据库 前10条

1 陈卓;粒子群优化算法的改进及在油藏数值模拟中的应用[D];北京建筑大学;2015年

2 白云;基于粒子群优化算法的复杂网络社区挖掘[D];西北农林科技大学;2015年

3 杨艳华;基于粒子群优化支持向量机的网络态势预测模型研究[D];兰州大学;2015年

4 孟亚州;基于粒子群优化OTSU的肺组织分割算法研究[D];宁夏大学;2015年

5 郑博;基于快速排序的多目标粒子群优化算法的研究及应用[D];郑州大学;2015年

6 米永强;非线性规划问题的混合粒子群优化算法研究[D];宁夏大学;2015年

7 李建美;基于自适应变异与文化框架的混沌粒子群优化算法[D];陕西师范大学;2015年

8 刘星;基于粒子群优化算法的特征选择方法研究[D];南京大学;2015年

9 牛旭;动态粒子群优化算法及其应用[D];西安电子科技大学;2014年

10 叶华;粒子群优化算法研究[D];西安电子科技大学;2014年

，

本文编号：897783