[发明专利]一种免疫算法的电动汽车防抱死系统控制器优化设计方法

权利要求书

1.一种免疫算法的电动汽车防抱死系统控制器优化设计方法，其特征在于包括如下步骤：

1)确定抗原；抗原为优化问题的目标函数，引入主种群和后备种群的概念，主种群的目标函数为确保电动汽车各车轮角速度误差尽可能的接近0，后备种群的目标是保证主种群的多样性，主种群优化目标J及适应度函数f定义如(1)式所示：

J=∫0∞(W1|e(t)|+W2u2(t))dt+W3tuey(t)>0∫0∞(W1|e(t)|+W2u2(t)+W4|ey(t)|)dt+W3tuey(t)<0---(1)]]>

f=1J]]>

式(1)中W₁，W₂，W₃，W₄为权重因子，t_u为上升时间，ey(t)＝y(t)-y(t-1)，此处为避免超调，采用了罚因子，一旦产生超调，将超调量作为优化目标中的一项；

后备种群的多样性函数g定义如下式(2)所示：

g=ω1dis1(j)Len+ω2dis2(j)Len---(2)]]>

式(2)中dis1(j)表示第j个个体的群内距离，即为后备种群中第j个个体与后备种群中其它个体之间的欧氏距离平均值，dis2(j)表示第j个个体的群间距离，即为后备种群中第j个个体与主种群中最优解与平均解中点的欧氏距离，Len为抗体各维输入变量的取值范围之和，ω₁，ω₂分别为群内距离与群间距离的权重系数，且ω₁+ω₂＝1；

2)确定抗体基因的组成及编码方式；抗体由电动汽车的防抱死控制系统模型PID控制器的三个增益组成，即抗体M(i)＝(K_P，K_I，K_D)，编码方式确定为DNA碱基编码方式，在计算机中以0代表腺嘌呤A，1代表鸟嘌呤G，2代表胞嘧啶C，3代表胸腺嘧啶T，确定每一个变量的编码长度L＝4，变量的取值范围均为[0，1]，同时采用统一混合编码方式，抗体与抗原编码在同一染色体中，抗原以实数编码的形式编码连接在抗体的末尾；

3)使用多样性评价免疫算法对于电动汽车防抱死系统的PID控制器参数进行整定；

4)将得到的PID控制器参数K_P，K_I，K_D应用于电动汽车的防抱死控制系统的控制模型中，计算得到前左车轮需要输入的扭矩u_f1。

2.根据权利要求1所述的一种免疫算法的电动汽车防抱死系统控制器优化设计方法，其特征在于所述的步骤3)为：

a)初始化主种群M、主种群记忆库Mlab，主种群的规模为N_M，主种群记忆库的规模为N_Ml；

b)初始化后备种群R、后备种群记忆库Rlab，后备种群的规模为N_R，后备种群记忆库的规模为N_Rl；

c)利用式(1)计算主种群中个体适应度f；

d)利用式(2)计算后备种群中个体多样性g；

e)更新主种群记忆库Mlab和后备种群的记忆库Rlab，主种群记忆库每次替换的个体个数为n_M，即用主种群M中适应度值f较高的n_M个个体替换记忆库中适应度值较低的n_M个个体，在替换过程中考虑记忆库的特异性，当记忆库中有同一抗体时则不替换，同理对后备种群按适应度值g进行替换，后备种群记忆库每次替换的个体个数为n_R；

f)判断主种群是否满足终止条件，若满足终止条件则得到PID控制器的三个增益K_P，K_I，K_D的最优值，并结束整定过程；若不满足终止条件，则进入下一步，主种群整定终止的条件为满足下列两个条件中的一个：①达到最大迭代代数G_max；②|error_f1(n)|＜ε，ε＝0.0001；

g)分别对主种群M和后备种群R的抗体进行促进和抑制，高适应度低浓度的抗体受到促进，低适应度高浓度的抗体受到抑制，本发明中抗体的浓度及抗体的选择概率定义如下：

抗体i与抗体j的亲和度定义为：

aff(i,j)=Σk=13nmod(k,L)L|4-|M(i,k)-M(j,k)|4|---(3)]]>

式(3)中，M(i，k)表示第i个抗体的第k位，mod(k，L)是对各个变量在抗体中的位置按编码长度进行取余，

抗体i与抗体j的相似度的定义为：

式(4)中，T_e是亲和度阈值，当两个抗体的亲和度大于该阈值时，即可判断两个抗体相似，

抗体i的浓度定义为：

抗体i的选择概率为：

SelectP(i)=βPfitness(i)+(1-β)PC(i)=βfitness(i)Σj=1Nfitness(j)+(1-β)1-CiN---(6)]]>

式(6)中P_fitness(i)为适应度选择概率，P_C(i)为浓度抑制概率，N为种群规模，β为适应度值与浓度值权重调节因子，取0＜β＜1，对于上述主种群N＝N_M，对于上述后备种群N＝N_R；

h)对主种群M的个体进行内部遗传操作得到新的种群M_a，包括选择、交叉、变异操作；选择操作按式(6)得到的选择概率SelectP进行轮盘赌选择，交叉操作采用置换交叉，变异操作采用基本位互补变异，其中变异概率采用一种自适应变异概率，将生物学中的“冷点”和“热点”概念引入到免疫算法中，在生物学中“冷点”碱基变异比“热点”碱基变异要慢很多。根据不同位置变化对解的影响不同，把每个个体变量编码分为“高位部分”和“低位部分”，对于“高位部分”，在进化的开始阶段，设置一个较大的变异概率，以利于算法进行全局搜索，在算法进化后期，“高位部分”变异概率逐渐减小以避免丢失已经得到的最优解，使算法更快收敛，“低位部分”的变异概率变化规则与上述“高位部分”变化规则相反，自适应概率定义如下：

Pml=a1+b11+exp[-aa(G-Gmax/2)]---(7)]]>

Pmh=a1+b11+exp[aa(G-Gmax/2)]]]>

式(7)中a₁＝0.02，b₁＝0.2，aa＝20/G，P_ml为“低位部分”变异概率，P_mh为“高位部分”变异概率；

i)对后备种群R的个体进行内部遗传操作得到新的种群R_a，包括选择、交叉、变异操作；后备种群的选择、交叉、变异操作与上述主种群的选择、交叉、变异操作一致；

j)选择主种群中成功变异的个体与后备种群中适应度值较高的个体进行种群间交叉操作，即杂交，得到主种群杂交后代M_z，本发明中成功变异定义为变异后子代的适应度值大于父代的适应度值，主种群与后备种群的交叉操作采用置换交叉；

k)更新主种群M，此处的更新策略是将种群M_a与M_z合并，并从中选择个体适应度值f较高的N_M-N_Ml个个体，并将N_M-N_Ml个个体与主种群的记忆库Mlab中个体进行合并，得到下一代主种群M；

l)更新后备种群R，此处后备种群的更新策略为用后备种群记忆库Rlab中的个体替代种群R_a中适应度值g较低的个体；

m)进入下一次迭代，G＝G+1，G为种群的代数。