基于改进精英遗传算法的高精度驾驶循环构建方法与流程

本发明涉及车辆能耗预测，尤其是涉及基于改进精英遗传算法的高精度驾驶循环构建方法。

背景技术：

1、全球气候变化的加剧使交通运输成为碳排放治理的关键领域。据国际能源署数据，2023年交通运输部门碳排放占全球总排放的24%，其中道路车辆贡献了70%以上。精准评估车辆能耗与排放、制定有效的减排策略成为当务之急。驾驶工况作为刻画车辆实际运行状态的速度-时间曲线，是连接车辆设计、能耗模拟与排放评估的核心工具。它不仅为测功机测试提供标准输入，直接影响燃油经济性、续航里程等关键指标的测试结果，更是欧盟wltp（全球轻型车统一测试循环）、中国cltc（中国轻型车测试循环）等排放法规的制定基础。对于电动汽车和混合动力汽车，工况还决定了能量管理策略的优化方向，例如再生制动系统的效率提升和电池续航里程的精准预测。

2、在现有技术中，由于多孤立分析单一因素，导致缺乏地理-交通-能源的耦合建模。例如，城市公交工况需同时考虑站点间距、载客量和实时交通信号，而当前方法仅能部分纳入这些变量。电动汽车的续航里程衰减受温度、电池老化和工况类型的交互影响，现有工况未建立多因素耦合的能耗模型。其次，因为数据质量与处理技术有限，新能源公交车的运营数据常因通信故障导致缺失，线性插值虽简单但会引入虚假加速度，而三次样条插值在低速段易产生振荡误差。而混合插值方法结合线性与样条插值，虽能将工况特征误差控制在10%以内，但未解决数据同步问题。

技术实现思路

1、为解决上述问题，本发明提供基于改进精英遗传算法的高精度驾驶循环构建方法，该算法的核心在于将传统遗传算法中低效的单点变异算法，升级为一种基于马尔科夫可达域的片段重构算法，并设计了两阶段精英筛选策略，构建了一个高效的遗传算法新框架。该框架通过大规模交叉实现全局探索，并对精英个体进行深度局部寻优，从而高效平衡了算法的交叉与变异能力。

2、本发明提供的基于改进精英遗传算法的高精度驾驶循环构建方法，包括以下步骤：

3、s10：采集车辆行驶参数，形成原始数据集；

4、s20：基于原始数据集，对速度和加速度进行网格划分，并标记状态id；

5、s30：统计相邻采样时刻的状态id转移次数，构建状态转移矩阵；

6、s40：对状态转移矩阵进行随机游走扩散模拟，构建统计初始种群；

7、s50：将统计初始种群输入到改进精英遗传模型中进行迭代；

8、s60：在迭代过程的最优个体中筛选全局最优解，获得与真实工况的目标特征偏差最小的驾驶循环。

9、进一步的，采集车辆行驶参数，形成原始数据集的具体步骤为：

10、通过全球定位系统和车载诊断系统采集高速公路场景下车辆实时速度、位置和加速度参数，累计采集时长不低于20小时。

11、进一步的，基于原始数据集，对速度和加速度进行网格划分，并标记状态id的具体步骤为：

12、将速度分辨率和加速度分辨率以单位步长进行网格划分，得到速度的离散网格节点序列和加速度的离散网格节点序列；

13、其中，为速度的单位步长，为离散网格的速度下限，为离散网格的速度上限，为加速度的单位步长，为离散网格的加速度下限，为离散网格的加速度上限；

14、对于任意采样t时刻的车辆状态（,），若满足且，则将该状态标记为唯一状态id，；

15、所有（x，y）网格组合构成包含n个元素的有限状态集合。

16、进一步的，统计相邻采样时刻的状态id转移次数，构建状态转移矩阵的具体步骤为：

17、统计相邻两个采样时刻状态id从转移到的出现总次数，记为；

18、基于每个状态，计算由转移至的转移概率，构建状态转移矩阵p，

19、

20、其中，k为有限状态集合的索引变量。

21、进一步的，对状态转移矩阵进行随机游走扩散模拟，构建统计初始种群的具体步骤为：

22、以速度和加速度均为0的状态为起始点，基于状态转移矩阵p进行随机游走模拟，生成若干条状态id序列，每条状态id序列对应一条候选驾驶循环c，将所有的候选驾驶循环作为初始种群。

23、进一步的，对状态转移矩阵进行随机游走扩散模拟，构建统计初始种群的具体步骤为：

24、以速度和加速度均为0的状态为起始点，基于状态转移矩阵p进行随机游走模拟，生成若干条状态id序列，每条状态id序列对应一条候选驾驶循环c，将所有的候选驾驶循环作为初始种群。

25、进一步的，改进精英遗传模型的构建步骤为：

26、对任意一条候选驾驶循环c进行优化，优化目标函数为候选驾驶循环c的关键特征参数与真实工况的目标特征值的相对偏差总和，即

27、

28、其中，是优化的候选驾驶循环的第i个特征参数计算值，是真实工况的目标特征值，h是关键特征参数的数量；

29、从初始种群中选择父代候选驾驶循环，基于状态转移矩阵p进行交叉操作，生成交叉池；

30、计算交叉池中所有候选驾驶循环的优化目标函数值，筛选优化目标函数值最高的若干个候选驾驶循环作为精英池；

31、重构精英池中所有候选驾驶循环的变异算子，生成变异池；

32、合并交叉池和变异池，计算合并后的所有候选驾驶循环的优化目标函数值，继续筛选优化目标函数值最高的若干个候选驾驶循环作为新一代种群；

33、重复迭代交叉、变异过程，直至迭代达到预设次数。

34、进一步的，在迭代过程的最优个体中筛选全局最优解，获得与真实工况的目标特征偏差最小的驾驶循环的具体步骤为：

35、筛选出每代种群中优化目标函数值最小的最优个体，在所有的最优个体中再筛选出优化目标函数值最小的最优解，作为最优驾驶循环。

36、进一步的，重构精英池中所有候选驾驶循环的变异算子的具体步骤为：

37、对于长度为l的候选驾驶循环的待重构片段，设初始状态为，终止状态为，则待重构片段中任意中间时刻m的状态需同时属于散发域和收敛域；

38、其中，发散域的递归定义为：

39、

40、

41、收敛域的递归定义为：

42、

43、

44、则在m时刻的可达域即为发散域和收敛域的交集：

45、

46、其中，为状态转移矩阵p中由状态到的转移概率。

47、综上所述，本发明至少包括以下有益效果：

48、1、本方法显著提升了变异环节的探索能力和收敛性能。该算法将传统ga变异环节的低效单点扰动，升级为中等步长优化，从而降低了对初始种群多样性的依赖，并有效抑制了由于种群多样性不足导致的过早陷入局部最优解的现象，确保了优化过程能持续向全局最优解逼近。

49、2、 本方法采用16项关键特征参数对所构建的高速公路驾驶循环进行了量化评估。结果表明，本方法所构建工况与实测数据间的平均相对偏差仅为0.59%。此结果验证了该方法在精确复现真实驾驶循环上的有效性。构造的驾驶循环的油耗偏差低至6.24%。该结果表明，本方法实现的多维度特征高精度拟合框架，保障了车辆能耗的高可信度评估。