CN113343349A - 一种汽车电子电气架构多目标优化方法、设备及存储介质 - Google Patents
一种汽车电子电气架构多目标优化方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113343349A CN113343349A CN202110523934.3A CN202110523934A CN113343349A CN 113343349 A CN113343349 A CN 113343349A CN 202110523934 A CN202110523934 A CN 202110523934A CN 113343349 A CN113343349 A CN 113343349A
- Authority
- CN
- China
- Prior art keywords
- bus
- layer
- cost
- objective
- objective function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
- Small-Scale Networks (AREA)
Abstract
本发明公开一种汽车电子电气架构多目标优化方法、设备及存储介质,方法包括:确定线束层的约束条件以及线束层的目标函数,以线束层的约束条件为约束,以线束层的目标函数为目标,建立线束层优化模型;确定控制器拓扑层的约束条件以及控制器拓扑层的目标函数,以控制器拓扑层的约束条件为约束,以控制器拓扑层的目标函数为目标,建立控制器拓扑层优化模型;根据预设的汽车电子电气参数,采用NSGA‑Ⅲ方法分别对线束层优化模型和控制器拓扑层优化模型进行求解,以得到所述线束层的目标函数的Pareto最优解集以及所述控制器拓扑层的目标函数的Pareto最优解集。本发明解决了现有技术中电子电气架构设计工作效率不高的技术问题。
Description
技术领域
本发明涉及新能源汽车技术领域,具体涉及一种汽车电子电气架构多目标优化方法、设备及存储介质。
背景技术
随着汽车电子电气的蓬勃发展,电子电气部件的复杂度和集成性越来越高。国内外传统的优化设计方法主要通过CAD、Word和EXCEL等基础软件进行设计,该方法操作简单,运用方便,软件成本很小,适用于小模块设计,但是整车架构设计周期长,资源分散,设计成本和架构成本高,不能有效的管理架构资源。随着汽车功能需求和功能安全方面的发展,传统的电子电气架构设计方法已经不能够满足现在汽车研发的需求,存在大量的弊端。而基于模型的汽车电子电气架构设计方法已经被广泛接受,甚至被作为首选的设计方法,该方法整合了架构开发过程中所涉及到的所有内容,强有力的推动了电子电气架构开发。
基于模型的电子电气架构设计是基于某些强大的软件上实现的,目前流行的软件是PREEvision工具,该工具是德国Vector公司研发的一种自上而下的电子电气架构开发工具,其优点是:具有成熟的汽车电子电气架构开发流程,满足了汽车厂的开发理念,采用可追溯性的软硬件开发,可进行变型管理和功能安全分析,支持标准的AUTOSAR输入\输出接口,整合了需求分析、功能设计、软硬件及网络开发、线束及拓扑结构等多个电子电气架构相关的领域,其核心的技术就是基于模型的开发,层与层之间相互渗透和便于用户评估的实用算法工具。但基于模型的电子电气架构设计需要建立评估准则对不同的设计方案进行评估,各种评估准则之间存在一定的约束关系,该方法不能建立针对多目标和复杂约束的数学描述,导致工作效率不高。
发明内容
本发明的目的在于克服上述技术不足,提供一种汽车电子电气架构多目标优化方法、设备及存储介质,解决现有技术中电子电气架构设计工作效率不高的技术问题。
为达到上述技术目的,本发明采取了以下技术方案:
第一方面,本发明提供一种汽车电子电气架构多目标优化方法,包括如下步骤:
确定线束层的约束条件以及线束层的目标函数,以线束层的约束条件为约束,以线束层的目标函数为目标,建立线束层优化模型;
确定控制器拓扑层的约束条件以及控制器拓扑层的目标函数,以控制器拓扑层的约束条件为约束,以控制器拓扑层的目标函数为目标,建立控制器拓扑层优化模型;
根据预设的汽车电子电气参数,采用NSGA-Ⅲ方法分别对线束层优化模型和控制器拓扑层优化模型进行求解,以得到所述线束层的目标函数的Pareto最优解集以及所述控制器拓扑层的目标函数的Pareto最优解集后,基于所述线束层的目标函数的Pareto最优解集以及所述控制器拓扑层的目标函数的Pareto最优解集完成汽车电子电气架构设计。
优选的,所述的汽车电子电气架构多目标优化方法中,所述线束层的目标函数至少包括以总线成本最小为目标的总线成本目标函数、以总线重量最小为目标的总线重量目标函数、以总线负载率最小为目标的总线负载率目标函数。
优选的,所述的汽车电子电气架构多目标优化方法中,所述总线成本目标函数为:
min(T(λ))=min(TC+TE+TL+TD)
TC=λC×tC+βC+θC
TE=λE×tE+βE+θE
TL=λL×tL+βL+θL
TD=λD×tD+βD+θD;
所述总线重量目标函数为:
min(α(λ))=min(λCmC+λEmE+λLmL+λDmD);
所述总线负载率目标函数为:
min(γ(λ))=min(ωC×UC+ωE×UE+ωL×UL+ωD×UD)
λ=λC+λE+λL+λD
ωE=λE/λ
ωC=λC/λ
ωL=λL/λ
ωD=λD/λ,
其中,T(λ)为总线成本,TC为CAN总线成本,TE为Ethernet总线成本,TL为LIN总线成本,TD为LVDS总线成本,λC为CAN总线的长度,tC为CAN总线的单价,βC为CAN插头费用,θC为CAN导线连接费用,λE为Ethernet总线的长度,tE为Ethernet总线的单价,βE为Ethernet插头费用,θE为Ethernet导线连接费用,λL为LIN总线的长度,tL为LIN总线的单价,βL为LIN插头费用,θL为LIN导线连接费用,λD为LVDS总线的长度,tD为LVDS总线的单价,βD为LVDS插头费用,θD为LVDS导线连接费用,α(λ)为总线重量,mC为CAN总线单位长度质量,mE为Ethernet总线单位长度质量,mL为LIN总线单位长度质量,mD为LVDS总线单位长度质量,γ(λ)为总线负载率,UC为CAN总线的负载率,UE为Ethernet总线的负载率,UL为LIN总线的负载率,UD为LVDS总线的负载率,ωC为CAN总线的权值,ωE为Ethernet总线的权值,ωL为LIN总线的权值,ωD为LVDS总线的权值。
优选的,所述的汽车电子电气架构多目标优化方法中,所述线束层的约束条件为:
优选的,所述的汽车电子电气架构多目标优化方法中,所述控制器拓扑层的目标函数至少包括以扩展性最大为目标的扩展率目标函数、以安全性最大为目标的安全性目标函数、以设计成本最小为目标的设计成本目标函数。
优选的,所述的汽车电子电气架构多目标优化方法中,所述扩展率目标函数为:
所述安全性目标函数为:
Y1∈[Y1min,Y1max],Y2∈[Y2min,Y2max];
所述设计成本目标函数为:
其中,ε(X)为扩展率,ω1、ω2、ω3、ω4分别为网关数量、ECU数量、网段协议数量、线束回路数的子项权重,X1、X2、X3、X4分别为网关数量、ECU数量、网段协议数量、线束回路数,分别为网关数量、ECU数量、网段协议数量、线束回路数的上限参考值, 分别为网关数量、ECU数量、网段协议数量、线束回路数的下限参考值,S(t)为安全度,Y1为诊断接口的数量,Y1min和Y1max分别为诊断接口的数量的下限值和上限值,Y2为诊断ECU的数量,Y2min和Y2max分别为诊断ECU的数量的下限值和上限值,a1为诊断接口的数量的权重,a2为诊断ECU的数量的权重,t为安全度的综合指标评价分,a,b为安全性目标函数的参数,φ表示设计成本,分别为网关、ECU、网段协议、线束回路、诊断接口、诊断ECU的配置单价,σ为开发成本。
优选的,所述的汽车电子电气架构多目标优化方法中,所述控制器拓扑层的约束条件为:
优选的,所述的汽车电子电气架构多目标优化方法中,采用NSGA-Ⅲ方法对线束层优化模型或控制器拓扑层优化模型求解的方法具体为:
根据预设的汽车电子电气参数确定参数拟合后的目标函数和约束条件;
根据参数拟合后的目标函数,随机产生初始种群规模为N的初始化种群作为父代总群,并生成参考点;
根据参数拟合后的约束条件,计算父代种群中每个个体的适应值;
对父代总群进行遗传进化操作,得到子代总群,并计算子代总群中每个个体的适应值;
将父代总群和子代种群进行合并,根据非支配排序对合并种群进行非支配排序;
根据所述参考点,选择较好的N个个体进入下一代父代总群;
判断是否达到最大迭代次数,如果是,则根据新的父代总群获取目标函数的Pareto最优解集,否则,对新的父代总群继续进行遗传进化操作后,生成下一代父代总群,直至达到最大迭代次数为止。
第二方面,本发明还提供一种汽车电子电气架构多目标优化设备,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如上所述的汽车电子电气架构多目标优化方法中的步骤。
第三方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的汽车电子电气架构多目标优化方法中的步骤。
与现有技术相比,本发明提供的汽车电子电气架构多目标优化方法、设备及存储介质,基于汽车电子电气架构的扩展性、时效性、安全性、成本评估等重要评价指标建立多目标优化模型,并且考虑到指标体系的复杂性及其之间的关联性,多个目标优化使问题变得复杂,本发明采用NSGA-III算法进行求解,其Pareto解集为决策者在工程实际应用中选择合理的优化方案提供了有效方法,提高了设计者的工作效率,解决了现有技术中优化方法不能针对多目标和复杂约束的数学描述的技术问题。
附图说明
图1是本发明提供的汽车电子电气架构多目标优化方法的一较佳实施例的流程图;
图2是线束层未经优化的模型示意图;
图3是线束层经过本发明提供的方法优化后的模型示意图;
图4是控制器拓扑层未经优化的模型示意图;
图5是控制器拓扑层经过本发明提供的方法优化后的模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,本发明实施例提供的汽车电子电气架构多目标优化方法,包括如下步骤:
S100、确定线束层的约束条件以及线束层的目标函数,以线束层的约束条件为约束,以线束层的目标函数为目标,建立线束层优化模型;
S200、确定控制器拓扑层的约束条件以及控制器拓扑层的目标函数,以控制器拓扑层的约束条件为约束,以控制器拓扑层的目标函数为目标,建立控制器拓扑层优化模型;
S300、根据预设的汽车电子电气参数,采用NSGA-Ⅲ方法分别对线束层优化模型和控制器拓扑层优化模型进行求解,以得到所述线束层的目标函数的Pareto最优解集以及所述控制器拓扑层的目标函数的Pareto最优解集后,基于所述线束层的目标函数的Pareto最优解集以及所述控制器拓扑层的目标函数的Pareto最优解集完成汽车电子电气架构设计。
本实施例中,首先,选取需要优化的目标,即汽车电子电气架构的成本评估、时效性、扩展性、安全性。然后从电气电子架构的线束层和控制器拓扑层的两个角度分别建立多目标优化模型,其中基于线束层设计的优化模型以总线的重量、成本、负载率为目标函数,通过将总线的重量、成本和负载率设计的最小,从而获取最优的汽车电子电气架构设计方案;基于控制器拓扑层设计的优化模型以可扩展性、安全性和配置成本为目标函数,然后确立目标函数的约束条件,最后求解约束条件下的目标函数,从而获得电气电子架构的优化方案。
本发明基于汽车电子电气架构的扩展性、时效性、安全性、成本评估等重要评价指标建立多目标优化模型,并且考虑到指标体系的复杂性及其之间的关联性,多个目标优化使问题变得复杂,本发明采用NSGA-III算法进行求解,其Pareto解集为决策者在工程实际应用中选择合理的优化方案提供了有效方法,提高了设计者的工作效率,解决了现有技术中优化方法不能针对多目标和复杂约束的数学描述的技术问题。
优选的实施例中,所述线束层的目标函数至少包括以总线成本最小为目标的总线成本目标函数、以总线重量最小为目标的总线重量目标函数、以总线负载率最小为目标的总线负载率目标函数。
具体的,所述汽车电子电气架构(EE架构)的总线成本主要包括总线的材料成本,汽车总线通常包括CAN(Controller Area Network,控制器局域网络)总线、Ethernet(以太网)总线、LIN(针对汽车分布式电子系统而定义的一种低成本的串行通讯网络)总线、LVDS(Low-Voltage Differential Signaling,低电压差分信号)总线等,因此电子电气架构总线成本T(λ)由各类汽车总线的成本之和构成,其中CAN总线的成本费包括线束费用、插头费用βC和导线连接费用θC,线束费用可用线束每米的价格tC和导线的长度λC计算,因此,CAN总线成本费可由TC=λC×tC+βC+θC近似计算得到。同理,可以计算出Ethernet总线的成本费TE,LIN总线成本费TL和LVDS总线成本费TD。因此,所述总线成本目标函数为:
min(T(λ))=min(TC+TE+TL+TD)
TC=λC×tC+βC+θC
TE=λE×tE+βE+θE
TL=λL×tL+βL+θL
TD=λD×tD+βD+θD,
其中,T(λ)为总线成本,TC为CAN总线成本,TE为Ethernet总线成本,TL为LIN总线成本,TD为LVDS总线成本,λC为CAN总线的长度,tC为CAN总线的单价,βC为CAN插头费用,θC为CAN导线连接费用,λE为Ethernet总线的长度,tE为Ethernet总线的单价,βE为Ethernet插头费用,θE为Ethernet导线连接费用,λL为LIN总线的长度,tL为LIN总线的单价,βL为LIN插头费用,θL为LIN导线连接费用,λD为LVDS总线的长度,tD为LVDS总线的单价,βD为LVDS插头费用,θD为LVDS导线连接费用。
进一步的,在评价EE架构时,总线的质量α(λ)是评价架构的一个重要指标,根据CAN总线Ethernet总线、LIN总线和LVDS的单位长度质量,可得出α(λ),故所述总线重量目标函数为:
min(α(λ))=min(λCmC+λEmE+λLmL+λDmD),
其中,α(λ)为总线重量,mC为CAN总线单位长度质量,mE为Ethernet总线单位长度质量,mL为LIN总线单位长度质量,mD为LVDS总线单位长度质量。
进一步的,总线通信负载率γ(λ)和总线长度λ可以作为评价时效性的子准则,降低总线的通信负载率和长度即提高了架构总线传输速率。本发明采用扩展帧作为主要通讯格式计算CAN总线通信负载率。设总线的通信传输速率为V(kbit/s),每一位所占用的时间即位时间可用式:tb=1/V表示,其中,tb为总线通道传输1位所占用的时间;V为传输速率。
假设标准帧的长度为Lj,总线传输的速率为V(kbit/s),位时间tb,从而传输一帧报文的时间可用式:tm=Lj×tb表示,其中,tm为单帧报文传输的时间。
CAN总线通信报文分为周期报文和事件报文。周期报文按预定义的时间周期性发送,而事件报文在随机事件触发后在总线通道中发送,因此只需仅考虑周期报文的负载率计算方法。设同一路网络中报文的发送周期为T,三种报文的数量分别为m、n、p。为保证所有报文均能发送,传输的数据帧数不能超过周期T(s)内总线传输数据的极限值,否则低优先级的报文将无法正常发出,即
在时间T(s)内,若不同发送周期的报文单帧数据长度均考虑为最多的135位,则传输的数据帧数量最多为:m+n+p≤[V×T/135],其中,m+n+p—T时间内总线通信通道数据帧传输的数量;[V×T/135]—T时间内总线传输数据帧的最大数量(取整数)。
根据上述公式,即可推导出CAN总线负载率为:
其中,UC为CAN总线负载率;Lj为标准帧长度;T为负载率计算的采样周期;tb为总线通道传输1位所占用的时间。
同理,可以计算出LIN的负载率UL、Ethernet的负载率UE以及LVDS的负载率UD,分别给各个总线负载一个权值ω,从而可以计算整车架构总线负载γ(λ),因此,所述总线负载率目标函数为:
min(γ(λ))=min(ωC×UC+ωE×UE+ωL×UL+ωD×UD)
λ=λC+λE+λL+λD
ωE=λE/λ
ωC=λC/λ
ωL=λL/λ
ωD=λD/λ,
其中,γ(λ)为总线负载率,UC为CAN总线的负载率,UE为Ethernet总线的负载率,UL为LIN总线的负载率,UD为LVDS总线的负载率,ωC为CAN总线的权值,ωE为Ethernet总线的权值,ωL为LIN总线的权值,ωD为LVDS总线的权值。
进一步的,所述线束层的约束条件为:
因此,线束层优化模型为:
Min y=[T(λ),α(λ),γ(λ)]T
进一步的实施例中,所述控制器拓扑层的目标函数至少包括以扩展性最大为目标的扩展率目标函数、以安全性最大为目标的安全性目标函数、以设计成本最小为目标的设计成本目标函数。
具体的,可扩展性可以由网关数量X1、ECU数量X2、网段协议数量X3和线束回路数X4作为子准则进行评价,本发明定义一个扩展率函数ε(X)用来量化EE架构的扩展性能,以高配车型作为标杆车型,其相关子准则参数作为上限参考值,以低配车作为基准车型,其相关子准则参数作为下限参考值。将各个子准则Xi归一化,乘以子准则的子项权值ωi进行求和得到EE框架的扩展率函数。因此,所述扩展率目标函数为:
其中,ε(X)为扩展率,ω1、ω2、ω3、ω4分别为网关数量、ECU数量、网段协议数量、线束回路数的子项权重,X1、X2、X3、X4分别为网关数量、ECU数量、网段协议数量、线束回路数,分别为网关数量、ECU数量、网段协议数量、线束回路数的上限参考值, 分别为网关数量、ECU数量、网段协议数量、线束回路数的下限参考值。
进一步的,EE架构的安全性由诊断接口的数量Y1和诊断ECU数量Y2两个子准则决定。本发明综合考虑两个子准则的影响,首先将子准则归一化,根据其重要程度赋予不同的权值进行求和,进而得出安全度的综合指标评价分t,函数表达式如下所示:
考虑到安全度的非线性,本发明构造安全度S(t)函数来量化EE架构的安全性,其表达式如下所示:
因此,所述安全性目标函数为:
Y1∈[Y1min,Y1max],Y2∈[Y2min,Y2max],
其中,S(t)为安全度,Y1为诊断接口的数量,Y1min和Y1max分别为诊断接口的数量的下限值和上限值,Y2为诊断ECU的数量,Y2min和Y2max分别为诊断ECU的数量的下限值和上限值,a1为诊断接口的数量的权重,a2为诊断ECU的数量的权重,t为安全度的综合指标评价分,a,b为安全性目标函数的参数。
网络控制层的布置成本主要有网关数量X1、ECU数量X2、网段协议数量X3、线束回路数X4、诊断接口的数量Y1和诊断ECU数量Y2的成本构成,可用子准则的单价和数量计算,因此网络控制层的布置成本可由式近似计算。故所述设计成本目标函数为:
进一步的,所述控制器拓扑层的约束条件为:
因此,所述控制器拓扑层优化模型为:
优选的实施例中,采用NSGA-Ⅲ方法对线束层优化模型或控制器拓扑层优化模型求解的方法具体为:
根据预设的汽车电子电气参数确定参数拟合后的目标函数和约束条件;
根据参数拟合后的目标函数,随机产生初始种群规模为N的初始化种群作为父代总群,并生成参考点;
根据参数拟合后的约束条件,计算父代种群中每个个体的适应值;
对父代总群进行遗传进化操作,得到子代总群,并计算子代总群中每个个体的适应值;
将父代总群和子代种群进行合并,根据非支配排序对合并种群进行非支配排序;
根据所述参考点,选择较好的N个个体进入下一代父代总群;
判断是否达到最大迭代次数,如果是,则根据新的父代总群获取目标函数的Pareto最优解集,否则,对新的父代总群继续进行遗传进化操作后,生成下一代父代总群,直至达到最大迭代次数为止。
其中,在一个具体实施例中,所述汽车电子电气参数如下表所示:
本发明针对电子电气架构四维评估体系,基于线束层和控制器拓扑层的两大设计角度建立了多目标优化模型。线束层优化模型较好地反映了EE架构线束层中“总线负载率”、“总线重量”和“总线成本”之间的关系,通过NSGA-III的优化求解,其Pareto解集为决策者在工程实际中选择优化方案提供有效指导。控制器拓扑层优化模型较好地反映了EE架构控制器拓扑层中“扩展率”、“安全度”和“配置成本”之间的关系,其Pareto解集提供了“扩展率”和“安全度”的最佳组合,决策者可以根据自己的经济能力去配置不同性能的EE架构,为决策者提供有效地选择方案。
在一个具体实施例中,线束层未经优化的模型和经过本发明提供的方法优化后的模型如图2和图3所示,根据图2和图3明显可以得出本发明中的方法建立的模型其总线重量、成本和负载率均更加具有规律性,而且均处于最优状态,故设计效果更加,工作效率更高,同样的,控制器拓扑层优化模型未经优化的模型和经过本发明提供的方法优化后的模型如图4和图5所示,根据图4和图5明显可以得出本发明中的方法建立的模型其配置成本、扩展率以及安全度均更加具有规律性,而且均处于最优状态,故设计效果更加,工作效率更高。
基于上述汽车电子电气架构多目标优化方法,本发明还相应的提供一种汽车电子电气架构多目标优化设备,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如上述各实施例所述的汽车电子电气架构多目标优化方法中的步骤。
由于上文已对汽车电子电气架构多目标优化方法进行详细描述,在此不再赘述。
基于上述汽车电子电气架构多目标优化方法,本发明还相应的提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述各实施例所述的汽车电子电气架构多目标优化方法中的步骤。
由于上文已对汽车电子电气架构多目标优化方法进行详细描述,在此不再赘述。
综上所述,本发明提供的汽车电子电气架构多目标优化方法、设备及存储介质,基于汽车电子电气架构的扩展性、时效性、安全性、成本评估等重要评价指标建立多目标优化模型,并且考虑到指标体系的复杂性及其之间的关联性,多个目标优化使问题变得复杂,本发明采用NSGA-III算法进行求解,其Pareto解集为决策者在工程实际应用中选择合理的优化方案提供了有效方法,提高了设计者的工作效率,解决了现有技术中优化方法不能针对多目标和复杂约束的数学描述的技术问题。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种汽车电子电气架构多目标优化方法,其特征在于,包括如下步骤:
确定线束层的约束条件以及线束层的目标函数,以线束层的约束条件为约束,以线束层的目标函数为目标,建立线束层优化模型;
确定控制器拓扑层的约束条件以及控制器拓扑层的目标函数,以控制器拓扑层的约束条件为约束,以控制器拓扑层的目标函数为目标,建立控制器拓扑层优化模型;
根据预设的汽车电子电气参数,采用NSGA-Ⅲ方法分别对线束层优化模型和控制器拓扑层优化模型进行求解,以得到所述线束层的目标函数的Pareto最优解集以及所述控制器拓扑层的目标函数的Pareto最优解集后,基于所述线束层的目标函数的Pareto最优解集以及所述控制器拓扑层的目标函数的Pareto最优解集完成汽车电子电气架构设计。
2.根据权利要求1所述的汽车电子电气架构多目标优化方法,其特征在于,所述线束层的目标函数至少包括以总线成本最小为目标的总线成本目标函数、以总线重量最小为目标的总线重量目标函数、以总线负载率最小为目标的总线负载率目标函数。
3.根据权利要求2所述的汽车电子电气架构多目标优化方法,其特征在于,
所述总线成本目标函数为:
min(T(λ))=min(TC+TE+TL+TD)
TC=λC×tC+βC+θC
TE=λE×tE+βE+θE
TL=λL×tL+βL+θL
TD=λD×tD+βD+θD;
所述总线重量目标函数为:
min(α(λ))=min(λCmC+λEmE+λLmL+λDmD);
所述总线负载率目标函数为:
min(γ(λ))=min(ωC×UC+ωE×UE+ωL×UL+ωD×UD)
λ=λC+λE+λL+λD
ωE=λE/λ
ωC=λC/λ
ωL=λL/λ
ωD=λD/λ,
其中,T(λ)为总线成本,TC为CAN总线成本,TE为Ethernet总线成本,TL为LIN总线成本,TD为LVDS总线成本,λC为CAN总线的长度,tC为CAN总线的单价,βC为CAN插头费用,θC为CAN导线连接费用,λE为Ethernet总线的长度,tE为Ethernet总线的单价,βE为Ethernet插头费用,θE为Ethernet导线连接费用,λL为LIN总线的长度,tL为LIN总线的单价,βL为LIN插头费用,θL为LIN导线连接费用,λD为LVDS总线的长度,tD为LVDS总线的单价,βD为LVDS插头费用,θD为LVDS导线连接费用,α(λ)为总线重量,mC为CAN总线单位长度质量,mE为Ethernet总线单位长度质量,mL为LIN总线单位长度质量,mD为LVDS总线单位长度质量,γ(λ)为总线负载率,UC为CAN总线的负载率,UE为Ethernet总线的负载率,UL为LIN总线的负载率,UD为LVDS总线的负载率,ωC为CAN总线的权值,ωE为Ethernet总线的权值,ωL为LIN总线的权值,ωD为LVDS总线的权值。
5.根据权利要求1所述的汽车电子电气架构多目标优化方法,其特征在于,所述控制器拓扑层的目标函数至少包括以扩展性最大为目标的扩展率目标函数、以安全性最大为目标的安全性目标函数、以设计成本最小为目标的设计成本目标函数。
6.根据权利要求5所述的汽车电子电气架构多目标优化方法,其特征在于,
所述扩展率目标函数为:
所述安全性目标函数为:
Y1∈[Y1min,Y1max],Y2∈[Y2min,Y2max];
所述设计成本目标函数为:
其中,ε(X)为扩展率,ω1、ω2、ω3、ω4分别为网关数量、ECU数量、网段协议数量、线束回路数的子项权重,X1、X2、X3、X4分别为网关数量、ECU数量、网段协议数量、线束回路数,分别为网关数量、ECU数量、网段协议数量、线束回路数的上限参考值, 分别为网关数量、ECU数量、网段协议数量、线束回路数的下限参考值,S(t)为安全度,Y1为诊断接口的数量,Y1min和Y1max分别为诊断接口的数量的下限值和上限值,Y2为诊断ECU的数量,Y2min和Y2max分别为诊断ECU的数量的下限值和上限值,a1为诊断接口的数量的权重,a2为诊断ECU的数量的权重,t为安全度的综合指标评价分,a,b为安全性目标函数的参数,φ表示设计成本,分别为网关、ECU、网段协议、线束回路、诊断接口、诊断ECU的配置单价,σ为开发成本。
8.根据权利要求1所述的汽车电子电气架构多目标优化方法,其特征在于,采用NSGA-Ⅲ方法对线束层优化模型或控制器拓扑层优化模型求解的方法具体为:
根据预设的汽车电子电气参数确定参数拟合后的目标函数和约束条件;
根据参数拟合后的目标函数,随机产生初始种群规模为N的初始化种群作为父代总群,并生成参考点;
根据参数拟合后的约束条件,计算父代种群中每个个体的适应值;
对父代总群进行遗传进化操作,得到子代总群,并计算子代总群中每个个体的适应值;
将父代总群和子代种群进行合并,根据非支配排序对合并种群进行非支配排序;
根据所述参考点,选择较好的N个个体进入下一代父代总群;
判断是否达到最大迭代次数,如果是,则根据新的父代总群获取目标函数的Pareto最优解集,否则,对新的父代总群继续进行遗传进化操作后,生成下一代父代总群,直至达到最大迭代次数为止。
9.一种汽车电子电气架构多目标优化设备,其特征在于,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的汽车电子电气架构多目标优化方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-8任意一项所述的汽车电子电气架构多目标优化方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523934.3A CN113343349B (zh) | 2021-05-13 | 2021-05-13 | 一种汽车电子电气架构多目标优化方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523934.3A CN113343349B (zh) | 2021-05-13 | 2021-05-13 | 一种汽车电子电气架构多目标优化方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343349A true CN113343349A (zh) | 2021-09-03 |
CN113343349B CN113343349B (zh) | 2022-11-11 |
Family
ID=77469693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110523934.3A Active CN113343349B (zh) | 2021-05-13 | 2021-05-13 | 一种汽车电子电气架构多目标优化方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343349B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114884813A (zh) * | 2022-05-05 | 2022-08-09 | 一汽解放青岛汽车有限公司 | 一种网络架构确定方法、装置、电子设备及存储介质 |
CN115964959A (zh) * | 2023-03-13 | 2023-04-14 | 北京理工大学 | 一种域集中式电子电气架构建模和多目标优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100030546A1 (en) * | 2008-07-29 | 2010-02-04 | Freescale Semiconductor, Inc. | Gui-facilitated simulation and verification for vehicle electrical/electronic architecture design |
CN109241630A (zh) * | 2018-09-11 | 2019-01-18 | 国网河北能源技术服务有限公司 | 电力系统的调度优化方法及装置 |
EP3647973A1 (en) * | 2018-11-04 | 2020-05-06 | Dassault Systèmes | Designing a mechanical part with topology optimization |
CN112084706A (zh) * | 2020-09-02 | 2020-12-15 | 合肥工业大学 | 一种基于nsga-ii的电容模块组件配置多目标优化方法 |
-
2021
- 2021-05-13 CN CN202110523934.3A patent/CN113343349B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100030546A1 (en) * | 2008-07-29 | 2010-02-04 | Freescale Semiconductor, Inc. | Gui-facilitated simulation and verification for vehicle electrical/electronic architecture design |
CN109241630A (zh) * | 2018-09-11 | 2019-01-18 | 国网河北能源技术服务有限公司 | 电力系统的调度优化方法及装置 |
EP3647973A1 (en) * | 2018-11-04 | 2020-05-06 | Dassault Systèmes | Designing a mechanical part with topology optimization |
CN112084706A (zh) * | 2020-09-02 | 2020-12-15 | 合肥工业大学 | 一种基于nsga-ii的电容模块组件配置多目标优化方法 |
Non-Patent Citations (1)
Title |
---|
赵洪林: "基于Pareto的L4级智能电动汽车EE架构优化及实现方法", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114884813A (zh) * | 2022-05-05 | 2022-08-09 | 一汽解放青岛汽车有限公司 | 一种网络架构确定方法、装置、电子设备及存储介质 |
CN114884813B (zh) * | 2022-05-05 | 2023-06-27 | 一汽解放青岛汽车有限公司 | 一种网络架构确定方法、装置、电子设备及存储介质 |
CN115964959A (zh) * | 2023-03-13 | 2023-04-14 | 北京理工大学 | 一种域集中式电子电气架构建模和多目标优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113343349B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343349B (zh) | 一种汽车电子电气架构多目标优化方法、设备及存储介质 | |
CN102763299B (zh) | 网络中心电力流控制 | |
Gupta et al. | Data transmission over networks for estimation and control | |
CN110928658B (zh) | 一种车边云协同架构的协同任务迁移系统及算法 | |
CN104734911A (zh) | 一种can总线网络管理测试系统及方法 | |
Walrand et al. | An architecture for in-vehicle networks | |
CN114189444B (zh) | 纳管工业端设备的方法、时间敏感网络控制器及系统 | |
CN112637003A (zh) | 一种用于汽车can网络的报文传输时间预估方法 | |
CN106788605A (zh) | 用于访问g3电力线通信网络中的信道的方法 | |
CN113141306A (zh) | 一种诊断报文路由方法及其总线路由设备 | |
Rishvanth et al. | Design of an in-vehicle network (Using LIN, CAN and FlexRay), gateway and its diagnostics using vector CANoe | |
CN116709253B (zh) | 一种车载网关及车辆 | |
CN102774376B (zh) | 一种混合动力车辆的分布式控制系统的任务分配方法 | |
CN109446146B (zh) | 一种应用层通信协议的状态转换序列生成方法 | |
CN101425951A (zh) | 汽车车身can总线控制系统 | |
CN113204915A (zh) | 基于cps的phm设计方法 | |
US20240174116A1 (en) | Standardized management of distributed energy resources | |
US20240178666A1 (en) | Scalable edge hardware system for distributed energy resources | |
CN103778587A (zh) | 基于车联网大规模网络的进程演化理论模型的构造方法 | |
Ahn et al. | Development of a controller area network interface unit and its application to a fuel cell hybrid electric vehicle | |
CN113938512B (zh) | 一种基于可配置网关的多设备联动控制方法及系统 | |
CN116112440B (zh) | 面向时间敏感网络的车载通讯架构多目标优化方法及系统 | |
Yordanova et al. | Comparative Evaluation of Communication Protocols in the Automotive Industry | |
Zaballos et al. | A genetic-based QoS aware routing for ubiquitous sensor networks | |
Dohr et al. | An application-specific approach in automotive network optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |