基于递阶遗传算法的智能跟车控制.docVIP

基于递阶遗传算法的智能跟车控制 简单回顾了智能控制以及相关技术，采 用一种递阶式遗传算法，对需要控制的跟车距离的相 关模糊逻辑系统隶属度函数和规则库进行寻优，其中 跟车距离模糊逻辑输入隶属度函数采用三输入模型， 即基本规则包含45条，然后对所采用的遗传算法的初 始种群和交叉、变异率等进行了设置，最后给出仿真 结果。 关键字：智能控制递阶遗传算法跟车控制遗传 算法 TP183 A 1672-3791 (2015) 05 (a) -0000-00 智能控制技术在对于非线性系统，参数不确定系 统，环境参数变化较大等方面的控制中具有一定的优 势，随着智能控制技术以及相关计算优化算法的发展， 多种智能控制技术和算法被设计以及提出，包括祌经 网络[NN][1],模糊逻辑[FL][1]，遗传算法[GA][1][2], 专家系统[ES][3]，粒子群算法[PSO][4]，蚁群算法 [ACO][4],引力搜索算法[GSO][4]，模糊神经网络 [FNN][5],自适应模糊逻辑系统[AFLC][5]，模糊粒子群 f法［FPS0］［2］，模糊遗传算法［FGA］［2］等。涉及的行业 或领域包括工业，农业，材料，制造，管理，医疗， 能源，数学等。模糊逻辑系统是基于人类经验知识以 及语言描述规则在上世纪60年代由LA.Zadeh提出的 模糊集合概念发展而成，在1975年LA.Zadeh又提出 二型模糊集合概念以便处理对象系统中更多的不确定 性。遗传算法是一种自然启发式优化算法，1975年由 J.Holland教授提出，它在全局寻优方面具有明显优势。 对车辆载体自动化的研宄包括刹车系统，电动轮椅， 车辆自动化系统，新能源汽车［6］，本文采用的基于二 型模糊逻辑和递阶遗传算法的智能跟车控制的研究则 对现代交通安全，智能交通网络建设，无人驾驶技术 的发展具有重要意义。 1递阶遗传算法与模糊逻辑系统的结合 面对复杂，非线性以及不确定的动态系统，采用 简易模糊逻辑系统可以取得更好的控制效果。这些效 果源于人类经验知识，多次基础实验和对模糊逻辑系 统参数的微调测试，图1所示闭环模糊逻辑系统能快 速准确获取隶属度函数和规则库。该结构遗传算法项 中的隶属度“染色体”基因链包含两类基因，即用于 使能所对应隶属度函数的控制基因和代表该隶属度函 数的参数基因。控制基因通过管理模糊子集数量（规 则数和隶属度函数数）保证模糊逻辑系统有效执行。 2智能跟车控制 前后车间距控制，对于车辆间保持安全距离，有 效防止交通事故，提高城市交通道路利用率，建立智 能城市交通网络以及无人驾驶技术实现具有重要意义 本研宄在MATLAB上进行，模糊逻辑系统由模糊逻辑 工具箱生成，遗传算法由程序语言实现。最后将模糊 逻辑智能系统结果和驾驶员师傅所给参考值进行比对 2.1跟车控制 城市跟车行驶时，保持车距和控制车速是一大关 键。基本方式为驾驶员对汽车油门和刹车的操作，即 对车的加减速，其效果则受踩踏油门和刹车力度限制。 车间距控制同时受车速，车间实际距离，车间距变化 （前后车速度变化），道路与车辆轮胎摩擦力（路况） 影响。前后车太近，遇突发情况可能导致刹车不及， 引发交通事故。前后车太远，道路车辆通行能力大大 降低。因此需在保证不发生交通事故和提高道路通行 能力前提下找到跟车距离平衡点。 2.2模糊控制器设置 经过程简化和语言描述整理，得出模糊逻辑控制 系统参数如下，输入：车速，车间距，车间距变化； 输出：加减速；基本规则：45条。模糊规则自然语言， 车速：慢（S）, 一般（VN）,快（VF）;车间距变化:快速变大（FA），变大（A），不变（SK），变小（D），快速变小（FD）;车间距：近（C）, 一般（SN），远（SF）;加减速：急刹（FB），轻刹（LB），保持（AK），轻加速（LA），加速（VA）。表1、2、3依次是车速慢、一般、快的情况下不同车间距和车间距变化产生的加减速基 本规则库。 2.3遗传算法参数 遗传算法参数设置如下，初始种群数（NIND）: 120；最大遗传代数（MAXGEN）: 1000；每代产生新 个体比例（GGAP）： 0.6；染色体二进制精度（PRECI）： 405；参加遗传操作个体挑选方法：轮盘法；基因变异 率：0.1;基因重组方法以及比率：多点交叉，0.7;适 应度函数：专家（驾驶员师傅）所给控制值与递阶遗 传算法系统计算值之差，差值越小则表示系统计算结 果适应度越大，即可以采用。 3仿真结果 该模糊逻辑系统是三输入情况，直接包含三输入 的立体图无法画出，因此给出图3加以反映仿真结果， 其中横轴为所给训练数据组（N），纵轴为加减速控制 值（A）,实心圆部分为模糊逻辑系统在训练数据下的 计算结果，实心菱形部分为专家（驾驶员师傅）所给 结果。从图中可以看出，经遗