基于代理模型的多目標(biāo)優(yōu)化方法及其在車身設(shè)計(jì)中的應(yīng)用.pdf

1、實(shí)際工程優(yōu)化問題通常涉及多個(gè)目標(biāo)，這些目標(biāo)往往不能顯式表達(dá)而要通過仿真計(jì)算來獲取，這便在一定程度上加大了多目標(biāo)優(yōu)化求解的難度。多目標(biāo)智能優(yōu)化方法可以在不考慮問題具體特征的前提下進(jìn)行優(yōu)化解的搜尋，適用于處理實(shí)際工程問題，但受到進(jìn)化規(guī)模和收斂速度的影響而需要較多次數(shù)的目標(biāo)值計(jì)算，限制了在目標(biāo)求解耗時(shí)的問題中的應(yīng)用。常見的基于代理模型的多目標(biāo)優(yōu)化方法因能較好地處理效率問題而成為研究熱點(diǎn)，但目前該類方法面臨著求解精度較低的問題。鑒于此，本文針對

2、基于代理模型的多目標(biāo)優(yōu)化方法展開了深入的研究，力求在快速、有效的算法本身及其在車身設(shè)計(jì)中的應(yīng)用方面，開展一些嘗試和探索。本文研究內(nèi)容主要包括以下幾個(gè)方面：
　　1)提出基于自適應(yīng)徑向基函數(shù)的多目標(biāo)優(yōu)化算法。該算法通過遺傳拉丁超立方實(shí)驗(yàn)設(shè)計(jì)、徑向基函數(shù)和隔代映射遺傳算法等技術(shù)，系統(tǒng)地評價(jià)代理模型。通過合并樣本點(diǎn)和測試點(diǎn)來逐步地提升模型的精度。采用改進(jìn)的貪婪算法挑選最后迭代步中的測試點(diǎn)到最終樣本空間，構(gòu)建整個(gè)設(shè)計(jì)域上的自適應(yīng)徑向基函數(shù)

3、模型，并基于此模型結(jié)合具有代表性的NSGA-Ⅱ算法進(jìn)行多目標(biāo)優(yōu)化。測試函數(shù)中驗(yàn)證了自適應(yīng)徑向基函數(shù)具備有效評價(jià)和逐步提升模型精度的能力。該算法應(yīng)用于車身薄壁構(gòu)件耐撞性多目標(biāo)優(yōu)化設(shè)計(jì)中，快速地找到了多組設(shè)計(jì)方案，較好地平衡了薄壁構(gòu)碰撞過程中的吸能量和碰撞力。
　　2)提出基于智能布點(diǎn)技術(shù)的微型多目標(biāo)遺傳算法。該算法首先采用加強(qiáng)徑向基函數(shù)構(gòu)建全局代理模型，再采用高效的微型多目標(biāo)遺傳算法進(jìn)行近似優(yōu)化。根據(jù)優(yōu)化結(jié)果信息進(jìn)行智能布點(diǎn)，反饋到

4、設(shè)計(jì)空間進(jìn)而不斷更新代理模型，使實(shí)驗(yàn)設(shè)計(jì)過程和近似優(yōu)化過程形成閉環(huán)過程。由于充分利用了近似優(yōu)化的信息，使僅關(guān)注代理模型在關(guān)鍵區(qū)域而非全局的精度，從而提高了優(yōu)化效率。在測試函數(shù)中驗(yàn)證了該方法的求解精度和效率。最后將其應(yīng)用于某重型商用車駕駛室動態(tài)特性優(yōu)化中，獲得多組支配優(yōu)化前的設(shè)計(jì)方案，使駕駛室動態(tài)特性更好并且質(zhì)量更輕。
　　3)針對求解耗時(shí)的復(fù)雜工程多目標(biāo)優(yōu)化問題，提出基于信賴域模型管理的優(yōu)化算法。該算法將整個(gè)設(shè)計(jì)空間上的復(fù)雜優(yōu)化問

5、題，轉(zhuǎn)化為一系列信賴域上的近似多目標(biāo)優(yōu)化問題。通過每個(gè)信賴域上的近似優(yōu)化結(jié)果，確定信賴度和下代域的中心、半徑，進(jìn)而不斷地縮放、平移信賴域，來保證獲得與真實(shí)模型一致的非支配解。數(shù)值算例表明該方法降低了對代理模型精度的依賴，對處理復(fù)雜多目標(biāo)優(yōu)化問題具有一定的優(yōu)勢和潛力。該算法應(yīng)用于某車門結(jié)構(gòu)的優(yōu)化中，通過匹配關(guān)鍵部件的厚度，很好地平衡了車門的各項(xiàng)動靜態(tài)特性指標(biāo)。
　　4)結(jié)合信賴域和智能布點(diǎn)技術(shù)，發(fā)展出一種高效的非線性多目標(biāo)優(yōu)化求解算