摘 要：本文首先分析了多目标优化方法，接下来对悬架模型建立及仿真进行分析，最后对遗传算法的多目标优化作具体阐述，同时介绍了多目标优化方案，希望给行业内人士以借鉴和启发。

关键词：汽车;悬架振动系统;多目标;优化;设计

0 引言

现在人们越来越重视汽车的乘坐舒适性和操纵稳定性，而悬架对汽车的平顺性、操纵稳定性和乘坐舒适性等具有较大影响，因此对悬架系统优化设计至关重要。运用仿真手段对平顺性和操稳性进行优化，国内外在这方面已经开展了不少研究。

1 多目标优化方法简介

在实际工程中，优化问题多数属于多目标问题。自上世纪70年代，多目标优化的问题在国际上就引起了广泛的关注，并迅速发展为一门新兴的学科。多学科综合优化设计方法是专门针对大型复杂系统而开发出来的一套优化设计方法。它通过对大型复杂系统中各个学科之间相互作用协同机制的研究，可以有效地提高系统的设计效率。多目标优化实际就是对多个子目标同时实施最优化，就是找出一个能满足所有最优化目标的解，这个解通常不以一个确定的点出现，而是以一个点集的形式出现。其难点在于这些子目标之间一般相互冲突，全局的优化与各目标自身的优结果可能存在一定矛盾，在理论上，每个目标的优化结果不可能是全局的优化结果，所以目标的改善有可能相互抵触，通常采用先确定某种优化方案，使目标域中的某一目标的优化利度较差，于是只好牺牲该目标，从而使得全局的优化结果得到提升。为使所有目标均达到最优化，有必要折中优化，在各目标之间进行协调，促使全域的优化结果尽可能最好，最后得到一个最优化的解集。

2 悬架模型建立及仿真分析

2.1 悬架模型的建立

考虑汽车的动力学特性，设麦弗逊悬架为多刚体系统，各零部件连接运动副的摩擦力忽略不计，对悬架系统进行简化，设置悬架硬点坐标，利用ADAMS/Car建立悬架系统模型。

2.2 振动仿真试验及分析

选择双轮同向激励进行麦弗逊悬架仿真试验，即给予两车轮相同方向和大小的激励。设仿真步数为100步，车轮跳动行程为-100～100mm。模拟高低不同的路面，使悬架分别处于上、下极限位置时，得出各硬点坐标以及各定位参数的变化范围。由仿真结果与实验数据比较得知，前轮外倾角和主销后倾角符合设计要求，不再优化;主销内倾角、前束角变化范围较大，因此这两个参数需进行优化。

3 基于遗传算法的多目标优化

3.1 优化目标

悬架的各定位参数由硬点布置来决定，硬点设计对悬架系统的运动及动力特性起着关键作用，也是整车架构的基础。根据优化设计目标，将硬点作为设计变量，将减小前轮各定位参数的变化范围作为优化目标。初选悬架系统的设计变量：减震器上止点（top_mount），下控制臂前点（Ica_front）、后点（Ica_behind）和外点（Ica_outer），转向横拉杆的内点（tierod_inner）和外点（tierod_outer）。将这6个硬点作为设计变量，此时在X、Y、Z三个坐标方向上共有18个设计变量因子;将主销内倾角、前束角作为目标函数。

3.2 设计变量灵敏度

针对多目标多参数优化问题，首先对18个设计变量因子进行灵敏度分析，然后找出对优化目标影响最大的因子，作为主要设计变量，再通过灵敏度分析确定最终的优化变量。为了使设计变量因子和目标函数响应的拟合更精确，利用ADAMS/Car与Isight进行联合优化，依次对每个目标函数进行迭代计算，得到拟合结果，再根据结果，分析各影响因子对目标函数的灵敏度，得到主销内倾角和前束角灵敏度影响因子，及硬点坐标所对应的定位参数的响应百分比。根据得出的灵敏度影响因子，分别选取主销内倾角和前束角影响因子最大的3种共6个因子：Ica_outer_y，z，tierod_inner_z，tierod_outer_z，top_mount_y，z，作为优化设计变量。

3.3 多目标遗传算法优化

NSGA-Ⅱ是目前多目标优化设计最具有代表性的方法之一。采用快速非劣排序法及简单的拥挤算子，使准Pareto解域中的个体可以均匀地分散到整个Pareto解域，对于求解Pareto解集，不仅能提高收敛速度和寻优能力，保证优良种群不被丢弃以及种群的多样性，而且各目标可以相互协调，使之均能达到最优，同时NSGA-Ⅱ具有探索性好、搜索率高等特点，可有效提高优化结果精度。

4 多目标优化方案

总的看来，传统的多目标优化方案在解决实际工程问题时具有一定的脆弱性，于是在上世纪90年代中期，相对更适合多目标工程问题的智能优化方案得到发展。这种优化方案不再单纯从纯数学的推导演化中搜索到Pareto最优解，而是借鉴于生命科学与信息科学的发展衍生而来。迄今较成熟的智能算法有进化算法（EA）、粒子群算法（PS0）、蚁群优化算法（AC0），有些更新的如人工免疫系统分布估算法、协同进化算法、密母算法、文化进化算法等正陆续被用于求解多目标优化的范例中。粒子群算法（PS0）、是一种典型的群智能方法，主要利用计算机模拟鸟群的飞行和捕食行为，通过研究个体之间的相互協作和相互配合来实现整个群体的优化。对于个体数目小的工程问题，优化过程迭代速度快，运算简单，应用范围也较广。但是由于这种算法的局部优化功能较弱，常与进化算法相结合，快速获得部分最优解，利用进化算法获得Pareto前端全局最优解。蚁群优化算法（AC0）是模拟蚂蚁的觅食机理而形成的一种智能模拟算法。从蚂蚁的个体入手，利用信息素或信息素机制实现个体之间的联系，最终实现较大复杂问题的优化。信息素指的是蚂蚁在觅食过程中留下可以被其他蚂蚁能感受到的信息，在这条路程上经过的蚂蚁多.留下的信息素就多，就会有更多的蚂蚁择这条路径去发现新的食物源。这就体现了信息素的正反馈作用，这种优化算法就是利用这种信息素正反馈机制去获取Pareto最优解，即类同蚂蚁有效的获得食物源。

5 结语

综上所述，通过优化不仅可以提高车辆的舒适性，还可以减小重型载货汽车对路面的动载，减轻对路面的损伤。

参考文献：

[1]邸长俊，阮米庆，郝鹏飞.标准路面谱重构及其应用[J].制造业信息化，2011（0l）：27-29.

[2]陈龙，何草丰.基于Simulink的路面不平度时域模型仿真研究[J].科技信息，2012（07）：367-402.