基于遗传算法的某款汽油车油耗和排放综合优化

张宇

（合肥工业大学 机械与汽车工程学院，安徽 合肥 230009）

基于遗传算法的某款汽油车油耗和排放综合优化

张宇

（合肥工业大学 机械与汽车工程学院，安徽 合肥 230009）

利用AMESim软件建立整车模型，并以各级传动比为设计变量，燃油消耗量最少以及整车的污染物排放量最小为目标函数，设定各级传动比的范围和整车动力性为约束条件，采用遗传算法对传动比进行优化。优化结果表明：优化后整车的燃油经济性和排放性能得到一定改善。

AMESim；遗传算法；整车建模；优化

通常汽车的动力性、经济性的评价是在汽车研制过程中由实车进行道路试验和台架试验后得出的。这种方法存在很大的缺陷，一旦发现整车参数匹配不当而达不到既定的排放标准，即会给整车厂带来很大的成本损失，同时随着排放标准的不断提高，更要求我们在汽车设计的前期做好整车的燃油经济性和排放测试，为此急需要在汽车开发前期阶段建立汽车的整车模型，进行参数匹配设计及优化［1］。

AMESim表示工程系统仿真高级建模环境（Advanced Modeling Environment for performing Simulations of engineering systems）。基于直接图形接口，在整个仿真过程中系统可以显示在环境中［2-3］。用户可以在这个单一平台上建立复杂的多学科领域的系统模型，并在此基础上进行模拟计算和深入分析，AMESim能够从组件设计出发，可以考虑摩擦、油液和气体的本身特性、环境温度等非常难以建模的部分，直到组成部件和系统进行功能性能仿真和优化。

1 AMESim整车模型的建立

AMESim软件自带有各种仿真模块，其中有适合建立汽车整车模型的IFP Drive库、IFP Extra库、IFP Engine库等。模拟用的整车及主要零部件参数如表1所示。

表1 整车及主要零部件参数

AMESim中提供了丰富的应用元件库，使用户从繁琐的数学建模中解放出来，将更多的精力投入到实际物理模型本身的研究。AMESim的建模仿真过程分为 4步：

1）草图模式 可以使用库中的元件搭建系统草图，修改或完成一个已经存在的系统或删除一个元件的子模型。

2）子模型模式 根据所研究的系统对元件特性考虑侧重点的不同，为每个元件选择合适的子模型，默认情况下的子模型为premier submodel，子模型不同，参数设置也不同。

3）参数模式 确立系统采用的子模型后还要给子模型输入参数，同时系统的各个元件的参数也要详细设置，以备进行仿真。

4）仿真模式 设置合适的起止时间以及求解器类型，运行仿真并分析结果。

根据以上整车参数，利用AMESim中的模块化理念建立图1整车仿真模型图，图中采用标准的NEDC工况循环，控制单元ECU根据驾驶员模块所发出的加速、制动信号控制发动机的各个工况。模型主要由驾驶室模块、发动机模块、变速器模块、整车模块以及循环工况和相应的传感器组成。

图1 整车仿真模型图

2 燃油经济性和排放优化问题

2.1 多目标优化问题

在工程应用中，经常会遇到在多准则和多目标下设计和决策的问题，如果这些目标的改善是相互抵触的，则需要找到满足这些目标的最佳设计方案［4-6］。这种多于一个数值目标的最优化问题就是多目标优化问题。多目标优化问题的一般数学模型可描述为

式中:X为优化参数所组成的向量;Ω为的可行域; gj（X）≥0为约束函数。对于上述最优化问题，目标函数和约束条件种类繁多，有的是线性的，有的是非线性的；有的是连续的，有的是离散的；有的是单峰值的，有的是多峰值的。在很多复杂的情况下要想完全精确地求出最优解是不可能的，也是不现实的，因而有必要求出其近似最优解或满意解，这类问题可以用遗传算法求解。遗传算法作为一种基于遗传进化原理的随机搜索算法，在求解过程中不需要目标函数的梯度信息，对于求解多峰非连续不可微非凸或不满足Lipschitz条件的多目标优化问题是行之有效的方法。

2.2 多目标遗传算法

遗传算法与传统的算法不同，大多数古典的优化算法是基于一个单一的度量函数的梯度或较高次统计，以产生一个确定性的实验解序列;遗传算法不依赖于梯度信息，而是通过模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从任一初始种群出发，通过随机选择、交叉和变异操作，产生一群更适应环境的个体，使群体进化到搜索空间越来越好的区域，这样一代一代地不断繁衍进化，最后收敛到一群最适应环境的个体，求得问题的最优解。遗传算法的运算过程如图2所示。

1）编码 解空间中的解数据x，作为遗传算法的表现型形式。从表现型到基因型的映射称为编码。遗传算法在进行搜索之前先将解空间的结束句表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合就构成了不同的点。

图2 遗传算法计算流程

2）初始群体的生成 随机产生的N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成了一个群体。遗传算法以这N个串结构作为初始点开始迭代。设置进化代数计数器t←0，最大进化代数,随机生成M个个体作为初始群体P（0）。

3）适应度值评价检测 适应度函数表明个体获解的优劣性。根据具体问题，计算群体P（t）中个体的适应度。

4）选择 将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。

5）交叉 将交叉算子作用于群体。交叉即把2个父代个体的部分结构加以替换重组而生成新个体的操作。遗传算法中起核心作用的是交叉算子。

6）变异 将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。

群体P（t）经过选择、交叉、变异运算后得到下一代群体P（t+1）。

7）终止条件判断 若t≤T,则t←t+1,转到步骤2）；若t＞T,则以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止运算。

3 优化过程及分析

3.1 优化模型的建立

依据已经建立好的整车模型，考虑到该优化过程涉及到多个目标函数（循环过程的总燃油消耗和排放最低），同时要满足多个约束条件，其数学模型的表达式为

式中：Fuel（X）、CO（X）、HC（X）、NOx（X）依次为NEDC循环工况的总燃油消耗量、一氧化氮、碳氢化合物及氮氧化合物排放量；优化参数X为变速器各档传动比；gj（X）≥0，j=1，2，…，n为约束函数。

3.2 约束条件

汽车的燃油经济性优化主要要求汽车的整个循环工况的百公里燃油消耗（L·（100km）-1）在满足动力性指标的条件下尽可能的低，各约束的不等式关系如下所述：

各挡之间的传动比关系满足的不等式为［7-8］

且ig1/ig2不宜大于1.7～1.8，ig4/ig5一般为1.2～1.45。

最高车速vmax（km·h-1），0～100km·h-1加速时间t0～100（s），以及爬坡度i0要满足设计指标要求，具体约束条件如表2所示。

表2 约束条件

3.3 优化结果的分析

设定遗传算法种群数为100，遗传率为80%，最大遗传代数10代，变异率为10%，优化后的车速跟随标准NEDC车速的情况如图3所示，从图中可以看出仿真模型具有很好的车速跟随特性，验证了模型的有效性。

图3 NEDC车速跟随曲线

通过遗传算法迭代计算后得到最小燃油消耗质量（min_massfuel）、最小CO排放量（min_massCO）、最小HC排放量（min_massHC）和最小氮氧化合物排放量（min_massNOx）的迭代结果如图4～7所示。依据遗传算法的优化过程可以看出，在一定变异率的条件下，10次迭代之后可以很好地改善目标函数的值，降低燃油消耗和有害气体排放量。

优化后得到设计变量变速器传动比的最优解如表3所示，目标函数值如表4所示。优化前后的动力性指标——百公里加速时间、最高车速以及最大爬坡度变化结果如表5所示。从表5可以看出优化后的整车动力性在满足设计指标的约束条件下，使得应用遗传算法优化后的变速器传动比参数能够改善整车的行驶油耗和污染物的排放量。

图4 最小燃油消耗质量变化曲线

图5 最小CO排放量变化曲线

图6 最小HC排放量变化曲线

图7 最小NOx排放量变化曲线

表3 优化前后传动比

表4 优化前后目标函数的变化mg

表5 优化前后动力性

4 总结

利用AMESim软件搭建了某款传统燃油汽车的仿真模型，并对其进行计算，忽略了车辆运行过程中的部分附件消耗，得到仿真后的结果基本反映了车辆性能。

为了研究该款汽油车的变速器传动比参数对整车动力性以及油耗和燃油经济性的影响，利用遗传算法，在NEDC循环工况下，以各挡传动比为优化变量，以动力性设计指标为约束，以燃油消耗和排放最少为目标函数进行优化，最后分析优化结果，结果表明：在满足整车动力性的约束条件下，整车的燃油经济性和排放性能得到一定的改善。

［1］吴壮文，高龙士，石小利.基于多目标遗传算法的汽油发动机控制策略 ［J］.机械科学与技术，2011，30（8）：1322-1325.

［2］邹乃威,常胜,陈凌凌,邬万江.AMEsim仿真技术在汽车性能仿真的研究［J］.制造业信息化，2009（9）：89-91.

［3］付永领，祁晓野.AMEsim系统建模和仿真——从入门到精通［M］.北京：北京航空航天大学出版社，2006：12-18.

［4］房立存，秦世引.基于多目标遗传算法的混合电动汽车参数优化［J］.汽车工程，2007（12）：1036-1040.

［5］Gao W Z，Porandla S K.Design Optimization of a Parallel Hybrid Electric Powertrain［C］.IEEE Conference on Vehicle Power and Propulsion,2005.

［6］隗寒冰，秦大同，段志辉，陈淑江.重度混合动力汽车燃油经济性和排放多目标优化 ［J］.汽车工程，2011，33（11）：937-941.

［7］余志生.汽车理论［M］.北京：机械工业出版社，2006.

［8］王望予.汽车设计 ［M］.4版.北京：机械工业出版社，2006.

Optimization of Fuel Consumption and Emission for Gasoline Vehicle Based on Genetic Algorithm

Zhang Yu
（School of Mechanical and Automobile Engineering,Hefei University of Technology,Hefei 230009,China）

The vehicle model was built based on AMEsim software and the ratio of each gear was selected as design variable in order to minimize the fuel consumption and emissions which were set as objective function.The genetic algorithm was adopted to optimize the gear ratio with a set of constraint conditions,including the range of gear ratio and vehicle dynamic performance.The optimization result indicates that fuel economy and emission performance of the vehicle have been some improvement.

AMESim;genetic algorithm;modeling;optimization

U461.8

A

1008－5483（2014）01－0018－04

2014-02-20

张宇（1991-），男，安徽肥东人，硕士生，从事电动汽车设计与控制技术研究。

10.3969/j.issn.1008-5483.2014.01.005