遗传算法在ABS电磁阀优化中应用.docVIP

遗传算法在ABS电磁阀的优化中的应用 　　摘要:本文对二十世纪八十年代出现的新的计算方法――遗传算法作了实际应用上的探讨,对汽车防抱制动系统(Anti-lock Braking System,简称ABS)中的电磁阀的动态仿真模型进行了优化,发现运用遗传算法进行优化计算比起其他的优化方法简单实用并且便于运用计算机进行计算。 　　关键词:电池阀;动态仿真;优化计算;遗传算法 　　中图分类号:TP391 文献标识码:A 　　 　　1 前言 　　 　　遗传算法是一种求解问题的高效并行全局搜索方法,它从任一初始化的群体开始,通过随机选择(群体中的优秀个体有更多的机会被选中)、交叉(对应于自然界中群体在繁衍下一代时个体间的信息交换)和变异(对应于自然界中变种的产生)等操作,使群体一代一代地进化到越来越好的搜索空间,直至达到最优解。[1]它能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程以求得最优解。使用遗传算法求解科学研究和工程技术中的各种组合搜索和优化计算问题的基本思想,早在60年代初期就由Michigan大学的J.Holland教授提出,其数学框架也于60年代中期形成,并在1975年J.Holland教授编写的《自然与人工系统中的自适应》中得到系统的介绍。80年代中期,遗传算法的研究蓬勃发展,吸引了大批学者从事该领域的研究开发工作。[2] 　　遗传算法的整体搜索策略和优化计算不依赖于梯度等信息,所以它的应用范围非常广泛,尤其适用于处理传统搜索方法难以解决的高度复杂的非线性问题。它在自适应控制、组合优化、机器学习、规划策略和人工生命等领域展示出的优越性,确立了它在21世纪智能计算中的关键地位。与其他算法相比,遗传算法有以下优越性:1)搜索过程不易陷入死循环,即使所给的目标函数非连续、不规则、伴有噪声,也能以极大的概率找到最优解;2)由于遗传算法固有的并行性,使它非常适合大规模并行分布处理;3)遗传算法易于和别的技术(如神经网络、模糊推理和人工智能等)相结合,形成更优的求解方法。遗传算法是一种新型的优化算法。该算法对目标函数放宽了限制,只要求能求出函数值。对于多变量的问题,遗传算法也能高效地求得全局最优解。 　　 　　2 问题的提出 　　 ??　汽车防抱制动系统(Anti-lock Braking System,简称ABS)可防止汽车在制动过程中的车轮抱死,以达到充分利用地面附着力,缩短制动距离,提高车辆的方向稳定性和转向操纵性的目的。在ABS系统中,动作时间是电磁阀最重要的参数之一。为此,我们将动作时间作为优化目标。 　　影响电磁阀动作时间的因素很多,动作时间是指吸合触动时间、吸合运动时间、释放触动时间、释放运动时间。影响因素包括主工作气隙厚度最大值δ??max、主工作气隙厚度最小值δ??min、运动重量m、摩擦力f、磁路截面积、磁导率、非工作气隙厚度Δ、线圈电阻R、吸收电阻r、线圈长度及截面积、线圈匝数、弹簧刚度K、弹簧预紧变形L??0等。并且许多因素是错综复杂的。目标(动作时间)函数是多变量的,非线性的,复杂的。用传统的优化方法,如复合形法、梯度法、坐标轮换法等,是很难求得全局最优解的。因为这些方法对函数的性质(如可导性、单调性等)有严格的要求。而用随机试验法,容易产生组合膨胀(尤其是对变量很多的情形)。 　　 　　3 电磁阀的动态仿真模型[3][4] 　　 　　当电磁阀的线圈中通以电流时,就在空间内建立了磁场。由于一般导磁材料的磁导率是空气的千倍以上,所以绝大部分磁通通过磁导体形成磁路;只有少量磁通形成漏磁。磁导体和工作气隙构成的磁回路被称为主磁路。当激磁磁势足够大,工作气隙的磁通产生的磁吸力及由漏磁引起的螺管力足以克服铁芯受到的各种阻力,铁芯将被吸向挡铁。这是吸合过程。释放过程与之相反。 　　电磁阀的动态过程是非线性的。在这个过程中,电磁阀线圈中的电流等在变化;磁路中磁通、磁势等也在变化;而动铁速度、位置等也在变化。同时,主磁路中的磁通随激磁磁势非线性地变化;导磁体的磁阻也随磁感应强度非线性地变化。 　　磁路的简化模型如图1所示。右侧绕有电磁线圈部分(一般能运动)称铁芯,左侧的导磁体(一般静止)称轭铁。建立自下而上的坐标系0-x。 　　 　　 　　4 应用遗传算法实现电磁阀的优化 　　 　　遗传算法一般通过以下五个步骤来实现:编码及初始群体生成、适应度的检测评估、遗传操作、再次生成群体并再次检测评估。实现过程涉及5个主要因素:参数的编码、初始群体的设定、适应度函数的设计、遗传操作的设计和算法控制参数的设定。? 　　4.1 目标函数与约束条件 　　目标函数是以仿真计算得到的time()函数为基础的。输入变量是线圈匝数、弹簧刚度和弹簧预紧变形;返回值是加权的