大数据-算法-基于自适应保持多样性遗传算法的汽车动力传动系多目标优化.pdf

汽车动力传动系的多目标优化是当前汽车行业关注的重点，尤其在能源紧张的背景下，提高汽车的行驶效率和燃油经济性显得至关重要。遗传算法作为一种有效的优化工具，在解决这类问题上展现出强大的潜力。本研究中，作者提出了基于自适应保持多样性的遗传算法（ADMMOGA）来解决汽车动力传动系的多目标优化问题。 ADMMOGA算法的核心在于通过引入信息熵的概念来度量群体的多样性，以此来动态调整群体的进化模式。这一策略通过一个存档群体的种群熵，能够灵活切换“利用”和“探索”两种搜索模式，既能保留精英个体，又能探索稀疏区域，寻找新的解决方案。这种自适应多样性保持策略显著提高了算法的收敛性和解的分布特性，避免了传统遗传算法可能遇到的停滞或早熟问题。 在构建汽车动力传动系的多目标优化模型时，考虑了发动机的使用特性和万有特性，以及离合器、变速器、驱动桥等部件的数学模型。这些模型被用于定义决策变量，如变速器各挡传动比和主减器传动比，以及分目标函数，包括动力性、燃油经济性和汽车综合性能。通过设置合适的约束条件，如动力性和速比要求，可以求解出最优匹配的Pareto解集。 为了评估汽车性能，本研究提供了模拟计算算法，包括动力性（如原地起步加速时间）、燃油经济性（如多工况循环行驶百公里燃油消耗量）和综合性能（如驱动功率损失率、有效效率利用率和汽车能量利用率）的计算方法。这些算法有助于理解不同参数配置对汽车性能的影响。 此外，研究还提出了双群体差分进化算法来解决优化过程中的约束问题。这种方法通过两个独立的群体，一个负责保持可行解，另一个则保留不可行解，同时采用两种新个体生成策略，既能保持最优可行解的优良特性，又可以利用不可行解的信息产生更好的解，从而更有效地解决约束条件的处理。 以某微型车为例，研究应用多目标遗传算法进行了实际的优化，结果表明优化后的动力性能和燃油经济性能均得到显著提升，验证了所提出的自适应保持多样性的多目标优化遗传算法的有效性。 综上所述，这项研究为汽车动力传动系的优化提供了创新的算法和模型，强调了多样性在遗传算法中的重要性，并展示了其在解决实际工程问题中的实用性。通过这种方法，工程师可以更精确地设计和匹配汽车动力系统，以达到更高的性能和效率。