基于預(yù)決策粒子群算法的懸架仿真優(yōu)化.pdf

1、懸架參數(shù)優(yōu)化是汽車底盤設(shè)計過程中一項重要研究內(nèi)容，主要目的在于改善汽車的平順性、提高操縱穩(wěn)定性和安全性等。懸架的優(yōu)化是個典型的多目標(biāo)優(yōu)化問題，且目標(biāo)之間存在著矛盾。眾多的多目標(biāo)優(yōu)化算法中，研究表明以粒子群算法和遺傳算法代表的進(jìn)化算法最適合求解多目標(biāo)問題。而粒子群算法沒有遺傳算法的編碼、交叉、編譯等復(fù)雜操作，且具有更好的收斂性。于是本文針對懸架優(yōu)化問題，對粒子群算法進(jìn)行了改進(jìn)，并采用新算法優(yōu)化了懸架參數(shù)，最終的實驗結(jié)果表明優(yōu)化后的懸架參數(shù)

2、能明顯改善汽車的行駛平順性和一定程度上改善操縱穩(wěn)定性，證明了新算法可以很好的應(yīng)用于懸架優(yōu)化設(shè)計。
　　 本文的主要內(nèi)容和創(chuàng)新點(diǎn)可以概括如下：
　　 首先，文章在汽車振動理論的基礎(chǔ)上，建立了七自由度汽車動力學(xué)模型及其simulink模型，然后選取了懸架的剛度和阻尼為設(shè)計變量，確定了車身垂向加速度，懸架動行程和車輪-路面動位移等十一個懸架參數(shù)優(yōu)化目標(biāo)函數(shù)。
　　 其次，提出了基于Vague交叉熵的多準(zhǔn)則決策方法，得到

3、了專家在多準(zhǔn)則下對懸架目標(biāo)函數(shù)的評價模型；然后引入分析型證據(jù)推理理論，融合各專家的沖突性的評價結(jié)果，最終得到了懸架目標(biāo)函數(shù)的預(yù)決策權(quán)值，并進(jìn)行了等價目標(biāo)類的劃分。通過將預(yù)決策權(quán)值應(yīng)用于粒子群主從種群信息通聯(lián)，解決了粒子種群因失去多樣性造成的過快收斂問題。
　　 然后，提出了慣性權(quán)重因子周期性衰減自適應(yīng)策略，解決了粒子群算法的全局和局部搜索能力平衡。引入優(yōu)先階搜索策略，代替?zhèn)鹘y(tǒng)的Pareto優(yōu)化準(zhǔn)則劃分非支配解，從而更加有效地從非

4、支配解集中選擇出“品質(zhì)”更好的解，解決了等價目標(biāo)類中算法迭代中全局最優(yōu)“質(zhì)量”下降的問題。
　　 最后，在確定了粒子群算法的相應(yīng)參數(shù)后，開發(fā)了面向懸架的多目標(biāo)粒子群優(yōu)化程序，并得到了一組優(yōu)化后的懸架參數(shù)，不同車速下的仿真實驗表明優(yōu)化后懸架，使得汽車的行駛穩(wěn)定性和操縱穩(wěn)定性得到較大改善。同時將求解結(jié)果與傳統(tǒng)算法獲取的另兩組優(yōu)化后的懸架參數(shù)，進(jìn)行了解質(zhì)量對比分析。分析表明預(yù)決策粒子群算法在懸架參數(shù)多目標(biāo)優(yōu)化具體問題解決上是優(yōu)于傳統(tǒng)算