資源描述：
《帕雷托優(yōu)化方法》由會員上傳分享，免費在線閱讀，更多相關內容在行業(yè)資料-天天文庫。
1、采用多目標一致性遺傳多樣性算法（MUGA）的五自由度車輛振動模型的帕雷托優(yōu)化摘要對于五自由度車輛振動模型的帕雷托優(yōu)化問題，本文提出了一種新的多目標一致性遺傳多樣性算法，它具有用來保持多樣性的ε-消除算法，并且同時考慮了五個相互矛盾的目標函數(shù)。這五個目標函數(shù)分別是座椅加速度，前輪速度，后輪速度，懸掛質量和前輪的相對位移和懸掛質量與后輪的相對位移。其次，在兩目標優(yōu)化過程中，選取了不同分組的成對目標函數(shù)。通過將本文所得結果與文獻中的優(yōu)化結果進行比較，證實了本文所述方法的優(yōu)越性。研究表明，五目標的優(yōu)化結果涵蓋了兩目標的優(yōu)化結果，因此，給車輛振動
2、模型的最優(yōu)設計提供了更多的方法選擇。關鍵詞：車輛振動模型，帕雷托，遺傳算法，多目標優(yōu)化多樣性，MUGA1.緒論在過去的幾十年中，如何控制發(fā)動機工作產(chǎn)生的機器振動問題，得到了廣泛的研究。特別是，發(fā)動機和路面激勵帶來的不好的振動結果，會影響車輛的運動，進而影響駕駛舒適性。Griffin等（1982），Rakheja（1985），和Barak（1991）已經(jīng)表明，車輛內部振動會顯著影響車輛的舒適性和抓地能力。為減少這種振動，汽車廠商在道路激勵和車身之間設計并安裝了懸架系統(tǒng)。Bouazara（1997）研究了懸架系統(tǒng)參數(shù)對車輛模型振動的影響。同
3、年，Hrovat（1991）采用了三維振動模型，而不是兩維模型，從而獲得了更精確的結果。為了改善車輛性能，Crolla（1992）應用了半主動懸架模型。Bouazara和Richard（1996）在三維空間中展示了他們的振動模型，證明該模型具有很好的車輛行為預估能力。對一個八自由度的振動模型，Bouazara和理查德（2001）還研究了三種類型的懸架系統(tǒng)（主動，半主動和被動）。在他的研究中，Bouazara綜合所有的性能標準作為單目標優(yōu)化過程中的目標函數(shù)。在單目標優(yōu)化設計的過程中，為了得到目標函數(shù)，他用重量系數(shù)調整舒適性和抓地力。Gun
4、dogdu（2007年）提出了一個四自由度四分之一汽車座椅和懸架系統(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。目標函數(shù)設置為求多目標函數(shù)的最小值，該多目標函數(shù)由懸架位移、輪胎偏轉，以及頭部加速度和波峰因數(shù)（CF）組成，這是設計師們以前未做過的。AlKhatib等人（2004）應用遺傳算法（GA）來解決一個線性單自由度（1-DOF）隔振裝置的優(yōu)化問題，并且該方法被沿用到一個線性四分之一汽車懸架模型的優(yōu)化上。最佳的解決方案是通過利用GA和成本函數(shù)力求最大限度地減少絕對加速度均方根值由于相對位移均方根值的變化產(chǎn)生的變化
5、。事實上，在工程設計優(yōu)化一直是很重要，受重視的，特別是在解決復雜的現(xiàn)實設計問題上。在多目標優(yōu)化問題上，一般有幾個目標或成本函數(shù)（目標矢量）需要同時進行優(yōu)化（最小化或最大化）。這些目標往往互相沖突，當一個目標函數(shù)得到改進時，另一個就會劣化。因此，不存在能夠使所有目標函數(shù)得到達到最優(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)分了單目標和多目標優(yōu)化問題的本質。V.Pareto（1848-1923）是法國人，意大利的經(jīng)濟學家，是他第一次提出經(jīng)濟學多目標優(yōu)化的概念Pareto(1896)。在多目標優(yōu)化問題中（MOPS），目標函數(shù)空間里的一個概念：帕累托前沿，它代表一套解決方案，其包含的各個方案互不支配，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互相支配，所以改變設計變量的矢量，并不能使所有目標同時改進。因此，這樣的變化會導致至少一個目標變差成為劣解。因此，帕累托集中的每個解決方案至少有
7、一個目標劣于在這個帕累托集中的另一個解決方案，即使它們都優(yōu)于搜索空間的其余解決方案。進化算法內部的對應關系使其能夠解決多目標優(yōu)化問題。最早對進化搜索的使用進行報道的是Rosenberg在20世紀60年代進行的。自那時以來，研究人員越來越有興趣于通過制定不同的進化算法來解決多目標優(yōu)化問題。在這些方法中，Schaffer(1985)提出的矢量評估遺傳算法（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)提出的強度帕累托進化算法（SPEA）和Knowles、Corne(1999)提出的帕累托歸檔進化策略（PAES）都是最重要的。對于這些方法的優(yōu)劣，Coel
