【技术实现步骤摘要】
本专利技术属于汽车结构设计，具体而言，涉及用于车身结构的小样本多目标集成优化设计方法及系统。
技术介绍
1、在汽车行业，车身结构优化设计是一项重要的
，直接影响到车辆的整体性能、乘坐舒适性以及制造成本。车身结构不仅需要满足轻量化的要求，还必须在刚度、强度、抗撞性、耐久性和nvh(噪声、振动和声振粗糙度)等多个性能指标上表现优异。这些性能指标之间往往存在冲突，例如减轻车身重量可能会影响车辆的抗撞性和nvh性能，使得优化过程变得复杂。因此，车身结构优化设计通常被视为一个多目标、多约束的优化问题。
2、传统的车身结构优化设计方法主要依赖有限元仿真(finite element analysis,fea)。通过有限元仿真，工程师能够模拟车辆在不同工作条件下的受力、变形和振动情况，从而对车身结构的性能进行评估并进行优化。然而，有限元仿真计算时间较长，通常每次仿真迭代需要几十分钟到几小时不等，而车身结构优化设计往往需要多次迭代仿真，导致整个优化过程效率较低，难以满足快速研发的需求。
3、为了解决这一问题，现有技术引入了基于机器学习的代理模型。这些代理模型通过学习输入设计参数与输出性能之间的关系，可以减少直接进行有限元仿真计算的次数，进而加快优化过程。然而，单一的机器学习模型，如神经网络或支持向量机，虽然能在一定程度上提高优化效率，但对训练数据的数量要求较高。此外，现有大多数优化算法在面对复杂的多目标、多约束优化问题时表现有限，尤其是在协调轻量化、抗撞性和nvh等相互冲突的性能需求时，难以获得理想的优化结果。p>
4、因此，现有技术在车身结构优化设计中主要存在以下几个问题：
5、1.仿真计算耗时长，优化效率低：车身结构优化设计高度依赖于有限元仿真，每次仿真迭代的计算时间较长，且优化设计往往需要多次迭代仿真，导致整体优化效率较低，难以满足日益严苛的研发周期要求。
6、2.单一机器学习模型对数据需求量大，预测精度不足：单一代理模型虽然能够加速优化过程，但对训练数据需求量大，在面对碰撞性能等强非线性问题时，预测精度不足。
7、3.多目标优化算法优化效果欠佳：车身结构优化设计涉及多个相互制约的性能指标，现有技术难以在降低车身重量的同时确保刚度、强度、抗撞性和nvh等性能均达到最优，阻碍了整体优化精度和效率的提升。
8、综上所述，如何减少仿真时间、提高代理模型预测精度、提高多目标优化的精度和效率，成为当前车身结构优化设计领域亟待解决的关键问题。
技术实现思路
1、本专利技术针对现有技术缺陷，提出用于车身结构的小样本多目标集成优化设计方法及系统，该方法构建一种基于小样本的多目标集成优化策略，解决车身结构优化设计中存在的优化算法面临多目标多约束问题时优化效果不理想、构建代理模型所需训练数据多的问题，有利于提高车身结构优化设计效率，缩短研发周期。
2、一方面，本专利技术提供了用于车身结构的小样本多目标集成优化设计方法，方法包括：
3、步骤1：建立车身结构参数化模型，定义设计变量，根据设计变量的设计空间，通过试验设计，获得少量设计变量组合；
4、步骤2：利用有限元仿真获取步骤1中不同设计变量组合对应的车身结构性能，获得包含车身结构设计变量和性能的数据集dm(x,y)；
5、步骤3：基于步骤2的数据集dm(x,y)，以车身结构设计变量为输入，车身结构性能为输出，构建一种将多个基学习器组合的集成学习代理模型；
6、步骤4：基于步骤3构建的集成学习代理模型，使用多目标优化算法优化车身结构设计变量，以实现最优车身结构性能的目标，得到帕累托前沿及其对应的解集；
7、步骤5：判断是否达到循环终止条件，如果达到，则循环终止，输出优化结果，即最优的车身结构性能集合及其对应的车身结构设计变量，如果没有达到，则将获得的帕累托解集通过有限元仿真计算添加到数据集dm(x,y)中，开始下一次循环，直到满足循环终止条件。
8、进一步地，集成学习代理模型包括xgboost、rf、catboost和lightgbm四个基学习器。
9、进一步地，步骤3包括：
10、步骤3.1：数据集dm(x,y)划分为训练数据和测试数据，四个基学习器在训练数据中分别进行训练，获得四组预测结果；
11、步骤3.2：在整个训练数据集中，以实际值为基准，分别计算各个基学习器预测值和实际值之间的相似度，通过四组预测结果与实际值之间的相似度，计算全局权重；
12、步骤3.3：以步骤3.1中基学习器的四组预测结果为输入，训练数据集中的实际性能值为输出，训练线性回归模型，获得局部集成模型；
13、步骤3.4：在测试集数据或新数据中，通过计算基学习器的预测值和局部集成模型的预测值之间的距离，获得每个测试样本点的局部权重；
14、步骤3.5：通过整合局部权重和全局权重，生成自适应权重，基于自适应权重完成集成学习代理模型构建。
15、进一步地，步骤4中，多目标优化算法为融合多策略的多目标海洋捕食者优化算法，构建融合多策略的多目标海洋捕食者优化算法的具体步骤包括：
16、步骤4.1：初始化算法参数和种群：基于混沌策略进行种群初始化，以优化初始种群的空间分布；
17、步骤4.2：计算每个种群的适应度值；
18、步骤4.3：通过非支配排序和计算拥挤度距离，构建最优解集合a1；
19、步骤4.4：进行种群位置的迭代更新，计算更新后种群的适应度值，得到新的最优解集合a2；
20、步骤4.5：合并集合a1和a2，并通过非支配排序和拥挤距离计算，获得新的最优解集合，并替代a1。
21、进一步地，步骤4.4中，迭代更新的过程划分为初期探索、中期开发和终期收敛三个阶段，每个阶段至少对应两种更新策略，具体的更新策略选择依据是一个随机参数当和时，分别采用相应的更新策略；
22、表示第一阶段：当时，更新策略为当时，更新策略为
23、表示第二阶段：当时，更新策略为其中当时，更新策略为
24、表示第三阶段：当时，更新策略为其中当时，更新策略为
25、更新策略公式中：tmax表示最大迭代次数；表示决策因子，一个位于0到1之间的随机数；t表示当前的迭代次数；pi表示第i个种群集合；e表示精英种群；mb表示布朗运动策略；f表示劣质种群；ml表示莱维运动策略；q、r、c表示随机参数；k表示调整因子；cf表示自适应校正系数；pk1、pk2表示随机选取的两个种群个体。
26、进一步地，步骤4.4中，迭代更新过程的终止条件为达到最大迭代次数或帕累托前沿解集变化小于预设阈值。
27、进一步地，步骤5中，在非首次优化循环中，前一次优化获取的帕累托解集作为下一次优化迭代的初始种群。
28、进一步地，步骤3.2中，全局权重用于为每个基学习器分配一个稳定的权重，全局权重本文档来自技高网...
【技术保护点】
1.用于车身结构的小样本多目标集成优化设计方法，其特征在于，方法包括：
2.根据权利要求1所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，集成学习代理模型包括Xgboost、RF、CatBoost和LightGBM四个基学习器。
3.根据权利要求1所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，步骤3包括：
4.根据权利要求1所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，步骤4中，多目标优化算法为融合多策略的多目标海洋捕食者优化算法，构建融合多策略的多目标海洋捕食者优化算法的具体步骤包括：
5.根据权利要求4所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，步骤4.4中，迭代更新的过程划分为初期探索、中期开发和终期收敛三个阶段，每个阶段至少对应两种更新策略，具体的更新策略选择依据是一个随机参数当和时，分别采用相应的更新策略；
6.根据权利要求4所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，步骤4.4中，迭代更新过程的终止条件为达到最大迭代次数或帕累托
7.根据权利要求1所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，步骤5中，在非首次优化循环中，前一次优化获取的帕累托解集作为下一次优化迭代的初始种群。
8.根据权利要求3所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，步骤3.2中，全局权重用于为每个基学习器分配一个稳定的权重，全局权重通过下式确定：
9.根据权利要求8所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，相似度通过下式确定：
10.用于车身结构的小样本多目标集成优化设计系统，其特征在于，包括：
...【技术特征摘要】
1.用于车身结构的小样本多目标集成优化设计方法，其特征在于，方法包括：
2.根据权利要求1所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，集成学习代理模型包括xgboost、rf、catboost和lightgbm四个基学习器。
3.根据权利要求1所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，步骤3包括：
4.根据权利要求1所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，步骤4中，多目标优化算法为融合多策略的多目标海洋捕食者优化算法，构建融合多策略的多目标海洋捕食者优化算法的具体步骤包括：
5.根据权利要求4所述的用于车身结构的小样本多目标集成优化设计方法，其特征在于，步骤4.4中，迭代更新的过程划分为初期探索、中期开发和终期收敛三个阶段，每个阶段至少对应两种更新策略，具体的更新策略选...
【专利技术属性】
技术研发人员：陈少伟，陈勇，陈佶思，刘艺，
申请(专利权)人：湖南湖大艾盛汽车技术开发有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。