基于遞階遺傳算法的智能跟車控制

摘要：簡單回顧了智能控制以及相關技術，采用一種遞階式遺傳算法，對需要控制的跟車距離的相關模糊邏輯系統隸屬度函數和規則庫進行尋優，其中跟車距離模糊邏輯輸入隸屬度函數采用三輸入模型，即基本規則包含45條，然后對所采用的遺傳算法的初始種群和交叉、變異率等進行了設置，最后給出仿真結果。

關鍵字：智能控制 遞階遺傳算法 跟車控制 遺傳算法

中圖分類號： TP183 文獻標識碼：A 文章編號1672-3791（2015）05（a）-0000-00

智能控制技術在對于非線性系統，參數不確定系統，環境參數變化較大等方面的控制中具有一定的優勢，隨著智能控制技術以及相關計算優化算法的發展，多種智能控制技術和算法被設計以及提出，包括神經網絡[NN][1]，模糊邏輯[FL][1]，遺傳算法[GA][1][2]，專家系統[ES][3]，粒子群算法[PSO][4]，蟻群算法[ACO][4]，引力搜索算法[GSO][4]，模糊神經網絡[FNN][5]，自適應模糊邏輯系統[AFLC][5]，模糊粒子群算法[FPSO][2]，模糊遺傳算法[FGA][2]等。涉及的行業或領域包括工業，農業，材料，制造，管理，醫療，能源，數學等。模糊邏輯系統是基于人類經驗知識以及語言描述規則在上世紀60年代由L.A.Zadeh提出的模糊集合概念發展而成，在1975年L.A.Zadeh又提出二型模糊集合概念以便處理對象系統中更多的不確定性。遺傳算法是一種自然啟發式優化算法，1975年由J.Holland教授提出，它在全局尋優方面具有明顯優勢。對車輛載體自動化的研究包括剎車系統，電動輪椅，車輛自動化系統，新能源汽車[6]，本文采用的基于二型模糊邏輯和遞階遺傳算法的智能跟車控制的研究則對現代交通安全，智能交通網絡建設，無人駕駛技術的發展具有重要意義。

1 遞階遺傳算法與模糊邏輯系統的結合

面對復雜，非線性以及不確定的動態系統，采用簡易模糊邏輯系統可以取得更好的控制效果。這些效果源于人類經驗知識，多次基礎實驗和對模糊邏輯系統參數的微調測試，圖1所示閉環模糊邏輯系統能快速準確獲取隸屬度函數和規則庫。該結構遺傳算法項中的隸屬度“染色體”基因鏈包含兩類基因，即用于使能所對應隸屬度函數的控制基因和代表該隸屬度函數的參數基因。控制基因通過管理模糊子集數量（規則數和隸屬度函數數）保證模糊邏輯系統有效執行。

2 智能跟車控制

前后車間距控制，對于車輛間保持安全距離，有效防止交通事故，提高城市交通道路利用率，建立智能城市交通網絡以及無人駕駛技術實現具有重要意義。本研究在MATLAB上進行，模糊邏輯系統由模糊邏輯工具箱生成，遺傳算法由程序語言實現。最后將模糊邏輯智能系統結果和駕駛員師傅所給參考值進行比對。

2.1 跟車控制

城市跟車行駛時，保持車距和控制車速是一大關鍵。基本方式為駕駛員對汽車油門和剎車的操作，即對車的加減速，其效果則受踩踏油門和剎車力度限制。車間距控制同時受車速，車間實際距離，車間距變化（前后車速度變化），道路與車輛輪胎摩擦力（路況）影響。前后車太近，遇突發情況可能導致剎車不及，引發交通事故。前后車太遠，道路車輛通行能力大大降低。因此需在保證不發生交通事故和提高道路通行能力前提下找到跟車距離平衡點。

2.2 模糊控制器設置

經過程簡化和語言描述整理，得出模糊邏輯控制系統參數如下，輸入：車速，車間距，車間距變化；輸出：加減速；基本規則：45條。模糊規則自然語言，車速：慢（S），一般（VN），快（VF）；車間距變化：快速變大（FA），變大（A），不變（SK），變小（D），快速變小（FD）；車間距：近（C），一般（SN），遠（SF）；加減速：急剎（FB），輕剎（LB），保持（AK），輕加速（LA），加速（VA）。表1、2、3依次是車速慢、一般、快的情況下不同車間距和車間距變化產生的加減速基本規則庫。

2.3 遺傳算法參數

遺傳算法參數設置如下，初始種群數（NIND）：120；最大遺傳代數（MAXGEN）：1000；每代產生新個體比例（GGAP）：0.6；染色體二進制精度（PRECI）：405；參加遺傳操作個體挑選方法：輪盤法；基因變異率：0.1；基因重組方法以及比率：多點交叉，0.7；適應度函數：專家（駕駛員師傅）所給控制值與遞階遺傳算法系統計算值之差，差值越小則表示系統計算結果適應度越大，即可以采用。

3 仿真結果

該模糊邏輯系統是三輸入情況，直接包含三輸入的立體圖無法畫出，因此給出圖3加以反映仿真結果，其中橫軸為所給訓練數據組（N），縱軸為加減速控制值（A），實心圓部分為模糊邏輯系統在訓練數據下的計算結果，實心菱形部分為專家（駕駛員師傅）所給結果。從圖中可以看出，經遺傳算法優化后的模糊邏輯系統取得的輸出效果，其曲線很好的跟隨了專家所給值，10次訓練數據產生的平均誤差為0.01951。

4 總結和進一步研究

本文提出一種遞階遺傳算法閉環模糊邏輯智能跟車控制系統，相比于其他研究一般兩輸入情況，文中所用三輸入方法能夠更好涵蓋所描述對象或過程的一般特性，減小所求誤差。在對隸屬度函數和規則庫的確定方面，采用能充分描述系統不確定性的二型模糊邏輯，使得隸屬度函數和模糊邏輯規則更精確。通過仿真結果分析，可以看出該系統計算值很好的跟隨了專家所給參考值，表明遺傳算法和模糊邏輯的綜合應用可以提高特定智能控制系統的性能。另外整個系統相較于傳統非模糊邏輯系統具有更短的設計時間和更簡易的設計結構。下一步將對其他智能控制技術的結合應用作進一步研究，并對多種結合智能控制技術進行比對和分類。

參考文獻

[1] Du?ko Kati? ， Miomir Vukobratovi?. Survey of Intelligent Control Techniques for Humanoid Robots[J]. Journal of Intelligent and Robotic Systems， 2003， 37（2）： 117-141.

[2] Fevrier Valdez ， Patricia Melin ， Oscar Castillo. Modular Neural Networks architecture optimization with a new nature inspired method using a fuzzy combination of Particle Swarm Optimization and Genetic Algorithms[J]. Information Sciences， 2014， 270（20）： 143-153.

[3] Morimoto T ， Hatou K ， Hashimoto Y. Intelligent control for a plant production system[J]. Control Engineering Practice， 1996， 4（6）： 773-784.

[4] Fevrier Valdez ， Patricia Melin ， Oscar Castillo. A survey on nature-inspired optimization algorithms with fuzzy logic for dynamic parameter adaptation[J]. Expert Systems with Applications， 2014， 41（14）： 6459-6466.

[5] Patricia Melin ， Oscar Castillo. Intelligent control of a stepping motor drive using an adaptive neuro–fuzzy inference system[J]. Information Sciences， 2005， 170（2-4）： 133-151.

[6] 陶昱婷 郝樂 章宇 黃敏敏 金丹 王樂 黃鑫. 新能源汽車的市場現狀及未來前景調查[J].科技創新導報.2014（19）