CN110185789A - 基于蜂群神经网络集成的新能源车amt换挡策略 - Google Patents

Abstract

本发明公开了基于蜂群神经网络集成的新能源车AMT换挡策略，针对神经网络训练三参数自动换挡策略中存在收敛速度慢，易陷入局部最优，从而导致误差较大的问题，采用人工蜂群对神经网络中的权值和阈值进行全局最优求解，并对人工蜂群存在的问题进行改进，改进蜂群中的引领蜂、跟随蜂和侦查蜂阶段的算法，使其具有自适应能力，前期提高全局搜索能力，后期加快收敛。基于人工蜂群的神经网络较差训练收敛速度较快，误差极小，为新能源车自动换挡策略提供了准确的数据，使新能源车换挡更加平滑。

Description

基于蜂群神经网络集成的新能源车AMT换挡策略

技术领域

本发明涉及新能源车技术领域，具体为基于蜂群神经网络集成的新能源车AMT换挡策略。

背景技术

随着电池技术的进步以及国家对环保的要求，新能源车已经进入人们的日常生活中。新能源车操控方便，适合群体广泛，特别是采用电控机械式自动变速器，可以根据车辆运行状态自动选档、换挡。传统的换挡策略主要有单参数、双参数和三参数三种，利用神经网络对输入参数进行训练，选择误差小应用在实际换挡中。由于神经网络训练属于反向寻优，算法自身具有收敛速度慢，易陷入局部最优的缺点，因此存在误差大，计算时间长的问题，灵活性较差。

发明内容

鉴于现有技术中所存在的问题，本发明公开了基于蜂群神经网络集成的新能源车AMT 换挡策略，采用的技术方案是，包括以下步骤：

Step1.加载样本输入车速、气门开度和加速度进行三参数神经网络自训练；

Step2.设为神经网络输出值的误差，N为样本维度，Y为目标函数值，TN为神经网络迭代次数，若f(x_i)≤Y或迭代次数为TN，则转Step10，否则转Step3；

Step3.初始化人工蜂群：人工蜂群的种群大小FN，最大迭代次数MAXCN，未更新上限LIMIT；神经网络输入层神经元个数为a，隐层神经元个数为b，输出层神经元个数为c，人工蜂群的维数D＝(a+1)*b+(b+1)*c，将神经网络所有权值和阈值赋予人工蜂群的D维分量；

Step4.生成初始化食物源，计算每个食物源的适应度值

若f(x_i)≥0；

Step5.引领蜂探查：以公式1-P′的概率进行更新，其中，为经过第F次迭代后由原始解和其邻近解更新后的解，F′为当前迭代次数，若存在多个候选解，则选取适应度值最高的成为新的候选解，若存在未修正的食物源，则将C+1，C为未修正次数。

Step6.跟随蜂根据Step2更新后的食物源按照适应度值进行排序，分为两个组，精英组G ()和淘汰组W()，并记录每个食物源在每个迭代周期的排名L_i以及存在的总周期数T_i，按照以1-P′的概率

进行选择，其中∑L_i为食物源x_i在整个迭代周期内排名总和，其与T_i的比值为当前总迭代周期的排名平均值，其值越小则表明其在整个全局中适应度值最佳，为排名因子，决定了食物源x_i在整个迭代周期内的稳定排名比率。

Step7.判断是否存在C_i＝LIMIT，若存在则对x_i的每一维进行适应度值计算，若存在某一维度j，j∈{1，2，3...D}，使得fit_i＞maxW(fit_k)，i≠k，则保留食物源x_i，并将食物源x_i与淘汰组W()中的某一个食物源x_k进行替换，替换因子为ε∈(0，1)，同时随机产生一个新的食物源。若不存在，则直接抛弃食物源x_i并产生一个随机食物源

Step8.利用Step5中的公式对被选择的食物源进行更新.

Step9.判断迭代次数是否达到MAXCN，若达到则停止计算并输出结果，若没有则返回Step4；

Step10.结束训练。

本发明的有益效果：针对神经网络训练三参数自动换挡策略中存在收敛速度慢，易陷入局部最优，从而导致误差较大的问题，采用人工蜂群对神经网络中的权值和阈值进行全局最优求解，并对人工蜂群存在的问题进行改进，改进蜂群中的引领蜂、跟随蜂和侦查蜂阶段的算法，使其具有自适应能力，前期提高全局搜索能力，后期加快收敛。基于人工蜂群的神经网络较差训练收敛速度较快，误差极小，为新能源车自动换挡策略提供了准确的数据，使新能源车换挡更加平滑。

附图说明

图1为本发明的Schaffer函数的实验结果；

图2为本发明的Griewank函数的实验结果；

图3为本发明的Rosenbrock函数的实验结果；

图4为本发明的Ackley函数的实验结果；

图5为本发明的基于人工蜂群神经网络与传统神经网络训练对比图。

具体实施方式

实施例1

如图1至图5所示，本发明公开了基于蜂群神经网络集成的新能源车AMT换挡策略，采用的技术方案是，Step1.加载样本输入车速、气门开度和加速度进行三参数神经网络自训练；

Step2.设为神经网络输出值的误差，N为样本维度，Y为目标函数值，TN为神经网络迭代次数，若f(x_i)≤Y或迭代次数为TN，则转Step10，否则转Step3；

Step3.初始化人工蜂群：人工蜂群的种群大小FN，最大迭代次数MAXCN，未更新上限LIMIT；神经网络输入层神经元个数为a，隐层神经元个数为b，输出层神经元个数为c，人工蜂群的维数D＝(a+1)*b+(b+1)*c，将神经网络所有权值和阈值赋予人工蜂群的D维分量；

Step4.生成初始化食物源，计算每个食物源的适应度值

若f(x_i)≥0；

Step5.引领蜂探查：以公式1-P′的概率进行更新，其中，为经过第F次迭代后由原始解和其邻近解更新后的解，F′为当前迭代次数，若存在多个候选解，则选取适应度值最高的成为新的候选解，若存在未修正的食物源，则将C+1，C为未修正次数。

Step6.跟随蜂根据Step2更新后的食物源按照适应度值进行排序，分为两个组，精英组G ()和淘汰组W()，并记录每个食物源在每个迭代周期的排名L_i以及存在的总周期数T_i，按照以1-P′的概率

进行选择，其中∑L_i为食物源x_i在整个迭代周期内排名总和，其与T_i的比值为当前总迭代周期的排名平均值，其值越小则表明其在整个全局中适应度值最佳，为排名因子，决定了食物源x_i在整个迭代周期内的稳定排名比率。

Step7.判断是否存在C_i＝LIMIT，若存在则对x_i的每一维进行适应度值计算，若存在某一维度j，j∈{1，2，3...D}，使得fit_i＞maxW(fit_k)，i≠k，则保留食物源x_i，并将食物源x_i与淘汰组W()中的某一个食物源x_k进行替换，替换因子为ε∈(0，1)，同时随机产生一个新的食物源。若不存在，则直接抛弃食物源x_i并产生一个随机食物源

Step8.利用Step5中的公式对被选择的食物源进行更新.

Step9.判断迭代次数是否达到MAXCN，若达到则停止计算并输出结果，若没有则返回Step4；

Step10.结束训练。

采用下列4个函数对改进后的人工蜂群进行实验验证，对比算法为CABC算法和标准人工蜂群算法。设置种群数量为40，未更新上限LIMIT＝10，迭代次数为1000，运行次数为 50，解维度D＝100。

(1)Schaffer函数

(2)Griewank函数

(3)Rosenbrock函数

(4)Ackley函数

表3-1为算法在Schaffer函数上的运行结果，从表中结果可以看出，改进算法与CABC算法在运算精度上较为相近，都比标准ABC算法高了一个数量级，但改进算法性能稍优于CABC算法，其原因在于侦查蜂在前期搜索时扩大了搜索范围，避免局部早熟，而CABC 算法则是以当前最优为导向，搜索范围较为狭窄。

表3-1 Schaffer函数的实验结果

表3-2为算法在Griewank函数上的运行结果，从实验结果上看，ABC算法的精度最差，这主要由于Griewank函数随着维度的增加其复杂度随之上升，由于其存在多个局部极值，因此ABC算法极易陷入局部最优。CABC在前期一定程度上扩大了搜索范围，因此性能优于标准ABC算法，而改进算法设计的初衷即在多维度求解过程中前期尽可能的扩大搜索范围，随着迭代的增加再转为深度搜索，因此在精度上最优。

表3-2 Griewank函数的实验结果

表3-3为Rosenbrock函数的实验结果，ABC算法与CABC和改进算法的差距均不大，但ABC算法稳定性较差，最优值与最差值相差很大。而CABC和改进算法的最优值较为相近，说明求解Rosenbrock函数时两者均有较好的寻优能力，但在稳定性上CABC算法与改进算法仍有少量差距。

表3-3 Rosenbrock函数的实验结果

表3-4为Ackley函数的运行结果，从实验结果看，CABC算法的最优值要劣于ABC算法，原因在于CABC以当前最优解为引导，虽然在一定程度上扩大了搜索范围，但仍极易陷入局部最优，而改进算法在前期以一定几率深度搜索较差领域，因此避免了落入局部陷阱。

表3-4 Ackley函数的实验结果

图3-5为三种不同算法在Ackley函数上运行50次后所花费的最佳收敛时间、最差收敛时间以及平均收敛时间，从图中可以看出，CABC算法与ABC算法在最佳收敛时间上较为相近，而最差收敛时间和平均收敛时间则相差较大，原因在于在算法前期CABC算法与 ABC算法在求解前期均倾向于向较优解靠近，而CABC算法在后期加速收敛，因此总体时间优于ABC算法。改进算法本质上“先广后深”，即扩大了搜索范围又能在短时间内收敛，因此在时间上优于CABC算法和ABC算法。

选择已发表的(金晶，苏勇，《一种改进的自适应遗传算法》，2005.18，P64-P69)中的IAGA算法以及(郑卫国，田其冲，张磊，《基于信息素强度的改进蚁群算法》，计算机仿真，2010.7.27(7))中的改进蚁群算法与改进后的人工蜂群算法进行对比，改进蜂群算法设置种群数量为40，未更新上限LIMIT＝10，迭代次数为500，解维度D＝100。IAGA算法与改进蚁群算法迭代次数为500次，其余参数与原文中相同。三种算法在上述4个函数上运行50次。

从图1可以看出，改进蜂群算法无论在收敛速度还是精度上都高于IAGA算法和改进蚁群算法，原因在于Schaffer函数在-0.990283和-0.962776处易陷入局部最优，IAGA算法和改进蚁群算法在该两点处花费了大量时间，虽然最终跳出了局部最优，但仍徘徊在上述两点附近。图2中显示改进蜂群算法在收敛速度上逊于IAGA算法和改进蚁群算法，主要原因在于改进蜂群算法在前期扩大了搜索范围，而Griewank函数的特性是随着维度的增大，其搜索空间也逐渐增大，复杂度也同样提高，因此花费了更多的时间来寻优，但正因为扩大了搜索范围，最终求解的精度也高于IAGA算法和改进蚁群算法。图3显示改进蚁群算法在迭代过程中出现了“颠簸”，原因在于Rosenbrock函数易使算法迷失求解方向，而改进蚁群算法则是以增强较优蚂蚁路径上的信息素浓度来引导其求解过程，当失去引导时则出现了求解反复的情况，而IAGA算法和改进蜂群算法差距较小。图4中可明显看出改进蚁群算法在Ackley函数中的求解中表现的最差，原因在于Ackley函数在爬山过程中存在多个山峰，向上爬的每一步均很有几率落入局部最优，而改进蚁群算法的原理则是“优中更优”，因此多次收敛于局部最优。而IAGA算法和改进蜂群最后均收敛于局部最优，这得益于两者均根据迭代的次数自适应的改变搜索策略，前期扩大搜索而后期加快收敛速度，因此在求解精度上基本相同。

采用同样的训练样本对神经网络和基于人工蜂群的神经网络进行训练对比，训练500次，如图5所示，经过人工蜂群优化的神经网络训练在收敛速度和训练精度上均优于传统神经网络。

本文中未详细说明的部件为现有技术。

上述虽然对本发明的具体实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化，而不具备创造性劳动的修改或变形仍在本发明的保护范围以内。

Claims (1)

1.基于蜂群神经网络集成的新能源车AMT换挡策略，其特征在于：包括以下步骤：

Step1.加载样本输入车速、气门开度和加速度进行三参数神经网络自训练；

Step2.设为神经网络输出值的误差，N为样本维度，Y为目标函数值，TN为神经网络迭代次数，若f(x_i)≤Y或迭代次数为TN，则转Step10，否则转Step3；

Step3.初始化人工蜂群：人工蜂群的种群大小FN，最大迭代次数MAXCN，未更新上限LIMIT；神经网络输入层神经元个数为a，隐层神经元个数为b，输出层神经元个数为c，人工蜂群的维数D＝(a+1)*b+(b+1)*c，将神经网络所有权值和阈值赋予人工蜂群的D维分量；

Step4.生成初始化食物源，计算每个食物源的适应度值

若f(x_i)≥0；

Step5.引领蜂探查：以公式1-P′的概率进行更新，其中，为经过第F次迭代后由原始解和其邻近解更新后的解，F′为当前迭代次数，若存在多个候选解，则选取适应度值最高的成为新的候选解，若存在未修正的食物源，则将C+1，C为未修正次数。

Step6.跟随蜂根据Step2更新后的食物源按照适应度值进行排序，分为两个组，精英组G()和淘汰组W()，并记录每个食物源在每个迭代周期的排名L_i以及存在的总周期数T_i，按照以1-P^′的概率

进行选择，其中∑L_i为食物源x_i在整个迭代周期内排名总和，其与T_i的比值为当前总迭代周期的排名平均值，其值越小则表明其在整个全局中适应度值最佳，为排名因子，决定了食物源x_i在整个迭代周期内的稳定排名比率。

Step7.判断是否存在C_i＝LIMIT，若存在则对x_i的每一维进行适应度值计算，若存在某一维度j，j∈{1，2，3…D}，使得fit_i＞maxW(fit_k)，i≠k，则保留食物源x_i，并将食物源x_i与淘汰组W()中的某一个食物源x_k进行替换，替换因子为ε∈0，1)，同时随机产生一个新的食物源。若不存在，则直接抛弃食物源x_i并产生一个随机食物源

Step8.利用Step5中的公式对被选择的食物源进行更新.

Step9.判断迭代次数是否达到MAXCN，若达到则停止计算并输出结果，若没有则返回Step4；

Step10.结束训练。