帕雷托優(yōu)化方法

《帕雷托優(yōu)化方法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、采用多目標(biāo)一致性遺傳多樣性算法（MUGA）的五自由度車(chē)輛振動(dòng)模型的帕雷托優(yōu)化摘要對(duì)于五自由度車(chē)輛振動(dòng)模型的帕雷托優(yōu)化問(wèn)題，本文提出了一種新的多目標(biāo)一致性遺傳多樣性算法，它具有用來(lái)保持多樣性的ε-消除算法，并且同時(shí)考慮了五個(gè)相互矛盾的目標(biāo)函數(shù)。這五個(gè)目標(biāo)函數(shù)分別是座椅加速度，前輪速度，后輪速度，懸掛質(zhì)量和前輪的相對(duì)位移和懸掛質(zhì)量與后輪的相對(duì)位移。其次，在兩目標(biāo)優(yōu)化過(guò)程中，選取了不同分組的成對(duì)目標(biāo)函數(shù)。通過(guò)將本文所得結(jié)果與文獻(xiàn)中的優(yōu)化結(jié)果進(jìn)行比較，證實(shí)了本文所述方法的優(yōu)越性。研究表明，五目標(biāo)的優(yōu)化結(jié)果涵蓋了兩目標(biāo)的優(yōu)化結(jié)果，因此，給車(chē)輛振動(dòng)

2、模型的最優(yōu)設(shè)計(jì)提供了更多的方法選擇。關(guān)鍵詞：車(chē)輛振動(dòng)模型，帕雷托，遺傳算法，多目標(biāo)優(yōu)化多樣性，MUGA1.緒論在過(guò)去的幾十年中，如何控制發(fā)動(dòng)機(jī)工作產(chǎn)生的機(jī)器振動(dòng)問(wèn)題，得到了廣泛的研究。特別是，發(fā)動(dòng)機(jī)和路面激勵(lì)帶來(lái)的不好的振動(dòng)結(jié)果，會(huì)影響車(chē)輛的運(yùn)動(dòng)，進(jìn)而影響駕駛舒適性。Griffin等（1982），Rakheja（1985），和Barak（1991）已經(jīng)表明，車(chē)輛內(nèi)部振動(dòng)會(huì)顯著影響車(chē)輛的舒適性和抓地能力。為減少這種振動(dòng)，汽車(chē)廠商在道路激勵(lì)和車(chē)身之間設(shè)計(jì)并安裝了懸架系統(tǒng)。Bouazara（1997）研究了懸架系統(tǒng)參數(shù)對(duì)車(chē)輛模型振動(dòng)的影響。同

3、年，Hrovat（1991）采用了三維振動(dòng)模型，而不是兩維模型，從而獲得了更精確的結(jié)果。為了改善車(chē)輛性能，Crolla（1992）應(yīng)用了半主動(dòng)懸架模型。Bouazara和Richard（1996）在三維空間中展示了他們的振動(dòng)模型，證明該模型具有很好的車(chē)輛行為預(yù)估能力。對(duì)一個(gè)八自由度的振動(dòng)模型，Bouazara和理查德（2001）還研究了三種類(lèi)型的懸架系統(tǒng)（主動(dòng)，半主動(dòng)和被動(dòng)）。在他的研究中，Bouazara綜合所有的性能標(biāo)準(zhǔn)作為單目標(biāo)優(yōu)化過(guò)程中的目標(biāo)函數(shù)。在單目標(biāo)優(yōu)化設(shè)計(jì)的過(guò)程中，為了得到目標(biāo)函數(shù)，他用重量系數(shù)調(diào)整舒適性和抓地力。Gun

4、dogdu（2007年）提出了一個(gè)四自由度四分之一汽車(chē)座椅和懸架系統(tǒng)的優(yōu)化方法，他采用遺傳算法確定一組參數(shù)，得到最佳性能的駕駛員座椅。目標(biāo)函數(shù)設(shè)置為求多目標(biāo)函數(shù)的最小值，該多目標(biāo)函數(shù)由懸架位移、輪胎偏轉(zhuǎn)，以及頭部加速度和波峰因數(shù)（CF）組成，這是設(shè)計(jì)師們以前未做過(guò)的。AlKhatib等人（2004）應(yīng)用遺傳算法（GA）來(lái)解決一個(gè)線性單自由度（1-DOF）隔振裝置的優(yōu)化問(wèn)題，并且該方法被沿用到一個(gè)線性四分之一汽車(chē)懸架模型的優(yōu)化上。最佳的解決方案是通過(guò)利用GA和成本函數(shù)力求最大限度地減少絕對(duì)加速度均方根值由于相對(duì)位移均方根值的變化產(chǎn)生的變化

5、。事實(shí)上，在工程設(shè)計(jì)優(yōu)化一直是很重要，受重視的，特別是在解決復(fù)雜的現(xiàn)實(shí)設(shè)計(jì)問(wèn)題上。在多目標(biāo)優(yōu)化問(wèn)題上，一般有幾個(gè)目標(biāo)或成本函數(shù)（目標(biāo)矢量）需要同時(shí)進(jìn)行優(yōu)化（最小化或最大化）。這些目標(biāo)往往互相沖突，當(dāng)一個(gè)目標(biāo)函數(shù)得到改進(jìn)時(shí)，另一個(gè)就會(huì)劣化。因此，不存在能夠使所有目標(biāo)函數(shù)得到達(dá)到最優(yōu)的單一最佳解決方案。然而，有一組最佳的解決方案，就是眾所周知的Pareto最優(yōu)解（SRINIVASandDeb，1994，F(xiàn)onsecaandFleming，1993，CoelloCoelloandChristiansen，2000;CoelloCoelloet

6、al，2002），他們顯著地區(qū)分了單目標(biāo)和多目標(biāo)優(yōu)化問(wèn)題的本質(zhì)。V.Pareto（1848-1923）是法國(guó)人，意大利的經(jīng)濟(jì)學(xué)家，是他第一次提出經(jīng)濟(jì)學(xué)多目標(biāo)優(yōu)化的概念Pareto(1896)。在多目標(biāo)優(yōu)化問(wèn)題中（MOPS），目標(biāo)函數(shù)空間里的一個(gè)概念：帕累托前沿，它代表一套解決方案，其包含的各個(gè)方案互不支配，但均優(yōu)于搜索空間里的其余答案。顯然，由于在這樣的Pareto最優(yōu)解，它包括這些解決方案不會(huì)互相支配，所以改變?cè)O(shè)計(jì)變量的矢量，并不能使所有目標(biāo)同時(shí)改進(jìn)。因此，這樣的變化會(huì)導(dǎo)致至少一個(gè)目標(biāo)變差成為劣解。因此，帕累托集中的每個(gè)解決方案至少有

7、一個(gè)目標(biāo)劣于在這個(gè)帕累托集中的另一個(gè)解決方案，即使它們都優(yōu)于搜索空間的其余解決方案。進(jìn)化算法內(nèi)部的對(duì)應(yīng)關(guān)系使其能夠解決多目標(biāo)優(yōu)化問(wèn)題。最早對(duì)進(jìn)化搜索的使用進(jìn)行報(bào)道的是Rosenberg在20世紀(jì)60年代進(jìn)行的。自那時(shí)以來(lái)，研究人員越來(lái)越有興趣于通過(guò)制定不同的進(jìn)化算法來(lái)解決多目標(biāo)優(yōu)化問(wèn)題。在這些方法中，Schaffer(1985)提出的矢量評(píng)估遺傳算法（VEGA），F(xiàn)onsecaandFleming（1993年）提出的FonsecaandFleming’s遺傳算法（FFGA），Srinivas、Deb(1994)提出的非支配排序遺傳算法（

8、NSGA）和Zitzler、Thiele(1998)提出的強(qiáng)度帕累托進(jìn)化算法（SPEA）和Knowles、Corne(1999)提出的帕累托歸檔進(jìn)化策略（PAES）都是最重要的。對(duì)于這些方法的優(yōu)劣，Coel