介绍：

多年来，发动机的研究一直致力于通过优化各种设计和操作参数来改善发动机性能。对于柴油机的其他的喷射策略，如分割喷射，（例如，[ 1至7 ]），共轨喷射系统有助于减少燃料消耗以及排放量。这些喷射技术与废气再循环（EGR）组合（例如8-[ 10 ] ）和注水策略（例如11–[ 13 ]）已在许多实验与计算研究。上述研究发现在污染物如烟尘的形成中（即颗粒物PM）、一氧化氮（NO）发动机的各种参数的影响，。不幸的是，不同参数对这些污染物有着不同的影响。通常情况下，一氧化氮的减少与炭黑形成的增加，简称为炭黑氮氧化物的权衡，通常当做燃料消耗的费用。鉴此复杂的发动机依赖输入和输出数据，并根据在实验装置中的变化来寻找发动机最佳工作的自然条件，这是非常昂贵的。搜索发动机最佳的工作条件引起一个优化问题，即在一个高维的参数空间，一个适当的成本函数最小化。这反映了发动机的输入数据。为了获得精确的发射值，计算通常是通过模拟发动机的压缩和燃烧阶段的计算流体力学的代码来执行的。此模拟计算非常昂贵，是优化过程的整体计算成本的主要成分。基于遗传的算法（简称遗传算法）是一个非常适合未知的动态输入输出系统的优化方法。遗传算法是根据可能的突变（参见[ 14 ]）仿照自然选择的原则，而一个最佳状态是经过多代成功的结果确定。如果迭代过几代，它很可能会产生全局最优解。然而，纯遗传算法需要数以千计的成本函数的评价，因此对于基于计算流体力学的发动机优化太昂贵。一种称为微遗传算法（GAμ）的变异的遗传算法，被赖茨和他的同事（参见[ 15，21 ]–）成功地应用于发动机的优化。μGA的主要特征是允许在人口规模大幅减少下用于下一代的确定有效的选择过程。一般情况下，人口可以减少至少三十，按所需的标准的遗传算法，最多下降到低至五。因此，昂贵的发动机模拟的数量大大减少，这使得发动机优化适用于使用现今的计算机。在上述计算中，相对于各种发动机参数氮氧化物和烟尘排放量与燃料消耗的结合已被优化。这些参数包括各种模式的脉冲喷射，开始喷射，燃烧室几何形状和其他。在约束优化问题中，采用了广泛使用的罚函数法，推导该方法中所使用的成本函数。在这种方法中，需要进行优化的数量，即排放和燃料消耗，结合在一个表达式，然后被最小化论文网。遗传算法用一种不同的方法来评价的性能标准。在这些算法中，最优的性能是由一组相关的极值点确定，叫帕累托，是新一代的选择包括一种特殊类型的健身或成本函数。遗传算法已通被u德日斯等人使用。[ 22 ]利用三维计算流体力学程序对内燃机燃烧室的几何形状进行了优化。同时，利用唯象模型已经被u开发并在裕康等人的研究μ实现多目标遗传算法。[ 23 ]基于遗传算法的优化方法的最大缺点是它们的巨大的计算成本，特别是在计算流体力学模拟的背景下。更有效的方法是基于梯度的最小化方法。在基于梯度的方法，通过最小化的成本函数的搜索方向的序列，得到一个最佳的选择。这些方法目标单调，因此，在计算上比基于遗传算法的策略更有效。梯度方法的主要缺点是，局部极小它们是不太可能达到一个全局最小。在这种情况下，所获得的最小值是由起始点确定。基于梯度的优化效率往往大于他们只找到一个局部最小值的缺点。在实验研究中，李和赖茨[ 24 ]已成功地利用响应面法找到最佳的发动机工作条件。在响应面法中，梯度是由一个平面，它是通过一个支点，使用最小二乘法拟合。这种方法的梯度的测定是必要的，因为发动机的优化参数的实验波动可能会对成本函数评价产生不利影响。在以往的研究中这些作者（参见[ 25，26 ]），共轭梯度法与回溯算法结合了测试实验，非管路柴油机Sulzer S20使用kiva-3-based CFD代码[ 27 ]。第一项研究[ 25 ]探讨了当传统的注入参数相对于燃料消耗和排放量优化时，使用不同的成本函数的权重的影响。论文[ 26 ]是一个二脉冲分裂喷射策略及其对减排效果的初步研究。这两项研究表明，共轭梯度法是计算效率非常高，可以实现相当大的改进的排放量。然而，这种方法优缺点，那就是单调的成本功能下降可能导致非常低的排放量，但不可避免的会使油耗变高。在本研究中，自适应的最速下降法结合改进了回溯策略在相关联的行搜索。标准的回溯算法的第一步是根据搜索方向的陡度使用一个动态。这个目的是减少沿线路搜索的步骤的数目。整个优化一直在n维空间的归一化单位立方体中，即各优化参数范围映射到区间[0,1]。在这项研究中，一个固定有限S20柴油发动机已为两种不同的成本函数优化的配方。三维引擎模拟预测从进水阀的关闭与kiva-3-based代码的排气阀开启时的排放和燃油消耗率。一零维发动机代码已被用来模拟排气和进气冲程预测的平衡条件下入口阀关闭的流体力学代码。优化的参数是第一个脉冲开始喷射时间，第一个脉冲的喷射持续时间，持续时间的停留，第二脉冲喷射持续时间，EGR率和增压压力。使用的排放量是美国环境保护局（美国环保局）为固定式发动机所规定的