CN115339326A

CN115339326A - 一种四轮驱动车辆转矩分配方法、终端设备及存储介质

Info

Publication number: CN115339326A
Application number: CN202210872305.6A
Authority: CN
Inventors: 陈超; 苏亮; 蒋金; 刘志伟
Original assignee: Xiamen King Long United Automotive Industry Co Ltd
Current assignee: Xiamen King Long United Automotive Industry Co Ltd
Priority date: 2022-07-19
Filing date: 2022-07-19
Publication date: 2022-11-15

Abstract

本发明涉及一种四轮驱动车辆转矩分配方法、终端设备及存储介质，该方法中包括：分别建立表征车辆动力性、经济性、操纵稳定性和行驶安全性的目标函数；构建神经网络模型，并进行训练，使得模型能够根据输入的车辆运动特征得到四个目标函数对应的四个权重系数；根据四个目标函数和其基于训练后的神经网络模型得到的对应的四个权重系数得到优化目标函数；设置优化目标函数K的约束条件；通过基于训练后的神经网络模型得到的四个权重系数，优化多目标进化算法中的权重向量分布，采用优化后的多目标进化算法对优化目标函数K进行求解。本发明避免了现有技术中优化目标过于单一的问题，可以使车辆总体性能目标尽可能达到最优。

Description

一种四轮驱动车辆转矩分配方法、终端设备及存储介质

技术领域

本发明涉及车辆控制领域，尤其涉及一种四轮驱动车辆转矩分配方法、终端设备及存储介质。

背景技术

四轮分布式驱动电动客车具有四个驱动轮，且各驱动轮的驱动力矩和制动力矩均独立可控，驱动轮的控制目标包括期望纵向驱动力和直接横摆力矩，因此四轮分布式驱动电动客车是个典型的过驱动系统。

目前四轮分布式驱动电动客车多采用单目标优化的转矩分配控制策略，在满足纵向驱动力和直接横摆力矩需求的前提下以经济性或操纵稳定性作为优化目标，但是单目标优化会造成其他目标劣势，而多目标优化可通过协调各目标函数之间的权重关系，使总体优化目标达到最优。但由于多目标优化算法需要进行不断比较和替换，导致其计算过程复杂，运算时间长。

发明内容

为了解决上述问题，本发明提出了一种四轮驱动车辆转矩分配方法、终端设备及存储介质。

具体方案如下：

一种四轮驱动车辆转矩分配方法，包括以下步骤：

S1：分别建立表征车辆动力性、经济性、操纵稳定性和行驶安全性的目标函数；

S2：构建神经网络模型，并进行训练，使得模型能够根据输入的车辆运动特征得到四个目标函数对应的四个权重系数；

S3：根据四个目标函数和其基于训练后的神经网络模型得到的对应的四个权重系数得到优化目标函数K：

K＝min(λ₁K₁+λ₂K₂+λ₃K₃+λ₄K₄)

其中，K₁,K₂,K₃,K₄分别表示四个目标函数，λ₁,λ₂,λ₃,λ₄分别表示四个目标函数对应的权重系数；

S4：设置优化目标函数K的约束条件；

S5：通过基于训练后的神经网络模型得到的四个权重系数，优化多目标进化算法中的权重向量分布，采用优化后的多目标进化算法对优化目标函数K进行求解。

进一步的，表征车辆动力性的目标函数K₁为：

其中，F_x,d表示需求纵向驱动力，F_x,fl,F_x,fr,F_x,rl,F_x,rr分别表示左前轮、右前轮、左后轮和右后轮的纵向力，F_y,fl,F_y,fr分别表示左前轮和右前轮的侧向力，δ_f表示前轮转角；

表征车辆经济性的目标函数K₂为：

其中，T_fl,T_fr,T_rl,T_rr分别表示左前轮、右前轮、左后轮和右后轮的电机输出扭矩，n_fl,n_fr,n_rl,n_rr分别表示左前轮、右前轮、左后轮和右后轮的电机转速，η_fl,η_fr,η_rl,η_rr分别表示左前轮、右前轮、左后轮和右后轮的电驱动系统效率；

表征车辆操纵稳定性的目标函数K₃为：

其中，ΔM_z表示需求横摆力矩，d_f表示前轮轮距，d_r表示后轮轮距，a表示质心到前轴的距离，b表示质心到后轴的距离；

表征车辆行驶安全性的目标函数K₄为：

其中，μ_k表示路面附着系数，F_x,i表示驱动轮i的纵向力，F_z,i表示驱动轮i的轮垂直载荷，i表示驱动轮的标号，m表示整车质量，L表示轴距，a_x表示质心处的纵向加速度，a_y表示质心处的侧向加速度，g表示重力加速度，h_g表示车辆质心高度。

进一步的，需求纵向驱动力和需求横摆力矩需满足的约束条件为：

进一步的，车辆运动特征包括：纵向车速V_x、油门开度α_p、纵向加速度a_x、方向盘转角δ_SW、横摆角速度γ和四个驱动轮中各轮的滑移率S_fl,S_fr,S_rl,S_rr九个参数，并对输入模型的车辆运动特征中包含的各参数进行归一化处理。

进一步的，模型的隐含层采用双隐含层网络结构，且两个隐含层的神经元个数均设置为100。

进一步的，用于训练神经网络模型的训练集包括：根据车辆纵向运动、侧向运动和路面情况的类型不同得到的24种典型运行工况下的车辆运动特征。

进一步的，训练神经网络模型中还包括不同工况切换时权重系数的过渡函数，用于高附路面的中速阶段和低附路面的低速阶段时的工况切换情况下的权重系数计算。

进一步的，目标函数的约束条件包括：电机外特性约束、电机扭矩斜率约束、电池充放电功率约束、路面附着系数约束、车轮滑移率约束和电驱动系统失效约束；

电机外特性约束表示为：

-T_max,i≤T_x,i≤T_max,i,i＝fl,fr,rl,rr

其中，T_max,i表示驱动轮i的电机在当前转速下所能提供的最大转矩，i表示驱动轮的标号，T_x,i表示驱动轮i的电机输出扭矩；

电机扭矩斜率约束表示为：

其中，T_k-1,i表示驱动轮i在上一时刻的电机输出扭矩，ΔT_max表示一个控制周期内电机输出扭矩变化允许的最大值，T_max表示电机输出扭矩允许变化的范围；

电池充放电功率约束表示为：

其中，P_Dischg,P_Chg分别表示电池在当前状态下的允许充放电功率，n表示根据当前车速、减速器的传动比以及轮胎半径换算得到的电机转速，η表示能量传输效率；

路面附着系数约束表示为：

其中，F_x,i表示驱动轮i的纵向力，F_y,i表示驱动轮i的侧向力，F_z,i表示驱动轮i的垂直载荷，μ_k表示路面附着系数；

车轮滑移率约束表示为：

T_x,i≤-k_T·sgn(s)+μ_k·F_z·r+f·F_z·r

其中，k_T表示控制参数，sgn函数表示返回一个整型变量，r表示车轮半径，F_z表示垂直载荷，f表示滚动阻力系数；

电驱动系统失效约束表示为：

其中，c_k,i表示驱动轮i的对应的失效因子。

一种四轮驱动车辆转矩分配终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。

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计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。

本发明采用如上技术方案，避免了现有技术中优化目标过于单一的问题，同时根据驾驶员操作信息和车辆行驶状态信息识别车辆当前运行工况并计算各目标函数的对应权重系数，建立总体优化目标函数，弥补了现有方案中以牺牲其他性能目标作为代价的不足，使车辆总体性能目标尽可能达到最优。

附图说明

图1所示为本发明实施例一的流程图。

图2所示为本发明实施例一中七自由度整车动力学模型示意图。

图3所示为本发明实施例一中运行工况切换流程的示意图。

图4所示为本发明实施例一中神经网络模型结构的示意图。

图5所示为本发明实施例一中车辆行驶过程中车轮的受力情况示意图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。

现结合附图和具体实施方式对本发明进一步说明。

实施例一：

本发明实施例提供了一种四轮驱动车辆转矩分配方法，如图1所示，所述方法包括以下步骤：

S1：分别建立表征车辆动力性、经济性、操纵稳定性和行驶安全性的目标函数。

(1)表征车辆动力性的目标函数：根据图2所示的车辆七自由度动力学模型，可得到车辆纵向驱动力的表达式为：

F_x＝(F_x,fl+F_x,fr)·cosδ_f-(F_y,fl+F_y,fr)·sinδ_f+F_x,rl+F_x,rr

式中，F_x为纵向驱动力，F_x,fl,F_x,fr,F_x,rl,F_x,rr分别为左前轮、右前轮、左后轮和右后轮的纵向力，F_y,fl,F_y,fr为左前轮和右前轮的侧向力，δ_f为前轮转角。

根据车轮滚动方程，以车辆实际纵向驱动力F_x与需求纵向驱动力F_x,d的差值最小为优化目标，建立表征车辆动力性的目标函数K₁：

式中，F_x,d为需求纵向驱动力。

(2)表征车辆经济性目标函数：驱动系统效率为驱动系统的输出功率与输入功率的比值，驱动系统效率越高，说明在相同的输出功率情况下其输入功率越小，驱动系统的功率损失越少。当驱动系统功率损失最小时，则相应的驱动系统效率将达到最高，所以以驱动系统功率损失最小作为表征车辆经济性的目标函数K₂：

式中，T_fl,T_fr,T_rl,T_rr分别为左前轮、右前轮、左后轮和右后轮的电机输出扭矩，n_fl,n_fr,n_rl,n_rr分别为左前轮、右前轮、左后轮和右后轮的电机转速，η_fl,η_fr,η_rl,η_rr分别为左前轮、右前轮、左后轮和右后轮的电驱动系统效率。

(3)表征车辆操纵稳定性目标函数：根据图2所示的车辆动力学模型得到车辆横摆力矩M_z的表达式为：

式中，d_f为前轮轮距，d_r为后轮轮距，a为质心到前轴的距离，b为质心到后轴的距离，F_yrl,F_yrr为左后轮和右后轮的侧向力。

根据车轮滚动方程，以车辆实际横摆力矩与需求横摆力矩的差值最小为目标，建立表征操纵稳定性的目标函数K₃：

式中，ΔM_z为需求横摆力矩。

(4)表征车辆行驶安全性的目标函数：轮胎附着利用率主要反映轮胎对路面附着力的利用，是表征车辆的安全性裕度的重要指标，其表达式为：

式中，μ_k为路面附着系数，F_z,i为各轮垂直载荷，m为整车质量，L为轴距，a_x为质心处的纵向加速度，a_y为质心处的侧向加速度，g为重力加速度，h_g为车辆质心高度。当轮胎附着利用率较大时，说明此时轮胎纵向力在摩擦椭圆中所占比例较大，而轮胎侧向力的占比较小；若轮胎附着利用率为1，则表示此时轮胎所能提供的纵向力已经达到附着极限，而侧向力为0，此时车辆操纵稳定性和行驶安全性都较为恶劣，所以以轮胎附着利用率最小作为表征车辆行驶安全性的目标函数：

S2：构建神经网络模型，并进行训练，使得模型能够根据输入的车辆运动特征得到四个目标函数对应的四个权重系数。

本实施例中设定车辆运动特征包括：驾驶员操作信息参数和车辆行驶状态信息参数，其中，驾驶员操作信息参数包括：油门开度α_p和方向盘转角δ_SW，车辆行驶状态信息参数包括纵向车速V_x、纵向加速度a_x、横摆角速度γ和四个驱动轮中各轮的滑移率。

在神经网络模型中，首先根据车辆运动特征对车辆的运行工况进行分类，并分析不同运行工况下的性能目标，建立典型工况训练集。然后搭建神经网络模型，结合车辆后台大数据对神经网络模型进行训练，最后根据车辆运动特征进行工况识别，根据识别到的工况对应得到四个目标函数的对应权重系数。

(1)选取典型工况训练集

本实施例中将车辆纵向运动和侧向运动相结合，同时考虑路面情况(高附着系数路面或低附着系数路面)，选取24种典型运行工况，可覆盖车辆运行中绝大多数的纵向与侧向运行工况。

驱动工况下车辆纵向运动主要分为加速工况和匀速工况两种，根据纵向加速度a_x、油门踏板开度α_p和纵向车速V_x三个状态变量，可细分为6种典型运行模式：低速加速、低速匀速、中速加速、中速匀速、高速加速和高速匀速。

车辆侧向运动主要分为小转角工况和大转角工况，根据前轮转角δ_f和横摆角速度γ，同时结合纵向车速V_x，可细分为6种典型运行模式：低速小转角、低速大转角、中速小转角、中速大转角、高速小转角和高速大转角。

同时还考虑了路面附着系数，根据四个驱动轮中各轮的滑移率S_fl,S_fr,S_rl,S_rr分为高附路面工况和低附路面工况。表1所示为24种车辆的典型运行工况以及不同运行工况的性能目标。

表1

为解决加权求和的多目标优化算法中难以实现工况之间的平稳切换问题，避免工况切换时转矩波动较大而影响乘坐舒适性，本实施例中设计了权重系数的过渡函数，由于高附路面下的低速工况和高速工况以及低附路面下的中高速工况的性能目标单一，故在上述工况下权重系数不会发生变化。因此，本实施例中设定权重系数过渡函数主要针对高附路面的中速阶段和低附路面的低速阶段，运行工况切换流程如图3所示，权重系数的过渡函数如下式所示。

中速加速小转角工况切换到中速匀速小转角工况(高附路面)：

λ₄＝0.05,20≤V_x≤50

中速匀速小转角工况切换到中速加速小转角工况(高附路面)：

λ₄＝0.05,20≤V_x≤50

中速加速小转角工况切换到中速加速大转角工况(高附路面)：

λ_{2_λ}＝λ_{4_λ}＝0.05，0≤γ≤3

或

λ_{2_SW}＝λ_{4_SW}＝0.05，0≤δ_SW≤720

λ₁＝max(λ_{1_λ},λ_{1_SW})

λ₂＝max(λ_{2_λ},λ_{2_SW})

λ₃＝max(λ_{3_λ},λ_{3_SW})

λ₄＝max(λ_{4_λ},λ_{4_SW})

中速匀速小转角工况切换到中速匀速大转角工况(高附路面)：

λ_{1_λ}＝λ_{4_λ}＝0.05，0≤γ≤3

或

λ_{1_SW}＝λ_{4_SW}＝0.05，0≤δ_SW≤720

λ₁＝max(λ_{1_λ},λ_{1_SW})

λ₂＝max(λ_{2_λ},λ_{2_SW})

λ₃＝max(λ_{3_λ},λ_{3_SW})

λ₄＝max(λ_{4_λ},λ_{4_SW})

低速工况切换到中速工况(低附路面)：

λ₂＝0.05，0≤V_x≤20

(2)训练参数处理及神经网络模型搭建

考虑到车辆纵向运动、侧向运动以及路面附着系数的影响，将纵向车速V_x，油门开度α_p，纵向加速度a_x，方向盘转角δ_SW，横摆角速度γ和各轮滑移率S_fl,S_fr,S_rl,S_rr作为神经网络模型的训练参数，故模型的输入层共有9个神经元，输入向量X为[V_x α_p a_x δ_SW γ S_fl S_frS_rl S_rr]^T。然后是确定输出层神经元的数目，模型的输出为四个目标函数的对应权重系数，因此模型的输出层共有4个神经元，输出向量Y为[λ₁ λ₂ λ₃ λ₄]^T。

由于训练参数的量纲不统一，往往需要设置较大的权重系数来平衡量纲，若某一训练参数的量纲很小时，其权重系数需要设置很大才能保证量纲平衡，若该训练参数受到外界环境干扰时，由于其权重系数过大必然会对整个目标函数造成影响。因此需要对训练参数进行归一化处理，将其转化至0～1范围内，保证各训练参数的量纲统一，其中油门踏板开度和各轮滑移率在0～1范围内，不需要进行处理，其他信号通过除以参数限值(最高车速)或传感器测量值的上下限(纵向加速度、横摆角速度和方向盘转角)，转化至0～1范围内。

隐含层层数越多，其训练误差越小，但网络复杂程度也会随之增加，导致训练时间变长，还有可能出现“过度拟合”的情况，通过对比了单隐含层和双隐含层网络的测试结果，双隐含层网络的训练误差低于1*10^-5，满足训练误差要求，同时训练次数较少，且训练速度较快。而单隐含层网络的训练误差无法满足要求，故采用双隐含层网络结构。

隐含层神经元个数是影响神经网络训练结果的关键，若数量太少，则网络无法实现自学习和信息处理，相反地，若数量太多，则网络复杂程度增加，导致网络学习速度变慢，甚至会出现“过度拟合”情况。结合车联网的车辆行驶数据、操纵稳定性试验数据以及低附路面试验数据，作为神经网络模型的训练样本，同时为了检测训练后网络的泛化能力，又从中随机选择1/5的训练样本用于网络测试，测试结果表明当隐含层神经元个数为100时，各权重系数的均方根误差均为最小，故两个隐含层的神经元个数均设置为100。搭建的神经网络模型结构如图4所示。

K＝min(λ₁K₁+λ₂K₂+λ₃K₃+λ₄K₄)

其中，K₁,K₂,K₃,K₄分别表示四个目标函数，λ₁,λ₂,λ₃,λ₄分别表示四个目标函数对应的权重系数。

S4：设置优化目标函数K的约束条件。

本实施例中约束条件包括六个控制约束条件，分别为：电机外特性约束、电机扭矩斜率约束、电池充放电功率约束、路面附着系数约束、车轮滑移率约束和电驱动系统失效约束。

(1)电机外特性约束：

电机相比于发动机，具有低速恒扭矩、高速恒功率的特点，当电机转速超过额定转速时，其驱动转矩开始下降，因此电机所能产生的最大驱动转矩受到当前转速的约束，电机外特性约束可表示为：

-T_max,i≤T_x,i≤T_max,i,i＝fl,fr,rl,rr

式中，T_max,i表示驱动轮i的电机在当前转速下所能提供的最大转矩，i表示驱动轮的标号，T_x,i表示驱动轮i的电机输出扭矩。

(2)电机扭矩斜率约束

由于电机是直接与车轮相连，具有转矩快速响应的优点，但随之也会带来一些问题，比如对驱动轴产生较大冲击，影响驾驶和乘坐舒适性等，因此还需要对电机扭矩斜率进行约束，如下式所示：

式中，T_k-1,i为驱动轮i上一时刻的电机扭矩，ΔT_max为一个控制周期内电机转矩变化允许的最大值，T_max表示电机输出扭矩允许变化的范围。

(3)电池充放电功率约束

由于电动客车能量主要是来自于锂电池，电池的参数变化及效率特性直接决定了电池在当前状态下的允许充放电功率，因此本文还考虑了电池充放电功率约束条件，电池充放电功率约束可表示为：

式中，P_Dischg,P_Chg分别表示电池当前状态下的允许充放电功率，n为根据当前车速、减速器的传动比以及轮胎半径换算得到的电机转速，η为能量传输效率。

(4)路面附着系数约束

轮胎纵向力和侧向力是影响车辆行驶稳定性的主要因素，其大小主要取决与轮胎自身的特性、路面附着情况、各轮垂直载荷等因素，根据附着椭圆理论，车轮纵向力需要满足如下约束：

(5)车轮滑移率约束

由于电机与车轮直接相连，所以车轮的滑移率与电机的输出扭矩是直接相关的，通过限制驱动电机的输出扭矩使车轮滑移率保持在最优滑移率附近，最大限度地利用路面附着能力，使车辆在低附路面行驶时具有较好的稳定性。这里以车轮滑移率作为控制变量，对电机输出扭矩进行约束，驱动工况下的车轮滑移率定义为：

式中，ω为车轮轮速，r为车轮半径。

为提高反馈控制对模型参数误差和外部环境干扰的鲁棒性，采用滑模控制来实现实际车轮滑移率对参考车轮滑移率的跟踪，将实际车轮滑移率(S)与参考车轮滑移率(S_ref)的误差作为运动跟踪误差(S_e)，则滑模控制系统的滑模面s可表示为：

s＝S_e＝S-S_ref

对滑模面进行求导可得：

为了使实际车轮滑移率迅速收敛到参考车轮滑移率附近，故采用等速趋近律，令

满足等速趋近律：

其中，k＞0且为常数，表示趋近滑模面的速率，该值的大小决定趋近滑模面的速度快慢。

根据如图5所示的车轮受力情况以及车轮动力学方程，可得

F_x＝μ_k·F_z

T_f＝f·F_z·r

式中，J为车轮转动惯量，T_wheel为电机对车轮施加的驱动力矩，F_x为地面施加在轮胎上的纵向驱动力，T_f为轮胎的滚动阻力矩，f为滚动阻力系数。车轮滑移率约束可表示为：

T_ASR,i＝-k_T·sgn(s)+μ_k·F_z·r+f·F_z·r,i＝fl,fr,rl,rr

T_x,i≤T_ASR,i,i＝fl,fr,rl,rr

式中，k_T为控制参数。

(6)电驱动系统失效约束

当电驱动系统发生失效时，若直接将失效驱动系统的轮胎纵向力直接置零，虽然能够保证车辆的稳定性，但是忽略电机在部分失效情况下仍有扭矩输出的情况，将纵向力直接置零会削弱车辆的驱动性能。这里引入了失效因子c_k，用以表征驱动系统的执行能力，其定义如下式所示：

式中，T_i ^*代表各轮电机的实际扭矩，T_i代表各轮电机的需求扭矩，ξ为补偿系数，避免由于驱动电流波动导致失效因子大于1的情况，当c_ki＝0代表驱动系统完全失效，当0＜c_ki＜1代表驱动系统部分失效，当c_ki＝1代表驱动系统未失效。因此电驱动系统失效约束可表示为：

除上述六个控制约束条件之外，本实施例中还包括对需求纵向驱动力和需求横摆力矩的约束，具体为：

目前MOEA/D(多目标进化)算法选择Pareto支配关系作为标准，随着目标个数的增加，解集中的大多数个体属于非支配关系，致使解集无法收敛到前沿，同时减缓进化过程，延长算法运算时间，同时目标个数的增加也会导致性能评价指标的计算复杂度增长，导致难以做出最优选择。因此本实施例中采用基于切比雪夫分解的多目标进化算法，并在此基础上进行改进，以缩短算法执行时间。

多目标优化问题可被切比雪夫方法分解为一个优化的子问题集，他们的数学描述如下式所示，

minimize g^tch(F(x)|v,z^*)

其中，v＝(v₁,v₂,...,v_m)是子问题的权重向量，且

为参考点。对于任意i＝1,2,...,m，

对于每一个pareto最优解就存在一个权重向量λ，使得其为此问题的pareto最优解。因此，通过改变权重向量，可以获得不同的pareto最优解。

本实施例在基于切比雪夫分解的MOEA/D算法上进行以下改进：

(1)由于没有额外的外部种群库，即最终的代数返回作为PF的近似值，因此更新EP步骤省略；

(2)由于切比雪夫分解法侧重于进化过程中局部信息，本实施例直接采用神经网络模型计算得到的权重系数来加强进化过程中的全局信息，优化权重向量分布，提升算法性能；

(3)在MOEA/D中依据不同工况侧重的性能目标进行计算资源分配动态分配，更加有效地利用计算资源，缩短算法计算时间。

改进的MOEA/D算法流程如下所示：

步骤1.初始化；

(1)设EP＝φ；

(2)计算任意两个权重向量之间的欧几里得距离，查找距离每个权重向量最近的T个权重向量，对于每个i(i＝1,2,...,N)，令B(i)＝{i₁,i₂,...,i_T}，

是λⁱ最近的T个权重向量；

(3)随机产生一个种群{x¹,x²,...,x^N}作为初始化种群，设置FVⁱ＝F(xⁱ)。

(4)初始化参考点z＝(z₁,z₂,...,z_m)。

步骤2.更新；

(1)复制：从B(i)中随机选取两个序号k,l，运用遗传算子由x^k和x^l产生一个新的解y；

(2)改进：对y运用基于测试问题的修复和改进启发产生y’；

(3)更新z：如果z_j＜f_j(y')，则设置z_j＝f_j(y')，j＝1,2,...,m；

(4)更新相邻解：若g^te(y'|λ^j,z)≤g^te(x^j|λ^j,z),j∈B(i)，若x^j＝y'，则FV^j＝F(y')

步骤3.终止：如果满足终止条件，则停止并输出结果。

本发明实施例在传统多目标进化算法的基础上进行改进，由于没有额外的外部种群库，故省略了更新EP步骤，同时根据神经网络工况识别算法得到的各目标函数的对应权重系数，优化权重向量分布和进行计算资源分配动态分配，提升算法性能并缩短算法运算时间。

现有四轮分布式驱动电动客车的转矩分配策略，主要是以操纵稳定性或经济性作为单一优化目标，该方法虽然能够使该优化目标达到最优，但以牺牲其他性能目标作为代价。与现有方案相比，本发明实施例针对公交客车复杂运行工况并综合考虑车辆各项性能目标，提出了表征车辆动力性、经济性、操纵稳定性和行驶安全性的目标函数，避免了现有方案中优化目标过于单一的问题。同时设计基于神经网络的工况识别算法，根据驾驶员操作信息和车辆行驶状态信息识别车辆当前运行工况并计算各目标函数的对应权重系数，建立总体优化目标函数，弥补了现有方案中以牺牲其他性能目标作为代价的不足，使车辆总体性能目标尽可能达到最优。

实施例二：

本发明还提供一种四轮驱动车辆转矩分配终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。

进一步地，作为一个可执行方案，所述四轮驱动车辆转矩分配终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述四轮驱动车辆转矩分配终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述四轮驱动车辆转矩分配终端设备的组成结构仅仅是四轮驱动车辆转矩分配终端设备的示例，并不构成对四轮驱动车辆转矩分配终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述四轮驱动车辆转矩分配终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。

进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述四轮驱动车辆转矩分配终端设备的控制中心，利用各种接口和线路连接整个四轮驱动车辆转矩分配终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述四轮驱动车辆转矩分配终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

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计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。

所述四轮驱动车辆转矩分配终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。