基于遗传算法的车架结构优化
基于遗传算法的车辆半主动悬架控制系统参数优化
10.16638/ki.1671-7988.2021.07.018基于遗传算法的车辆半主动悬架控制系统参数优化范养强，赵化刚，赵华杰（陕西重型汽车有限公司，陕西西安710200）摘要：遗传算法（Genetic Algorithm，GA）是一种基于自然群体遗传演化机制的高效优化算法，它能模拟自然界生物进化过程，依据适者生存，优胜劣汰的进化规则，采用人工进化的方式对目标群体进行遗传操作，不断得到更优群体。
文章根据遗传算法基本思路，在MATLAB/Simulink中搭建了基于遗传算法的车辆半主动悬架参数优化模型，利用该算法对半主动悬架控制系统参数进行了优化，并对优化结果进行了仿真分析，结果表明，优化后车辆簧载质量加速度均方根值降低31.1%、悬架动挠度均方根值降低11.2%、轮胎动载荷均方根值降低7.1%，车辆平顺性得到提升。
关键词：半主动悬架；遗传算法；平顺性；优化中图分类号：U463.4 文献标示码：A 文章编号：1671-7988(2021)07-53-04Parameter Optimization of Vehicle Semi-active Suspension Control System Basedon Genetic AlgorithmFan Yangqiang, Zhao Huagang, Zhao Huajie( Shaanxi Heavy Duty Automobile Co, Ltd, Shaanxi Xi'an 710200 )Abstract:Genetic Algorithm is an efficient optimization algorithm based on the genetic evolution mechanism of natural population. It can simulate the evolution process of nature organisms, and according to the evolution rules of survival of the fittest, it adopts artificial evolution to carry out genetic manipulation on the target population, so as to obtain a better population. In this paper, according to the basic idea of genetic algorithm, the optimization model of vehicle semi-active suspension parameters based on genetic algorithm is built in MATLAB, and the parameters of semi-active suspension control system are optimized by using this algorithm, and the optimization results are analyzed. The results show that the root mean square value of vehicle sprung mass acceleration is reduced by 31.1%, the root mean square value of suspension dynamic deflection is reduced by 11.2%, and the root mean square value of the tire dynamic load is reduced by 7.1%, the vehicle ride comfort is optimized.Keywords: Semi-active suspension; Genetic algorithm; Ride comfort; OptimizationCLC NO.: U463.4 Document Code: A Article ID: 1671-7988(2021)07-53-04前言作者简介：范养强，就职于陕西重型汽车有限公司，主要从事底盘平顺性是车辆的重要品质之一，尤其对于重型精密仪器应用技术开发工作。
基于遗传算法和神经网络的汽车板簧支架多目标优化设计
基于遗传算法和神经网络的汽车板簧支架多目标优化设计摘要：本文探讨了一种方法。
起首，我们介绍了汽车板簧支架的背景和重要性。
然后，我们详尽介绍了遗传算法和神经网络的原理和应用。
接着，我们阐述了我们的多目标优化设计方法以及实施步骤。
最后，我们使用该方法对某款汽车板簧支架进行了优化设计试验，并对试验结果进行了分析和谈论。
试验结果表明，接受我们提出的方法，能够显著提高汽车板簧支架的性能和效能。
1. 引言汽车板簧支架作为汽车重要的结构零部件之一，承担着车辆悬挂系统的承载和减震功能。
其设计质量直接影响了汽车的悬挂和行驶性能。
因此，如何优化设计汽车板簧支架成为了汽车工程师们关注的焦点。
2. 遗传算法遗传算法是一种受到自然进化启发的优化算法，主要用于解决复杂的组合优化问题。
其基本原理是模拟自然界中的进化过程，通过模拟遗传、变异、选择等操作来查找最优解。
遗传算法具有全局查找能力和适应性优势，能够较好地解决多目标优化问题。
3. 神经网络神经网络是一种模拟人类神经系统工作方式的数学模型，通过构建多层网络结构，模拟神经元之间的毗连和传递，实现信息处理和进修功能。
神经网络可以通过进修和训练不息优化模型参数，从而提高性能。
在优化设计问题中，神经网络可以通过进修代表问题解空间的非线性映射干系，援助查找最优解。
4. 多目标优化设计方法本文提出的多目标优化设计方法由遗传算法和神经网络相结合。
详尽步骤如下：(1) 收集问题相关数据和参数，包括汽车板簧支架的几何参数、材料特性和载荷要求等。
(2) 利用遗传算法进行初始设计，生成一组优化的初始个体集合。
(3) 使用神经网络对初始个体集合进行评估，得到每个个体的性能指标。
(4) 依据性能指标对个体进行排序和选择，保留一部分优秀个体。
(5) 使用遗传算法进行遗传操作（交叉和变异），生成新的个体集合。
(6) 重复步骤(3)~(5)，直到达到设计要求。
5. 试验结果分析我们以某款汽车板簧支架为例进行了优化设计试验，并对试验结果进行了分析和谈论。
关于重型矿用自卸车油气悬架参数优化的分析
关于重型矿用自卸车油气悬架参数优化的分析摘要：本文将通过对油气悬架的优势以及劣势进行介绍，从而借助遗传算法，对重型矿用自卸车的油气悬架参数加以有效优化，进而为有关部门能够更有效地使用重型矿用自卸车开展采矿相关作业提供可靠参考。
关键词：重型矿用自卸车；油气悬架；参数优化引言中型矿用自卸车拥有运营成本较低、工作效率较高等优势，如今已被广泛应用到大型的露天矿山作业当中。
矿区路面并不平整，车轮极易受到垂直作用力的冲击，使其有较差的行驶平顺性。
油气悬架阻尼特性以及非线性刚度较好，能有效提升车辆平顺性，使驾驶员更舒适，并使零件受损程度降低，提升车辆寿命。
1油气悬架的优势与劣势1.1油气悬架的优势（1）具有紧凑的结构，特别是将阻尼阀进行加装之后，使得油气悬挂无需单独使用减振器，使整体结构更简单。
一般会将气室设于活塞杆之内，经由浮动活塞分离油气，适应了重型车辆大行程特征。
除此之外，此系统重量轻、体积小，拆卸极为方便。
（2）具备非线性刚度：以往传统的悬架，其刚度属于线性刚度，并且基本不会发生改变，在车辆载重逐渐改变的过程中，其振动频率也会发生改变；在油气悬架中，其刚度属于渐增/渐减且非线性的，在车辆栽种逐渐改变的过程中，其振动频率不会改变，且此现象能够经由优化相应参数得以有效实现[1]。
（3）油气悬架中的“悬挂闭锁”功能可以把油气悬挂中蓄能器与动力缸分置开来，同时在对其进行连接的高压管路中安置锁止阀来使此功能得以实现。
此功能有助于对重物进行移动以及运载。
（4）具备非线性阻尼特点：在安装完阻尼阀之后，能够使油气弹簧阻尼系数具备非线性的特点，而阻尼比以及悬挂阻尼力都会伴随车桥、车架相对速度的改变而发生改变。
（5）调整车姿：可调式的油气悬架能够有效使车体左右倾斜、升降以及前后俯仰，然而需要加装调节车姿系统。
此项功能一般只会实现于主动悬挂当中，从而将油气悬架的优势充分彰显出来。
（6）有较大的单位储能：在氮气的充气压力达到6MPa的时候，单位重量的储能可以达到同条件中3500倍钢板弹簧的单位重量储能，从而使悬架质量减轻，进而使悬架质量变轻。
基于遗传算法的汽车主动悬架最优PID控制与仿真
基于遗传算法的汽车主动悬架最优PID控制与仿真作者：司志远苑风霞来源：《赤峰学院学报·自然科学版》 2014年第12期司志远，苑风霞（安徽科技学院机电与车辆工程学院，安徽滁州 233100）摘要：本文以车辆主动悬架系统为研究对象，建立了1/4车辆模型，在此基础上建立simulink模型，并设计了PID控制器，然后运用遗传算法对相关参数进行了优化设计，实现了主动悬架的最优PID控制.最后对比了主、被动悬架的性能指标（车身加速度、悬架动挠度、车轮动位移），结果表明通过本文方法实现的最优PID控制器对于改善车辆的行驶平顺性和稳定性是有效的.关键词：主动悬架；PID；遗传算法；最优控制中图分类号：U463.33 文献标识码：A 文章编号：1673-260X（2014）06-0047-03汽车悬架系统性能是汽车平顺性和行驶稳定性的决定因素，传统的被动悬架由于阻尼、刚度等参数的限制，很难满足汽车性能改善的需要，而主动悬架通过给悬架输入一定的作动力，能够提高汽车的平顺性等性能.主动悬架的设计关键是控制方法及策略，其中最优控制能够在一定条件下，完成控制任务，使得选定的指标最小，能够取得较好的效果，国内外学者对其进行了大量研究.但是，在最优控制问题的求解中，为使得问题解析可解，需要引入附加的约束或条件，如二次型最优控制问题[1-2]中要引入矩阵Q、R等.本文基于微分方程建立仿真模型（simulink模型），运用遗传算法实现悬架的最优控制.1 汽车主动悬架系统数学模型本文选用2自由度1/4车辆建立系统模型，系统模型如图1所示.模型中参数的意义，mb为簧载质量，mw为非簧载质量，ks、cs分别为悬架的刚度和阻尼，kw、cw分别为轮胎的刚度和阻尼，U为悬架的主动控制力.xb、xw、xg分别为车身垂向位移、轮胎垂向位移、路面不平度.根据牛顿第二定律，建立2自由度1/4车辆模型的运动微分方程，如下所示.2 主动悬架系统simulink模型建立PID控制器[3]作为主动控制器，控制器模型如下其中e(t)为车身加速度相对于参考值的误差.在simulink中建立的模型如图3所示.参数：kp为比例系数、ki为积分系数、kd为微分系数、road为路面输入.3 最优PID控制问题的建立最优PID控制问题[4]是建立在PID控制的基础上，以其相应的参数为设计变量，以系统性能为目标的优化问题.在车辆悬架设计中，需要考虑的性能指标主要有三方面：（1）车身加速度—影响乘坐舒适性；（2）悬架动行程—影响车身姿态；（3）轮胎动负荷及位移—影响轮胎接地性能及汽车操纵稳定性能.因此在使用控制器对悬架进行控制时，必须同时兼顾三种性能，即在改善某一项性能的同时，不能损害其它性能.在上一节的基础上，选择kp（比例系数）、ki（积分系数）、kd（微分系数）为设计变量，即X=(kp,ki,kd)，建立以车身加速度为最小的目标函数，即minf=RMS (4)根据相应平顺性国家标准[5]，车辆乘员没有不舒服感觉的总加权加速度均方根值为0.315m/s2，因为1/4车辆模型研究的是车身加速度均方根值，相当于地板处的加速度，该处的轴加权系数为0.40，根据总加权加速度均方根值计算公式，计算得到目标函数的第一个约束条件.g1=RMS| |-0.7875m/s2≤0 （5）对于不同的车型，在吸收车身振动的前提下，悬架动行程都有一定的要求，从而得到目标函数的第二约束条件.g2=|xb-xw|-Ds≤0 （6）其中Ds为悬架动行程的最大值.为了限制轮胎动负荷，同时具有良好的接地性能，得到另外两个约束条件.g3=|xw-xg|-Dwg≤0 （7）g4=|xw|-Dw≤0 （8）其中Dwg、Dw分别为轮胎最大变形、最大位移.4 最优PID控制问题的求解对最优PID控制问题的求解，优化方法的选择至关重要.传统优化方法的缺点是要以所解问题的凸性作为得到全局最优解的前提条件，否则易得到局部最优解.遗传算法[6]主要借助生物进化中“适者生存”的规律，模拟生物进化过程中的遗传繁殖机制，对优化问题的解空间的每一个个体进行编码，然后对编码后的优化问题进行组合划分，通过迭代从中寻找最优解，其算法的适应性强，对问题本身要求低.而本文所研究的问题的凸性是很难判断的，因此选用遗传算法.遗传算法的计算过程主要包括个体编码、初始种群的形成、适应度计算、选择运算的复制、交叉运算及操作、变异运算.适应度函数的定义：计算过程中系统性能的参数计算是在simulink中进行的，为了处理方便，需要将式（6）—（8）的约束条件放到适应度函数里，构造带有惩罚项的适值函数.即其中当设计变量的值可行时，pi(X)=0，否则pi(X)取正值，对于不同的约束条件取值不同.5 路面输入模型[7]采用滤波白噪声作为路面输入模型，即其中xg为路面位移，m；G0为路面不平度系数，m3；f0为下限截止频率，Hz；u为车辆行驶速度，m/s；?棕(t)为均值为零的高斯白噪声.6 仿真计算及结果车辆模型参数：mb=2500kg，mw=320kg，ks= 80000N/m，kw=500000，cs=350N.s/m，cw=15020N.s/m，悬架动行程限制Ds=0.15m，轮胎动变形限制Dwg=0.05m，轮胎位移限制Dw=0.2m.优化参数：选择二进制编码，种群数为50，最大进化代数为200代，交叉概率为0.8，变异概率为0.05，由计算机在变量范围内随机生成初始种群.路面输入参数：G0=64×10-6m3/cycle，u=20m/s，f0=0.1Hz.路面输入曲线如图4所示.优化结果：kp=201.901，ki=2888.677，kd=1.369.优化前后车身加速度、悬架动挠度、车轮动变形及动位移的仿真结果曲线如图5、图6、图7和图8所示，各性能指标均方根值见表1.从图5-8及表1中可以看出，与被动悬架相比，主动悬架能够：（1）有效的降低车身加速度，其均方根值降低到乘员没有不舒服感觉所要求的值以下，提高了舒适性；（2）减少了悬架的动挠度，改善汽车的平顺性；（3）一定程度上减小轮胎变形，从而减小了轮胎动载荷，改善了汽车的操纵稳定性；（4）保持轮胎位移与被动悬架基本一致，从而保持轮胎的接地性能不变.7 结论建立了带有主动悬架的2自由度1/4车辆系统的simulink模型，运用遗传算法对参数进行优化设计，实现了悬架的最优PID控制，改善了系统的性能，并且与被动悬架对比了悬架的性能指标（车身加速度、悬架动挠度、车轮动位移），结果表明通过本文方法实现的最优PID控制器对改善车辆的行驶平顺性和稳定性是有效的.本文所采取的在simulink中建模（可以结合其它多体动力学软件），运用现代优化方法对系统参数进行优化的方法，具有方便、灵活、适应性强的特点.参考文献：〔1〕兰波，喻凡.车辆主动悬架LQG控制器的设计与仿真分析[J].农业机械学报，2004，35(1):13-17.〔2〕潘国建，刘献栋.汽车悬架参数优化的最优控制方法[J].农业机械学报，2005，36(11):21-24.〔3〕白金，韩俊伟．基于MATLAB／Simu1ink环境下的PID参数整定[J].哈尔滨商业大学学报(自然科学版)，2007，23(6):673-676.〔4〕薛定宇.控制系统计算机辅助设计[M]．北京：清华大学出版社，2005：260-281.〔5〕Saeed Badran, Ashraf Salah, Wael Abbas. Design of Optimal Linear Suspension for Quarter Car with Human Model using Genetic Algorithms[J]. The Research Bulletin of Jordan ACM, VolumeⅡ:42-51.〔6〕喻凡.车辆动力学及其控制[M]．北京：机械工业出版社，2009.106-112.。
基于遗传算法的某车型悬置系统优化设计
发动机只是用来发电，可以让发动机运行在高效率区，动力系统会有一个比较高的效率，整车会有良好的燃油经济性。
通过对发动机、电机、电池参数的合理匹配，在软件中对整车进行了整车性能仿真分析，其结果都达到了设计目标。
下一步等样车制造出来后，对实车进行测试，然后与仿真分析结果进行对比。
参考文献:[1]余志生.汽车理论[M].北京：机械工业出版社，1998.[2]徐杨.串联混合动力客车参数选择及仿真[J].设计研究，2006（1）.[3]贾姝超.基于日产e-POWER的串联混合动力系统工况适应性研究[J].2019中国汽车工程学会论文集，2019.表7仿真结果表工况单位数值目标WLTC油耗L/100km 5.57 6.01表8对比表类型动力配置WLTC油耗2022法规目标值HEV双电机串联 5.57 6.27燃油车1.5升增压发动机+手动变速箱1.5升增压直喷发动机+6AT变速箱1.5升增压直喷发动机+8AT变速箱2.0升增压直喷发动机+6AT变速箱2.0升增压直喷发动机+8AT变速箱8.258.838.989.910.125.986.296.296.356.350引言动力总成作为激励源，在车辆怠速或行驶过程中，时刻向悬置被动侧的车架部位传递着振动能量，该振动能量在传递过程中不管为减弱还是放大，都会直接影响客户对车辆的主观感受，所以悬置系统的设计在整车测评中尤为重要。
一直以来，国内外许多学者针对悬置系统的设计、优化问题，进行过大量的研究。
John Brett[1]将优化目标定为车厢，利用“最小响应法”，对悬置系统进行优化设计；Seonho Cho[2]选取座椅和转向柱为优化目标，利用能量解耦法，优化悬置系统，得到较好的结果，使得两个部位振动加速度值均减小；在悬置系统设计中，LE Ooi等[3]人增加了悬置橡胶阻尼及动刚度参数，将运算模型创建的更为准确；针对悬置支反力的研究，周冠南等[5]人利用序列二次规划法，对悬置刚度进行优化，目的使发动机的传递力达到最小；侯勇等[6]人应用遗传算法，对变量参数进行寻优，不仅提高了求解效率，还能得到全局最优解。
基于遗传算法的铁路小型集装箱装车配载优化
基于遗传算法的铁路小型集装箱装车配载优化杨广全;梁永刚;刘平【摘要】为优化铁路小型集装箱装车配载,提高铁路货物运输效率.在阐述铁路小型箱相关参数基础上,推导出铁路小型箱配载后的基础技术指标计算公式,以铁路车辆的前后两转向架承重差、重车重心高、货物总重心横向偏离量最小为目标函数,以车辆的载重、转向架承受的货物重量、前后两转向架承重差、货物总重心横向偏离量及箱重限制为约束条件,建立小型集装箱装车配载方案的优化模型.最后通过实例验证了该优化模型的有效性和合理性,实现了铁路小型集装箱装车配载的智能化,并已经在北京铁路局成功应用.【期刊名称】《铁道货运》【年(卷),期】2017(000)005【总页数】6页(P41-45,56)【关键词】1.5t铁路小型集装箱;集装笼架;配载;遗传算法;优化【作者】杨广全;梁永刚;刘平【作者单位】中国铁道科学研究院运输及经济研究所,北京100081;中国铁道科学研究院运输及经济研究所,北京100081;中国铁道科学研究院运输及经济研究所,北京100081【正文语种】中文【中图分类】U294.31.5 t 铁路小型集装箱(以下简称小型箱)是铁路专用集装化用具，主要用于零散货物快运中心站、作业站间运输[1]。
为了满足零散货物快运需求，开发了装运小型箱的集装笼架，便于运输途中快速装卸。
集装笼架的长宽尺寸与 20 ft 标准集装箱相同，高度为3 140 mm，铁路集装箱平车上可装载 2 个集装笼架，每个车上可装载 32 个小型箱。
若采用人工编制配载方案，不仅费时，而且可能造成车辆重心超高、偏载、偏重、超重等问题，不能满足零散货物快运信息化、物流化、市场化发展要求[2-3]。
因此，通过采用遗传算法，研究小型物资集装化器具装载布局优化问题[4]，建立小型箱装车配载方案的优化模型及模型求解算法，并且实例验证该优化模型的有效性。
1.1 相关参数按照铁路现行《铁路货物装载加固规则》，小型箱装车后必须满足以下基本技术条件[5]：①重车重心高度不超过2 000 mm；②车辆的载重不得超过其容许载重量；③车辆的转向架承受的货物重量不得超过车辆容许载重量的 1/2；④车辆的前后两转向架承重差不得大于 10 t；⑤货物总重心横向偏离量不得超过100 mm。
基于遗传算法和神经网络算法的吊车结构优化设计与实现
·制造业信息化·图1吊车结构系统有限元模型Fig.1The finite element model of a fixed craneBased on Genetic Algorithms and Artificial Neural Network Algorithms to Optimize the Structure Designand Implementation of CraneXUE Jia-Hai ，YU Xiao-Mo ，QING Ai-Ling ，ZHOU Wen-Jing ，YE Jun-Ke（College of Mechanical Engineering,Guangxi University,Nanning Guangxi 530004,China ）Abstract:This paper by using the finite element method,orthogonal test method,BP neural network and genetic algorithm to optimization of crane structure system.At last ，the neural network model will be optimized through the generic algorithm and the optimal parameters of the structure dynamic behavior will be obtained ．Key words ：finite element ；orthogonal experimental method ；BP-neural network ；genetic algorithm0引言随着吊车向大型化方向发展，结构在动载荷作用下的振动问题变得日益突出。
因此，进行基于动态特性的优化设计，使产品在设计阶段就可以预测其动态特性，可有效减小系统的振动，提高整机工作性能。
基于遗传算法的三维装载优化问题研究
基于遗传算法的三维装载优化问题研究近年来，三维装载优化问题已经成为诸多领域研究的热点。
其主要目的是在保证运输成本最小的前提下，尽可能地利用运输的空间，提高运输效率。
而基于遗传算法的三维装载优化问题研究，是当前国内外颇为活跃的研究方向，不断涌现出新的成果和理论。
一、三维装载优化问题的研究背景随着物流行业的不断发展，货物的运输成本和时间成为限制物流公司的重要因素。
如何最大限度地提高运输效率和节省运输成本，已经成为各物流公司需解决的核心问题。
而三维装载优化问题，正是针对这一需求而提出的一种运输优化方案。
其基本思想是，通过精准的模拟和计算，在满足货物大小、形状等要求的前提下，合理安排货物的摆放位置，尽可能地利用运输空间，从而达到最佳运输效果。
二、基于遗传算法的三维装载优化问题虽然三维装载问题的求解方法有很多种，但是其中，基于遗传算法的优化方法，已经成为研究者使用最广泛的一种。
这是因为，遗传算法可以通过对问题进行优化和迭代，得到优秀的解决方案。
其主要思路是模拟人类在自然环境下的进化和生存过程，选出适应度高的优秀个体，去适应问题的求解过程。
因此，建立基于遗传算法的三维装载优化问题，需要考虑以下几个方面：1. 优化的目标函数三维装载问题需要考虑多个方面的要素，如：货物的准确尺寸、形状、体积、数量等等。
因此，需要构建一个综合性的目标函数，对以上几个方面进行全面考虑。
同时，在实践中，我们还需要根据不同的运输场景，针对性地调整目标函数的权重，以达到最优解。
2. 适应度函数的设计适应度函数是遗传算法求解三维装载问题所必需的，其主要作用是根据求解目标，对每一个解集产生一个评价值，确定其在种群中的适应度大小。
在设计适应度函数时，需要考虑问题的复杂性和求解速度的限制。
同时，对于三维装载问题而言，适应度函数还需要考虑装载效率和其他可行性条件。
3. 交叉和变异的算符设计遗传算法的交叉和变异是遗传算法求解问题的关键步骤，其目的是产生更多有效的解，提高算法的有效性。
基于遗传算法的客车车身骨架优化设计
基于遗传算法的客车车身骨架优化设计
张军;林程;张国明
【期刊名称】《北京理工大学学报》
【年(卷),期】2008(28)1
【摘要】提出一种基于遗传算法的桁架式客车车身骨架的优化设计方法.应用有限元分析软件ANSYS建立了车身骨架有限元模型并进行计算,采用遗传算法进行优化.优化后车身总质量减轻719 kg,减重比例接近25%.结果表明,基于遗传算法的优化设计明显优于常规的数学规划方法,实现了某电动大客车车身骨架的轻量化设计.【总页数】5页(P45-49)
【关键词】车身骨架;遗传算法;有限元法;优化设计
【作者】张军;林程;张国明
【作者单位】北京理工大学机械与车辆工程学院
【正文语种】中文
【中图分类】V211
【相关文献】
1.基于侧翻强度模拟分析的出口客车车身骨架结构优化设计 [J], 敖敏
2.基于I-DEAS的客车车身骨架轻量化优化设计 [J], 陈元华
3.基于ANSYS的客车车身骨架优化设计 [J], 余启志
4.基于神经网络和遗传算法的车身骨架结构优化设计 [J], 邓江华;刘献栋;冯国胜
5.基于多目标优化的客车车身骨架轻量化设计探讨 [J], 李江
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传算法的汽车麦弗逊悬架的优化
２ ２ 设 计 变量 。 ． 约束 条 件
根据工程可行性 ， 确定设计变量为 ： 悬架上支
点 Ａ的坐标 （ｘ ａ ， ） 转 向梯形断点 ｃ的坐标 ａ ，ｙ ； （Ｘｃ ， ） 下摆臂 中心轴 中点 ， Ｙ向和 ｚ Ｃ， Ｃ ； ｙＺ 的 向坐 标（ ，） ｉ ｉ 。本文的分析对象某轿车的上述 ３点满 ｙｚ 载时的设计坐标分别 为： （ ２２５ ７７５ ８ ３ ； Ａ １ ． ２ ． １ ． ） Ｃ
的弹性作用 ； 忽略车轮 的厚 度。根据实际的悬架 和转向系统 结构 ， 象出如图 ２所示 的运动仿真 抽
模 型。
１ 车 身；２ 螺 旋弹 簧 ； ３ 减 震器 上体 ：４ 转 向节 总成 一 一 — 一 （ 括减 震 体 Ｆ体 、转彀 轴 、制动 底 板等 ） ； ５ 转向横 拉 包 杆： ６ 一转 向齿条： ７ 下摆臂 ：８ 一 一车轮总成
遗传运算模拟基因在每一代 中创造新后代 的 繁殖过程 。交叉是最主要 的遗传 运算 ， 同时对 它
两个染色体操作 ， 组合两者的特性产生新 的后代。
遗传算法 中， 惩罚技术用来 在每代的种群 中保持 部分不可行解 ， 使遗传搜索从 可行 领域到不可行 领域以达到最优解 。惩罚策略的主要问题是如何 设计一个惩罚函数 Ｃ ） 从而能有效地引导遗传 （ ，
中基因数在总基因数中的百分 比。变异率控制了
新基因导人种群 的比例。
十进制数符 的变异 ：
若在区间［ ］ ａ＜ ） ａ （ ｂ 有一个数 ， ｂ 变异表达
式为 ：
ｉ ，＝１ ｆ ＝ ＋Ａ ｂ一 （ ）
ｉ ，＝０ ｆ
＝ ＋Ａ 一ａ （ ）
（） ２
式 中 ：＝１或 ０为 随机 ， ， 人∈（ ，） ０ １ １３ 进化 运算 ： 择 ． 选
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
农 业装 备与 车辆 工程
Ａ Ｒ Ｃ Ｌ Ｕ Ａ Ｑ ＩＭＥ Ｔ＆ Ｖ Ｈ Ｃ Ｅ Ｅ Ｇ Ｎ Ｅ Ｉ Ｇ Ｇ ＩＵ Ｔ Ｒ ＬＥ ＵＰ Ｎ Ｅ ＩＬ Ｎ Ｉ Ｅ ＲＮ
Ｎｏ５ ０ｌ ． ２ Ｏ
（ｏａｌ ２ ６ Ｔｔ ｙ ２ ） ｌ
就是 问题 的最优 解 或准最 优解 Ｉ 。
遗 传 算法 （ Ａ） 一 类 以进 化 论 和 遗 传 学 说 Ｇ 是 为 基 础 的求 解全 局 最 优化 问题 的仿 生 型算 法 ， 具 有 全局搜 索 能力 强 、 隐含 的并行 性 等优 点 ， 目前 是
应用 范 围 比较 广泛 的一种 优化 算法 【 结构 优化 通 ” 。
常 可分 为尺 寸优 化 、形状 优化 和拓 扑优 化 ｊ个 层 次 ，本 文主要 应 用遗 传算 法对 车架 进行 了以减 重 为 目标 的形状 优化 。
收 稿 日期 ：０ ０ ０ — １ ２ １— ３ ２ 基 金 项 目 ：聊 城 大 学 大 学 生 科 技 文 化 刨 新 基 金 项 目 （ 目编 号 ： 项 Ｓ Ｔ ８ ０ Ｑ ２ Ｒ ０ １９ Ｃ ）
ＷＡ Ｇ Ｗｅ， Ｈ Ｏ Ｄ ｎ －ｉ， Ｈ ｉｏ ｈ ａ Ｎ ｉ Ｚ Ａ ｏ ｇｊ Ｃ ＵＸ ａ— ｕ ｅ （ｉ ｃ ｅｇＵ ｉ ｒ ｔ， ｉ ｃｅｇ２ ２ ０ ， ｈｎ ） Ｌａ ｈ ｎ ｎｖ ｓｙ Ｌａ ｈ ｎ ５ ００ Ｃ ｉａ ｏ ｅｉ ｏ
Ａｂ ｔ ａ ｔ ｔ ｃ ｕ ａ ｐ ｉ ｚ ｔ ｎ ｏ ｇ ｉｕ ｔ ｒｌｖ ｈ ｃｅ ｔａ ａ ｅ ｌ ｅ ｙ ｏ ｇ ｎ ｃ ｌ ｏ ｉ ｉ ｇ ｆ ｉ ｌｍｅ ｔ ｔ ｏ ｔ ｓ ｒ ｃ ：Ｓ ｒ ｔ ｒ ｌＯ ｔ ｕ ｍｉａ ｉ ｆａ ｒｃ ｌ ａ ｅ ｉ ｌ ￣ ｍｅ ｗ ｓ ｒ ａｉ ｄ ｂ ｒ ａ ｉ ａｌ ｃ ｍｂ ｎ ｎ ｉ ｔ ｅ ｅ ｎ ｈ ｄ ｗｉ ｏ ｕ ｚ ｙ ｎｅ ｍｅ ｈ
要 的影 响 ， 因此 ， 近几 年来 车架 的结构 优化 在 车辆 设 计 中越来越 受 到重视 。
其 基 本 原 理 是 ： 随 机 产 生一 组 初 始解 （第 先 “
一
代 ”。 ）每个 解 称 为 一个 个 体 。 一 串符 号 表 示 ； 用
这 些个 体通 过交 叉 、 变异 等 运算 形成 第二 代 ， 三 第 代 … …不 断 迭代 ， 到 收敛 ； 每 一代 中用 “ 应 直 在 适 度 ” 评 价 个体 的好 坏 ． 应 度值 大 的个 体 保 留 ， 来 适 小 的淘 汰 ， 而保 持 种群 大小 是一 常 数 。这样 ， 从 经 过若 干 代之 后 ， 法 收敛 于最 好 的个 体 ， 算 它很 可能
Ｋｅ ｙｗｏ ｄｓ：ｇ ｎｅｉ ｌｏ ｉｈｍ ；ｆｎｉ ｌ ｍｅ ｎａｙ ｉ；ｏ ｔｍ ｉａ ｉｎ ｒ ｅ ｔｃａｇ ｒｔ ｉ ｔ ｅｅ ｎｔ ｅ ａ ｌｓｓ ｐ ｉ ｚ ｔｏ
结 构优１ 遗传算法概述
遗传算法是建立在 自然选择和群体遗传学机 理基础上的迭代 、 进化 ， 它秉承生物进化和遗传的
ｂ ａ ｓ ｄ ｓｇ ａ ｉｂ ｅ ｔ ｆ ｅ ｓ ａ ｄ ｉｔ ｎ ｉ ｓｃ ｎ ｔ ｉ ｔｃ ｎ ｉ ｏ ｏ ｏ ｔ ｚ ． ｈ ｉｈ ｆｔ ｅ ｆ ｍｅ ｗａ ｅ ｒ ａ ｅ ．％ ｅ ｍｓａ ｅ ｉ ｎ ｖ ｒａ ｌ ．ｓｉ ｌ ｓ ｎ ｎ ｅ ｓｔ ａ ｏ ｓｒ ｎ ｏ ｄ ｔ ｎ ｔ ｐｉ ｅ Ｔ ｅ ｗｅｇ ｔｏ ａ ｓｄ ｃ ｅ ｓ ｄ ７６ ｆ ｉ ｙ ａ ｉ ｍｉ ｈ ｌ ａ ｔｒ ｐ ｉ ｚ ｔ ｎ Ｔ ｅ ｅｆｃ ａ ｏ ｄ ｆ ｔ ｅ ｏ ｍｉａｉ ． ｈ ｆ ｔ ｓ ｏ ． ｏ ｅ ｗ ｇ
基于遗传算法 的车架结构优化
王伟 ， 赵栋杰 ， 晓华 楚
（ 聊城大学汽车与交通Ｔ程学院 ， 山东 聊城 ２ ２ ５ ） ５０ ９ 摘要 ： 将有限元法和遗传算法相结合 对某农 用车车架进行 了结构优化 。优化模型以车架总重量最小为优化 目
标， 以各 主要 梁 的位 置 和 尺 寸 为 设 计 变量 ， 车 架 刚 强度 为约 束 条件 进行 优 化 。 化 后 模 型 减 重 ７６ 取得 了 以 优 ．％，
竞 争 思想 ， 通过 繁 殖 、 传 、 异 、 争 ， 现优 胜 遗 变 竞 实
劣 汰 ， 而一 步步 地逼 近问题 的最 优解 。 进
技术 ， 它克服了传统经验设计的诸多局限 ， 在机械 设 计 等领域 有着 广 阔应 用前 景 。车架 作为 车辆 各
主要部 件 的安装 基体 ， 于 支承汽 车 的各零 部 件 ， 用 并 承受 来 自车 内外 的各 种载 荷 。汽车 车架 受 到来 自路 面和车 桥 的激励 产 生振 动 ， 而产 生 弯 曲 、 从 扭 转 等 变形 …。所 以 ， 其结构 对整 车性 能有着 非 常重
ｇｎｔ ｌｏｉ ｍ Ｔ ｅｏ ｔ ｚｄｍｏｅ ｕｅ ｎｍ ｍ ｆ ｍ ｓ ａ ｏ ｔ ｉ ｔ ｎｏｊｃ，ｔｅｌｃｔｎ ｎ ｉ ｅｓ ｎ ｆ ｏ ｅ ｅ ｅｃａｇｒｈ ． ｈ ｐｉ ｅ ｄ ｌ ｓｄｍｉｉｕ ａ ｅｍａｓ ｓ ｐｉ ｚ ｉ ｂｅｔ ｈ ｏａｉ ｓ ｄｄｍ ｎｉ ｓ ｍ ｉ ｔ ｍｉ ｒ ｍ ａｏ ｏ ａ ｏ ｏｓ
较好 的优 化 效 果 。
关键词 ： 遗传算法； 有限元 分析 ； 优化 中图分类号 ： ４ ３３ Ｕ ６． ２ 文献标识码 ： Ａ 文章编号 ：６ ３ ３ ４ （０ ０ ５ ０ ３ — ３ １７ — ２２ １） ～ ０ ８ ０ １ ０
Ｓ ｒ ｃ ｕ ａ ｐ ｉ ｚ ｔ ｎ ｏ ａ ｅ Ｂａ ｅ ｎ Ｇｅ ｅ ｉ ｇ ｒ ｔ ｍ ｔｕ ｔｒ ｌ Ｏ ｔｍｉ ａ ｉ ｆＦｒ ｍ ｓ ｄ ｏ ｎ ｔ Ａｌ ｏ ｉｈ ｏ ｃ