1.一种基于改进多目标混合粒子群算法的汽车传动参数优化方法,其特征在于,包括以下步骤:S1)根据预设的初始参数创建种群,初始化所述种群中每个粒子的位置,初始化所述种群中每个粒子的速度,所述粒子为汽车传动参数;
S2)对于当前种群中的每个粒子,根据每个粒子的位置、预设的动力性分目标函数以及经济性分目标函数计算每个粒子的个体最优值pbest,并求解Pareto最优前沿,根据所述Pareto最优前沿得到种群全局最优值gbest,根据所有粒子的类别,计算每个粒子对应的类别最优值nbest,具体包括:S21)根据每个粒子的位置、预设的动力性分目标函数以及经济性分目标函数计算每个粒子的动力性分目标函数值以及经济性分目标函数值,所述动力性分目标函数表示汽车从静止启动并连续换挡加速至最大车速u其中,f
所述经济性分目标函数表示汽车以速度u
其中,f
所述动力性分目标函数和经济性分目标函数的约束条件包括:
g
其中,u
g
其中,i
g
其中,D
g
其中,D
其中,i
g
其中,q为公比,
其中,X
S22)根据每个粒子的动力性分目标函数值以及经济性分目标函数值与上一次迭代中对应的个体最优值pbest的动力性分目标函数值以及经济性分目标函数值比较结果,确定本次迭代中每个粒子的个体最优值pbest;
S23)根据每个粒子的动力性分目标函数值以及经济性分目标函数值求解Pareto最优前沿,根据所述Pareto最优前沿与上一次迭代中的群体全局最优值gbest的比较结果,确定本次迭代中的群体全局最优值gbest;
S24)若本次迭代为第一次迭代,对所有粒子进行聚类以划分每个粒子的类别,并执行步骤S25),否则直接执行步骤S25);
S25)对于同一类别下的所有粒子,根据每个粒子的动力性分目标函数值以及经济性分目标函数值求解Pareto最优解,根据所述Pareto最优解确定本次迭代中所述类别下所有粒子的类别最优值nbest;
S3)用每个粒子的位置、每个粒子的个体最优值pbest、群体全局最优值gbest以及每个粒子对应的类别最优值nbest计算每个粒子下一次迭代的位置,每个粒子下一次迭代的位置的函数表达式如下:上式中,x
S4)用遗传算法更新种群中的所有粒子得到用于下一次迭代的种群,返回步骤S2)直到满足预设的终止迭代条件,用遗传算法更新种群中的所有粒子得到用于下一次迭代的种群具体包括:S41)根据预设的初始温度系数、终止温度系数和总迭代次数,以及当前迭代次数计算当前温度系数WS42)选择所述种群中的父代个体,并根据每个类别的类别最优值nbest确定母代个体,根据所述交叉概率PS43)筛选并保留所述种群中的目标粒子,用所述目标粒子和第二新粒子组成用于下一次迭代的种群;
S5)将Pareto最优前沿对应的粒子输出作为最优的汽车动力传动参数。
2.根据权利要求1所述的基于改进多目标混合粒子群算法的汽车传动参数优化方法,其特征在于,步骤S22)具体包括:分别将每个粒子的动力性分目标函数值以及经济性分目标函数值与上一次迭代中对应的个体最优值pbest的动力性分目标函数值以及经济性分目标函数值比较,若粒子支配上一次迭代中对应的个体最优值pbest,将粒子的当前位置作为本次迭代对应的个体最优值pbest,若粒子未支配上一次迭代中对应的个体最优值pbest,随机选择粒子的当前位置或者上一次迭代中对应的个体最优值pbest作为本次迭代对应的个体最优值pbest。
3.根据权利要求1所述的基于改进多目标混合粒子群算法的汽车传动参数优化方法,其特征在于,步骤S23)具体包括:根据每个粒子的动力性分目标函数值以及经济性分目标函数值,对所述种群进行快速非支配排序找到Pareto最优前沿,将上一次迭代中的群体全局最优值gbest与Pareto最优前沿进行比较,若上一次迭代中的群体全局最优值gbest为支配解,将上一次迭代中的群体全局最优值gbest作为本次迭代中的种群全局最优值gbest,若上一次迭代中的群体全局最优值gbest为非支配解,随机选取Pareto最优前沿中的一个解作为本次迭代中的种群全局最优值gbest,并保存Pareto最优前沿。
4.根据权利要求1所述的基于改进多目标混合粒子群算法的汽车传动参数优化方法,其特征在于,步骤S25)具体包括:对于同一类别下的所有粒子,根据每个粒子的动力性分目标函数值以及经济性分目标函数值,对所述类别进行快速非支配排序找到Pareto最优前沿,若所述Pareto最优前沿存在多个Pareto最优解,随机选取一个Pareto最优解作为本次迭代中所述类别下所有粒子的类别最优值nbest。
5.根据权利要求1所述的基于改进多目标混合粒子群算法的汽车传动参数优化方法,其特征在于,步骤S3)之前还包括更新惯性权重的步骤,具体包括:根据每个粒子的动力性分目标函数值以及经济性分目标函数值,计算所述种群的动力性分目标函数以及经济性分目标函数平均值,对于每个粒子,若当前粒子的目标函数值以及经济性分目标函数值优于所述种群的动力性分目标函数以及经济性分目标函数平均值,更新惯性权重为较小值,若所述种群的动力性分目标函数以及经济性分目标函数平均值优于当前粒子的目标函数值以及经济性分目标函数值,更新惯性权重为较大值。
6.根据权利要求1所述的基于改进多目标混合粒子群算法的汽车传动参数优化方法,其特征在于,步骤S4)中预设的终止迭代条件具体包括:迭代次数达到第一阈值,或者指定的迭代次数中,每次迭代的动力性分目标函数值的误差以及每次迭代的经济性分目标函数值的误差均小于第二阈值。
7.根据权利要求1~6任一所述的基于改进多目标混合粒子群算法的汽车传动参数优化方法,其特征在于,步骤S1)之前还包括预先配置的步骤,具体包括:SA1)用汽车变速器每一档的传动比以及主减速器的传动比作为汽车传动参数,建立汽车动力传动参数模型;
SA2)根据汽车动力传动参数模型配置动力性分目标函数以及经济性分目标函数。