[发明专利]基于多目标粒子群算法的麦弗逊悬架硬点坐标优化方法

权利要求书

1.基于内外层嵌套多目标粒子群算法的麦弗逊悬架硬点坐标优化方法，其特征是按如下步骤进行：

步骤1、建立麦弗逊悬架硬点坐标的多目标优化模型；

步骤1.1、根据麦弗逊悬架系统的数据，建立麦弗逊悬架系统的动力学模型；

步骤1.2、对所述动力学模型进行灵敏度分析，进而确定所述多目标优化的设计变量及不确定变量；

步骤1.3、对所述动力学模型中的前轮各定位参数分别进行DOE试验，获得在车轮跳动时前轮各定位参数绝对值最大值的仿真数据；所述前轮各定位参数为前束角、外倾角、主销内倾角、主销后倾角；

步骤1.4、基于所述仿真数据，运用支持向量回归方法建立前轮各定位参数绝对值最大值的SVR数学模型；

步骤1.5、采用区间分析方法分析所述不确定变量对悬架运动学特性的影响，从而建立如式(1)所示的面向车辆操纵稳定性的麦弗逊悬架硬点坐标的多目标优化模型；

式(1)中，x_i为设计变量，为x_i变化范围的最小值，为x_i变化范围的最大值，D为设计变量的维度，X＝[x₁,x₂,...,x_D]^T为设计向量，F₁(X)为区间f₁^I(X)的评价函数，并有：

式(2)中，f₁^C(X)为区间f₁^I(X)的中点；f₁^W(X)为区间f₁^I(X)的半径；α₁、β₁为加权系数；φ₁、分别为与f₁^C(X)、f₁^W(X)相同的值；

式(1)中，F₂(X)为区间的评价函数，并有：

式(3)中，为区间的中点；为区间的半径；α₂、β₂为加权系数；φ₂、分别为与相同的值；

步骤2、利用所述内外层嵌套多目标粒子群算法求解所述多目标优化模型，得到多目标优化的Pareto解集前沿；

步骤3、通过对所述前轮各定位参数的变化范围进行加权，建立关于前轮定位参数变化范围的评价函数，从而根据所述评价函数从所述Pareto解集前沿中选出最优的悬架硬点坐标。

2.根据权利要求1所述的麦弗逊悬架硬点坐标优化方法，其特征是，所述步骤2是按如下步骤进行：

步骤2.1、设置外层多目标粒子群算法的初始参数：外层迭代次数为m，外层种群粒子个数为M，硬点坐标维度为D、硬点坐标的搜索范围为SD、惯性权重系数为W、学习因子为C₁和C₂；

步骤2.2、定义M个硬点坐标粒子为X＝[X₁,X₂,...,X_i,...,X_M]，X_i表示第i个硬点坐标粒子，1≤i≤M；初始化第i个硬点坐标粒子X_i的速度V_i和位置P_i；并初始化m＝1；

步骤2.3、在所述硬点坐标的搜索范围SD内随机生成第m代外层种群为表示第m代外层种群的第i个硬点坐标粒子；

步骤2.4、设置内层多目标粒子群算法的初始参数：内层迭代次数为n，内层种群粒子个数为N，内层最大迭代次数为T_max，不确定变量维度为d、不确定变量的搜索范围为sd、惯性权重系数为ω，学习因子为c₁和c₂；

步骤2.5、定义N个不确定变量粒子为U＝[U₁,U₂,...,U_t,...,U_N]，U_t表示第t个不确定变量粒子，1≤t≤N；初始化第t个不确定变量粒子U_t的速度v_t和位置p_t、并初始化n＝1；

步骤2.6、在所述不确定变量的搜索范围sd内随机生成第n代内层种群为表示第n代内层种群的第t个不确定变量粒子；

步骤2.7、初始化i＝1；

步骤2.8、将第m代外层种群的第i个硬点坐标粒子输入所述内层多目标粒子群算法，用于计算步骤2.10中的内层适应度函数；

步骤2.9、初始化t＝1；

步骤2.10、利用所述第i个硬点坐标粒子与所述第t个不确定变量粒子计算内层多目标粒子群算法的内层适应度函数；所述内层适应度函数包括：所述前束角、外倾角的SVR数学模型的关系函数所述主销内倾角、主销后倾角的SVR数学模型的关系函数

步骤2.11、将t+1赋值给t，并判断t＞N是否成立，若成立，则执行步骤2.12；否则，返回步骤2.10执行；

步骤2.12、将n+1赋值给n，判断n＞T_max是否成立，若成立，则表示获得共T_max代内层多目标粒子群算法的N个不确定变量粒子的内层适应度函数值，并执行步骤2.14；否则，执行步骤2.13；

步骤2.13、根据所述惯性权重系数ω、学习因子c₁和c₂，更新第n代内层种群的第t个不确定变量粒子的速度和位置从而得到第n代内层种群U⁽ⁿ⁾；并返回步骤2.9执行；

步骤2.14、从所述N个不确定变量粒子的内层适应度函数值中选取所述前束角、外倾角的最大值和最小值，从所述N个不确定变量粒子的内层适应度函数值中选取所述主销内倾角、主销后倾角的最大值和最小值，并分别构成取值区间和输出至外层多目标粒子群算法；

步骤2.15、利用式(4)和式(5)计算第i个硬点坐标粒子的外层多目标粒子群算法的外层适应度函数和

步骤2.16、将i+1赋值给i，并判断i＞M是否成立，若成立，则执行步骤2.17；否则，返回步骤2.8执行；

步骤2.17、将m+1赋值给m，并判断外层多目标粒子群算法是否满足收敛条件，若满足，则输出Pareto解集前沿；否则，执行步骤2.18；

步骤2.18、根据所述惯性权重系数W、学习因子C₁和C₂；更新第m代外层种群第i个硬点坐标粒子的速度和位置P_i^(m)；从而得到第m代外层种群X^(m)，并返回步骤2.7执行。