一种基于遗传算法优化的车辆追尾碰撞模糊控制方法技术

本发明专利技术公开了一种基于遗传算法优化的车辆追尾碰撞模糊控制方法，该基于遗传算法优化的车辆追尾碰撞模糊控制方法为双输入单输出的模糊控制器，选取相对距离误差ds、前后两车的相对速度误差dv作为模糊控制器的输入变量，实际输出的加速度FAd控制量作为输出变量。本发明专利技术利用遗传算法优化模糊控制规则，提高了车辆控制系统的性能，响应速度快，有利于避免追尾事故的发生，降低了车辆能耗，达到了避撞的控制效果。

【技术实现步骤摘要】
一种基于遗传算法优化的车辆追尾碰撞模糊控制方法
本专利技术属于车辆控制
，尤其涉及一种基于遗传算法优化的车辆追尾碰撞模糊控制方法。
技术介绍
当前后两车辆发生追尾碰撞的风险很高，应当采取辅助控制或自动控制的方式来规避风险。以往一些学者已经提出了多种经典的控制方法，例如：PID控制、滑模控制及线性二次型最优控制等。然而上述经典的控制方法虽然能够提供一定精确地控制效果，但其必须建立在精确数学模型的基础上。而实际情况下，我们通常很难获得车辆的精确数学模型，因此制约了上述控制方法在车辆主动控制方面地发展。另外有学者提出了模糊逻辑控制器(fuzzylogiccontroller，FLC)，由于其适用于解决多参数、非线性系统的控制问题，并且模糊控制规则能够很好地反映驾驶员的驾驶特性，因此将模糊逻辑控制器应用于车辆的主动控制是可行的。模糊逻辑控制器是最常用的智能控制方法之一。该方法主要包括模糊语言变量、模糊集以及模糊推理。它克服了经典控制方法的缺陷，有效地解决了工业控制领域和其他行业内难以解决的难题。模糊逻辑控制器(FLC)主要由模糊化、知识库、模糊推理以及去模糊化(即清晰化)四部分组成。模糊控制具有以下优点：(1)利用语言方法设计控制系统时，没有必要建立被控对象的数学模型；(2)能够解决控制过程中滞后、时变、非线性等复杂问题，提高了控制系统的鲁棒性；(3)易于用语言变量表示数学变量，通过模糊条件语句对专家知识进行描述；(4)根据语言规则及启发式的知识来构建FLC，有助于模拟人的思维方式，因此FLC能够用于处理复杂的系统。遗传算法(GeneticAlgorithm，GA)是由Holland首次提出，它演绎了生物进化机制。在函数数值优化、模式识别及控制等多个领域，遗传算法被普遍认可。它属于全局搜索算法，它的主要思想是：产生一个初始种群，按照自然法则，逐代演化得出最优近似解。根据个体的适应度以及交叉、变异操作，每代将保留适应度较高的个体，从而产生适应度较高的下一代，末代种群中适应度最高的个体即为问题的近似解。
技术实现思路
本专利技术的目的在于提供一种基于遗传算法优化的车辆追尾碰撞模糊控制方法，旨在解决现有辅助控制或自动控制的方法存在的获得车辆的精确数学模型较难，制约控制方法在车辆主动控制方面发展的问题。本专利技术是这样实现的，一种基于遗传算法优化的车辆追尾碰撞模糊控制方法，该基于遗传算法优化的车辆追尾碰撞模糊控制方法为双输入单输出的模糊控制器，选取相对距离误差ds、前后两车的相对速度误差dv作为模糊控制器的输入变量，实际输出的加速度FAd控制量作为输出变量，输入变量分别由以下公式得到：ds＝D-S；(1)dv＝LV-FV；(2)其中，D为前后车间距，S期望车间距，LV是前车速度，FV是后车速度；输入输出变量的模糊化：由制动距离算法：其中，τ1和τ2是延迟时间，d0是停车后两车间距，取τ1＝0.1s，τ2＝0.6s，d0＝1.5m，当前车以120km/h即33.33m/s的车速紧急刹车时，期望车间距S为67.5m，设定相对距离误差的变化范围ds是[-67.5m，67.5m]，因此dv的变化范围是[-60km/h，60km/h]；后车加速度的变化范围是[-8m/s2，8m/s2]；对相对距离误差ds、相对速度误差dv和加速度FAd进行模糊化处理，均划分为7个模糊子集：负大NL、负中NM、负小NS、零Z、正小PS、正中PM、正大PL，模糊化处理前，需要对实际的输入变量进行尺度变换，将它转换到指定论域中，利用线性变换的方法进行尺度变换，公式如下：其中，是实际的输入变量；是变量的变化范围；[xmin，xmax]是变量指定的论域；k为比例因子，相对距离误差ds的比例因子k1＝0.05，则由等式(4)知，相对距离误差的模糊论域为[-6，6]，相对速度误差dv的变化范围是[-16.67m/s，16.67m/s]，比例因子k1＝0.36，则由等式(4)知，相对速度误差的模糊论域为[-6，6]，加速度FAd的变化区间为[-8m/s2，8m/s2]，比例因子为k1＝0.75，则由等式(4)可知，模糊论域为[-6，6]。进一步，该基于遗传算法优化的车辆追尾碰撞模糊控制方法隶属度函数的确定：相对距离误差ds、相对速度误差dv以及加速度FAd的隶属度函数都采用三角函数，三角函数表示如下：其中，δ1、δ3是三角形的“脚”，δ2是三角形的“峰”，η(l)是变量l的隶属度。进一步，该基于遗传算法优化的车辆追尾碰撞模糊控制方法模糊控制规则库的建立方法：总共包含49条规则，第g条规则Rg的表示方式如下：其中，xds是ds的输入值，xdv是dv的输入值，是输出值，Ag及Bg分别表示ds及dv的模糊子集，Cg是FAd的模糊子集；模糊规则Rg表示成积空间Ufz×Vfz上的模糊蕴含Ag×Bg→Cg，其中Ufz＝Ag×Bg。进一步，基于遗传算法对模糊规则库进行优化的的操作步骤如下：步骤一，模糊控制规则的编码，按照顺序固定两个输入量，只对输出的语言变量即控制量进行编码，控制量的语言值包括7个模糊集{NL，NM，NS，Z，PS，PM，PL}，在MATLAB中将所示的模糊控制表依照从左往右、从上往下的次序形成了如下矩阵：步骤二，适应度函数的确定：确定的目标函数J如下：J＝|ds|+|dv|(8)；把目标函数进行适当地变换转变成适应度函数，适应度函数如下：步骤三，遗传参数的确定：遗传参数包括：种群的规模n、交叉概率Pc以及变异概率Pm。进一步，在步骤一中，运用二进制进行编码，每个规则用4位二进制数表示，第1位是控制位，后3位是规则表示位，利用串联式编码的方法，把这49个规则的编码串接成一个染色体，待优化的参数为这49个规则，规则的前件是ds及dv，后件是FAd，由于控制量包括7个模糊集，用3位二进制编码表示规则的后件，依次为：000，001，010，011，100，101，110，当某条模糊规则不存在时，用X代替规则的后件，其编码为111，把49条控制规则按序编码为rule1，...，rule49，之后把49条规则的编码串接成规则染色体。进一步，在步骤三中，采用如下方法确定初始种群即：第一步，随机抽取n＝80个7×7矩阵，作为控制量的矩阵，所有矩阵中的数都是1-7之间的整数；第二步，分别计算每个个体的适应度f，按照f的大小，将这n个个体以递减的顺序排列；第三步，去除适应度较小的m＝30个个体，将剩余的个体作为初始种群S1，得到一个规模nS1为50的初始种群；每个个体代表一条规则染色体；第四步，选择、交叉、变异操作的确定，遗传操作实现生物的进化。进一步，依次设置选择、交叉及变异算子的方法如下：步骤一，选择算子，选用的选择算子是适应度比例选择算子，首先由适应度函数得到适应度，求得每个个体的复制概率，个体在下一代复制的个数等于复制概率乘以种群的规模，每个个体被选择的概率Psi为：其中，nS1是种群规模，fi是种群中第i个个体的适应度；步骤二，交叉算子，在进行交叉处理的过程中，交叉点前的染色体进行变异操作，交叉点后的染色体进行交叉和变异操作，其中交叉概率Pc＝0.7；步骤三，变异算子，采用基本位变异的方法，由于利用二进制对模糊控制规则进行了编码，变异算子是把部分基因位上的基因本文档来自技高网...

【技术保护点】
一种基于遗传算法优化的车辆追尾碰撞模糊控制方法，其特征在于，该基于遗传算法优化的车辆追尾碰撞模糊控制方法由前后车间距、期望的车间距、前车速度、后车速度、后车相对于前车的车速差，得到FLC的输入变量相对距离误差、前后车辆的相对速度误差；对输入变量相对距离误差、相对速度误差和输出变量加速度进行模糊化处理；确定隶属度函数；建立模糊控制规则库；利用遗传算法对模糊规则库进行优化；利用Mamdani直接推理方法进行模糊推理，将获得的模糊值变为准确值，即将控制量变换成论域范围内的准确值；然后，经过尺度变换把该准确值变为实际的控制量。

【技术特征摘要】
1.一种基于遗传算法优化的车辆追尾碰撞模糊控制方法，其特征在于，该基于遗传算法优化的车辆追尾碰撞模糊控制方法由前后车间距、期望的车间距、前车速度、后车速度、后车相对于前车的车速差，得到模糊逻辑控制器FLC的输入变量相对距离误差、前后车辆的相对速度误差；对输入变量相对距离误差、相对速度误差和输出变量加速度进行模糊化处理；确定隶属度函数；建立模糊控制规则库；利用遗传算法对模糊规则库进行优化；利用Mamdani直接推理方法进行模糊推理，将获得的模糊值变为准确值，即将控制量变换成论域范围内的准确值；然后，经过尺度变换把该准确值变为实际的控制量；该基于遗传算法优化的车辆追尾碰撞模糊控制方法具体包括以下步骤：步骤一，由前后车间距D、期望的车间距S、前车速度LV、后车速度FV、后车相对于前车的车速差DV，得到模糊逻辑控制器FLC的输入变量相对距离误差ds、前后车辆的相对速度误差dv；选取相对距离误差ds、前后车辆的相对速度误差dv作为模糊逻辑控制器FLC的输入变量，相对距离误差ds、前后车辆的相对速度误差dv是模糊控制器的输入变量实际输出的加速度FAd控制量是输出变量，相对距离误差ds和相对速度误差dv分别由以下公式得到：ds＝D-S；(1)dv＝LV-FV；(2)其中，D为前后车间距，S期望车间距，LV是前车速度，FV是后车速度；步骤二，对输入变量相对距离误差ds、相对速度误差dv和加速度FAd控制量进行模糊化处理；输入输出变量的模糊化具体方法为：第一步，将输入的精确变量值变换成模糊逻辑控制器FLC要求的变量值，由制动距离算法：其中，τ1和τ2是延迟时间，d0是停车后两车间距，取τ1＝0.1s，τ2＝0.6s，d0＝1.5m，a-max是车辆加速度的负下限；当前车以120km/h即33.33m/s的车速紧急刹车时，期望车间距S为67.5m，设定相对距离误差的变化范围ds是[-67.5m,67.5m]，因此dv的变化范围是[-60km/h,60km/h]；后车加速度的变化范围是[-8m/s2,8m/s2]；第二步，对已处理的变量做尺度变换，转换到指定的模糊论域中，利用线性变换的方法进行尺度变换，公式如下：其中，是实际的输入变量；是变量的变化范围；[xmin,xmax]是变量指定的模糊论域；k为比例因子，相对距离误差ds的比例因子k＝0.05，则由等式(5)知，相对距离误差的模糊论域为[-6,6]，相对速度误差dv的变化范围是[-16.67m/s,16.67m/s]，比例因子k＝0.36，则由等式(5)知，相对速度误差的模糊论域为[-6,6]，加速度FAd的变化区间为[-8m/s2,8m/s2]，比例因子为k＝0.75，则由等式(5)知，模糊论域为[-6,6]，第三步，对变量做模糊处理，将准确值转换成模糊值，并使用对应的语言值来代替，对相对距离误差ds、相对速度误差dv和加速度FAd进行模糊化处理，均划分为7个模糊子集：负大NL、负中NM、负小NS、零Z、正小PS、正中PM、正大PL；步骤三，模糊逻辑控制器FLC的控制效果由隶属度函数决定，先确定隶属度函数；隶属度函数的确定：相对距离误差ds、相对速度误差dv以及加速度FAd的隶属度函数都采用三角函数，三角函数表示如下：其中，δ1、δ3是三角形的“脚”，δ2是三角形的“峰”，η(l)是变量l的隶属度；步骤四，建立模糊控制规则库；模糊控制规则库的建立方法：总共包含49条规则，第g条规则Rg的表示方式如下：其中，x...

【专利技术属性】
技术研发人员：陈晨，李美莲，项红玉，裴庆祺，魏康文，吕宁，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61