CN117725685B - 一种车辆操控性多目标优化方法和设备 - Google Patents
一种车辆操控性多目标优化方法和设备 Download PDFInfo
- Publication number
- CN117725685B CN117725685B CN202410162496.6A CN202410162496A CN117725685B CN 117725685 B CN117725685 B CN 117725685B CN 202410162496 A CN202410162496 A CN 202410162496A CN 117725685 B CN117725685 B CN 117725685B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parameter
- parameters
- particle
- parameter set
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000002245 particle Substances 0.000 claims abstract description 92
- 239000000725 suspension Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 239000006096 absorbing agent Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000035939 shock Effects 0.000 claims description 4
- 230000000452 restraining effect Effects 0.000 claims 2
- 238000013461 design Methods 0.000 abstract description 32
- 230000008569 process Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 6
- 238000012938 design process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002431 foraging effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001229889 Metis Species 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本发明涉及车辆技术领域,公开了一种车辆操控性多目标优化方法和设备。该方法包括:针对多个车辆参数,设置每个车辆参数的可行域,车辆参数为与车辆操控性相关的参数;基于多个车辆参数中每个车辆参数和输出参数之间的秩相关系数,将多个车辆参数划分为多个参数组,其中,每个参数组对应一个优化目标,每个优化目标关联一个或多个输出参数;将每个参数组中每个车辆参数等效为单个粒子,采用粒子群优化算法,在求解空间中搜寻参数组中每个车辆参数的最优解,其中,求解空间是根据车辆参数的可行域确定的。本发明能够更好地实现车辆操控性的多目标优化,节约车辆设计成本,提高车辆设计效率。
Description
技术领域
本发明涉及车辆技术领域,尤其涉及一种车辆操控性多目标优化方法和设备。
背景技术
车辆设计过程中,需要结合设计需求,对车辆设计参数进行调校,从而得到优化后的车辆设计方案,对减少设计成本,提高车辆操纵性能有着重要意义。
根据车辆设计过程中的操纵性需求,汽车悬架系统设计过程中的硬点、衬套、行驶弹簧、悬架缓冲块、减震器、车轮、差速锁等参数均会影响车辆操控性,参数种类较多且变量数据量较大,且涉及多个优化目标,现有方案优化效果不佳。
有鉴于此,特提出本发明。
发明内容
为了解决上述技术问题,本发明提供了一种车辆操控性多目标优化方法、设备和存储介质,能够更好地实现车辆操控性的多目标优化,节约车辆设计成本,提高车辆设计效率。
本发明实施例提供了一种车辆操控性多目标优化方法,该方法包括:
针对多个车辆参数,设置每个车辆参数的可行域,车辆参数为与车辆操控性相关的参数;
基于多个车辆参数中每个车辆参数和输出参数之间的秩相关系数,将多个车辆参数划分为多个参数组,其中,每个参数组对应一个优化目标,每个优化目标关联一个或多个输出参数;
将每个参数组中每个车辆参数等效为单个粒子,采用粒子群优化算法,在求解空间中搜寻参数组中每个车辆参数的最优解,其中,求解空间是根据车辆参数的可行域确定的。
本发明实施例提供了一种车辆操控性多目标优化设备,该车辆操控性多目标优化设备,包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行上述实施例的车辆操控性多目标优化方法的步骤。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行上述实施例的车辆操控性多目标优化方法的步骤。
本发明实施例具有以下技术效果:
本发明实施例所提供的车辆操控性多目标优化方法和设备,基于车辆参数和输出参数之间的秩相关系数,将多个车辆参数划分为多个参数组,使得每个参数组中的参数均与待优化的目标具有较强的相关性,进而针对每个参数组采用粒子群优化算法进行优化后的效果更佳;此外,本发明实施例能够在车辆悬架系统设计阶段,基于操控性的指标,对车辆悬架系统设计参数进行优化,能节约车辆设计成本,提高车辆设计效率,保障车辆设计方案的性能。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种车辆操控性多目标优化方法的流程图;
图2是本发明实施例提供的粒子群优化算法的流程示意图;
图3是本发明实施例提供的优化车辆参数的流程示意图;
图4是本发明实施例提供的另一种车辆操控性多目标优化方法的流程图;
图5是本发明实施例提供的一种车辆操控性多目标优化装置的结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
如背景技术部分所述,根据车辆设计过程中的操纵性需求,汽车悬架系统设计过程中的硬点、衬套、行驶弹簧、悬架缓冲块、减震器、车轮、差速锁等参数均会影响车辆操控性,参数种类较多且变量数据量较大,且涉及多个优化目标,现有方案优化效果不佳。
发明人发现,为了在多目标优化过程中建立有效的数据处理方法,可以引入粒子群优化算法,基于车辆操控性能调校进行悬架参数的多目标优化。
本发明实施例提出一种基于粒子群优化的车辆操控性多目标优化方法,通过对不同类型车辆参数进行分类,并使用粒子群优化算法对复杂的设计参数进行处理,实现车辆底盘操控性的优化设计。
图1是本发明实施例提供的一种车辆操控性多目标优化方法的流程图。参见图1,该车辆操控性多目标优化方法具体包括步骤S110-S130。
在S110中,针对多个车辆参数,设置每个车辆参数的可行域,车辆参数为与车辆操控性相关的参数。
这里车辆操控性可以是车辆底盘操控性。多个车辆参数可以是与车辆悬架系统相关的车辆参数。
在一些实施例中,多个车辆参数可以包括硬点、衬套、行驶弹簧、悬架缓冲块、减震器、车轮、差速锁的参数中的一种或多种。其中,硬点可以是决定悬架运动学特性的点,比如关键的安装点、运动铰链中心点、衬套中心点,车轮中心点、摆臂内外点、转向拉杆内外点、减震器安装点等。
车辆参数的可行域,便是车辆参数的可选范围。
在S120中,基于多个车辆参数中每个车辆参数和输出参数之间的秩相关系数,将多个车辆参数划分为多个参数组,其中,每个参数组对应一个优化目标,每个优化目标关联多个输出参数。
秩相关系数用于判断两列离散有序型/连续型数据之间的相关性,本发明中秩相关系数用于判断车辆参数和输出参数之间的相关性。
上述步骤中每个参数组中的车辆参数与同一个或同一组输出参数存在相关性,且相关性较强。
底盘悬架性能一般是通过悬架的K&C特性的参数指标评价和调整。悬架的K&C特性直接影响车辆的操纵稳定性和行驶平顺性,通过调节悬架K&C性能指标来完成底盘的调校。本发明中的多个优化目标可以对应悬架的K&C特性的参数指标评价的内容。
在S130中,将每个参数组中每个车辆参数等效为单个粒子,采用粒子群优化算法,在求解空间中搜寻参数组中每个车辆参数的最优解,其中,求解空间是根据车辆参数的可行域确定的。
粒子群优化算法是模拟鸟类觅食等群体智能行为的智能优化算法。在自然界中,鸟群在觅食的时候,一般存在个体和群体协同的行为。有时鸟群分散觅食,有时鸟群也全体觅食。在每次觅食的过程中,都会存在一些搜索能力强的鸟,这些搜索能力强的鸟,会给其他鸟传递信息,带领其他鸟到食物源位置。
在粒子群优化算法中,目标空间中的每个解都可以用一只鸟(粒子)表示,问题中的需求解就是鸟群所要寻找的食物源。在寻找最优解的过程中,每个粒子都存在个体行为和群体行为。每个粒子都会学习同伴的飞行经验和借鉴自己的飞行经验去寻找最优解。每个粒子都会向两个值学习,一个值是个体的历史最优值;另一个值是群体的历史最优值(全局最优值)。粒子会根据这两个值来调整自身的速度和位置,而每个位置的优劣都是根据适应度值来确定的。适应度函数是优化的目标函数。
由于不同类型数据对输出参数影响机制不同,将不同类型输入参数同时进行粒子群优化,可能无法得到全局最优解,因此将输入变量按类型分类,也就是将车辆参数进行分组,得到参数组,然后针对参数组进行优化。
本发明实施例所提供的车辆操控性多目标优化方法,针对汽车底盘操控性调校过程,对不同类型的输入变量进行分类,引入粒子群优化算法模型,获得车辆悬架系统的优化设计参数,实现车辆操控性调校设计。
在一些实施例,上述步骤S120中基于多个车辆参数中每个车辆参数和输出参数之间的秩相关系数,将多个车辆参数划分为多个参数组,可以是计算多个车辆参数中每个车辆参数和输出参数之间的秩相关系数;将秩相关系数的绝对值大于预设系数阈值的车辆参数,划分至同一个参数组。
在一些实施例中,针对秩相关系数的绝对值小于或等于预设系数阈值的车辆参数,单独进行优化。
在一些实施例中,秩相关系数是根据车辆参数和输出参数之间的差值,以及样本容量计算得到的。
由于车辆系统具有复杂性,输入输出变量间存在正相关、负相关或零相关,因此需对输入输出变量进行秩相关系数的检验,将粒子群所生成D维搜索空间作为样本,以此对变量间秩相关系数进行求解:
其中,r为秩相关系数,为i个输入变量与输出变量之间的差值,n为样本容量。
基于实际工况定义显著系数a,将不符合秩相关系数绝对值的m个输入变量进行剔除。
本方案旨在粒子群优化前筛选出正相关/负相关的输入变量,所以r要取绝对值。
在一些实施例,在两个参数组的交集不为空的情况下,将两个参数组合并为一个参数组。
由于输出参数有多个,输入与输出是多对多的关系。假设本发明筛选出5个参数,假设1、2参数与目标1相关,2、3参数与目标2相关,则2参数存在耦合,则将目标1、2函数构成函数组,一起进行粒子群优化。
在一些实施例中,前述“相关”可以与秩相关系数的阈值相比较,进而得出哪些“足够”相关,用于确定函数组,即一起参数优化的参数。并不意味着小于阈值的就不优化了,会单独优化,同时之前已经优化的参数保持定值即可。
在一些实施例中,可以优先优化相关系数大的参数,再优化相关系数小的参数,保证结果优。
本公开实施例在优化过程中筛选本次优化的变量,由于粒子群优化一轮后参数会更优一些,其与目标的相关系数计算更准确;而相关系数低的参数可能会更新的不明显。因此,对于一组参数,在完成一轮粒子群优化后,可以再次计算本组参数相对目标的秩相关系数,如果存在低于a的参数,说明该参数与目标相关性低,不再参与下一轮粒子优化,而是与剩余参数组合或者单独优化,这要看与剩余参数的耦合情况而定。
由于车辆悬架系统是一个相互影响的耦合系统,因此变量分组间存在交叉,为在提高优化效率的同时简化优化流程,将输入变量存在多个交叉项的目标函数组进行合并,如将轮胎刚度与行驶刚度等参数进行分组合并,从而得到输入输出高相关性与输出变量间存在耦合关系的最终分组。
在一些实施例中,如图2所示,上述步骤S130将每个参数组中每个车辆参数等效为单个粒子,采用粒子群优化算法,在求解空间中搜寻参数组中每个车辆参数的最优解,包括针对每个参数组,执行如下步骤S201-S209。
在S201中,将参数组中每个车辆参数等效为单个粒子,并设置位置边界范围和速度边界范围,以及初始化粒子群速度,其中,位置边界范围是根据车辆参数的可行域设置的。
将单一输入变量等效为单个粒子,每个粒子均代表一个解;单个粒子位置可表示为:
在D维搜索空间中,具有N个粒子。
在S202中,采用最小二乘法,为参数组对应的输出参数建立目标函数。
为在优化过程中,不断逼近最优目标值,采用最小二乘法建立目标函数,具有函数为:
其中,为第i个输出参数的最优值,/>为基于不同输入参数的输出结果,通过目标函数,同时为确保所有参数放在统一维度进行比较,将所有输出参数共同与其最优值做比,进行无量纲化处理。
在S203中,根据目标函数计算适应度值,记录个体历史最优值与全局最优值。
在S204中,基于速度更新公式对粒子群的速度进行更新,并对越过速度边界范围的粒子速度进行约束。
在S205中,基于位置更新公式对粒子群的位置进行更新,并对越过位置边界范围的粒子位置进行约束。
其中第i个粒子速度应为:
基于位置与速度,迭代计算出第i个粒子的下一位置,位置跟新公式为:
第i个粒子的速度更新公式为:
其中,表示粒子的历史最优值,/>表示全局最优值,w为惯性权重系数,w×Vi为对先前速度的记忆项,c1和c2分别为学习因子,分别是对当前位置和粒子历史最优解的矢量与当前位置和粒子搜寻到的最优位置的矢量的加权系数,基于对记忆项、自我认知项、群体认知项的加权做和,得到更新后的速度。
在S206中,根据输出参数的输出结果和目标函数计算适应度值。
在S207中,对于每个粒子,将粒子当前的适应度值与粒子的历史最优适应度值相比较,若更好,则将粒子当前的适应度值作为历史最优值。
在S208中,对于每个粒子,比较粒子当前的适应度值和群体所经历的最优位置的适应度值,若更好,将粒子当前的适应度值作为全局最优值。
在S209中,迭代执行上述步骤,直至达到结束条件,并输出最优位置,作为车辆参数的最优解。
上述结束条件可以是达到最大达代次数。
在一些实施例中,上述步骤S130将每个参数组中每个车辆参数等效为单个粒子,采用粒子群优化算法,在求解空间中搜寻参数组中每个车辆参数的最优解,包括根据输出参数之间的相关性,为每个参数组设置权重值;根据权重值的大小顺序,依次针对每个参数组采用粒子群优化算法,在求解空间中搜寻参数组中每个车辆参数的最优解。
在一些实施例中,在对一个参数组的车辆参数进行优化后,还可以包括再次进行优化,如图3所示,具体可以包括步骤S301-S303。
在S301中,再次计算参数组中每个参数与参数组关联的输出参数之间的秩相关系数;
在S302中,在参数组中,滤除秩相关系数的绝对值小于或等于预设系数阈值的车辆参数;
在S303中,针对滤除操作后的参数组,再次采用粒子群优化算法,在求解空间中搜寻参数组中每个车辆参数的最优解。
图4是本发明实施例提供的一种车辆操控性多目标优化方法的流程图。参见图4,该车辆操控性多目标优化方法,用于实现车辆悬架调校过程的多目标优化,包括步骤S401-S406。
在S401中,对硬点、衬套、行驶弹簧、悬架缓冲块、减震器、车轮、差速锁等输入参数进行预处理,确定输入变量可行域。
这里确定输入变量可行域便是前文中设置车辆参数的可行域。
在S402中,基于粒子群算法,将输入参数中的单个变量等效为单个粒子;
在S403中,将车辆输入与输出参数之间进行分组优化,基于相关系数对分组进行优化,剔除无关变量,得到分组后进行目标参数优化。
车辆输入可以是前文中的车辆参数。相关系数可以是前文中的秩相关系数。
由于不同类型数据对输出参数影响机制不同,将不同类型输入参数同时进行粒子群优化,可能无法得到全局最优解,因此将输入变量按类型分类。
在S404中,将车辆轮胎垂直方向刚度、车辆行驶刚度等一组输出参数理论最优值进行整定,基于最小二乘法建立目标函数,对其他组参数以同样方法进行整定与建立目标函数;
在S405中,将一组设计参数代入粒子群优化算法中,其他组输入参数保持初始值,在可行域内进行搜索,得到此类设计参数最优值,跟新此类参数初始值;
在S406中,对下一类型设计参数重复上一步骤,直至所有设计参数完成优化,得到车辆底盘优化设计参数。
在一些实施例中,在上述S402中,将单一输入变量等效为单个粒子,每个粒子均代表一个解;单个粒子位置可表示为上文公式(2)。
在一些实施例中,在上述S403中,由于车辆系统具有复杂性,输入输出变量间存在正相关、负相关或零相关,因此需对输入输出变量进行秩相关系数的检验,将粒子群所生成D维搜索空间作为样本,以此对变量间秩相关系数进行求解,如上文公式(1)。
在一些实施例中,在上述S404中,为在优化过程中,不断逼近最优目标值,采用最小二乘法建立目标函数,具体函数为上文公式(3)。
输出变量之间存在弱相关的相互影响特性,因此在输出过程中,对分组重要性进行人工排序,基于权重值降序作为分组优化顺序。
在一些实施例中,在上述S405中选取一组参数,分组优化从而能对粒子群空间进行简化,将组中参数保留,剔除参数在优化过程中保持初值;
其中第i个粒子速度如上文公式(4),基于位置与速度,迭代计算出第i个粒子的下一位置,位置跟新公式如上文公式(5)。
第i个粒子的速度更新公式为上文公式(6)。
在粒子更新到新位置后,需将对应的输入参数带入基于Adams软件的车辆悬架系统仿真模型中,通过虚拟样机的仿真,得到车辆悬架系统的性能指标,从而将性能指标带入目标函数中,实现对理想输出值的逼近。
得到多目标优化后的目标参数,可结合实际工况对结果进行筛选,从而得到最优设计参数。
在一些实施例中,在上述S406中,基于前置优化结果,对模型初始保留参数进行更新,保留前置组最优设计参数,作为后置分组必要条件;通过对不同类型的输入参数的逐步优化,得到车辆悬架系统的最优设计方案。
本发明所提供的车辆操控性多目标优化方法,能够基于车辆底盘操控性需求,对车辆设计参数进行分类处理,基于粒子群优化算法,优化汽车底盘操控性调校。
基于同一发明构思,图5示出本公开实施例中一种车辆操控性多目标优化装置示意图,如图5所示,该车辆操控性多目标优化装置包括参数设置模块501、分组模块502、优化模块503。
参数设置模块501,用于针对多个车辆参数,设置每个车辆参数的可行域,车辆参数为与车辆操控性相关的参数。
分组模块502,用于基于多个车辆参数中每个车辆参数和输出参数之间的秩相关系数,将多个车辆参数划分为多个参数组,其中,每个参数组对应一个优化目标,每个优化目标关联一个或多个输出参数。
优化模块503,用于将每个参数组中每个车辆参数等效为单个粒子,采用粒子群优化算法,在求解空间中搜寻参数组中每个车辆参数的最优解,其中,求解空间是根据车辆参数的可行域确定的。
本发明所提供的车辆操控性多目标优化装置,能够在车辆悬架系统设计阶段,基于操控性的指标,对车辆悬架系统设计参数进行优化,能节约车辆设计成本,提高车辆设计效率,保障车辆设计方案的性能。
图6为本发明实施例提供的一种车辆操控性多目标优化设备的结构示意图。如图6所示,车辆操控性多目标优化设备600包括一个或多个处理器601和存储器602。
处理器601可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备600中的其他组件以执行期望的功能。
存储器602可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器601可以运行所述程序指令,以实现上文所说明的本发明任意实施例的车载BSD摄像头的标定方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中,车辆操控性多目标优化设备600还可以包括:输入装置603和输出装置604,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。该输入装置603可以包括例如键盘、鼠标等等。该输出装置604可以向外部输出各种信息,包括预警提示信息、制动力度等。该输出装置604可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该车辆操控性多目标优化设备600中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,车辆操控性多目标优化设备600还可以包括任何其他适当的组件。
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆操控性多目标优化方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的车辆操控性多目标优化方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (8)
1.一种车辆操控性多目标优化方法,其特征在于,包括:
针对多个车辆参数,设置每个车辆参数的可行域,所述车辆参数为与车辆操控性相关的参数;
基于所述多个车辆参数中每个车辆参数和输出参数之间的秩相关系数,将所述多个车辆参数划分为多个参数组,其中,每个参数组对应一个优化目标,每个优化目标关联多个输出参数;
将每个参数组中每个车辆参数等效为单个粒子,采用粒子群优化算法,在求解空间中搜寻所述参数组中每个车辆参数的最优解,其中,所述求解空间是根据所述车辆参数的可行域确定的;
所述基于所述多个车辆参数中每个车辆参数和输出参数之间的秩相关系数,将所述多个车辆参数划分为多个参数组,包括:
计算所述多个车辆参数中每个车辆参数和输出参数之间的秩相关系数;
将秩相关系数的绝对值大于预设系数阈值的车辆参数,划分至同一个参数组;
在对一个参数组的车辆参数进行优化后,所述方法还包括:
再次计算所述参数组中每个参数与所述参数组关联的输出参数之间的秩相关系数;
在所述参数组中,滤除秩相关系数的绝对值小于或等于预设系数阈值的车辆参数;
针对滤除操作后的所述参数组,再次采用粒子群优化算法,在求解空间中搜寻所述参数组中每个车辆参数的最优解。
2.根据权利要求1所述的方法,其特征在于,在两个参数组的交集不为空的情况下,将所述两个参数组合并为一个参数组。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
针对秩相关系数的绝对值小于或等于预设系数阈值的车辆参数,单独进行优化。
4.根据权利要求1所述的方法,其特征在于,所述秩相关系数是根据车辆参数和输出参数之间的差值,以及样本容量计算得到的。
5.根据权利要求1所述的方法,其特征在于,所述将每个参数组中每个车辆参数等效为单个粒子,采用粒子群优化算法,在求解空间中搜寻所述参数组中每个车辆参数的最优解,包括:
针对每个参数组,执行如下步骤:
将参数组中每个车辆参数等效为单个粒子,并设置位置边界范围和速度边界范围,以及初始化粒子群速度,其中,所述位置边界范围是根据所述车辆参数的可行域设置的;
采用最小二乘法,为所述参数组对应的输出参数建立目标函数;
根据所述目标函数计算适应度值,记录个体历史最优值与全局最优值;
基于速度更新公式对粒子群的速度进行更新,并对越过所述速度边界范围的粒子速度进行约束;
基于位置更新公式对粒子群的位置进行更新,并对越过所述位置边界范围的粒子位置进行约束;
根据输出参数的输出结果和所述目标函数计算适应度值;
对于每个粒子,将所述粒子当前的适应度值与所述粒子的历史最优适应度值相比较,若更好,则将所述粒子当前的适应度值作为历史最优值;
对于每个粒子,比较所述粒子当前的适应度值和群体所经历的最优位置的适应度值,若更好,将所述粒子当前的适应度值作为全局最优值;
迭代执行上述步骤,直至达到结束条件,并输出最优位置,作为车辆参数的最优解。
6.根据权利要求1所述的方法,其特征在于,所述将每个参数组中每个车辆参数等效为单个粒子,采用粒子群优化算法,在求解空间中搜寻所述参数组中每个车辆参数的最优解,包括:
根据输出参数之间的相关性,为每个参数组设置权重值;
根据所述权重值的大小顺序,依次针对每个参数组采用粒子群优化算法,在求解空间中搜寻所述参数组中每个车辆参数的最优解。
7.根据权利要求1所述的方法,其特征在于,所述多个车辆参数包括硬点、衬套、行驶弹簧、悬架缓冲块、减震器、车轮、差速锁的参数中的多种。
8.一种车辆操控性多目标优化设备,其特征在于,所述车辆操控性多目标优化设备,包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至7任一项所述的车辆操控性多目标优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162496.6A CN117725685B (zh) | 2024-02-05 | 2024-02-05 | 一种车辆操控性多目标优化方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162496.6A CN117725685B (zh) | 2024-02-05 | 2024-02-05 | 一种车辆操控性多目标优化方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117725685A CN117725685A (zh) | 2024-03-19 |
CN117725685B true CN117725685B (zh) | 2024-05-31 |
Family
ID=90200057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410162496.6A Active CN117725685B (zh) | 2024-02-05 | 2024-02-05 | 一种车辆操控性多目标优化方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725685B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010003698A1 (de) * | 2010-04-08 | 2011-10-13 | Man Diesel & Turbo Se | Verfahren zum Auslegen der Kontur eines Steuernockens |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN110458276A (zh) * | 2019-07-23 | 2019-11-15 | 浙江吉利汽车研究院有限公司 | 基于多目标粒子群算法的车辆控制参数标定方法、装置和设备 |
CN111445109A (zh) * | 2020-03-03 | 2020-07-24 | 南京大学 | 一种多环芳烃综合生态风险评价和敏感性分析优化方法 |
CN115795837A (zh) * | 2022-11-18 | 2023-03-14 | 北京航空航天大学 | 一种基于协同进化的星基ads-b多波束优化方法 |
CN116911191A (zh) * | 2023-07-18 | 2023-10-20 | 中国航发沈阳发动机研究所 | 一种基于改进PSO优化BiLSTM的航空发动机气路系统建模方法 |
CN117091846A (zh) * | 2023-08-23 | 2023-11-21 | 中国船舶集团有限公司第七一一研究所 | 柴油机异常状态检测方法和装置 |
-
2024
- 2024-02-05 CN CN202410162496.6A patent/CN117725685B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010003698A1 (de) * | 2010-04-08 | 2011-10-13 | Man Diesel & Turbo Se | Verfahren zum Auslegen der Kontur eines Steuernockens |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN110458276A (zh) * | 2019-07-23 | 2019-11-15 | 浙江吉利汽车研究院有限公司 | 基于多目标粒子群算法的车辆控制参数标定方法、装置和设备 |
CN111445109A (zh) * | 2020-03-03 | 2020-07-24 | 南京大学 | 一种多环芳烃综合生态风险评价和敏感性分析优化方法 |
CN115795837A (zh) * | 2022-11-18 | 2023-03-14 | 北京航空航天大学 | 一种基于协同进化的星基ads-b多波束优化方法 |
CN116911191A (zh) * | 2023-07-18 | 2023-10-20 | 中国航发沈阳发动机研究所 | 一种基于改进PSO优化BiLSTM的航空发动机气路系统建模方法 |
CN117091846A (zh) * | 2023-08-23 | 2023-11-21 | 中国船舶集团有限公司第七一一研究所 | 柴油机异常状态检测方法和装置 |
Non-Patent Citations (1)
Title |
---|
考虑运行风险的主动配电网分布式电源多目标优化配置;方金涛;龚庆武;;电力建设;20190501(第05期);论文正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117725685A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112445823A (zh) | 神经网络结构的搜索方法、图像处理方法和装置 | |
CN111105029B (zh) | 神经网络的生成方法、生成装置和电子设备 | |
CN109002577B (zh) | 一种悬架的优化方法及系统 | |
CN110515845B (zh) | 基于改进ipo策略的组合测试用例优化生成方法 | |
CN110233484A (zh) | 考虑补偿效益的多目标无功优化配置方法 | |
CN117725685B (zh) | 一种车辆操控性多目标优化方法和设备 | |
US11727268B2 (en) | Sparse training in neural networks | |
CN114863226A (zh) | 一种网络物理系统入侵检测方法 | |
Komarudin et al. | Signature PSO: A novel inertia weight adjustment using fuzzy signature for LQR tuning | |
Wang et al. | Cooperative velocity updating model based particle swarm optimization | |
Yang et al. | Efficient Deep Reinforcement Learning through Policy Transfer. | |
CN117610159B (zh) | 一种汽车悬置系统稳健性优化方法 | |
CN117970782A (zh) | 一种基于鱼鳞进化gsom改进的模糊pid控制方法 | |
CN114090952A (zh) | 损失函数动态加权的方法、装置、设备和存储介质 | |
Gu et al. | An adaptive adjacent maximum distance crossover operator for multi-objective algorithms | |
CN117170980A (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
CN114330135B (zh) | 分类模型构建方法及装置、存储介质及电子设备 | |
Zhuo et al. | A particle swarm optimization algorithm based on dynamic adaptive and chaotic search | |
CN117744416B (zh) | 基于敏感性分析的车辆稳定性优化方法、设备和介质 | |
CN117744410B (zh) | 基于车辆稳定性需求的区间多目标优化方法、设备和介质 | |
Wang et al. | Improved Adaptive Particle Swarm Optimization Algorithm with a Two-Way Learning Method | |
CN117708997B (zh) | 基于遗传算法的车辆悬架设计参数确定方法、设备和介质 | |
Khandavalli et al. | Potentials of modern active suspension control strategies–from model predictive control to deep learning approaches | |
CN117725765B (zh) | 基于响应分析的车辆悬架多目标优化方法、设备和介质 | |
Jing et al. | Research on Multi-modal Multi-objective Path Planning by Improved Ant Colony Algorithm |
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 |