(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111271627.7 (22)申请日 2021.10.2 9 (71)申请人 江西五十 铃汽车有限公司 地址 330000 江西省南昌市望城新区江铃 大道666号 (72)发明人 赵闵清　王仕生　黄勤　陈明亮　 李成林　 (74)专利代理 机构 南昌金轩知识产权代理有限 公司 36129 代理人 陈梅 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 30/23(2020.01) G06N 3/00(2006.01)G06F 111/04(2020.01) G06F 111/06(2020.01) G06F 119/14(2020.01) (54)发明名称 基于新型多目标粒子群算法的零部件轻量 化优化设计方法 (57)摘要 本发明公开了一种基于新型多目标粒子群 算法的零部件 轻量化优化设计方法， 属于零部件 轻量化优化设计技术领域， 其技术方案要点是， 包括有限元建模与分析、 数学模型建立、 改进多 目标粒子群算法的求解 以及优化结果对比及验 证四大步骤。 该种基于新型多目标粒子群算法的 零部件轻量化优化设计方法为了克服多目标粒 子群算法在无法突出不同目标函数不同重要性、 惯性权值因子鲁棒性差、 全局寻优困难等情况， 对基本多目标粒子 群算法进行了改进。 权利要求书1页 说明书7页 附图8页 CN 114048561 A 2022.02.15 CN 114048561 A 1.基于新型多目标粒子群算法的零部件轻量化优化设计方法， 其特征在于， 包括以下 步骤： S1： 有限元建模与分析， 采用有限元分析方法， 对待优化零部件的整体进行静力学计算 分析， 通过模拟 仿真应力计算出结构在受力过程中， 应力集中部位或应力最大值点， 并提取 相关技术参数； S2： 数学模型建立， 运用数理逻辑方法和数学语言建构科学或工程模型， 包括以下步 骤： a.模型准备； b.模型假设； c.模型构成； d.模型求 解； e.模型分析； f.模型检验与结论； S3： 改进多目标粒子群算法的求解， 运用改进MOPS O算法对各属性目标函数进行优化求 解， 对所建立模型中涉及的属性或设计参数进行优化； S4： 优化结果对比及验证， 对所优化后的结果进行对比分析与验证。 2.根据权利要求1所述的基于新型多目标粒子群算法的零部件轻量化优化设计方法， 其特征在于： 步骤S1中， 有限元分析包括以下步骤： a.划分网格； b.建立连接方式； c.导入材 料及特性 参数； d.建立边界条件和约束； e.模拟力平衡。 3.根据权利要求1所述的基于新型多目标粒子群算法的零部件轻量化优化设计方法， 其特征在于： 步骤S2中， 模型准备包括首先了解问题的实际背景,明确建模目的,搜集必需 的信息,弄清对象的特 征。 4.根据权利要求1所述的基于新型多目标粒子群算法的零部件轻量化优化设计方法， 其特征在于： 步骤S2中， 模型假设包括根据对象的特征和建模目的,对问题进行简化， 并作 出假设。 5.根据权利要求1所述的基于新型多目标粒子群算法的零部件轻量化优化设计方法， 其特征在于： 步骤S2中， 模型构成包括根据所作的假设分析对象 的因果关系,利用对象 的内 在规律和数学工具,构造各个量间的等式关系或数 学结构。 6.根据权利要求1所述的基于新型多目标粒子群算法的零部件轻量化优化设计方法， 其特征在于： 步骤S2中， 模 型求解的方法包括解方程、 画图形、 证明定理、 逻辑运算以及数值 运算， 还包括利用计算机技 术进行求 解。 7.根据权利要求1所述的基于新型多目标粒子群算法的零部件轻量化优化设计方法， 其特征在于： 步骤S2中， 模型分析包括对 模型解答进行数学上的分析。权　利　要　求　书 1/1 页 2 CN 114048561 A 2基于新型多目标粒子群算法的零部件轻量化优化 设计方法 技术领域 [0001]本发明涉及 零部件轻量化优化设计技术领域， 具体为基于新型多目标粒子群算法 的零部件轻量 化优化设计方法。 背景技术 [0002]近年来， 随着能源短缺和环境危机 的日益严重， 汽车轻量化成为了汽车发展的必 然趋势。 整车轻量化的基础是零部件的轻量化。 零部件轻量化的正向开发技术已经成为国 内外学者竞相研究的热点区域。 目前， 国内外已有诸多 学者针对零部件轻量化的优化设计、 疲劳寿命预测及可靠耐久性进行了深入的研究， 但理论还有诸多不足， 如何确定零部件设 计方案、 确定零部件功能及结构参数， 使零部件在 满足各项性能指标的前提下， 具有最高的 强度和最小的质量， 是当前研究的核心。 [0003]粒子群优化(PSO,particle  swarm optimization)算法是计算智能领域， 除了蚁 群算法， 鱼群算法之外的一种群体智能的优化算法， 该算法最早由Kennedy和Eberhart在 1995年提出的， 该算法源自对鸟类捕食问题的研究。 后来的学者及专家纷纷将该算法运用 于实际工程领域。 [0004]PSO算法将群体中的个体看作是一个没有体积和质量只有位置和速度搜索空间中 的粒子解。 粒子在空间中 以一定的速度飞行,该飞行速度由自己的飞行经验和粒子同伴的 经验进行动态调整。 假定粒子知道它目前的最好位置和目前整个群体中所有 粒子发现的最 好位置,即所有的粒子都有一个由被优化的函数决定的适应值。 那么整个 问题的求解过程 就可以类比成一群鸟协作觅食的过程,食物位置 便是最优解的位置 。 [0005]粒子群算法的数 学表达为(参阅图1)： [0006]假设D维空间中N个粒子组成的群体为X＝(x1， x2， …xN),粒子i在t 时刻的状态属 性设置如下： [0007]1)位置： Xit＝(xi1， xi2， …xiN)T,其中,xid∈[Lid， Uid],(Lid， Uid分别为搜索空 间的上下限值)d∈[1,2, …D] [0008]2)速度： Vit＝(vi1， vi2， …viN)T， 其中， vidt∈[vmin.d,vmax,d]， 其中vmin.d, vmax,d为速度的最大最小值， 由搜索空间上 下限决定 。 [0009]3)个体极值： 每 个粒子Xi所 经历过得具有最好适应性的位置； [0010]4)群体极值： 群 体中所有粒子所 经历过的最 好位置——全局最优适应度值。 [0011]5)迭代： 粒子在t+1时刻的速度和位置通过以下公式更新： [0012]其中， c1和c2为常数， 成为加速因子； r1和r2为在(0， 1)上的随机数， 其中第一个公 式由三部 分构成： (1)为粒子的初始速度， 表明粒子的当前状态； 第二部分是粒子的 “个体认 知”， 起作用是表明粒子自身的全局搜索能力； 第三部分是粒子 “社会认知 ”， 表明粒子间的 信息互通和相互合作， 三部分共同构成粒子在空间中的群 体搜索能力。 [0013]多目标粒子群算法则是在单目标 粒子群算法的基础上进行以下三个方面的改进： [0014](1)增加存档机制：说　明　书 1/7 页 3 CN 114048561 A 3