劉靚葳

（長春金融高等專科學(xué)校，吉林 長春 130124）

0 引言

隨著我國汽車產(chǎn)業(yè)的迅速發(fā)展，汽車產(chǎn)量大幅度增長，在能源短缺和環(huán)境污染日益嚴(yán)重的情況下，減少污染物的排放、提高燃油消耗率是發(fā)動(dòng)機(jī)產(chǎn)業(yè)最重要的目標(biāo)。模型預(yù)測(cè)控制技術(shù)的推廣，為發(fā)動(dòng)機(jī)空燃比控制研究提供了較好的智能化工具。目前，混沌優(yōu)化算法（COA）在預(yù)測(cè)領(lǐng)域中發(fā)揮了特有的作用?；煦缢惴ㄔ趶?fù)雜非線性參數(shù)估計(jì)方面有一定優(yōu)勢(shì)，在優(yōu)化領(lǐng)域因其優(yōu)勢(shì)和特性被廣泛地應(yīng)用，在參數(shù)優(yōu)化過程中，對(duì)參數(shù)進(jìn)行編碼，運(yùn)用混沌的遍歷性等優(yōu)勢(shì)，使其不易陷入局部最優(yōu)解，逐漸靠近最優(yōu)解的方向，從而求出全局最優(yōu)解。在發(fā)動(dòng)機(jī)空燃比實(shí)時(shí)估計(jì)研究中引入該方法，通過混沌優(yōu)化算法搜索到全局最優(yōu)解，運(yùn)用混沌優(yōu)化算法進(jìn)行模型預(yù)測(cè)，具有較好的應(yīng)用和發(fā)展前景。本文使用混沌算法進(jìn)行模型預(yù)測(cè)，實(shí)現(xiàn)發(fā)動(dòng)機(jī)空燃比實(shí)時(shí)估計(jì)器的設(shè)計(jì)。

粒子群優(yōu)化算法（PSO）和遺傳算法（GA）都屬于仿生優(yōu)化算法，使用廣泛。它們是在自然特性的基礎(chǔ)上模擬種群的適應(yīng)性，通過一定的規(guī)則、方法來求得最優(yōu)解。雖然這兩種算法的效果大致相同，但是PSO比GA更加高效。QPSO是一種基于量子力學(xué)的全新粒子群優(yōu)化算法[1]，它引入δ降勢(shì)，取消了一個(gè)屬性，即粒子的移動(dòng)方向。粒子移動(dòng)的速度和位置在空間中不能一起確定，因此，運(yùn)用波函數(shù)來表示粒子的位置，結(jié)合蒙特卡羅方法求出粒子的位置，通過求解得到最佳位置[2]。因此，QPSO相比PSO具有更好的全局收斂特性。本文針對(duì)空燃比控制中的空燃比跟蹤問題，采用了QPSO算法來解決。

本文基于模型預(yù)測(cè)控制技術(shù)實(shí)現(xiàn)柴油發(fā)動(dòng)機(jī)空燃比控制研究，建立精確的發(fā)動(dòng)機(jī)數(shù)據(jù)機(jī)理混合模型，運(yùn)用混沌算法建立發(fā)動(dòng)機(jī)空燃比估計(jì)模型，結(jié)合QPSO算法求出全局最優(yōu)解，解決空燃比跟蹤問題，對(duì)柴油發(fā)動(dòng)機(jī)節(jié)能減排具有十分重要的理論研究和現(xiàn)實(shí)應(yīng)用意義。

1 國內(nèi)外研究現(xiàn)狀

目前，人工智能被列為重點(diǎn)工作對(duì)象。隨著人工智能的迅速發(fā)展，核心技術(shù)算法的有效提升，為混沌算法和粒子群算法在眾多領(lǐng)域的應(yīng)用奠定了基礎(chǔ)。當(dāng)前人工智能算法在發(fā)動(dòng)機(jī)應(yīng)用領(lǐng)域的使用頻率逐漸升高，發(fā)展相當(dāng)迅速。未來，隨著人工智能的逐漸普及，此技術(shù)將會(huì)在交通、金融、醫(yī)療和行政等各個(gè)領(lǐng)域有著廣闊的應(yīng)用前景。

空燃比是發(fā)動(dòng)機(jī)氣路系統(tǒng)中重要參數(shù)之一，具有較強(qiáng)的非線性結(jié)構(gòu)。在建立空燃比估計(jì)數(shù)學(xué)模型的過程中，模型參數(shù)辨識(shí)是關(guān)鍵步驟。許多國內(nèi)外學(xué)者都提出了空燃比模型參數(shù)辨識(shí)方法。M.Vasak等使用基于聚類的方法，識(shí)別了空燃比控制系統(tǒng)的模型參數(shù)。K.Nakano等基于遺傳算法和非線性優(yōu)化，估計(jì)得到了系統(tǒng)的參數(shù)。葛曉成等使用神經(jīng)網(wǎng)絡(luò)方法和最小二乘法，實(shí)現(xiàn)了空燃比控制系統(tǒng)的神經(jīng)網(wǎng)絡(luò)非線性模型。以上建模方法大多數(shù)是比較復(fù)雜的非線性模型，很難應(yīng)用到實(shí)時(shí)控制系統(tǒng)當(dāng)中。將模型適當(dāng)簡化，減少辨識(shí)參數(shù)數(shù)量是提高算法實(shí)時(shí)性的關(guān)鍵。關(guān)于模型辨識(shí)，有學(xué)者提出了混沌優(yōu)化算法（COA），這是一種基于混沌遍歷性的優(yōu)化算法，它比隨機(jī)優(yōu)化算法更容易擺脫局部極小值。筆者基于COA算法來搜索出簡化后的最優(yōu)參數(shù)值，建立了更為簡單和精準(zhǔn)的空燃比估計(jì)模型。粒子群算法（PSO）是群智能優(yōu)化算法。粒子群算法與遺傳算法類似，但是容易陷入局部最優(yōu)解，由于QPSO相比PSO具有更好的全局收斂特性，因此，本文基于COA和QPSO算法對(duì)噴油量進(jìn)行全局求解，在誤差較小的情況下實(shí)現(xiàn)空燃比跟蹤。

2 基本原理簡介

在人工智能中的機(jī)器學(xué)習(xí)分類算法特征選擇的優(yōu)化問題上，大多數(shù)學(xué)者運(yùn)用的方法主要是使用單一的算法去解決優(yōu)化問題。有學(xué)者提出使用改進(jìn)的二進(jìn)制粒子群優(yōu)化方法進(jìn)行特征選擇，結(jié)果有效降低了計(jì)算成本，提高了結(jié)果精度[3]。元啟發(fā)式算法將隨機(jī)算法與局部搜索算法相結(jié)合，運(yùn)行一次就會(huì)得到一組解，用時(shí)較少并且可以搜索到理想的解集，在各類實(shí)際問題中被廣泛應(yīng)用[4]。本文通過綜合考慮元啟發(fā)式算法的優(yōu)點(diǎn)，運(yùn)用混沌算法高效性和準(zhǔn)確性等特征，及量子粒子群算法在搜索參數(shù)上的優(yōu)勢(shì)，利用混沌算法搜索出簡化后的最優(yōu)參數(shù)值，量子粒子群算法進(jìn)行參數(shù)的優(yōu)化，兩種算法相結(jié)合實(shí)現(xiàn)發(fā)動(dòng)機(jī)空燃比跟蹤控制的研究[5]。

2.1 混沌優(yōu)化算法（COA）

2.1.1 混沌思想

混沌是確定性系統(tǒng)中對(duì)初始條件非常敏感的周期性長期行為，數(shù)學(xué)上將其定義為非線性確定性系統(tǒng)產(chǎn)生的半隨機(jī)行為[6]?；煦绗F(xiàn)象普遍存在于非線性系統(tǒng)中，混沌具有規(guī)律性、隨機(jī)性和遍歷性等特點(diǎn)[7]?；煦邕\(yùn)動(dòng)能在一定范圍內(nèi)按照規(guī)律不重復(fù)地遍歷所有狀態(tài)，因此還可進(jìn)行優(yōu)化搜索[8]。綜上所述，可以利用混沌的特性采用混沌變量進(jìn)行全局搜索和尋優(yōu)。

2.1.2 混沌優(yōu)化算法基本步驟

混沌算法由混沌變量、特征信息映射和混沌向量等組成[9]，其構(gòu)成如圖1所示。混沌優(yōu)化算法基本步驟如下。

圖1 混沌算法的構(gòu)成

步驟1：初始化，列出不同軌跡的混沌變量。

步驟2：運(yùn)用載波方式產(chǎn)生等待優(yōu)化的變量，并把變化范圍放大至相應(yīng)區(qū)域范圍中。

步驟3：運(yùn)用剛產(chǎn)生的混沌變量進(jìn)行迭代式搜索，計(jì)算出來相應(yīng)的性能指標(biāo)，然后和原來的指標(biāo)進(jìn)行比較。

步驟4：運(yùn)用隨機(jī)擾動(dòng)的方式在當(dāng)前最優(yōu)解的附近進(jìn)行n步的細(xì)搜索，得出對(duì)應(yīng)的性能指標(biāo)，如果求得的解比當(dāng)前最優(yōu)解更優(yōu)就保留，否則丟棄。

步驟5：判斷之前設(shè)置好的迭代次數(shù)，如果達(dá)到相應(yīng)的迭代次數(shù)，那么就輸出最優(yōu)解停止搜索；如果沒有到達(dá)迭代次數(shù)，那么就返回步驟3繼續(xù)進(jìn)行迭代搜索求解[10]。

2.2 量子粒子群算法（QPSO）

粒子群優(yōu)化算法（PSO）是一種進(jìn)化的種群計(jì)算技術(shù)（evolutionary computation），由Eberhart博士和Kennedy博士在1995年提出，想法來自對(duì)鳥群捕食行為的研究。該算法最開始是二位學(xué)者由于受到飛鳥集群活動(dòng)規(guī)律性的啟發(fā)，然后利用群體智能來建立的一個(gè)簡化的模型。粒子群優(yōu)化算法在對(duì)鳥類捕食活動(dòng)行為觀察的基礎(chǔ)上，運(yùn)用群體中的個(gè)體對(duì)信息的共享使整個(gè)群體的運(yùn)動(dòng)在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得最優(yōu)解。發(fā)動(dòng)機(jī)的空燃比跟蹤控制具有非常強(qiáng)烈的非線性動(dòng)態(tài)特性，控制問題優(yōu)化求解容易陷入局部最優(yōu)。

針對(duì)空燃比跟蹤的非線性控制問題，本文采用新型PSO——量子粒子群優(yōu)化（QPSO）算法來求解優(yōu)化發(fā)動(dòng)機(jī)噴油量。QPSO算法實(shí)現(xiàn)的流程圖如圖2所示，此算法在非線性優(yōu)化問題求解方面有優(yōu)勢(shì)，可以求得全局最優(yōu)解，該方法在空燃比跟蹤及求解問題中具有較好的應(yīng)用前景。

圖2 QPSO算法實(shí)現(xiàn)的流程圖

3 預(yù)測(cè)模型的設(shè)計(jì)及實(shí)現(xiàn)

本文是以柴油車發(fā)動(dòng)機(jī)建模和空燃比控制問題為研究背景，以COA和QPSO算法為核心，以先進(jìn)控制理論應(yīng)用為輔助，開展的多學(xué)科交叉研究。以大量的數(shù)據(jù)分析為基礎(chǔ)，以具體節(jié)能減排需求為目標(biāo)，提煉出人工智能技術(shù)應(yīng)用的基礎(chǔ)科學(xué)問題，探索高效、低成本的控制策略實(shí)現(xiàn)方法。

本文提出基于COA算法的空燃比估計(jì)實(shí)時(shí)預(yù)測(cè)模型。此外，基于本項(xiàng)目COA算法空燃比估計(jì)模型具有參數(shù)自適應(yīng)功能。在進(jìn)行柴油發(fā)動(dòng)機(jī)系統(tǒng)空燃比跟蹤之前，首先應(yīng)該從提高發(fā)動(dòng)機(jī)性能的方面考慮，即要求空燃比跟蹤誤差達(dá)到最小。為了實(shí)現(xiàn)發(fā)動(dòng)機(jī)空燃比跟蹤，基于模型估計(jì)設(shè)計(jì)了目標(biāo)函數(shù)，然后運(yùn)用QPSO算法控制器對(duì)進(jìn)氣量和噴油量進(jìn)行求解。在COA空燃比估計(jì)參數(shù)在線更新模型的基礎(chǔ)上，提出了基于QPSO算法的空燃比跟蹤非線性控制器。通過仿真試驗(yàn)，提升QPSO算法的全局優(yōu)化求解速度，使得空燃比跟蹤誤差達(dá)到最小，達(dá)到空燃比跟蹤的要求。

4 結(jié)論

本文基于模型預(yù)測(cè)控制技術(shù)針對(duì)發(fā)動(dòng)機(jī)空燃比控制開展了研究工作，提出一種基于COA算法和QPSO算法的混合式技術(shù)。首先，根據(jù)發(fā)動(dòng)機(jī)的結(jié)構(gòu)特性和工作原理，運(yùn)用MATLAB/Simulink完成了發(fā)動(dòng)機(jī)氣路系統(tǒng)仿真模型的搭建。其次，基于仿真試驗(yàn)平臺(tái)的數(shù)據(jù)分析，提出了空燃比估計(jì)COA實(shí)時(shí)預(yù)測(cè)模型。再次，在COA估計(jì)模型基礎(chǔ)上，運(yùn)用QPSO算法對(duì)進(jìn)氣量和燃油噴射量進(jìn)行求解，提出了基于QPSO算法的空燃比跟蹤非線性控制器。最后，通過MATLAB/Simulink驗(yàn)證了方案的有效性以及可靠性。未來將考慮把人工智能算法應(yīng)用到其他領(lǐng)域，并搭建硬件平臺(tái)，驗(yàn)證相關(guān)算法的有效性。