帕雷托优化方法讲解.doc

采用多目标一致性遗传多样性算法的车辆振动模型帕雷托优化 对于五自由度车辆振动模型的帕雷托优化问题，了一种新的多目标一致性遗传多样性算法它具有保持多样性的ε-消除算法并且同时了的目标函数分别是其次在两目标优化过程中，选取了不同的目标函数。结果与文献中的优化结果，证实了本文方法的优越性。研究，五目标的优化结果两目标的优化结果，因此，给车辆振动模型的最优设计提供了方法选择。 ：车辆振动模型优化多样性 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，相对位移的的变化 事实上，在工程设计优化一直是很重要，受就会使所有目标函数得到最优的。的各个方案 在本文中，对于五自由度的车辆模型多目标优化问题，采用了一种新的多目标一致遗传多样性算法（MUGA），该算法中包含了所谓多样性保护机制的ε-消除消除算法。需要进行最小化的目标函数是座椅加速度，前轮速度，后轮速度，悬挂质量和前轮的相对位移（d1）和悬挂质量与后轮的相对位移（d2）。振动优化中所使用的设计变量是座椅阻尼系数（Css），悬架阻尼系数（Cs1和Cs2），座椅（ss）悬架刚度（1和Ks2）相对于质心的位置。的 2. 帕雷托多目标优化 (Coello Coello and Christiansen,2000;Jamali et al,2010)。在一般情况下，它可以数学定义为找到一个矢量去优化 使其满足m个不等式约束条件 以及p个等式约束条件 其中，或设计变量的，最大要么最小的目标函数的所有的目标函数都要求最小。这种帕雷托方法的多目标最小化可以使用定义来。 2.1. 矢量支配矢量），当且仅当 换句话来说就是，当余下的us要么小于或等于相应的vs时，至少存在一个uj比vj小。 .2. 帕雷托最优的定义 对于点（在的可行域中，且满足等式（2）和（3））相对于所有的是帕雷托最优点（最小），当且仅当。或者，也可以表述为 换句话来说，帕雷托支配的定义，如果没有其他可以支配那么帕雷托最优点（） 2.3. 帕雷托集的定义 一个给定的多目标优化问题，一个帕雷托集包含所有帕雷托最优向量的集合。换句话说，在没有设计变量的矢量支配。 对于给定的多目标优化问题，帕雷托前沿目标函数向量的，中的设计变量得到。即，帕雷托前沿是映射得到的目标函数的集合。 自身属性适用于多目标优化问题所以这一类问题上被广泛使用。这可能的行或基于群体的搜索方法。在解决多目标优化问题时，这一经典算法中的许多难点和都被忽略不计。不必再运行来寻找帕雷托前沿，用权衡值来每个目标的重要性。通过，原来Goldberg Goldberg(1989)的非支配性排序过程就成为了不同版本的优化算法的催化剂(SrinivasDeb,1994;Fonseca and Fleming,1993)。，重要的一点是，充分保证中的基因多样在中，这一点许多相关作品中经常被提及ToffoloBenini (2003)。这种基因多样性能够被很好地保存下来，那么的过早收敛就可以避免，而最终结果也会依照帕雷托前沿成为的。帕雷托方法的Debet al.(2002)在工程多目标优化问题中得到广泛使用这主要得益于在帕雷托前沿产生分级时，具有简单