基于代理模型技術(shù)的高速列車性能參數(shù)設(shè)計(jì)及優(yōu)化.pdf

1、高速列車是一個(gè)復(fù)雜機(jī)電產(chǎn)品，影響其動(dòng)力學(xué)性能中有關(guān)的性能參數(shù)非常多，設(shè)計(jì)空間相當(dāng)復(fù)雜，從中找到重要設(shè)計(jì)變量集，并進(jìn)行優(yōu)化，得到優(yōu)于現(xiàn)有設(shè)計(jì)的參數(shù)解集，具有較大的復(fù)雜性和難度。目前仿真系統(tǒng)如SIMPACK可以進(jìn)行列車動(dòng)力學(xué)仿真和分析，但是因?yàn)橥瑫r(shí)需要處理太多的設(shè)計(jì)變量，致使性能優(yōu)化設(shè)計(jì)變得非常困難。有效地將設(shè)計(jì)分析和優(yōu)化結(jié)合，進(jìn)行基于仿真的設(shè)計(jì)優(yōu)化，才能將CAD和CAE相結(jié)合成一個(gè)整體設(shè)計(jì)過程。主要研究?jī)?nèi)容如下:
　　(1)基于代理

2、模型技術(shù)的高速列車性能參數(shù)設(shè)計(jì)和優(yōu)化問題的設(shè)計(jì)策略研究
　　本文在研究基于代理模型技術(shù)的多目標(biāo)優(yōu)化求解方法的基礎(chǔ)上，結(jié)合工程實(shí)踐，確定研究高速列車性能參數(shù)設(shè)計(jì)和優(yōu)化的方法，即選用拉丁超立方取樣策略、神經(jīng)網(wǎng)絡(luò)代理模型和多種MOP優(yōu)化方法相結(jié)合的設(shè)計(jì)策略。
　　(2)構(gòu)建高速列車動(dòng)力學(xué)模型和縮減設(shè)計(jì)空間
　　基于高速列車多體系統(tǒng)動(dòng)力學(xué)仿真模型的研究，提取出各部件間的拓?fù)浣Y(jié)構(gòu)關(guān)系，再抽象成物理和仿真系統(tǒng)的表達(dá)形式，得到物理實(shí)

3、驗(yàn)和仿真實(shí)驗(yàn)所涉及的全部的輸入輸出變量?；趯＜翌I(lǐng)域先驗(yàn)知識(shí)，對(duì)全部設(shè)計(jì)變量進(jìn)行綜合評(píng)定，得到對(duì)車輛動(dòng)力學(xué)影響較大的29個(gè)設(shè)計(jì)參數(shù)（含取值范圍），基于動(dòng)力學(xué)響應(yīng)性能指標(biāo)的分析確定保證列車運(yùn)行的7個(gè)響應(yīng)性能評(píng)價(jià)指標(biāo)，形成縮減的設(shè)計(jì)空間。
　　(3)改進(jìn)神經(jīng)網(wǎng)絡(luò)代理模型方案和靈敏度分析
　　提出一種設(shè)計(jì)空間預(yù)處理-LM-正則化的改進(jìn)神經(jīng)網(wǎng)絡(luò)代理模型方案，以提高神經(jīng)網(wǎng)絡(luò)的泛化能力和泛化精度，對(duì)縮減的設(shè)計(jì)空間構(gòu)建高速列車設(shè)計(jì)參數(shù)的代

4、理模型，并驗(yàn)證其精度達(dá)到要求后，提出在高速列車靈敏度分析的基礎(chǔ)上識(shí)別關(guān)鍵設(shè)計(jì)參數(shù)的新思路，并給出應(yīng)用方法。
　　(4)高速列車設(shè)計(jì)參數(shù)MOP求解方法的研究
　　基于PAC方法，將多目標(biāo)問題變成單目標(biāo)問題，分別采用遺傳算法和差分進(jìn)化算法進(jìn)行尋優(yōu)，結(jié)果顯示差分進(jìn)化算法尋到的解更優(yōu)于遺傳算法，驗(yàn)證了差分算法全局搜索能力更強(qiáng)一些。為了解決傳統(tǒng)的多目標(biāo)優(yōu)化算法結(jié)果不理想的問題，采用基于差分進(jìn)化的啟發(fā)式智能化多目標(biāo)優(yōu)化方法，在得到的20

5、0組Pareto非支配解集中，仿真驗(yàn)證該方法得到了一組各項(xiàng)指標(biāo)都不劣于CRH某型車原始設(shè)計(jì)的最優(yōu)解。結(jié)果說(shuō)明智能化多目標(biāo)優(yōu)化方法優(yōu)于傳統(tǒng)多目標(biāo)方法，同時(shí)驗(yàn)證了靈敏度分析和關(guān)鍵參數(shù)識(shí)別的正確性。
　　(5)改進(jìn)差分進(jìn)化智能算法及在高速列車設(shè)計(jì)優(yōu)化中的應(yīng)用
　　提出一種改進(jìn)的差分進(jìn)化優(yōu)化算法，該方法采用混合優(yōu)化方法所得到的非支配解重構(gòu)差分進(jìn)化的初始種群，并用此改進(jìn)差分算法在對(duì)高速列車設(shè)計(jì)優(yōu)化重新求解和仿真驗(yàn)證，得到7個(gè)指標(biāo)都優(yōu)于