基于多策略增强型蛇优化算法的主动悬架最优反馈控制.pdf

摘要

近年来人们对汽车从最初的代步需求转变上升为对舒适性的追求。悬架系统作

为汽车的减振装置，对人们驾乘舒适性有着重要作用。被动悬架成本较低，应用广

泛，但因自身固定的弹性刚度和阻尼系数，导致其在复杂道路或者车速变化等工况

下的适应性较差。因此，主动悬架已然成为各大车企抢占市场的必备因素。

为解决主动悬架系统线性二次型输出调节器(LinearQuadraticRegulator,LQR)权

重系数矩阵的整定问题，本文提出一种基于多策略增强型蛇优化算法(multistrategy

AdvancedSnakeOptimizer,ASO)的LQR控制策略即ASO-LQR控制策略。首先以二

自由度四分之一、四自由度半车这两个主动悬架为研究对象，建立其动力学模型并

转化为状态空间表达式，作为后续线性二次型输出调节器设计的前提。其次基于谐

波白噪声法推导出了随机路面模型，还有依据减速带路面的振动效果而建立了冲击

路面模型。这两种路面模型作为了悬架系统的扰动激励输入。

然后针对蛇优化算法(SnakeOptimizer,SO)存在的收敛速度慢、寻优精度不足、

稳定性不足等问题，提出3点增强型策略，从而设计出多策略增强型蛇优化算法

(ASO算法)，即通过佳点集和对立学习提高初始蛇群的质量；利用自适应振荡权重

增强蛇群个体的移动能力；引入遗传算法(GeneticAlgorithm,GA)的交叉-变异算子

并行有哪些信誉好的足球投注网站解空间，以及莱维飞行扰动最优解，提高算法对局部最优的逃逸能力。基

于23个基准函数对ASO算法、SO算法、GA算法、灰狼算法(GreyWolfOptimizer,

GWO)、人工蜂群算法(ArtificialBeeColonyAlgorithm,ABC)先后进行30维变量情

况、10至50维变量变化情况下的测试对比。数据结果表明，ASO算法可对多个函

数达到理论最优均值，并拥有极低的波动，相比其他优化算法具有较强的优势。

最后对主动悬架系统设计LQR控制器，构造基于多个悬架性能指标的线性加权

适应度函数，用来作为ASO算法与悬架系统LQR控制器的连接纽带。对二自由度

四分之一悬架、四自由度半车悬架分别进行随机路面、冲击路面工况下的振动仿

真。仿真结果表明：ASO-LQR-主动悬架系统可在轮胎动载荷和悬架动行程的安全

范围内，较好地抑制车身加速度和俯仰角加速度，保障了驾乘人员的舒适感。

关键词：主动悬架；线性二次型输出调节器；蛇优化算法；增强型策略；振动仿真

I

目录

摘要I

ABSTRACTII

1绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1主动悬架执行机构研究现状2

1.2.2主动悬架控制算法研究现状6

1.3研究内容与章节安排11

1.3.1研究内容11

1.3.2章节安排11

2车辆主动悬架系统与路面激励的建模13

2.1主动悬架系统的动力学模型13

2.1.1二自由度四分之一主动悬架13

2.1.2四自由度半车主动悬架15

2.2路面激励模型18

2.2.1随机路面激励18

2.2.2冲击路面激励21

2.3本章小结22

3多策略增强型蛇优化算法(ASO)23

3.1蛇优化算法的基本理论23

3.2多策略增强型蛇优化算法设计25

3.2.1初始蛇群质量提升策略25

3.2.2蛇群个体移动能力提升策略26

3.2.3局部最优逃逸策略27

3.3多策略增强型蛇优化算法流程28

3.4算法性能分析30