大型客車車身設(shè)計(jì)【含CATIA三維及3張CAD圖】

【需要咨詢購買全套設(shè)計(jì)請加QQ1459919609】圖紙預(yù)覽詳情如下：

附錄 1：外文翻譯公交車車身多目標(biāo)優(yōu)化和基于替代模型的翻轉(zhuǎn)安全約束Yong Huh,Hyung-lck Kim,In-Hwan Shin,Jae-Mean Koo and Chang-Sung Seok韓國水原市長安洞成均館大學(xué)機(jī)械工程學(xué)院摘要:在設(shè)計(jì)總線主體時，要考慮輕量，剛度，強(qiáng)度和翻車安全性能。在本文中，有限元（FE）首先建立包括總線車身的強(qiáng)度，剛度和翻車碰撞性的分析模型，然后通過物理測試進(jìn)行驗(yàn)證?；?FE 模型，設(shè)計(jì)實(shí)驗(yàn)，并根據(jù)實(shí)驗(yàn)數(shù)據(jù)創(chuàng)建響應(yīng)面法和混合徑向基函數(shù)的多個代理模型。之后，公共汽車車身的多目標(biāo)優(yōu)化問題（MOP）被制定為目標(biāo)是使重量最小化并使扭矩剛度最大化。巴士車身受到強(qiáng)度和翻車安全的限制。通過采用多目標(biāo)進(jìn)化算法來獲得 Pareto 最優(yōu)集，求解 MOP。最后，選擇該集合的最優(yōu)解作為最終設(shè)計(jì)，并與原始設(shè)計(jì)進(jìn)行比較。關(guān)鍵詞：公交車車身，有限元分析，代理模型，多目標(biāo)優(yōu)化1 介紹輕型設(shè)計(jì)近年來引起了汽車制造商的極大關(guān)注。有兩種減輕車輛重量的方法，第一種方法是使用較輕的材料替代鋼，如鋁合金（Saito et al。2000），第二種方法是使用最佳設(shè)計(jì)方法。由于難以獲得剛度，應(yīng)力和振動響應(yīng)的靈敏度，許多研究者已經(jīng)研究了考慮剛度，應(yīng)力和 NVH（噪聲，振動和粗糙度）性能的車輛的最佳設(shè)計(jì)（Aguiar 等 2002; Lanet等人 2004; Laxman 等人，2009）。蘭等人（2004）分析了中型客車車身的結(jié)構(gòu)強(qiáng)度，剛度和低階振動，并根據(jù)敏感性研究實(shí)施了結(jié)構(gòu)優(yōu)化，以減輕重量。 Laxman 等人（2009）開發(fā)了一種兩階段輕量化設(shè)計(jì)方法，其中第一階段是使用尺寸優(yōu)化技術(shù)將剛體和模態(tài)頻率約束最小化白車身（BIW）的重量，第二階段是改善屋頂由于工程經(jīng)驗(yàn)，通過改變幾個部件的材料來破壞性能。滾動碰撞分析非常重要，因?yàn)楣财嚭涂蛙嚪D(zhuǎn)是最危險(xiǎn)的事故類型之一。 因此近年來受到很多關(guān)注。 馬丁內(nèi)斯等人 （2003）根據(jù)考慮到乘員的統(tǒng)計(jì)數(shù)據(jù)和有限元（FE）分析，分析了翻車事故中的傷害類型。 Park 和 Yoo（2008）利用簡單的波束元素建模了一個總線車身的翻轉(zhuǎn)有限元模型，以減少模擬時間。 Guler 等人 （2007）研究了座椅結(jié)構(gòu)以及乘客和行李重量對翻車安全性的影響。然而，由于非線性高，碰撞響應(yīng)的敏感性不容易被發(fā)現(xiàn)（Forsberg 和 Nilsson 2007）。此外，碰撞分析是耗時的。因此，難以解決包括碰撞響應(yīng)在內(nèi)的優(yōu)化問題。一種有效的方法是使用替代模型來代替碰撞響應(yīng)（Redhe et al.2002; Craig et al.2005; Forsberg and Nilsson 2005）。代數(shù)模型由一系列基函數(shù)組成，可用于構(gòu)建實(shí)際結(jié)構(gòu)響應(yīng)的全局或中等近似。常用于已發(fā)表文獻(xiàn)的多種替代模型，例如響應(yīng)面法（RSM）（Roux et al。1998），Kriging 模型（Forsberg 和 Nilsson 2005）和徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)模型（Park 和Sandberg 1993）等?；谔娲Ｐ?，車輛的多學(xué)科設(shè)計(jì)優(yōu)化（MDO）包括耐撞性響應(yīng)已被廣泛研究。Sobieski 等（2001）和 Craig 等人（2002）構(gòu)建了 NVH 的響應(yīng)面模型和設(shè)計(jì)抗碰撞響應(yīng)最優(yōu)車輛重量較輕。車輛設(shè)計(jì)優(yōu)化問題通常有多個目標(biāo)。多目標(biāo)問題的最優(yōu)結(jié)果不是一個單一的解決方案，而是一組權(quán)衡解決方案，也稱為帕累托最優(yōu)解，帕累托集合或帕累托前沿。傳統(tǒng)上，多目標(biāo)問題被解決為使用聚合方法的單個成本函數(shù)問題，例如加權(quán)和方法，其通過將每個目標(biāo)預(yù)先乘以用戶定義的權(quán)重因子來將一組目標(biāo)定標(biāo)為單個目標(biāo)。但經(jīng)典方法在運(yùn)行中無法獲得多于一個的帕累托最優(yōu)解。此外，難以獲得均勻的帕累托最優(yōu)解的集合，例如，加權(quán)和方法中的權(quán)重向量的均勻選擇不一定在帕累托最優(yōu)前沿找到均勻的解，并且也找不到定位的解在帕累托最優(yōu)陣線的非凸部分（Deb 2005）。與古典方法不同，進(jìn)化算法（EAs）可以直接用其基于人口的操作來解決多目標(biāo)問題，并在運(yùn)行中獲得全局最優(yōu)解。近年來已經(jīng)開發(fā)了各種各樣的 EA。其中大部分是基于遺傳算法，例如 NSGA-II（Debet al。2000），SPEA2（Zitzler et al.2001），PESA 等。然而，還針對多目標(biāo)優(yōu)化開發(fā)了其他相對較新的基于群體的演化算法，例如粒子群優(yōu)化（Coello et al。2004; Hart 和 Vlahopoulos 2010）和免疫算法（Tan et al。2008; Gong et al。2008）等.基于代理模型，可以通過 EA 有效地解決包含碰撞響應(yīng)的車輛的多目標(biāo)優(yōu)化問題。 廖等 （2008 ）考慮了 BIW（Body In White）作為目標(biāo)的重量，加速特性和趾板入侵，全部由響應(yīng)面法制定，并采用 NSGA-II 算法搜索帕累托最優(yōu)解。王等。 （2010）構(gòu)建了使用粒子群優(yōu)化的車輛多目標(biāo)優(yōu)化的碰撞響應(yīng)（即敏感時區(qū)和吸收能量的加速度）的基于時間的元模型。在目前的研究中，基于代理模型進(jìn)行了集成總線主體的多目標(biāo)優(yōu)化。重量應(yīng)盡量減少，并且在靜強(qiáng)度和翻車安全性的限制下扭轉(zhuǎn)剛度將最大化。首先，公交車身體的有限元模型由殼單元構(gòu)成，并通過物理測試驗(yàn)證。然后，選擇殼單元的厚度作為設(shè)計(jì)變量。根據(jù)制造的對稱性和均勻性要求，將變量分組，然后根據(jù)敏感性研究進(jìn)行篩選，以選擇最重要的變量。之后，使用實(shí)驗(yàn)設(shè)計(jì)（DOE），即最佳拉丁超立方體設(shè)計(jì)（Park 1994）來探索設(shè)計(jì)空間。接下來，通過基于實(shí)驗(yàn)數(shù)據(jù)的逐步回歸技術(shù)創(chuàng)建替代模型，其中使用響應(yīng)面法和混合徑向基函數(shù)。最后，通過使用 NSGA-II 和 AMISS-MOP 算法解決了多目標(biāo)優(yōu)化問題，并獲得了 Pareto 最優(yōu)解。選擇帕累托集合的最優(yōu)解作為最終設(shè)計(jì)，并與原始設(shè)計(jì)進(jìn)行比較，以證明本文中使用的方法的優(yōu)點(diǎn)。2 FE 模型和驗(yàn)證2.1 有限元模型構(gòu)建了總線框架的兩個 FE 模型。第一個模型是靜態(tài)分析，包括扭轉(zhuǎn)剛度分析和應(yīng)力分析，如圖 1 所示。第二種模型用于翻轉(zhuǎn)分析，其中考慮了前后擋風(fēng)玻璃和屋頂板的影響，如圖 1 所示。所使用的求解器分別是 MSC Nastran 和 LS-DYNA。本文使用的材料為合金鋼，彈性模量為 210GPa，質(zhì)量密度為 7.86×10 3 kg / m 3，泊松比為 0.3，屈服應(yīng)力為 510 MPa。材料的塑性應(yīng)變應(yīng)力如表 1 所示。在扭轉(zhuǎn)剛度分析中，前右空氣彈簧支撐件被迫上升 5 毫米，而后左軸空氣彈簧支撐件在后軸固定的同時被迫下降 5 毫米。然后，通過有限元分析獲得空氣彈簧支撐件的反作用力，扭轉(zhuǎn)剛度如下計(jì)算其中 f 是反作用力，L 是左右空氣彈簧支撐件的中心之間的距離，d 是強(qiáng)制位移，即 d = 5mm。在應(yīng)力分析中，考慮到最佳情況，其中考慮滿負(fù)荷，僅支撐三個輪胎，即前右輪胎是懸掛的，掛起。為確保沒有塑性變形，最大應(yīng)力應(yīng)小于屈服應(yīng)力。在翻車防碰撞分析中，實(shí)施左側(cè)翻車，以獲得總線主體對剩余空間的結(jié)構(gòu)入侵。根據(jù)歐洲經(jīng)委會第 66 號（聯(lián)合國歐洲經(jīng)濟(jì)委員會 1996 年），巴士機(jī)構(gòu)的任何一種結(jié)構(gòu)均不得侵入剩余空間。2.2 驗(yàn)證為了確認(rèn)有限元模型的準(zhǔn)確性，公交車車身的靜態(tài)彎曲實(shí)驗(yàn)和公交車段的翻車碰撞試驗(yàn)進(jìn)行了實(shí)驗(yàn)。應(yīng)該注意的是，測試用例與上一節(jié)提到的優(yōu)化情況不同。圖 3 顯示了靜態(tài)彎曲實(shí)驗(yàn)的場景，前后軸支撐，乘客和行李地板均勻分別裝載了 1320公斤和 840 公斤。在這種情況下，對母線上四個位置的 von Mises 應(yīng)力進(jìn)行了測試，然后與 FE 模型給出的結(jié)果進(jìn)行了比較。比較如圖 1 所示。 4，這表明模擬與實(shí)驗(yàn)結(jié)果之間的差異很小。最大差異發(fā)生在第二個測試點(diǎn)，差異為 10.67％。因此，本文建立的靜態(tài) FE 模型被認(rèn)為是足夠的?？偩€部分的翻車碰撞試驗(yàn)是以歐洲經(jīng)委會第 66 號作為指導(dǎo)。兩個加速度傳感器位于前柱和后柱抵靠碰撞側(cè)。通過測試和仿真獲得的加速度在圖 1 中進(jìn)行了比較。這表明兩條曲線的趨勢相同，峰值加速度值接近。圖 6 顯示了母線段最終變形的比較。這表明變形是相似的。為了量化比較變形，柱子的變形角度（見圖 7，也表明具有高應(yīng)變能的區(qū)域）進(jìn)行了測量和比較。 表 2 顯示了兩個傳感器的峰值加速度值和平均變形角度。 這表明，翻轉(zhuǎn)模擬和測試之間的最大差異為 16.4％，因此本文建立的翻轉(zhuǎn)有限元模型被認(rèn)為適合于優(yōu)化設(shè)計(jì)。3 近似方法輸入數(shù)據(jù)與工程設(shè)計(jì)問題的輸出響應(yīng)之間的真實(shí)數(shù)學(xué)關(guān)系通常太復(fù)雜，無法獲得。因此，響應(yīng)通常通過物理測試或 FE 分析獲得。然而，這兩種方法都是耗時的，因此它們不適用于迭代優(yōu)化。因此，基于近似方法的替代模型被用于物理模型或高保真 FE 模型的存儲以提高效率。為了創(chuàng)建代理模型，需要一個數(shù)據(jù)集包括足夠的輸入數(shù)據(jù)和輸出響應(yīng)。通常，輸入數(shù)據(jù)由 DOE 生成，輸出響應(yīng)通過物理測試或 FE 分析獲得。圖 8顯示了創(chuàng)建 sur-一個輸出和兩個輸入之間的門控模型，其中 y 是實(shí)際響應(yīng)的估計(jì)。在本文中，選擇最佳拉丁超立方體設(shè)計(jì)（Park 1994）作為 DOE 方法?？梢钥闯?，RSM 適用于創(chuàng)建靜態(tài)響應(yīng)的替代模型（例如位移，應(yīng)力等）（Roux 等人1998）。因此，RSM 用于構(gòu)建本研究中剛度和應(yīng)力反應(yīng)的替代模型。但是對于高度非線性響應(yīng)，RSM 可能不會產(chǎn)生適當(dāng)?shù)念A(yù)測，而 RBF 可以提供很好的準(zhǔn)確性（Fang et al。2005）。然而，當(dāng)問題出現(xiàn)嘈雜時，RSM 比 RBF 更好，因?yàn)樗鼘?dǎo)致平滑元模型的趨勢（Jin et al。2001）。由于翻轉(zhuǎn)碰撞分析中的數(shù)值噪聲和高非線性性，本文采用混合徑向基函數(shù)（HRBF）與 RSM 和 RBF 結(jié)合，創(chuàng)建了車架與后期空間碰撞之間的入侵。下面介紹 RSM，RBF 和 HRBF 的基本概念，以及替代模型的適應(yīng)性指標(biāo)。假設(shè)估計(jì)響應(yīng) y 和實(shí)際響應(yīng) y 之間的誤差為 e，則估計(jì)響應(yīng) y 表達(dá)式如下：其中φi（x）是基函數(shù)，bi 是系數(shù)，p 是項(xiàng)數(shù) RSM 中的基函數(shù)通常選自二次多項(xiàng)式。二階聚合物的全部術(shù)語，名義是：關(guān)于獲得 RSM 系數(shù)的細(xì)節(jié)可以在 Kutner 等人看到。 （2004）。RBF 的基函數(shù)被稱為核函數(shù)，其形式如下。需要提及的是，HRBF 被稱為 Krishnamurthy（2003）和 Fang 等人的增強(qiáng)徑向基函數(shù)（ARBF）。 （2005 年）。在他們的作品中，引入了正交條件，并使用 p + 1 個采樣點(diǎn)來獲得（5）的系數(shù)。與 ARBF 不同，本文采用 PRESS 誤差準(zhǔn)則的逐步回歸技術(shù)克服過擬合，如下所述。需要提及的是，HRBF 被稱為 Krishnamurthy（2003）和 Fang 等人的增強(qiáng)徑向基函數(shù)（ARBF）。（2005）。 在他們的作品中，引入了正交條件，并使用 p + 1 個采樣點(diǎn)來獲得（5）的系數(shù)。 與 ARBF 不同，本文采用 PRESS 誤差準(zhǔn)則的逐步回歸技術(shù)克服過擬合，如下所述。替代模型中最重要的問題之一是過度擬合，即實(shí)驗(yàn)點(diǎn)的誤差被驅(qū)動到非常小的值，但是當(dāng)向模型引入新的設(shè)計(jì)點(diǎn)時，誤差很大。 如果在 RSM 中使用完整的二次項(xiàng)，或者選擇所有實(shí)驗(yàn)點(diǎn)作為 RBF 中的中心，則通常會發(fā)生過擬合。為了克服過度擬合，創(chuàng)建替代模型時通常使用回歸分析。本文采用逐步回歸技術(shù)（Wang and Jain 2003）。此外，過度擬合也與錯誤標(biāo)準(zhǔn)有關(guān)。在本文中，引入了預(yù)測的誤差平方和（PRESS）（Kutner 等人 2004）標(biāo)準(zhǔn)代替構(gòu)造代理模型的誤差（SSE）標(biāo)準(zhǔn)的平方和。使用 PRESS 標(biāo)準(zhǔn)，替代模型僅適用于從 n 個實(shí)驗(yàn)數(shù)據(jù)的 n-1 個點(diǎn)，并且對于剩余的一個，從該模型獲得預(yù)測。 PRESS 標(biāo)準(zhǔn)產(chǎn)生了替代模型預(yù)測的良好指示，因?yàn)楫?dāng)模型不包括在回歸中時，模型給出每個點(diǎn)上的小殘差。替代模型的擬合優(yōu)度統(tǒng)計(jì)包括 F 檢驗(yàn)和 R 平方（Kutner 等，2004）。給定顯著性水平 α，如果替代模型的 F 值大于 F 分布的臨界值，即如果 F> F a，則認(rèn)為替代模型是顯著的。 R平方度衡量替代模型的適應(yīng)度是多少。在本文中，使用三個指標(biāo)，即 R 平方 R2，調(diào)整的 R平方 R2a 和 PRESS R 平方 R2 p。R 2和 R2a 都在 0 和 1 之間，其值越接近于 1，表示替代模型具有更好的擬合度。然而，考慮到自由度，R 2 a 是替代模型的擬合質(zhì)量比 R2更好的指標(biāo)。R2P 取 0 到 1 之間的任何值，值越接近 1 表示替代模型的預(yù)測能力越好。如果三個指標(biāo)都接近 1，則替代模型的擬合和預(yù)測質(zhì)量是好的。4 優(yōu)化4.1 配方總線主體的多目標(biāo)優(yōu)化問題的形成如下：其中 m 是總線框架的重量; k t 是扭轉(zhuǎn)剛度; σi 是第 i 個關(guān)鍵點(diǎn)的 von Mises 應(yīng)力;并且 d j 是第 j 個窗柱與剩余空間之間的入侵; xl和 xu 分別是設(shè)計(jì)矢量的上限和下限。觀察到總體最大應(yīng)力的替代模型的精度差，因?yàn)樽畲髴?yīng)力的位置在設(shè)計(jì)變量發(fā)生變化時會發(fā)生變化增加響應(yīng)的非線性。因此，原始設(shè)計(jì)中應(yīng)力值最高的幾個關(guān)鍵點(diǎn)用于捕獲最大應(yīng)力。在本研究中選擇了原始設(shè)計(jì)中具有高應(yīng)力值的六個關(guān)鍵點(diǎn)，如圖 1 所示。 9，用 P1?P6 注釋，相應(yīng)的代理模型為 σ1?σ6。根據(jù) ECE 規(guī)則第 66 條，身體結(jié)構(gòu)與剩余空間之間不應(yīng)有入侵。翻車碰撞性分析的結(jié)果表明，碰撞側(cè)的窗柱具有侵入殘余空間的最大可能性。每邊有七個窗柱，如圖所示。 9，從前到后編號從 1 到 7，每個柱和剩余空間之間的入侵分別表示為 d 1，d 2，...，d 7。解決（ 6）是：1.考慮到制造約束，如何從總線框架中的數(shù)百個欄中選擇最重要的變量，以減少問題的維度。2.如何獲得結(jié)構(gòu)響應(yīng)比 FE 分析更有效，克服了翻車碰撞性非線性的難度。3.如何在運(yùn)行中實(shí)現(xiàn)多目標(biāo)優(yōu)化問題的帕累托最優(yōu)解。以下三節(jié)介紹本文采用的相應(yīng)技術(shù)，即基于分組策略和敏感性研究的變量選擇技術(shù)，基于 DOE 的代理模型 和大約模擬方法和多目標(biāo)進(jìn)化算法。4.2 變量選擇由于總線主體的有限元模型是用殼單元構(gòu)成的，所以結(jié)構(gòu)的厚度被定義為可變的?？偩€上有數(shù)百個條，存在制造約束。因此，如果所有的厚度參數(shù)都被認(rèn)為是設(shè)計(jì)變量，那么問題就太復(fù)雜了。為了降低復(fù)雜性，必須減少設(shè)計(jì)變量的數(shù)量?？紤]到制造約束，變量被分組。主要制造約束是對稱性和均勻性。因此，相應(yīng)的結(jié)構(gòu)由相同的設(shè)計(jì)變量描繪，以減少變量的數(shù)量。例如，如圖 1 所示。如圖 10 所示，深黑色的縱向和縱向條都具有對稱性和均勻性要求，因此，黑色黑色中所有縱向條的厚度可以定義為可變的，也就是稱為墊底。最后，總線框架的所有條都分開。通過單個設(shè)計(jì)變量提取到 81 組砂。然而，并非所有變量對響應(yīng)都是重要的，有一些變量會稍微影響響應(yīng)，這可以忽略以進(jìn)一步減少問題的維度。每個變量的意義可以通過敏感性研究來評估，描述如下。其中[K]是系統(tǒng)剛度矩陣，{u}是未知位移矢量，{P}是施加的載荷矢量。然后位移的偏導(dǎo)數(shù)可以是獲得如下。在本文中，敏感度研究由 MSC Nastran 實(shí)現(xiàn)。扭轉(zhuǎn)剛度和最大應(yīng)力響應(yīng)靈敏度的結(jié)果如圖所示。 具有較大敏感度的設(shè)計(jì)變量被認(rèn)為對響應(yīng)更為重要，并將被選擇。盡管在已發(fā)表的文獻(xiàn)中已經(jīng)推導(dǎo)出了耐碰撞響應(yīng)的敏感性（Pedersen 2003，2004），當(dāng)使用明確的有限元來解決接觸問題時，獲得靈敏度仍然不容易（Forsberg 和 Nilsson 2007）。因此，在翻車碰撞中具有大應(yīng)變能的鋼筋被認(rèn)為是翻車安全性的重要結(jié)構(gòu)。最后，設(shè)計(jì)變量的總數(shù)減少到 31.相應(yīng)的結(jié)構(gòu)如圖 5 所示。 12，其中包括大部分的縱向條，屋頂?shù)木暥葪l，兩邊的窗和門柱等。4.3 代孕模型實(shí)驗(yàn)點(diǎn)采用最佳拉丁超立方體設(shè)計(jì)進(jìn)行采樣，通過有限元分析獲得真實(shí)的結(jié)構(gòu)響應(yīng)。逐步回歸技術(shù)是基于實(shí)驗(yàn)數(shù)據(jù)實(shí)現(xiàn)的，用于創(chuàng)建替代模型。在本文中，RSM 用于創(chuàng)建靜態(tài)響應(yīng)的代理模型，即剛度和應(yīng)力響應(yīng)，并且 HRBF 用于構(gòu)建碰撞響應(yīng)的代理模型，即柱和殘余空間之間的入侵。之后，實(shí)施 F 檢驗(yàn)，并計(jì)算出 R 平方，以評估模型的質(zhì)量。所有替代模型的信息如表 3 所示?？梢钥闯?，F(xiàn) 檢驗(yàn)中所有替代模型的 F 值遠(yuǎn)大于 0.05 的顯著水平的臨界 F 值，這意味著所有替代型號很重要。此外，R 2，調(diào)整后的 R2和 PRESS R2都接近 1，這表明模型在實(shí)驗(yàn)點(diǎn)上足夠準(zhǔn)確，對預(yù)測也有好處。重量模型僅接近結(jié)構(gòu)質(zhì)量，其不包括窗玻璃，車身面板或乘客等的質(zhì)量。由于設(shè)計(jì)變量是殼單元的厚度，所以權(quán)重模型是線性的，如下：其中 β0 = m 0，這是所有非變量的權(quán)重結(jié)構(gòu); βi =ρi A i，其中 ρi 是材料的質(zhì)量密度，A i 是中表面的面積; n v 是設(shè)計(jì)變量的數(shù)量?？梢允褂妙A(yù)處理軟件 MSC Patran 輕松獲得權(quán)重模型的系數(shù)。因此，DOE 和逐步回歸是不必要的。為了驗(yàn)證該模型，實(shí)驗(yàn)點(diǎn)隨機(jī)生成，F(xiàn)E 分析和線性模型分別獲得的重量分別為 3,054.3 kg 和 3,054.4 kg，說明該模型是正確的。4.4 進(jìn)化算法基于人口操作，多目標(biāo)進(jìn)化算法（MOEAs）可以在單次運(yùn)行中找到多目標(biāo)優(yōu)化問題的均勻分布的帕累托最優(yōu)解。 NSGA-II（Deb 等 2000）是最流行的算法之一。在 NSGA-II 中，快速非主導(dǎo)分類方法基于帕累托最優(yōu)關(guān)系對群體進(jìn)行排名，其中等級為 1 的個體是當(dāng)前群體中非主導(dǎo)的解，然后擁擠距離分配過程計(jì)算距離為每個人的每一個人保持人口的多樣性。此外，引入了結(jié)合父母和子女人口的精英策略來改善融合。然而，發(fā)現(xiàn) NSGA-II 的融合仍有待改進(jìn)（Sindhya 等，2008）。因此，Su 等人（2010）開發(fā)了一種進(jìn)化算法 AMISS-MOP（多目標(biāo)優(yōu)化問題的自適應(yīng)多島搜索策略），以提高 NSGA-II 的收斂和效率。在 AMISS-MOP 中，引入歸檔集以提高算法的效率，并開發(fā)了一種自適應(yīng)多島搜索策略，以提高搜索帕累托最優(yōu)解的性能。在算法中，人口集中在 M 代的子空間中，其中子空間的中心位于非主導(dǎo)的前沿，子空間的范圍取決于中心個體周圍的個體的密度，M 是根據(jù)中央個人的擁擠距離自適應(yīng)計(jì)算。在本文中，NSGA-II 和 AMISS-MOP都用于解決總線主體的多目標(biāo)優(yōu)化問題.5 結(jié)果多目標(biāo)優(yōu)化問題由 NSGA-II 和 AMISS-MOP 解決，其中群體大小和最大生成分別設(shè)置為100 和 300。通過兩種算法獲得的非主導(dǎo)方案如圖 1 所示。這表明 NSGA-II 獲得的非主導(dǎo)解決方案的擴(kuò)散比 AMISS-MOP 更廣泛，但是 AMISS-MOP 的收斂是下降的，比 NSGA-II。在目前的研究中，選擇 AMISS-MOP 獲得的非主導(dǎo)優(yōu)化方案進(jìn)行討論，如圖 1 所示。 14 和表 4，其中 0＃設(shè)計(jì)是原始設(shè)計(jì)?？梢钥闯?，非主導(dǎo)的最優(yōu)解的重量在2,400kg 和 3,400kg 之間，扭轉(zhuǎn)剛度在 25kNm / deg 至 55kNm / deg 之間。表 4 中的第一個設(shè)計(jì)具有最大的重量和剛度減少，即分別減少 440 kg（15.39％）和 13.85 kNm / deg（34.61％）。最后一個設(shè)計(jì)（25＃）擁有最大的剛度和重量增量，即分別增加了12.47 kNm / deg（31.18％）和 463 kg（16.19％）。設(shè)計(jì)師可以從組根據(jù)偏好觀察到，在非主導(dǎo)優(yōu)化集合中存在嚴(yán)格優(yōu)于原始設(shè)計(jì)的三種解決方案（11＃，12＃和 13＃設(shè)計(jì)），即重量較低但剛度大于原始設(shè)計(jì)。在本研究中，第 11 個設(shè)計(jì)被選為新的設(shè)計(jì)。第 11 個設(shè)計(jì)的設(shè)計(jì)變量被舍入為預(yù)定義的集合中最接近的離散值：根據(jù)最大生成，{1.0,1.5,1.75,2.0,2.5,3.0,3.5,4.0,5.0 和 6.0}設(shè)置為 100，300。通過兩種算法獲得的非主導(dǎo)方案如圖 1 所示。這表明 NSGA-II 獲得的非主導(dǎo)溶液的擴(kuò)散比 AMISS-MOP 更廣泛，但 AMISS-MOP 的收斂性優(yōu)于 NSGA-II。在目前的研究中，選擇AMISS-MOP 獲得的非主導(dǎo)優(yōu)化方案進(jìn)行討論，如圖 1 所示。14 和表 4，其中 0＃設(shè)計(jì)是原始設(shè)計(jì)?？梢钥闯?，非主導(dǎo)的最優(yōu)解的重量在 2,400kg 和 3,400kg 之間，扭轉(zhuǎn)剛度在 25kNm / deg 至 55kNm / deg 之間。表 4 中的第一個設(shè)計(jì)具有最大的重量和剛度減小，即分別減少了 440kg（15.39％）和 13.85kNm / deg（34.61％）。最后的設(shè)計(jì)（25＃）擁有最大的制造要求來獲得最終設(shè)計(jì)。最終設(shè)計(jì)通過有限元分析驗(yàn)證，結(jié)果如表 5 所示。表明最終設(shè)計(jì)優(yōu)于原始設(shè)計(jì)，其中重量減少了 76 公斤（2.66％），扭轉(zhuǎn)剛度提高了 0.42％，最大應(yīng)力降低了 50 MPa（13.77％），在翻車碰撞過程中沒有入侵。最大應(yīng)力位于關(guān)鍵點(diǎn) P4 上，如圖 3 所示。證明使用六個“關(guān)鍵點(diǎn)”來捕捉最大壓力的策略效果很好。6 結(jié)論總線主體的設(shè)計(jì)是一個多目標(biāo)優(yōu)化問題，包括靜態(tài)和翻轉(zhuǎn)故障響應(yīng)。由于耗時的結(jié)構(gòu)分析，耐碰撞反應(yīng)的非線性高和經(jīng)典方法的多個目標(biāo)之間的沖突，難以解決這個問題。通過使用近似方法構(gòu)建總線結(jié)構(gòu)響應(yīng)的代理模型并采用多目標(biāo)進(jìn)化算法來克服困難?？偩€機(jī)身的剛度和應(yīng)力的代理模型采用響應(yīng)面法建立，并且使用混合徑向基函數(shù)構(gòu)建了翻轉(zhuǎn)碰撞中的入侵，其中采用 PRESS 誤差準(zhǔn)則的逐步回歸技術(shù)來避免過度擬合。驗(yàn)證表明，本文創(chuàng)建的替代模型具有良好的準(zhǔn)確性。采用兩種進(jìn)化算法，即 NSGA-II 和 AMISS-MOP 來解決多重異議優(yōu)化問題。結(jié)果表明，AMISS-MOP 的收斂性優(yōu)于 NSGA-II。選擇由 AMISS-MOP 獲得的帕累托最優(yōu)解的最優(yōu)解作為最終設(shè)計(jì)。結(jié)果表明，最終的設(shè)計(jì)大大提高了車身的性能。附錄 2：外文原文