基于遺傳算法優(yōu)化的城市標準循環(huán)工況構(gòu)建方法
【專利摘要】本發(fā)明公開了一種基于遺傳算法優(yōu)化的城市標準循環(huán)工況構(gòu)建方法，包括以下步驟：車輛工況試驗、微行程劃分、計算微行程特征參數(shù)、主成分分析、微行程K聚類、工況段遺傳算法優(yōu)化、將優(yōu)化后的各類代表工況段合成一條標準循環(huán)工況。本發(fā)明以某城市實際行駛工況試驗數(shù)據(jù)為基礎(chǔ)，劃分微行程并進行K聚類，利用方差分析來確定最佳聚類數(shù)，并運用遺傳算法對各類工況段進行擬合修正，減小其與聚類中心的誤差，提高所構(gòu)建的城市標準循環(huán)工況精度。
【專利說明】
基于遺傳算法優(yōu)化的城市標準循環(huán)工況構(gòu)建方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于城市標準循環(huán)工況構(gòu)建領(lǐng)域，具體設(shè)及一種基于遺傳算法優(yōu)化的城市 標準循環(huán)工況構(gòu)建方法。
【背景技術(shù)】
[0002] 標準循環(huán)工況在車輛工程領(lǐng)域有著廣泛的應(yīng)用，如用于汽車污染物排放量和燃油 消耗量檢測，作為新車型驗證和校準，對新技術(shù)成果進行檢驗等。美國、日本、歐盟的標準循 環(huán)工況(法規(guī)工況)建立的比較完善，中國目前等效采用歐洲的ECE法規(guī)工況。但由于中國城 市的道路、交通及行駛狀況與歐盟國家有很大區(qū)別，因此構(gòu)建適合我國城市工況特稱的標 準循環(huán)工況具有重大意義。
[0003] 目前，國內(nèi)外許多學(xué)者采用微行程和聚類分析方法對城市循環(huán)工況進行研究，即 利用實車試驗數(shù)據(jù)經(jīng)聚類后得到標準城市循環(huán)工況。對比肥DC等模態(tài)工況，該方法合成的 城市標準循環(huán)工況更接近車輛實際道路行駛狀況，檢驗結(jié)果一致性較好。但該方法的最佳 聚類數(shù)難W確定，并且在樣本量不足時，代表工況段特征參數(shù)與其聚類中屯、存在較大誤差， 導(dǎo)致合成工況特征與總樣本工況特征一致性差，所合成的標準工況精度較差，無法滿足工 程要求。

【發(fā)明內(nèi)容】

[0004] 針對上述問題，在微行程和聚類分析方法基礎(chǔ)上，本專利提出一種基于遺傳算法 (Genet i C A1 gor i thm，GA)優(yōu)化的城市標準循環(huán)工況構(gòu)建方法：W某城市實際行駛工況試驗 數(shù)據(jù)為基礎(chǔ)，劃分微行程并進行K聚類，利用方差分析來確定最佳聚類數(shù)，并運用遺傳算法 對各類工況段進行擬合修正，減小其與聚類中屯、的誤差，提高所構(gòu)建的城市標準循環(huán)工況 精度。
[0005] 本發(fā)明的目的是通過W下技術(shù)方案實現(xiàn)的：
[0006] -種基于遺傳算法優(yōu)化的城市標準循環(huán)工況構(gòu)建方法，包括W下步驟：
[0007] 步驟一、車輛工況試驗:選定車輛在目標城市中進行工況數(shù)據(jù)采集試驗，然后進行 交通強度符合性檢驗，采集獲取的工況試驗數(shù)據(jù)至少包括車輛所處位置、車輛行駛車速和 車輛行駛時間；
[000引步驟二、微行程劃分:將所述步驟一所得工況數(shù)據(jù)進行異點剔除，得到行駛時間一 車速時間歷程，然后對時間-車速進行微行程劃分；
[0009] 步驟=、計算微行程特征參數(shù):對所述步驟二劃分好的微行程進行特征參數(shù)計算；
[0010] 步驟四、主成分分析:首先所述步驟=計算的特征參數(shù)進行標準化處理，把原始數(shù) 據(jù)均轉(zhuǎn)化為無量綱化指標，然后計算各參變量之間的相關(guān)性矩陣及主成分矩陣，最后計算 主成分特征值、相應(yīng)的貢獻率CR和累計貢獻率ACR;通過主成分分析，用各主成分的貢獻率， 最終把多個變量維度減小到單一的綜合主成分值F，作為聚類分析的變量對象；
[OOW 步驟五、微行程K聚類:根據(jù)所述步驟四得到的綜合主成分值F進行微行程K-means 聚類；
[0012] 步驟六、工況段遺傳算法優(yōu)化:在所述步驟五微行程聚類后，采用遺傳算法對該類 中距離聚類中屯、最近的工況段進行修正，使各代表工況段綜合主成分值F與聚類中屯、的歐 式距離小于0.005，使之滿足代表微行程的選取條件；
[0013] 步驟屯、將經(jīng)過所述步驟六優(yōu)化后的各類的代表工況段合成一條標準循環(huán)工況。
[0014] 通過上述設(shè)計方案，本發(fā)明可W帶來如下有益效果：
[0015] 1)本發(fā)明利用方差分析來確定最佳聚類數(shù)，解決了最優(yōu)工況聚類數(shù)難W確定的問 題。
[0016] 2)運用遺傳算法對各類工況段進行擬合修正，減小其與聚類中屯、的誤差，提高所 構(gòu)建的城市標準循環(huán)工況精度。
【附圖說明】
[0017] 本發(fā)明的【具體實施方式】將在下文通過結(jié)合應(yīng)用示例進行詳細闡述。
[0018] 圖1是工況構(gòu)建流程圖；
[0019] 圖2是微行程劃分示意圖；
[0020] 圖3是SSb。與聚類數(shù)的關(guān)系圖；
[0021 ]圖4是SSw與聚類數(shù)的關(guān)系圖；
[0022] 圖5是各片段與聚類中屯、關(guān)系示意圖；
[0023] 圖6是優(yōu)化原理示意圖；
[0024] 圖7是標準循環(huán)工況時間速度歷程圖；
【具體實施方式】
[0025] 下面結(jié)合附圖對發(fā)明做進一步說明。W下實例將有助于本領(lǐng)域的技術(shù)人員進一步 理解本發(fā)明，但不W任何形式限制本發(fā)明。
[0026] 如圖1所示，本發(fā)明提出的基于遺傳算法優(yōu)化的城市標準循環(huán)工況構(gòu)建，包括W下 步驟：
[0027] 步驟SI:車輛工況試驗。首先，選定車輛在目標城市中進行工況數(shù)據(jù)采集試驗，試 驗路線需包含快速路、主干路、次干路及支路四種道路等級，其各等級試驗道理長度比例應(yīng) 符合目標城市的各類道路比例。然后，進行交通強度(車輛流量、周轉(zhuǎn)量和飽和度等)符合性 檢驗，所選道路交通強度應(yīng)與目標城市總體交通強度指標相一致，二者誤差在5 % W內(nèi)。車 輛需配備GI^測速設(shè)備，采集獲取的工況試驗數(shù)據(jù)包括車輛所處位置，車輛行駛車速和車輛 行駛時間等。
[0028] 步驟S2:微行程劃分。將所得工況數(shù)據(jù)進行異點剔除，得到行駛時間一車速時間歷 程。然后對時間-車速進行微行程(運動學(xué)片段)劃分，微行程也稱運動學(xué)片段，是指車輛從 一個怠速開始到下一個怠速開始的行駛片段。本例基于微行程的定義編程實現(xiàn)微行程的劃 分，如圖2所示。本例中，將所有工況數(shù)據(jù)劃分成1020個微行程。
[0029] 步驟S3:計算微行程特征參數(shù)。對劃分好的微行程進行特征參數(shù)計算，共選取了 14 個特征參數(shù)，分別為:行駛距離S化m)、行駛時間t(S)、平均車速Vm化m/h)、最大車速VmaxAm/ h)、速度柄準差Vsd(km/h)、取大加速度ainax(m/s )、取小加速度ainin(m/s )、平均加速度aa(m/ S2)、平均減速度ad(m/s2)、加速度標準差asd(m/s2)、加速比例化（％ )、勻速比例Pc( % )、減速 比例Pd( % )、怠速比例Pi( % )。表1為部分微行程特征參數(shù)。
[0030] 表1微行程特征參數(shù)
[0031]
[0032] 步驟S4:主成分分析。在對微行程進行聚類前，需要對其14個特征參數(shù)進行主成分 分析，其目的是減少聚類維度和提取主要工況特征。主成分分析首先要對數(shù)據(jù)進行標準化 處理，把原始數(shù)據(jù)均轉(zhuǎn)化為無量綱化指標，即各指標都處于同一數(shù)量級別。然后計算各參變 量之間的相關(guān)性矩陣及主成分矩陣。最后計算主成分特征值、相應(yīng)的貢獻率CR和累計貢獻 率ACR。本例采用SPSS統(tǒng)計分析軟件完成主成分分析，表2為部分主成分特征值及累計貢獻 率。由表2可看出，前兩個主成分的累計貢獻率可達85%，因此選取前兩個主成分來代表整 體的特征參數(shù)。通過主成分分析，用各主成分的貢獻率，最終把14個變量維度減小到單一的 綜合主成分值F，作為聚類分析的變量對象。表3為部分綜合主成分值。
[0033] 表2主成分特征值及累計貢獻率 「00341
LUW/」 步驟S5:徽打巧K萊突。恨捉綠曾主成分但K巧打徽打巧K-means萊突，即Wn個應(yīng)巧 學(xué)片段分為k類，W便選取每類代表微行程。聚類數(shù)k值的確定是聚類的關(guān)鍵。k值過大會導(dǎo) 致聚類中屯、概括性不強，增加后期的計算量;k值過小會降低聚類中屯、的識別度，可能會使 具有不同特征的數(shù)據(jù)點聚到同一類別。微行程K聚類及最佳聚類數(shù)確定步驟如下：
[003引（1)首先對綜合主成分值F進行K-means聚類。聚類數(shù)K分別選為Kmin~Kmax,對于微 行程聚類，最小聚類數(shù)Kmin-般取為3，最大聚類數(shù)一般大于15，本例選取Kmin= 3 ,Kmax= 18， 采用SPSS軟件進行K聚類。
[0039] (2)計算類間離差平方和SSbc，即
[0040]
(1)
[0041] 其中，巧為各類綜合主成分值的均值;歹為綜合主成分值的總均值。各類類間離差 平方和SSb。的值越大表示類間的距離越大，聚類效果越好。
[0042] 計當各類內(nèi)離差平方和SSwc,即
[0043]
城
[0044] 其中，F(xiàn)u為第i類第j個微行程的綜合主成分值;k為聚類數(shù);m為各類中微行程個 數(shù);類內(nèi)離差平方和SSw的值越小則表示類內(nèi)的距離越小，聚類效果越好。
[0045] 按照公式計算得到各類的SSb。和SSw。值，并依據(jù)聚類數(shù)繪制成曲線如圖3所示。
[0046] (3)計算各類"類間離差平方和SSb。"誤差值化rone_i，即
[0047]
(3)
[004引其中，max {SSbcJ為SSbc的最大值;min {SSbcJ為SSbc的最小值；SSbc_i為第i聚類數(shù)的 SSbc 值。
[0049] 計算各類"類間離差平方和SSwc"誤差值化rorwc_i，即
[0050]
(4)
[00川其中，max{SSwc}為SSwc的最大值;min{SSwc}為SSwc的最小值;SSwc_功第i聚類數(shù)的 S Swc 值。
[0052] (4)確定最佳聚類數(shù)kupt。最佳聚類數(shù)kupt的選取方法是：滿足化rorbG_i《10%且 Errorwc_i《10%的最小聚類數(shù)。在本例中，聚類數(shù)為9時滿足上述條件，其中化rorbc_i = 7.21 %，ErrorwG_i = 7.05 %滿足選取條件，如圖3 "星號"所示?？蒞看到，最佳聚類數(shù)的SSbc 和SSw處于其曲線的"拐點"位置。
[0053] 按照最佳聚類數(shù)kept進行K-means聚類，本例中，根據(jù)綜合主成分值F將微行程分為 9類。
[0054] 步驟S6:工況段(微行程)遺傳算法優(yōu)化。將微行程聚類后，選取每類中距聚類中屯、 最近(歐氏距離最?。┑奈⑿谐虂砗铣晒r。為了保證合成標準工況的一致性和精度，本專 利要求選定的代表微行程與聚類中屯、的歐式距離小于0.005。但在有限的樣本量下，某些類 別所包含的微行程與聚類中屯、最小的歐式距離值會大于0.005,即不存在符合要求的微行 程。
[0055] 針對運種情況，本專利采用遺傳算法對該類中距離聚類中屯、最近的工況段進行修 正，使各代表工況段綜合主成分值F與聚類中屯、的歐式距離小于0.005，使之滿足代表微行 程的選取條件。
[0056] 下面W具體實例介紹工況段(微行程)遺傳算法(GA)優(yōu)化原理及過程：
[0057] (1)確定目標函數(shù)。在本例中，某類工況段綜合主成分值F與聚類中屯、關(guān)系如圖4所 示，工況段B的綜合主成分值F與聚類中屯、A的歐式距離最小為0.078,大于0.005。選取距離 聚類中屯、最小的工況段B為優(yōu)化對象，GA優(yōu)化的目標函數(shù)為：
[0化引 L=IIiin(FrFci) (5)
[0059] 式中，F(xiàn)i為工況段B的綜合主成分F值，F(xiàn)ci為聚類中屯、的綜合主成分F值，L為歐式距 離。
[0060] (2)確定遺傳算法的個體。將待優(yōu)化工況段B的時間-速度歷程按照圖6所示分成4 個部分(不考慮怠速段），每個部分都包含完整的加速減速歷程。其中A~E為五個分割點，其 速度值保持不變，而中間的4個部分乘W比例系數(shù)XiQ = I~4)進行比例放大或縮小，Xi取值 范圍為[0.90-1.10]。通過Xi值來改變待優(yōu)化片段，進而改變其運動學(xué)特征參數(shù)，使其綜合 主成分值F更加接近于該類聚類中屯、的綜合主成分F值。比例系數(shù)Xi為遺傳算法的個體。
[0061] (3)遺傳算法優(yōu)化過程。遺傳算法是一種通過模擬自然進化過程而捜索最優(yōu)解的 全局優(yōu)化算法，具有高效、通用、全局性等優(yōu)點。經(jīng)過選擇、交叉、變異得到最優(yōu)解。選擇方法 常用輪盤賭法，交叉可采用多點交叉或均勻交叉方法，變異方法常用均勻變異，邊界變異 等。本例利用Matlab中GA工具箱進行優(yōu)化，遺傳算法個體即為比例系數(shù)XI，設(shè)置種群大小為 100個，精英數(shù)目為10，交叉后代比例為0.8，適應(yīng)度函數(shù)值偏差L為0.0 Ol。
[0062 ]本例中比例系數(shù) Xi 優(yōu)化結(jié)果為:Xi = 1.058; X2 = 0.978; X3 = 0.946; X4 = 1.045。優(yōu)化 后工況段B的F值與聚類中屯、的歐氏距離為0.0007(小于0.005)，滿足代表工況段的選取原 則。
[0063] 步驟S7:依據(jù)步驟S6將各類中不滿足選取要求的工況段進行遺傳算法修正。然后 將各類的代表工況段(微行程)合成一條標準循環(huán)工況，其速度時間歷程如圖6所示。對優(yōu)化 前后典型工況的特征參數(shù)進行計算，并與原始數(shù)據(jù)的總體特征參數(shù)進行對比，計算特征參 數(shù)累計平均誤差（不考慮總運行公里數(shù)和運行時間的誤差）如表4所示。特征參數(shù)累計平均 誤差從原來的6.4%減小到優(yōu)化后的2.5%，誤差減小到3% W內(nèi)，工況精度和一致性均得到 較大的提高。
[0064] 表4優(yōu)化前后特征參數(shù)對比
[00 化]
【主權(quán)項】
1. 一種基于遺傳算法優(yōu)化的城市標準循環(huán)工況構(gòu)建方法，其特征在于，包括以下步驟： 步驟一、車輛工況試驗:選定車輛在目標城市中進行工況數(shù)據(jù)采集試驗，然后進行交通 強度符合性檢驗，采集獲取的工況試驗數(shù)據(jù)至少包括車輛所處位置、車輛行駛車速和車輛 行駛時間； 步驟二、微行程劃分:將所述步驟一所得工況數(shù)據(jù)進行異點剔除，得到行駛時間一車速 時間歷程，然后對時間-車速進行微行程劃分； 步驟三、計算微行程特征參數(shù):對所述步驟二劃分好的微行程進行特征參數(shù)計算； 步驟四、主成分分析:首先所述步驟三計算的特征參數(shù)進行標準化處理，把原始數(shù)據(jù)均 轉(zhuǎn)化為無量綱化指標，然后計算各參變量之間的相關(guān)性矩陣及主成分矩陣，最后計算主成 分特征值、相應(yīng)的貢獻率CR和累計貢獻率ACR;通過主成分分析，用各主成分的貢獻率，最終 把多個變量維度減小到單一的綜合主成分值F，作為聚類分析的變量對象； 步驟五、微行程K聚類:根據(jù)所述步驟四得到的綜合主成分值F進行微行程K-means聚 類； 步驟六、工況段遺傳算法優(yōu)化:在所述步驟五微行程聚類后，采用遺傳算法對該類中距 離聚類中心最近的工況段進行修正，使各代表工況段綜合主成分值F與聚類中心的歐式距 離小于0.005，使之滿足代表微行程的選取條件； 步驟七、將經(jīng)過所述步驟六優(yōu)化后的各類的代表工況段合成一條標準循環(huán)工況。2. 如權(quán)利要求1所述的一種基于遺傳算法優(yōu)化的城市標準循環(huán)工況構(gòu)建方法，其特征 在于，所述步驟一車輛工況試驗中，進行工況數(shù)據(jù)采集試驗的試驗路線需包含快速路、主干 路、次干路及支路四種道路等級。3. 如權(quán)利要求1所述的一種基于遺傳算法優(yōu)化的城市標準循環(huán)工況構(gòu)建方法，其特征 在于，所述步驟三計算微行程特征參數(shù)中共選取了 14個特征參數(shù)，分別為:行駛距離s(km)、 行駛時間t(s)、平均車速Vm(km/h)、最大車速Vmax(km/h)、速度標準差V sd(km/h)、最大加速度 amax(m/s2)、最小加速度amin(m/s2)、平均加速度aa(m/s 2)、平均減速度ad(m/s2)、加速度標準 差asd(m/s 2)、加速比例Pa( % )、勻速比例Pc( % )、減速比例Pd( % )、怠速比例Pi( % )。4. 如權(quán)利要求1所述的一種基于遺傳算法優(yōu)化的城市標準循環(huán)工況構(gòu)建方法，其特征 在于，所述步驟五微行程K聚類包括以下步驟： 5.1) 對所述步驟四得到的綜合主成分值F進行K-means聚類，聚類數(shù)K分別選為Kmin~ Kmax j Kmin - 3，Kmax - 18; 5.2) 計算類間離差平方和SSb。：其中，巧為各類綜合主成分值的均值;F為綜合主成分值的總均值； 計算各類內(nèi)離差平方和SSw。：其中，F(xiàn)lj為第i類第j個微行程的綜合主成分值;k為聚類數(shù);m為各類中微行程個數(shù)； 5.3) 計算各類類間離差平方和SSbc；誤差值Errorbc_1:其中，max{SSbc}為SSbc的最大值;min{SSbc}為SS bc的最小值；SSbc_i為第i聚類數(shù)的SSbc 值； 計筧各類類間離差平方和SSi誤差倌Errors i:其中，max {SSW。}為SSw。的最大值;min {SSW。}為SSw。的最小值;SSii為第i聚類數(shù)的SSwc 值。 5.4)確定最佳聚類數(shù)1^1；; 按照最佳聚類數(shù)k〇P t進行K-me an s聚類。5. 如權(quán)利要求4所述的一種基于遺傳算法優(yōu)化的城市標準循環(huán)工況構(gòu)建方法，其特征 在于，所述步驟四4)確定最佳聚類數(shù)k〇Pt中，最佳聚類數(shù)k〇 Pt的選取方法是:滿足Errorbc^iS 10 %且Err orwc+i < 10 %的最小聚類數(shù)。6. 如權(quán)利要求1所述的一種基于遺傳算法優(yōu)化的城市標準循環(huán)工況構(gòu)建方法，其特征 在于，所述步驟六工況段遺傳算法優(yōu)化的過程為： 6.1) 確定目標函數(shù):選取距離聚類中心最小的工況段B為優(yōu)化對象，遺傳算法優(yōu)化的目 標函數(shù)為： L=min(Fi-Fci) 式中，^為工況段B的綜合主成分F值，F(xiàn)cl為聚類中心的綜合主成分F值，L為歐式距離； 6.2) 確定遺傳算法的個體:將待優(yōu)化工況段B的時間-速度歷程分成4個部分，每個部分 都包含完整的加速減速歷程，4個部分乘以比例系數(shù) Xl(i = l~4)進行比例放大或縮小，^取 值范圍為[0.90-1.10]，通過X1值來改變待優(yōu)化片段，進而改變其運動學(xué)特征參數(shù)，使其綜 合主成分值F更加接近于該類聚類中心的綜合主成分F值，比例系數(shù)^為遺傳算法的個體； 6.3) 遺傳算法優(yōu)化過程:遺傳算法經(jīng)過選擇、交叉、變異得到最優(yōu)解。
【文檔編號】G06F19/00GK106021961SQ201610439132
【公開日】2016年10月12日
【申請日】2016年6月20日
【發(fā)明人】郭建華, 劉初群, 初亮, 劉翠, 許楠, 趙竟園, 石大排, 馬玉哲, 張樹彬, 哈林騏
【申請人】吉林大學(xué)