帕雷托优化方法教程.doc

采用多目标一致性遗传多样性算法（MUGA）的五自由度车辆振动模型的帕雷托优化 摘 要 对于五自由度车辆振动模型的帕雷托优化问题，本文提出了一种新的多目标一致性遗传多样性算法，它具有用来保持多样性的ε-消除算法，并且同时考虑了五个相互矛盾的目标函数。这五个目标函数分别是座椅加速度，前轮速度，后轮速度，悬挂质量和前轮的相对位移和悬挂质量与后轮的相对位移。其次，在两目标优化过程中，选取了不同分组的成对目标函数。通过将本文所得结果与文献中的优化结果进行比较，证实了本文所述方法的优越性。研究表明，五目标的优化结果涵盖了两目标的优化结果，因此，给车辆振动模型的最优设计提供了更多的方法选择。 关键词：车辆振动模型，帕雷托，遗传算法，多目标优化多样性，MUGA 绪论 在过去的几十年中，如何控制发动机工作产生的机器振动问题，得到了广泛的研究。特别是，发动机和路面激励带来的不好的振动结果，会影响车辆的运动，进而影响驾驶舒适性。Griffin等（1982），Rakheja（1985），和Barak（1991）已经表明，车辆内部振动会显著影响车辆的舒适性和抓地能力。为减少这种振动，汽车厂商在道路激励和车身之间设计并安装了悬架系统。Bouazara（1997）研究了悬架系统参数对车辆模型振动的影响。同年，Hrovat（1991）采用了三维振动模型，而不是两维模型，从而获得了更精确的结果。为了改善车辆性能，Crolla（1992）应用了半主动悬架模型。Bouazara和Richard（1996）在三维空间中展示了他们的振动模型，证明该模型具有很好的车辆行为预估能力。对一个八自由度的振动模型，Bouazara和理查德（2001）还研究了三种类型的悬架系统（主动，半主动和被动）。在他的研究中，Bouazara综合所有的性能标准作为单目标优化过程中的目标函数。在单目标优化设计的过程中，为了得到目标函数，他用重量系数调整舒适性和抓地力。Gundogdu（2007年）提出了一个四自由度四分之一汽车座椅和悬架系统的优化方法，他采用遗传算法确定一组参数，得到最佳性能的驾驶员座椅。目标函数设置为求多目标函数的最小值，该多目标函数由悬架位移、轮胎偏转，以及头部加速度和波峰因数（CF）组成，这是设计师们以前未做过的。Al Khatib等人（2004）应用遗传算法（GA）来解决一个线性单自由度（1-DOF）隔振装置的优化问题，并且该方法被沿用到一个线性四分之一汽车悬架模型的优化上。最佳的解决方案是通过利用GA和成本函数力求最大限度地减少绝对加速度均方根值由于相对位移均方根值的变化产生的变化。 事实上，在工程设计优化一直是很重要，受重视的，特别是在解决复杂的现实设计问题上。在多目标优化问题上，一般有几个目标或成本函数（目标矢量）需要同时进行优化（最小化或最大化）。这些目标往往互相冲突，当一个目标函数得到改进时，另一个就会劣化。因此，不存在能够使所有目标函数得到达到最优的单一最佳解决方案。然而，有一组最佳的解决方案，就是众所周知的Pareto最优解（SRINIVAS and Deb，1994，Fonseca and Fleming，1993，Coello Coello and Christiansen，2000;Coello Coello et al，2002），他们显著地区分了单目标和多目标优化问题的本质。V. Pareto（1848-1923）是法国人，意大利的经济学家，是他第一次提出经济学多目标优化的概念Pareto(1896)。在多目标优化问题中（MOPS），目标函数空间里的一个概念：帕累托前沿，它代表一套解决方案，其包含的各个方案互不支配，但均优于搜索空间里的其余答案。显然，由于在这样的Pareto最优解，它包括这些解决方案不会互相支配，所以改变设计变量的矢量，并不能使所有目标同时改进。因此，这样的变化会导致至少一个目标变差成为劣解。因此，帕累托集中的每个解决方案至少有一个目标劣于在这个帕累托集中的另一个解决方案，即使它们都优于搜索空间的其余解决方案。进化算法内部的对应关系使其能够解决多目标优化问题。最早对进化搜索的使用进行报道的是Rosenberg在20世纪60年代进行的。自那时以来，研究人员越来越有兴趣于通过制定不同的进化算法来解决多目标优化问题。在这些方法中， Schaffer (1985)提出的矢量评估遗传算法（VEGA），Fonseca and Fleming（1993年）提出的Fonseca and Fleming’s遗传算法（FFGA），Srinivas、Deb (1994)提出的非支配排序遗传算法（NSGA）和Zitzler、Thiele(1998)提出的强度帕累托进化算法（SPEA）和Knowles、Corne(1999)提出的帕累托归档进化