欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025115979802
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 一般车辆
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于改进多目标粒子群优化算法的半主动悬架控制方法,其特征在于,包括以下步骤:A、对MOPSO算法的外部档案进行自适应网格划分,以确定在最具多样性的全局最优dgBest和最具收敛性的全局最优cgBest;

A1、基于PSO的多目标优化算法,对其引入外部档案rep,记录每一代种群的所有非支配最优解并组成帕累托前沿,全局最优gBesti,d(t)变为从外部档案rep中随机选出的最优解;

A2、根据rep中所有非支配解的适应度范围自适应划分网格,再统一细分;依据每个单元格中的解的数量选出最稀疏的网格Gridd和最密集的网格Gridc;

A3、从Gridd中随机选择一个粒子作为dgBest,从Gridc中随机选择一个粒子作为cgBest,以分别代表最具多样性和最具收敛性的非支配最优解;

B、依据外部档案里所有最优解的分布熵变化量,判断种群的进化状态,选择dgBest或cgBest作为引导进化的全局最优gBest;

C、依据当前种群进化的局部拥挤距离的变化量,调整种群进化的飞行参数,以平衡种群的进化趋势;

C1、定义局部拥挤距离,粒子a和粒子b之间的欧氏距离定义为:

将粒子的局部拥挤距离被定义为其K个最近邻的欧氏距离的平均值,这使得其空间密度更具鲁棒性:C2、将t时刻所有粒子的LD值求和,并与t-1时刻的LD值总和进行比较,得到ΔLD(t),如下所示:式中,nPop是种群中的粒子总数;

C3、采用Sigmoid非线性调整函数对飞行参数进行调节,自适应飞行参数调整机制如下:式中,λ(t)=[ω(t),c1(t),c2(t)]T,由t时刻的ω、c1和c2组成;δλ=[δω,δc1,-δc2]T,由ω、c1和c2的变化增量组成;

在迭代过程中,ω的上下限设定为[0,0.9],c1和c2的上下限均为[0.5,2.5],以1.5为初始值;种群处于收敛状态时(ΔLD(t)<0),增大ω、c1并减小c2,以增强全局开发能力;种群处于多样状态时(ΔLD(t)>0),减小ω、c1并增大c2,以提升局部开发能力;

D、将全局最优选择机制和飞行参数自适应调整机制相结合,得到能够综合外部档案信息和当前种群信息的多信息融合多目标粒子群优化算法MIFMOPSO,并将其用于半主动悬架LQR控制策略权重系数的确定。

2.根据权利要求1所述的一种基于改进多目标粒子群优化算法的半主动悬架控制方法,其特征在于,步骤A1,PSO算法的粒子i进化规则为:xi,d(t+1)=xi,d(t)+vi,d(t+1)                             (2)式中,d=1,2,3,...,D,表示搜索空间中的第D维;vi,d(t)为时刻t的速度矢量;xi,d(t)为时刻t的位置矢量;ω为惯性权重,c1和c2为学习因子,r1和r2为均匀分布在[0,1]中的随机值;pBesti,d(t)和gBesti,d(t)分别是时刻t的个体最优和全局最优的第d维变量;个体最优是粒子i进化历史的最优解,全局最优是所有粒子进化历史的最优解,每迭代一次,这两个最优解都会经历一次支配关系判断以实现更新。

3.根据权利要求1所述的一种基于改进多目标粒子群优化算法的半主动悬架控制方法,其特征在于:步骤A3,档案维护机制从Gridd中随机删除一个粒子以维持解的多样性,如果数量超过m,则此操作重复m次,以维护rep中解的数量。

4.根据权利要求1所述的一种基于改进多目标粒子群优化算法的半主动悬架控制方法,其特征在于:步骤B,使用rep中最优解的分布熵来评估种群的进化状态;自适应地选择dgBest或cgBest作为当前gBest来引导粒子进化。

5.根据权利要求4所述的一种基于改进多目标粒子群优化算法的半主动悬架控制方法,其特征在于,步骤B,具体包括以下步骤:B1、确定种群的进化状态,以决定使用dgBest还是cgBest作为gBest,使用分布熵来评估进化状态,其定义如下:式中,Gn为rep中非支配解占用的网格单元,n=1,2,...,N;P(Gn)是Gn的概率分布函数,P(Gn)定义如下:式中,Sum为rep的非支配最优解的总数;Sum(Gn)为Gn中非支配最优解的总数;

B2、采用差分熵方法,通过评估熵的变化量来分析种群的进化动态,从而实现更具自适应性和敏感性的状态判断,ΔE(t)的计算过程如下:ΔE(t)=E(t)-E(t-1)                                    (5)B3、依据ΔE(t)将进化状态分为早期迭代阶段、迭代中期和迭代末期三类;

B4、基于ΔE(t)判断进化状态需设定阈值,经多次重复实验验证,选取迭代过程中间阶段|ΔE(t)|的最大值作为阈值;

当种群处于收敛状态时,选择dgBest作为gBest;在多样状态下则选用cgBest来加速种群收敛;若为停滞状态,则以0.8和0.2概率分别选取dgBest和cgBest,既维持多样性又防止过快收敛;

全局最优选择机制的数学表达式如下:

6.根据权利要求5所述的一种基于改进多目标粒子群优化算法的半主动悬架控制方法,其特征在于:步骤B3,早期迭代阶段,此时,|ΔE(t)|较大,进化状态为收敛;收敛的原因包括:种群突然新增大量非支配解;新解支配旧解导致旧解被淘汰;在帕累托前沿取得突破性进展或跳出了局部最优;迭代中期,此时,|ΔE(t)|较小,进化状态为多样;多样进化状态的成因为:分布更稀疏的新解取代旧解,增强了非支配解的多样性;迭代末期,此时,|ΔE(t)|趋近于零,进化状态趋于停滞。

7.根据权利要求1所述的一种基于改进多目标粒子群优化算法的半主动悬架控制方法,其特征在于,步骤D,具体包括以下步骤:D1,基于半主动悬架系统动力学方程,创建半主动悬架系统的状态空间方程,再利用LQR控制理论,得到半主动悬架系统性能的目标函数为:式中,J为适应度,为簧载质量垂直加速度(m/s2);zsw=zs-zw,为悬架动态行程(m),zs和zw分别为簧载质量垂直位移和非簧载质量垂直位移;kw zqw=kw(zq-zw),为车轮动载荷(N),zq为路面不平激励;q1、q2和q3分别对应垂直加速度、悬架动态行程和车轮动载荷的控制权重系数;

D2、将半主动悬架系统性能的目标函数作为多目标优化的目标函数;设定q3=1进行优化计算,决策变量为q1与q2;将q1与q2的初始范围设定为宽区间[0.01,109];目标变量为垂向加速度与车轮动载荷;悬架动态行程的绝对值最大值需小于0.03m;路面激励采用标准B级路面;车速设定为20m/s;种群规模nPop=100,外部档案中最大非支配解数量nrep=100,迭代次数MaxIt=500;具体表达式如下:D3、根据试验车辆的设计手册,其整车簧载质量为480kg,对于单轮半主动悬架,优化条件被划分为跨度为10kg的五个区间,范围为100kg到140kg,在B级路面上,悬架控制的目标是平衡乘坐舒适性和操纵稳定性,对优化结果进行归一化,取最接近直线y=x的解为最优的解,归一化公式如下:得到该试验车辆基于改进多目标粒子群优化算法的半主动悬架LQR控制策略,即MIFMOPSO-LQR控制策略的权重系数。

8.根据权利要求7所述的一种基于改进多目标粒子群优化算法的半主动悬架控制方法,其特征在于,对优化结果进行归一化时,目标变量约束为[0,1]。