[发明专利]基于蜂群神经网络集成的新能源车AMT换挡策略

摘要

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。

主权项

1.基于蜂群神经网络集成的新能源车AMT换挡策略，其特征在于：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f(x_i)≤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若f(x_i)≥0；Step5.引领蜂探查：以公式1‑P′的概率进行更新，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，F′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Step2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L_i以及存在的总周期数T_i，按照以1‑P^′的概率进行选择，其中∑L_i为食物源x_i在整个迭代周期内排名总和，其与T_i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x_i在整个迭代周期内的稳定排名比率。Step7.判断是否存在C_i＝LIMIT，若存在则对x_i的每一维进行适应度值计算，若存在某一维度j，j∈{1，2，3…D}，使得fit_i＞maxW(fit_k)，i≠k，则保留食物源x_i，并将食物源x_i与淘汰组W()中的某一个食物源x_k进行替换，替换因子为ε∈0，1)，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x_i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。