[发明专利]基于蜂群神经网络集成的新能源车AMT换挡策略

说明书

本发明公开了基于蜂群神经网络集成的新能源车AMT换挡策略，针对神经网络训练三参数自动换挡策略中存在收敛速度慢，易陷入局部最优，从而导致误差较大的问题，采用人工蜂群对神经网络中的权值和阈值进行全局最优求解，并对人工蜂群存在的问题进行改进，改进蜂群中的引领蜂、跟随蜂和侦查蜂阶段的算法，使其具有自适应能力，前期提高全局搜索能力，后期加快收敛。基于人工蜂群的神经网络较差训练收敛速度较快，误差极小，为新能源车自动换挡策略提供了准确的数据，使新能源车换挡更加平滑。

技术领域

本发明涉及新能源车技术领域，具体为基于蜂群神经网络集成的新能源车AMT换挡策略。

背景技术

随着电池技术的进步以及国家对环保的要求，新能源车已经进入人们的日常生活中。新能源车操控方便，适合群体广泛，特别是采用电控机械式自动变速器，可以根据车辆运行状态自动选档、换挡。传统的换挡策略主要有单参数、双参数和三参数三种，利用神经网络对输入参数进行训练，选择误差小应用在实际换挡中。由于神经网络训练属于反向寻优，算法自身具有收敛速度慢，易陷入局部最优的缺点，因此存在误差大，计算时间长的问题，灵活性较差。

发明内容

鉴于现有技术中所存在的问题，本发明公开了基于蜂群神经网络集成的新能源车AMT换挡策略，采用的技术方案是，包括以下步骤：

Step1.加载样本输入车速、气门开度和加速度进行三参数神经网络自训练；

Step2.设为神经网络输出值的误差，N为样本维度，Y为目标函数值，TN为神经网络迭代次数，若≤Y或迭代次数为TN，则转Step10，否则转Step3；

Step3.初始化人工蜂群：人工蜂群的种群大小FN，最大迭代次数MAXCN，未更新上限LIMIT；神经网络输入层神经元个数为a，隐层神经元个数为b，输出层神经元个数为c，人工蜂群的维数D=(a+1)*b+(b+1)*c，将神经网络所有权值和阈值赋予人工蜂群的D维分量；

Step4.生成初始化食物源，计算每个食物源的适应度值

；

Step5.引领蜂探查：以公式 进行更新，其中，为经过第F次迭代后由原始解和其邻近解更新后的解，，为当前迭代次数，若存在多个候选解，则选取适应度值最高的解成为新的候选解，若存在未修正的食物源，则将C+1，C为未修正次数。

Step6.跟随蜂根据Step5更新后的食物源按照适应度值进行排序，分为两个组，精英组G和淘汰组W，并记录每个食物源在每个迭代周期的排名以及存在的总周期数，按照

进行选择，其中为食物源在整个迭代周期内排名总和，其与的比值为当前总迭代周期的排名平均值，其值越小则表明其在整个全局中适应度值最佳，为排名因子，决定了食物源在整个迭代周期内的稳定排名比率。

Step7. 判断是否存在，若存在则对的每一维进行适应度值计算，若存在某一维度，使得 ，则保留食物源，并将食物源与淘汰组W中的某一个食物源进行替换，替换因子为，同时随机产生一个新的食物源。若不存在，则直接抛弃食物源并产生一个随机食物源；

Step8.利用Step5中的公式对被选择的食物源进行更新；

Step9. 判断迭代次数是否达到MAXCN，若达到则停止计算并输出结果，若没有则返回Step4；

Step10.结束训练。