CN115510561B - 一种基于多任务的汽车吸能盒结构优化设计方法及系统 - Google Patents

一种基于多任务的汽车吸能盒结构优化设计方法及系统 Download PDF

Info

Publication number
CN115510561B
CN115510561B CN202211199651.9A CN202211199651A CN115510561B CN 115510561 B CN115510561 B CN 115510561B CN 202211199651 A CN202211199651 A CN 202211199651A CN 115510561 B CN115510561 B CN 115510561B
Authority
CN
China
Prior art keywords
design
sub
optimization
individual
task
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211199651.9A
Other languages
English (en)
Other versions
CN115510561A (zh
Inventor
王勇
谭胜涟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202211199651.9A priority Critical patent/CN115510561B/zh
Publication of CN115510561A publication Critical patent/CN115510561A/zh
Application granted granted Critical
Publication of CN115510561B publication Critical patent/CN115510561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/28—Fuselage, exterior or interior
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Automobile Manufacture Line, Endless Track Vehicle, Trailer (AREA)

Abstract

本发明公开了一种基于多任务的汽车吸能盒结构优化设计方法及系统，具体步骤如下：根据工程师确定的多种汽车吸能盒结构设计方案建立多任务优化数学模型；分别建立多任务优化中各个子任务的设计群体和归档集，构建基于多任务代理模型的辅助差分进化优化模块，进行全局优化搜索；结合高斯过程优化和知识迁移策略，构建最优个体迁移模块，进行局部优化搜索，加速搜索过程；最后根据各归档集确定最优设计方案。相比现有的单任务优化设计方法，本发明方法充分利用各个设计方案的相关性，保证优化求解的稳定性，缩短优化设计时间，可高效实现汽车吸能盒结构的优化设计。

Description

一种基于多任务的汽车吸能盒结构优化设计方法及系统
技术领域
本发明涉及汽车结构设计领域，具体涉及一种基于多任务的汽车吸能盒结构优化设计方法及系统。
背景技术
近年来，随着我国工业发展水平和经济发展水平的提升，我国汽车工业发展迅速，汽车已经成为了家庭和个人出行的首选代步工具，达到了4.06亿辆。然而巨大的汽车保留量，也对人们的安全出行提出了重大挑战，现我国每年发生车祸近20万起，因车祸死亡人数达10万。因此，安全性仍然是目前汽车工业发展所面临的主要问题之一，与之相关的结构优化设计研究一直是汽车行业中的前沿和热点。
汽车吸能盒是位于汽车保险杠后方的一个重要吸能部件，对汽车的安全性具有显著影响，在发生碰撞事故时，通过压溃变形吸收碰撞能量，同时将部件变形尽量控制在较小区域内以保护其余重要零部件，可降低后续维修成本。吸能盒的耐撞性通常采用其在压溃实验中所获得的吸能值和峰值力来评价。一般而言，吸能值越大则吸能盒的吸能能力越强，而峰值力越小则意味着发生撞击时乘客受到的瞬态冲击越小，进而安全性也越高。因此，在实际的汽车吸能盒优化设计中，通常通过调整吸能盒多胞结构中不同胞元的壁厚，使得吸能盒重量和和峰值力在满足一定需求的情况下，吸能盒的吸能值达到最大化。汽车吸能盒结构优化设计主要包含以下三个特点：
·黑盒：汽车吸能盒结构优化设计中，指标和设计变量的关系通常无法具象为简洁的显式表达式，无法对其关系进行准确描述，通常只能基于复杂的有限元仿真或者实验方法模拟获取所需指标。
·昂贵：由于只能通过有限元分析等仿真工具或实际物理实验才能获得其具体的性能数值，这个评估过程将会消耗大量的时间成本和经济成本。因此，对这些性能指标进行大量的评价是不可行的。
·可迁移：对于汽车企业来说，在开发和设计一种吸能盒结构时，通常设计阶段会确定多种设计方案，然后通过论证、仿真优化等多种手段确定出最佳方案。由于这些方案通常在约束，设计目标，所用材料等方面具有一致性，因而在仿真优化时，可以利用这些方案潜在相关性进行知识迁移。
在过去的十几年里，许多基于代理模型的优化算法被提出，可以有效处理带有黑盒和昂贵特性的汽车结构设计问题。然而，这些方法都只能针对于仅包含单个方案的设计优化问题，这种方式往往需要重复对每个方案进行单独优化设计验证，无法有效利用各个方案存在约束、设计目标以及所用材料等相似可迁移的相关信息，进而无法基于这些相关信息快速找到高质量的解决方案。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种基于多任务的汽车吸能盒结构优化设计方法及系统，利用各个方案存在相似可迁移的相关信息，对汽车吸能盒结构进行优化，提升吸能盒结构优化设计的效率，降低多种结构方案优化所需的时间和经济成本。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于多任务的汽车吸能盒结构优化设计方法，包括以下步骤：
S1、构建吸能盒结构优化设计的多任务优化问题的数学模型；
S2、分别建立多任务优化问题中各个子任务的子设计群体和子任务归档集；
S3、构建基于多任务代理模型的辅助差分进化优化模块，进行全局优化搜索；，形成更新后的子设计群体；
S4、结合高斯过程优化和知识迁移策略，构建最优个体迁移模块，进行局部优化搜索，加速搜索过程；
S5、重复S3～S4步骤直至满足停止要求，根据各归档集确定最优设计方案。
进一步的改进，步骤S1中数学模型表达式为：
max:EA(x)t(t＝1,…,n)
S.t.PCF(x)≤PCF0
M(x)≤M0
Li≤x≤Ui,(i＝1,…,d)
其中，x为设计参数，由厚度设计参数组成的向量；EA(x)表示吸能结构的吸能值，为汽车吸能盒结构设计的主要目标；n表示总共的设计方案个数，每个设计方案作为多任务优化中的一个子任务；PCF(x)表示吸能盒结构受碰撞中的峰值力；M(x)为吸能盒结构的重量；PCF0和M0分别为用户设定需要满足的峰值力和重量指标，Li和Ui为第i个设计参数的下限和上限；d为待优化结构设计参数的数目，即x的维度。
进一步的改进，步骤S2包括如下步骤：
S2.1、对n个子任务建立大小为n的设计群体X＝{X1,X2...Xt...Xn}和归档集A＝{A1,A2...At...An}，其中子设计群体Xt表示第t个子任务中设计个体的集合，At表示第t个子任务的子归档集，子设计群体Xt和子归档集At初始均为空集；
S2.2、对设计种群X＝{X1,X2...Xt...Xn}和归档集A＝{A1,A2...At...An}进行初始化：对每个子任务使用拉丁超立方采样方法采样设计参数空间，生成大小为b的子设计群体Xt＝{xj|j＝1,…,b}，其中个体xj代表第j组设计参数，然后对子设计群体中每个个体xj采用结构有限元分析软件进行吸能评估，计算的评估信息作为对应个体的适应度值Yt＝{yj|j＝1,…,b}，yj表示第j个设计个体的适应度值；最后将子设计群体和对应的适应度值存储于子任务归档集A＝{At|t＝1,…,b}，At表示第t个子任务的归档集。
进一步的改进，步骤S3中多任务代理模型辅助模块包含以下步骤：
S3.1、各子设计群体基于差分进化算子生成若干个优化子个体；
S3.2、融合各个子设计群体的归档集At＝{Xt,Yt}，建立多任务代理模型，输入各优化子个体，由多任务代理模型计算得各优化子个体对应的预测值；
S3.3、将各优化子个体按照多任务代理模型预测值从大到小排列，然后选择前e个优化子个体作为优秀候选子个体，将优秀候选子个体通过有限元分析软件进行真实吸能评估，评估信息作为对应个体的适应度值，将优秀候选子个体和对应的适应度值储存于各子归档集中；将优秀候选子个体和子设计群体中的个体按照适应度值自大到小排列，然后选择其中前b个个体形成更新后的子设计群体。
进一步的改进，步骤S3.2中构建多任务代理模型表达式如下：
Figure BDA0003871958770000031
Figure BDA0003871958770000032
其中x*表示各优化子种群中待评估的个体；
Figure BDA0003871958770000033
表示多任务代理模型预测值；
Figure BDA0003871958770000034
表示克罗内克积；y为归档集中记录适应度值所组成的向量；Kx为协方差矩阵，
Figure BDA0003871958770000035
是协方差矩阵中的元素，计算表达式为
Figure BDA0003871958770000036
其中x,x'分别为随机从归档集中抽取的两个个体，d为个体的向量维度，i为维度索引、xi为x中第i维的值、x'i为x'中第i维的值；I为单位矩阵，σ、θi和Kf为模型待求解超参数，采用似然函数法进行求解得到，
Figure BDA0003871958770000037
为Kf中第l列元素，T表示矩阵转置。
进一步的改进，步骤S4中最优个体迁移模块包含以下步骤：
S4.1、基于更新后的子任务归档集At分别建立单任务高斯过程代理模型；
S4.2、采用差分进化方法优化求解高斯过程代理模型的最优值，作为第一候选评估个体；
S4.3、基于S3.2步骤中多任务代理模型的超参数矩阵Kf计算迁移概率，基于迁移概率对更新后的子任务归档集At中的适应度最优个体进行迁移，迁移的个体作为第二候选评估个体；
S4.4、将第一候选评估个体和第二候选评估个体均通过有限元分析软件进行真实吸能评估，评估信息作为对应个体的适应度值，将第一候选评估个体和第二候选评估个体以及对应的适应度值储存于归档集中，并逐个判断第一候选评估个体和第二候选评估个体的适应度值是否大于更新的子任务归档集中适应度值最小的个体的适应度值，结果为是则将对应的候选评估个体替代适应度值最小的个体，否则不进行替换，最终得到再次更新的子任务归档集。
进一步的改进，步骤S4.3中迁移概率的计算表达式如下：
Figure BDA0003871958770000041
其中pt't表示从任务t'向任务t迁移的概率，kt't表示超参数矩阵Kf中第t'行t列的元素，ktt表示超参数矩阵Kf中第t列的元素；如生成的随机数小于pt't，将任务t'归档集中的最优个体迁移至任务t中，作为候选评估个体。
一种基于多任务的汽车吸能盒结构优化设计系统包括计算机设备；所述计算机设备被配置或编程为用于执行上述基于多任务的汽车吸能盒结构优化设计方法的步骤。
本发明还提供了一种基于多任务的汽车吸能盒结构优化设计系统，包括计算机设备；所述计算机设备被配置或编程为用于执行上述方法的步骤。
与现有技术相比，本发明优势有以下几点：
1、S1中根据多种设计方案建立多任务优化问题的数学模型，使得优化问题的表达更为紧凑明了。
2、S2中各任务分开建立设计种群和归档集，使得编程逻辑更为清晰，程序实现时各任务间可受控进行信息交互，有利于在计算设备上进行并行实现。
3、S3基于多任务代理模型辅助进化模块，一方面，多任务代理模型可高效融合各任务的信息实现更准确的预测，另一方面，差分进化算法具备高效全局搜索能力。因而相比传统单任务方法，本发明方法可更准确高效地实现对于各任务方案的有效探索，探索并获得各任务潜在全局最优设计的区域。
4、S4最优个体迁移模块。基于局部代理模型的差分进化优化具备高效的开采能力，可以进一步获得更好的最优个体，同时来自相似任务的最优个体具备极大的评估潜力。通过采纳这两种策略生成的解作为候选评估个体，可以加速优化过程收敛，实现高效求解。而且利用多任务相关矩阵构建的相似概率迁移，可以避免错误迁移导致地求解效率降低。
5、本发明方法充分融合了以上策略的优势，可以有效利用多种结构设计方案存在相似可迁移的相关信息，对汽车吸能盒结构进行优化，提升吸能盒结构优化设计的效率，降低了汽车吸能盒结构优化设计所需的时间和经济成本。
附图说明
图1为本发明方法流程图；
图2为设计方案示意图；
图3为本发明效果展示图
具体实施方式
现以图2所示两种汽车吸能盒结构方案的优化设计为例对本发明所提出的方法进行说明。在该示例中，吸能盒结构包含直线和圆弧两种设计方案，以吸能盒结构的各个面的厚度作为设计参数，结构吸能值最大化作为设计目标。为简化优化设计的复杂度，根据传力动力学的对称性将吸能盒结构的设计参数简化为4个厚度设计参数(x1,x,x3,x4)(四个厚度就是指吸能盒4个面的厚度，由于原本有16面的厚度进行优化比较复杂，因此通过对称性进行了简化)。因此，本示例的优化设计过程是以简化后的4个厚度参数为设计参数，通过本发明提出的优化设计方法确定满足耐撞吸能最优的方案以及对应的最优设计参数组合。如图1，实施步骤如下：
步骤1、根据图2所示的两种吸能盒方案，建立两任务优化问题的数学模型：
max:EA(x)t(t＝1,2)
S.t.PCF(x)≤55kN
M(x)≤0.32kg
0≤xi≤2,(i＝1,2,3,4)
其中，x为设计参数，由4个厚度设计参数组成的向量x＝{xi|i＝1,2,3,4}；EA(x)表示吸能结构的吸能值，为汽车吸能盒结构设计的主要目标；总共2个设计方案，每个设计方案作为多任务优化中的一个子任务；PCF(x)表示吸能盒结构受碰撞中的峰值力；M(x)为吸能盒结构的重量；设计变量的维度为4，吸能盒所用材料为AA6060-T4型号铝。
步骤2、对优化模型中两个子任务分别建立设计群体X＝{X1,X2}和归档集A＝{A1,A2}:
设计群体X和归档集A初始均为空集；使用拉丁超立方采样方法，分别采样设计参数空间，生成大小为15的子设计群体Xt＝{xj|j＝1,…,15}(t＝1,2)，然后对设计群体中每个个体采用结构有限元分析软件进行吸能评估，计算得到对应的适应度值Yt＝{yj|j＝1,…,15}，最后将采样的设计群体和对应的适应度值存储于归档集A＝{At|t＝1,2}中，At＝{Xt,Yt}。
步骤3、构建基于多任务代理模型的辅助差分进化优化模块，进行全局优化搜索1、两个任务设计群体分别基于差分进化算子生成50个优化子个体；
2、基于归档集建立多任务代理模型，通过多任务代理模型筛选优化子个体，模型预测值越大代表该个体越优秀；其中多任务代理模型表达式如下：
Figure BDA0003871958770000061
Figure BDA0003871958770000062
其中x*表示各优化子个体；
Figure BDA0003871958770000063
表示多任务代理模型预测值；
Figure BDA0003871958770000064
表示克罗内克积；y为归档集中记录的评估信息所组成的向量y＝{Y1,Y2}；Kx为协方差矩阵，
Figure BDA0003871958770000065
是协方差矩阵中的元素，计算表达式为
Figure BDA0003871958770000066
其中x,x'分别为随机从归档集中抽取的两个设计个体，d为设计个体的向量维度，i为维度索引、xi为x中第i维的值、x'i为x'中第i维的值；I为单位矩阵；Kf表示各任务间相关矩阵，σ、θi以及Kf为模型的超参数，通常采用似然函数法进行求解，
Figure BDA0003871958770000067
为Kf中第l列元素，T表示矩阵转置。
3、筛选出的优秀候选子个体通过有限元分析软件进行真实吸能值评估，评估信息作为对应个体的适应度值，将这些个体和适应度值储存于归档集中，并将优秀候选子个体和子设计群体中的个体按照适应度值自大到小排列，然后选择其中前b个个体形成更新后的子设计群体。
步骤4、结合高斯过程优化和知识迁移策略，构建最优个体迁移模块，进行局部优化搜索，加速搜索过程；
1、基于更新后的子任务归档集A1和A2分别建立单任务高斯过程代理模型；
2、采用差分进化方法优化求解高斯过程代理模型的最优值，作为第一候选评估个体；
3、基于多任务代理模型中的超参数矩阵Kf计算迁移概率，基于迁移概率对各任务子归档集中适应度的最优个体进行迁移，迁移的个体作为第二候选评估个体；其中迁移概率的计算表达式为：
Figure BDA0003871958770000071
其中pt't表示从任务t'向任务t迁移的概率，kt't表示超参数矩阵Kf中第t'行t列的元素，ktt表示超参数矩阵Kf中第t行t列的元素。如生成的随机数小于pt't，将任务t'归档集中的最优个体迁移至任务t中，作为候选评估个体；
4、将第一候选评估个体和第二候选评估个体均通过有限元分析软件进行真实吸能评估，评估信息作为对应个体的适应度值，将第一候选评估个体和第二候选评估个体以及对应的适应度值储存于归档集中，并逐个判断第一候选评估个体和第二候选评估个体的适应度值是否大于更新的子任务归档集中适应度值最小的个体的适应度值，结果为是则将对应的候选评估个体替代适应度值最小的个体，否则不仅进行替换，最终得到再次更新的子任务归档集。
步骤5、重复步骤3～步骤4直至满足每个任务的评估次数均达到200次，由于第二个任务归档集中记录的适应度值更大，可确定方案二的吸能更大，更满足碰撞安全性要求，因此最优设计方案为方案二。
两个方案的优化设计收敛过程如图3所示，相比传统单任务设计方法，本发明方法在更少的有限元评估次数内，优化得到了最大吸能。由于汽车吸能盒设计的时间、经济成本往往和评估次数成正比，因此本发明方法通过利用两个设计方案之间的相关性，提升了优化求解的效率，从而缩短优化设计时间，节省了设计成本。

Claims (4)

1.一种基于多任务的汽车吸能盒结构优化设计方法，其特征在于，包括以下步骤：
S1、构建吸能盒结构优化设计的多任务优化问题的数学模型；
S2、分别建立多任务优化问题中各个子任务的子设计群体和子任务归档集；
S3、构建基于多任务代理模型的辅助差分进化优化模块，进行全局优化搜索，形成更新后的子设计群体；
多任务代理模型辅助模块包含以下步骤：
S3.1、各子设计群体基于差分进化算子生成若干个优化子个体；
S3.2、融合各个子设计群体的归档集At＝{Xt，Yt}，建立多任务代理模型，输入各优化子个体，由多任务代理模型计算得各优化子个体对应的预测值；
构建多任务代理模型表达式如下：
Figure FDA0004104304200000011
Figure FDA0004104304200000012
其中x*表示各优化子种群中待评估的个体；
Figure FDA0004104304200000013
表示多任务代理模型预测值；
Figure FDA0004104304200000014
表示克罗内克积；y为归档集中记录适应度值所组成的向量；Kx为协方差矩阵，
Figure FDA0004104304200000015
是协方差矩阵中的元素，计算表达式为
Figure FDA0004104304200000016
其中x，x′分别为随机从归档集中抽取的两个个体，d为个体的向量维度，i为维度索引、xi为x中第i维的值、x′i为x′中第i维的值；I为单位矩阵，σ、θi和Kf为模型待求解超参数，采用似然函数法进行求解得到，
Figure FDA0004104304200000017
为Kf中第l列元素，T表示矩阵转置；
S3.3、将各优化子个体按照多任务代理模型预测值从大到小排列，然后选择前e个优化子个体作为优秀候选子个体，将优秀候选子个体通过有限元分析软件进行真实吸能评估，评估信息作为对应个体的适应度值，将优秀候选子个体和对应的适应度值储存于各子归档集中；将优秀候选子个体和子设计群体中的个体按照适应度值自大到小排列，然后选择其中前b个个体形成更新后的子设计群体；
S4、结合高斯过程优化和知识迁移策略，构建最优个体迁移模块，进行局部优化搜索，加速搜索过程；最优个体迁移模块包含以下步骤：
S4.1、基于更新后的子任务归档集At分别建立单任务高斯过程代理模型；
S4.2、采用差分进化方法优化求解高斯过程代理模型的最优值，作为第一候选评估个体；
S4.3、基于S3.2步骤中多任务代理模型的超参数矩阵Kf计算迁移概率，基于迁移概率对更新后的子任务归档集At中的适应度最优个体进行迁移，迁移的个体作为第二候选评估个体；
迁移概率的计算表达式如下：
Figure FDA0004104304200000021
其中Pt′t表示从任务t′向任务t迁移的概率，kt′t表示超参数矩阵Kf中第t′行t列的元素，ktt表示超参数矩阵Kf中第t列的元素；如生成的随机数小于pt′t，将任务t′归档集中的最优个体迁移至任务t中，作为候选评估个体
S4.4、将第一候选评估个体和第二候选评估个体均通过有限元分析软件进行真实吸能评估，评估信息作为对应个体的适应度值，将第一候选评估个体和第二候选评估个体以及对应的适应度值储存于归档集中，并逐个判断第一候选评估个体和第二候选评估个体的适应度值是否大于更新的子任务归档集中适应度值最小的个体的适应度值，结果为是则将对应的候选评估个体替代适应度值最小的个体，否则不进行替换，最终得到再次更新的子任务归档集；
S5、重复S3～S4步骤直至满足停止要求，根据各归档集确定最优设计方案。
2.根据权利要求1所述基于多任务的汽车吸能盒结构优化设计方法，其特征在于，所述数学模型表达式为：
max：EA(x)t(t＝1，...，n)
S.t.PCF(x)≤PCF0
M(x)≤M0
Li≤x≤Ui，(i＝1，...，d)
其中，x为设计参数，由厚度设计参数组成的向量；EA(x)表示吸能结构的吸能值，为汽车吸能盒结构设计的主要目标；n表示总共的设计方案个数，每个设计方案作为多任务优化中的一个子任务；PCF(x)表示吸能盒结构受碰撞中的峰值力；M(x)为吸能盒结构的重量；PCF0和M0分别为用户设定需要满足的峰值力和重量指标，Li和Ui为第i个设计参数的下限和上限；d为待优化结构设计参数的数目，即x的维度。
3.根据权利要求1所述基于多任务的汽车吸能盒结构优化设计方法，其特征在于，步骤S2包括如下步骤：
S2.1、对n个子任务建立大小为n的设计群体X＝{X1，X2...Xt...Xn}和归档集A＝{A1，A2...At...An}，其中子设计群体Xt表示第t个子任务中设计个体的集合，At表示第t个子任务的子归档集，子设计群体Xt和子归档集At初始均为空集；
S2.2、对设计种群X＝{X1，X2...Xt...Xn}和归档集A＝{A1，A2...At...An}进行初始化：对每个子任务使用拉丁超立方采样方法采样设计参数空间，生成大小为b的子设计群体Xt＝{xj|j＝1，...，b}，其中个体xj代表第j组设计参数，然后对子设计群体中每个个体xj采用结构有限元分析软件进行吸能评估，计算的评估信息作为对应个体的适应度值Yt＝{yj|j＝1，...，b}，yj表示第j个设计个体的适应度值；最后将子设计群体和对应的适应度值存储于子任务归档集A＝{At|t＝1，...，b}，At表示第t个子任务的归档集。
4.一种基于多任务的汽车吸能盒结构优化设计系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～3任一所述基于多任务的汽车吸能盒结构优化设计方法的步骤。
CN202211199651.9A 2022-09-29 2022-09-29 一种基于多任务的汽车吸能盒结构优化设计方法及系统 Active CN115510561B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211199651.9A CN115510561B (zh) 2022-09-29 2022-09-29 一种基于多任务的汽车吸能盒结构优化设计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211199651.9A CN115510561B (zh) 2022-09-29 2022-09-29 一种基于多任务的汽车吸能盒结构优化设计方法及系统

Publications (2)

Publication Number Publication Date
CN115510561A CN115510561A (zh) 2022-12-23
CN115510561B true CN115510561B (zh) 2023-04-04

Family

ID=84508787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211199651.9A Active CN115510561B (zh) 2022-09-29 2022-09-29 一种基于多任务的汽车吸能盒结构优化设计方法及系统

Country Status (1)

Country Link
CN (1) CN115510561B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205172A (zh) * 2021-05-12 2021-08-03 西安理工大学 一种基于自适应知识迁移的多任务演化算法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106740620B (zh) * 2016-12-27 2023-03-28 南京航空航天大学 基于负泊松比结构填充的汽车吸能盒及其多目标优化方法
CN106934175B (zh) * 2017-03-29 2024-02-20 南京航空航天大学 一种负泊松比结构吸能盒及其多目标优化方法
CN113190917A (zh) * 2021-04-22 2021-07-30 武汉理工大学 一种多胞吸能结构组合优化设计方法
CN114861348A (zh) * 2022-04-22 2022-08-05 中国消防救援学院 一种消防车辆车架吸能盒结构设计变量筛选方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205172A (zh) * 2021-05-12 2021-08-03 西安理工大学 一种基于自适应知识迁移的多任务演化算法

Also Published As

Publication number Publication date
CN115510561A (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
Aye et al. Multi-surrogate-assisted metaheuristics for crashworthiness optimisation
Zhang et al. A hybrid multi-objective optimization approach for energy-absorbing structures in train collisions
Kiani et al. A comparative study of non-traditional methods for vehicle crashworthiness and NVH optimization
Marzbanrad et al. Multi-objective optimization of aluminum hollow tubes for vehicle crash energy absorption using a genetic algorithm and neural networks
Xiong et al. Lightweight optimization of the side structure of automobile body using combined grey relational and principal component analysis
Scheel et al. Attention-based lane change prediction
Chu et al. Lightweight scheme selection for automotive safety structures using a quantifiable multi-objective approach
Su et al. Multi-objective optimization for bus body with strength and rollover safety constraints based on surrogate models
Hu et al. Proactive power management scheme for hybrid electric storage system in EVs: An MPC method
Du et al. The vehicle’s velocity prediction methods based on rnn and lstm neural network
Wu et al. Anomaly detection based on RBM-LSTM neural network for CPS in advanced driver assistance system
Pan et al. Design optimisation of vehicle roof structures: benefits of using multiple surrogates
CN116306156B (zh) 车身优化方法、装置、存储介质及电子设备
Liu et al. A surrogate-assisted two-stage differential evolution for expensive constrained optimization
Valladares et al. Design optimization of sandwich composite armors for blast mitigation using Bayesian optimization with single and multi-fidelity data
Gao et al. Multiobjective Optimization of Carbon Fiber‐Reinforced Plastic Composite Bumper Based on Adaptive Genetic Algorithm
CN115510561B (zh) 一种基于多任务的汽车吸能盒结构优化设计方法及系统
Guo et al. Machine learning-based crashworthiness optimization for the square cone energy-absorbing structure of the subway vehicle
CN113158514B (zh) 汽车车身材料结构匹配轻量化设计方法、系统及存储介质
Hilmann et al. Automatic concept model generation for optimisation and robust design of passenger cars
Du A data mining methodology for vehicle crashworthiness design
CN102999672B (zh) 基于汽车耐撞性的并行支持向量机近似模型优化方法
Zhu et al. Crash Safety Design for Lithium-Ion Vehicle Battery Module with Machine Learning
CN104834799A (zh) 基于回收再利用的多材料车门选材方法
Tian et al. Crashworthiness design of automotive body in white using topology optimization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant