自适应径向基函数在整车耐撞性多目标优化中的应用

"这篇论文是2011年中国机械工程第22卷第4期的一篇文章，由陈国桥、韩旭、刘桂萍和赵子衡等人撰写，研究主题聚焦于基于自适应径向基函数（Adaptive Radial Basis Function, ARBF）的整车耐撞性多目标优化。他们提出了一种结合微型多目标遗传算法（Micro-Multi-Objective Genetic Algorithm, μMOGA）的方法，旨在优化汽车的碰撞安全性。" 文章中，作者首先介绍了自适应径向基函数代理模型，这是一种用于近似复杂函数的强大工具。在优化整车耐撞性的过程中，该模型能够有效地处理多目标优化问题。在每个迭代步骤，他们利用最优拉丁超立方设计来确定样本点，这有助于提高模型的代表性。同时，通过遗传最优拉丁超立方设计选取测试点，以此评估径向基函数代理模型的误差，并寻找最优的光滑参数。光滑参数的选择对模型的精度至关重要，因为它影响了模型的拟合度和复杂性。 接着，论文提到了隔代映射遗传算法，这是一种进化计算方法，用于更新和改进模型的误差评价。当所有目标代理模型在测试点的误差都达到预设阈值时，他们会使用贪婪算法筛选并添加最后的迭代步中的测试点到样本空间，进一步提升模型的精度。 最后，作者采用了微型多目标遗传算法对满足误差要求的自适应径向基函数模型进行优化，以获取Pareto前沿面。Pareto前沿面是多目标优化中表示各目标之间非劣解集的边界，它帮助工程师根据实际需求和经验在不同的优化目标之间进行权衡，找出一系列最优的妥协解，以平衡汽车的耐撞性各个方面。 关键词包括自适应径向基函数、光滑参数、多目标优化和整车耐撞性，表明了研究的核心内容。论文的分类号和文章编号则提供了文献检索的相关信息。 这篇论文提出了一个创新的多目标优化策略，通过结合自适应径向基函数和微型多目标遗传算法，有效地解决了汽车耐撞性优化的问题，为车辆安全设计提供了新的理论支持和技术手段。