CN104699915A - 一种基于改进粒子群算法的变速箱轻量化设计方法 - Google Patents

Abstract

本发明涉及一种基于改进粒子群算法的变速箱轻量化设计方法，其步骤为：S1、初始化3个种群即从群-1，从群-2，从群-3；S2、以壳体质量最小为目标，壳体底面壁的厚度、壳体轴向壁的厚度和侧向壁的厚度为约束条件建立适应度函数；S3、根据标准粒子群算法的速度和位置更新公式计算各种群的适应度值；S4、对种群粒子的适应度值进行比较，选出种群的最佳粒子和最差粒子，每个种群的最佳粒子组成虚拟主群；S5、根据步骤S4中的结果进行种群间交流；S6、依次迭代直到满足最大迭代次数，输出最优值；否则跳转S3；本发明解决的问题是采用生物学中的共生现象改进标准粒子群算法易陷入局部最优不易找到最优解的缺陷，用于更好地解决变速箱轻量化设计问题。

Description

一种基于改进粒子群算法的变速箱轻量化设计方法

技术领域

本发明涉及一种基于改进粒子群算法的变速箱轻量化设计方法，属于机械组件领域。

背景技术

随着科学技术的不断发展，汽车的使用越来越普及，极大地方便了人民的生活，但随之而来的是汽车带来的环境、能源和安全等问题的逐年突出，汽车轻量化设计成为汽车工业发展的重要前进方向。从目前来看，汽车轻量化设计主要有三种实施的途径和方法即一是采用汽车轻量化工艺技术实现汽车轻量化设计，例如拼焊板和热成型技术；二是采用轻质新型材料实现汽车轻量化设计，例如铝合金、镁合金、塑料、粉末冶金、生态复合材料和陶瓷等；三是通过结构的优化和模块化设计水平的提高实现汽车轻量化设计，例如使部件中空化、小型化和采用高刚性结构等。

世界发达国家的汽车公司从上世纪80年代就开始研究汽车轻量化设计技术，而我国展开研究相对较晚一些。国内现阶段汽车轻量化工艺技术与国外还有很大差距，新型材料的应用又需要较长的研发周期和较高的研发成本，相比较而言，汽车结构优化不仅研发成本少，并可以达到比较好的轻量化效果。张勇博士通过对车身前部吸能部件的材料厚度和材料合理配置，在一定程度上减小了整车的质量；胡朝辉根据自己提出的汽车概念设计阶段总体的数学模型，对新车型的车身实现了轻量化设计；章斯亮、朱平基于两种不确定的稳健设计方法也对轿车车身进行了轻量化设计，并取得了很好的效果。相对于在汽车车身方面的轻量化设计，汽车底盘部件的轻量化研究相对要少。

发明内容

本发明的目的在于提出一个基于改进粒子群算法的变速箱轻量化设计方法，着重解决针对汽车的变速箱轻量化设计这一问题，

为了解决上述问题，本发明所采用的技术方案为：一种基于改进粒子群算法的轻量化设计方法，包括的步骤如下：

S1、初始化3个种群即从群-1，从群-2，从群-3，每个种群含有N个粒子；S2、以变速箱壳体质量最小为目标，变速箱壳体底面壁的厚度、变速箱壳体轴向壁的厚度和变速箱侧向壁的厚度为约束条件建立适应度函数；

S3、根据标准粒子群算法的速度和位置更新公式依次计算各种群中粒子个体的适应度值；

S4、分别对各种群粒子的适应度值进行比较，适应度值最小的为最佳粒子，适应度值最大的为最差粒子，选出各个种群的最佳粒子和最差粒子，每个种群的最佳粒子组成虚拟主群；

S5、根据步骤S4中的结果进行种群间的交流，从群-1的最佳粒子替换从群-2的最差粒子，从群-2的最佳粒子替换从群-3的最差粒子，虚拟主群中的最佳粒子替换从群-1的最差粒子；

S6、依次迭代直到满足最大迭代次数，输出最优值；否则跳转S3；

其中,所述步骤S1中，随机初始化3个种群，分别命名为从群-1、从群-2和从群-3，初始化每个种群中N各粒子的位置和速度。

所述步骤S2中构建适应度函数：

minf_m(x₁,x₂,x₃)

f_m(x₁,x₂,x₃)＝4.6896+3.3676*x₁+0.5282*x₂+1.0110*x₃

x₁∈[3,6],x₂∈[14,20],x₃∈[3,8]

式中，f_m为变速箱壳体质量，x₁为变速箱壳体底面壁的厚度，x₂为变速箱壳体轴向壁的厚度，x₃为某产品侧向壁的厚度。

所述步骤S3和S4中，对3个从群进行搜索求解适应度值并且进行比较，选出每个从群中的最佳粒子和最差粒子，3个最佳粒子组成一个虚拟主群。速度和位置更新公式分别为：

$\left\{\begin{array}{c}{v}_{\mathrm{ij}}(t+1)=v_{\mathrm{ij}}\left(t\right)+c_1{r}_1[p_{\mathrm{ij}}-x_{\mathrm{ij}}\left(t\right)]+c_2{r}_2[p_{\mathrm{gj}}-x_{\mathrm{ij}}\left(t\right)]\\ x_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right)+v_{\mathrm{ij}}(t+1)\end{array}\right.$

式中，v_ij为粒子的速度，c₁和c₂为学习因子，r₁和r₂为(0,1)的随机常数，p_ij为粒子的当前最优值，p_gj为粒子的全局最优值。

本发明与现有技术相比具有以下优点：本发明着重解决了汽车的变速箱轻量化设计这一问题，采用改进的粒子群算法对其进行优化，改进的粒子群算法避免了陷入局部最优不易找到最优解的缺陷，与其他现行的算法相比较能够有效地解决这一工程实际问题，而且效果更好。

附图说明

以下通过附图及具体实施例对本发明进行详细说明。

图1本发明流程图；

图2改进粒子群算法的种群搜索过程图；

图3改进粒子群算法的粒子迭代过程图；

图4不同粒子数目下的搜索特性；

图5不同权重下的搜索特性；

图6不同维数下的搜索特性；

图7变速箱的三维模型。

具体实施方式

下面结合附图对本发明作进一步说明。本发明具体实施步骤：

S1、随机初始化3个种群，分别命名为从群-1，从群-2，从群-3，每个种群含有N个粒子；

S2、以变速箱壳体质量最小为目标，变速箱壳体底面壁的厚度、变速箱壳体轴向壁的厚度和变速箱侧向壁的厚度为约束条件建立适应度函数；

S3、根据标准粒子群算法的速度和位置更新公式依次计算各种群中粒子个体的适应度值；

S4、分别对各种群粒子的适应度值进行比较，适应度值最小的为最佳粒子，适应度值最大的为最差粒子，选出各个种群的最佳粒子和最差粒子，每个种群的最佳粒子组成虚拟主群；

S5、根据步骤S4中的结果进行种群间的交流，上一个从群的最佳粒子替换下一个从群的最差粒子，虚拟主群中的最佳粒子替换从群-1的最差粒子；

S6、依次迭代直到满足最大迭代次数，输出最优值；否则跳转S3。

实施例1

本发明的实施例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。

具体实施步骤为：

步骤1：以标准测试函数中的Sphere函数为例，对改进的粒子群算法进行测试分析。初始化3个种群即从群-1，从群-2，从群-3，每个种群含有N个粒子，改进粒子群算法在不同参数设置下的搜索求解能力大大提高如附图2-6所示。本发明的算法具有有效可靠性，可以很好地平衡局部最优和全局搜索能力。

步骤2：根据图7中的变速箱模型，建立适应度函数，依次计算各从群中粒子个体的适应度值：

minf_m(x₁,x₂,x₃)

f_m(x₁,x₂,x₃)＝4.6896+3.3676*x₁+0.5282*x₂+1.0110*x₃

x₁∈[3,6],x₂∈[14,20],x₃∈[3,8]

式中，f_m为变速箱壳体质量，x₁为变速箱壳体底面壁的厚度，x₂为变速箱壳体轴向壁的厚度，x₃为变速箱侧向壁的厚度。设置试验参数如下：N＝30,c1＝c2＝2,w＝0.5,M＝1000,D＝3，实验独立运行50次。

步骤3和4：对3个从群进行搜索求解适应度值并且进行比较，选出每个从群中的最佳粒子和最差粒子，3个最佳粒子组成一个虚拟主群。速度和位置更新公式分别为：

$\left\{\begin{array}{c}{v}_{\mathrm{ij}}(t+1)=v_{\mathrm{ij}}\left(t\right)+c_1{r}_1[p_{\mathrm{ij}}-x_{\mathrm{ij}}\left(t\right)]+c_2{r}_2[p_{\mathrm{gj}}-x_{\mathrm{ij}}\left(t\right)]\\ x_{\mathrm{ij}}(t+1)=x_{\mathrm{ij}}\left(t\right)+v_{\mathrm{ij}}(t+1)\end{array}\right.$

式中，v_ij为粒子的速度，c₁和c₂为学习因子，r₁和r₂为(0,1)的随机常数，p_ij为粒子的当前最优值，p_gj为粒子的全局最优值。

步骤5：从群-1中的最佳粒子替换从群-2中的最差粒子，从群-2中的替换从群-3中的，虚拟主群中替换从群-1中的，依次迭代。

步骤6：依次迭代直到满足最大迭代次数，输出最优值，否则跳转步骤2。

从表1发现本发明方法比原来未优化及遗传算法均减小了质量，具体优化结果下表所示：

表1优化结果

本发明的方法适用于解决汽车变速箱的轻量化设计问题，且比其他现行算法要好，在质量优化上比原来减少了8.4682kg，比遗传算法减少了0.6368kg。这一优化结果充分证明了此方法的有效性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (3)

1.一种基于改进粒子群算法的变速箱轻量化设计方法，其特征在于：包括以下步骤：

S1、随机初始化3个种群，分别命名为从群-1，从群-2，从群-3，每个种群含有N个粒子,初始化每个种群中N个粒子的位置和速度；

S2、以变速箱壳体质量最小为目标，变速箱壳体底面壁的厚度、变速箱壳体轴向壁的厚度和变速箱侧向壁的厚度为约束条件建立适应度函数；

S3、根据标准粒子群算法的速度和位置更新公式依次计算各种群中粒子个体的适应度值；

S4、分别对各种群粒子的适应度值进行比较，适应度值最小的为最佳粒子，适应度值最大的为最差粒子，选出各个种群的最佳粒子和最差粒子，每个种群的最佳粒子组成虚拟主群；

S5、根据步骤S4中的结果进行种群间的交流，从群-1的最佳粒子替换从群-2的最差粒子，从群-2的最佳粒子替换从群-3的最差粒子，虚拟主群中的最佳粒子替换从群-1的最差粒子；

S6、依次迭代直到满足最大迭代次数，输出最优值；否则跳转S3。

2.根据权利要求1所述的基于改进粒子群算法的某产品轻量化设计方法，其特征在于：步骤S2中，构建适应度函数：

min f_m(x₁,x₂,x₃)

f_m(x₁,x₂,x₃)＝4.6896+3.3676*x₁+0.5282*x₂+1.0110*x₃

x₁∈[3,6],x₂∈[14,20],x₃∈[3,8]

式中，f_m为某产品壳体质量，x₁为某产品壳体底面壁的厚度，x₂ 为某产品壳体轴向壁的厚度，x₃为某产品侧向壁的厚度。

3.根据权利要求1所述的基于改进粒子群算法的变速箱轻量化设计方法，其特征在于，所述步骤S3中的速度和位置更新公式分别为：

式中，v_ij为粒子的速度，c₁和c₂为学习因子，r₁和r₂为(0,1)的随机常数，p_ij为粒子的当前最优值，p_gj为粒子的全局最优值。