بهينه سازي پارتو مدل تعليق خودروي كامل سه بعدي با استفاده از الگوريتم ژنتيك چندهدفه

Pareto Optimization of a Three-Dimensional Full Vehicle Suspension Model Using Multi-Objective Genetic Algorithm

مقاله حاضر يك الگوريتم ژنتيك چندهدفه را براي طراحي بهينه يك سيستم تعليق خودرو به كار مي برد. مدل خودرو حركت هاي سه بعدي بدنه خودرو را در نظر مي گيرد. در اين مدل كامل خودرو كه داراي 8درجه آزادي است، حركت عمودي صندلي مسافر، بدنه خودرو و چهار تاير و همچنين حركت هاي چرخشي بدنه خودرو، درجات آزادي مدل را تشكيل مي دهند. در اين مقاله پارامترهاي كاربردي تعليق شامل شتاب صندلي مسافر، زاويه كله زني بدنه خودرو، زاويه غلتش بدنه خودرو، نيروي ديناميكي تاير، سرعت تاير و انحراف تعليق در نظر گرفته مي شوند و در فرآيند بهينه سازي بهينه مي شوند. جفت هاي متفاوتي از اين پارامترها به عنوان توابع هدف، انتخاب و در فرآيند بهينه سازي چندهدفه بهينه مي شوند و حل هاي پارتو براي جفت توابع هدف به دست مي آيند. در فرآيند بهينه سازي نهايي، حل پارتو مربوط به مجموع پارامترهاي بي بعد در يك گروه پارامترهاي تعليق نسبت به گروه ديگر به دست مي آيد. در اين حل هاي پارتو، نقاط بهينه مهمي وجود دارند و طراحان مي توانند هر يك از نقاط بهينه را براي يك هدف خاص انتخاب كنند. بهينه سازي پارتو بهتر از ديگر روش هاي بهينه سازي چندهدفه است، زيرا تعداد نقاط بهينه بيشتري در جبهه پارتو وجود دارد كه هر نقطه معرف يك سطح از بهينه سازي براي جفت توابع هدف است و طراحان هر يك از نقاط را مي توانند به دلخواه انتخاب كنند.

The present paper applies a multi-objective genetic algorithm for optimally design of a vehicle suspension. The vehicle model considers three-dimensional movements of vehicle body. In this full vehicle model having 8 degrees of freedom, vertical movement of passenger seat, vehicle body, and 4 tires as well as rotational movements of vehicle body create the degrees of freedom of the model. In this paper, applicable suspension parameters, consisting of passenger seat acceleration, vehicle body pitch angle, vehicle body roll angle, dynamic tire force, tire velocity, and suspension deflections are considered and optimized in optimization process. Different pairs of these parameters are selected as objective functions and optimized in multi-objective optimization processes, and Pareto solutions are obtained for pair of objective functions. In final optimization process, the Pareto solution related to the summation of dimensionless parameters in one suspension parameters group versus other group, is derived. In these Pareto solutions, there are important optimum points and designers can choose any optimum points for a particular purpose. Pareto optimization is better than other multi-objective optimization methods because there are more optimum points on Pareto front, where each point represents a level of optimization for the pairs of objective functions, and designers can choose any of the points to specific purpose.