述系统进行多目标优化计算，图2为该多目标优化方法 流程框架示意图，具体步骤如下：
[0089] 步骤1 :依据《汽车动力转向栗及控制阀的研究》（山东理科大学等，高校理科研 究）、《电控液压助力转向系统的设计研究》（张君君，江苏大学）、《电动液压助力转向系统 控制策略及其能耗分析方法》（苏建宽等，机械设计与制造）文献公开的方法，建立电动液 压助力转向系统模型、整车动力学模型，以及能耗模型，其中电动液压助力转向系统模型包 括电机模型、转向盘模型、齿轮齿条模型、转向栗模型、转阀模型、输入和输出轴模型、液压 位置伺服控制模型、轮胎模型，通过建立转向系统模型、能耗模型，为后续步骤的转向系统 仿真及优化奠定基础；
[0090] 步骤2 :考虑汽车转向过程中的能量消耗，选取转向系统能耗、转向路感、以及转 向灵敏度作为电控液压助力转向的主要性能评价指标，建立三个性能评价指标的量化公 式；
[0091] 通过在转向齿轮上的激励对转向盘把持力矩的影响来分析系统的转向路感，计算 得到电控液压助力转向系统路感的量化公式为：
[0093] 式⑴中，Th为转向盘输入转矩，为转向螺杆的助力转矩，为齿条质量，r。为 小齿轮半径，Ill为转向系统转向盘转角到前轮转角的传动比，Jni为电机与油栗的转动惯量， Ap为液压缸活塞面积，B1^为齿条阻尼系数，Bni为电机与油栗的粘性阻尼系数，P为油液密 度，A为阀间隙的油流量面积，nv为油栗的容积效率，C q为阀间隙的流量系数，K为电机助力 系数，Ka为转向助力电机转矩系数，K s为转矩传感器刚度，k ττ为转向轴与扭杆的综合刚度， q为栗的排量，B为定子厚度，
[0094] R2为定子长轴半径，R i为定子短轴半径，Z为叶片栗叶片数，t为叶片厚度；
[0095] 转向灵敏度反映了转向系统对驾驶员转向操作响应的快慢，转向灵敏度量化公式 可以表述为：
[0097] 式（2)中，δ (s)为经拉普拉斯变换后的前轮转角，Θ s (s)为经拉普拉斯变换后的 方向盘转角，β (S)为经拉普拉斯变换后的横摆加速度，Φ (S)为经拉普拉斯变换后的质心 侧偏角，W1Xs)为经拉普拉斯变换后的横摆角速度，η为双作用叶片栗的转速，η为转向输出 轴到前轮的传动比，a为汽车质心到前轴距离，u为汽车车速，d为为车辆1/2轮距，E1为侧 倾转向系数，kp k2为前轮侧偏刚度；
[0098] 转向系统总能耗功率E包括E⑶消耗功率PEeu lc]SS、电机损失功率Pe Mt"lc]SS、液压栗 损耗功率Pp_ lciss、转阀损耗功率Pv lciss。转向系统总能耗功率E可以表述为：
[0099] CN 105151117 A 说明书 9/11 页
[0100] 式（3)中，Ua为液压栗驱动电机的有效电压，IA为发动机电流，R a为电枢电流的 负载电阻，Ra。为非电枢电流上的电阻，Us为电源电压，L为转阀开口长度，w为转阀开口宽 度，K。为转向轴刚度，Kn为转矩传感器刚度。
[0101] 步骤3 :选取对三个主要性能评价指标影响较大的親合变量：定子厚度B，电机与 油栗的转动惯量Jni，转矩传感器刚度Ks，液压栗转速N，转阀转角Θ作为电控液压助力转向 系统的设计变量；
[0102] 步骤4:根据有约束多目标高维非线性优化的要求，以转向路感和转向系统能耗 为优化目标，以转向灵敏度为系统约束条件，建立电控液压助力转向系统多目标优化模型， 电控液压助力转向系统优化的目标函数f(x)为：
[0104] 式（4)中：f (X1)为路感函数，为路面信息有效频率范围（0，ω。）的频域能量平均 值，在优化设计过程中取ω0=40Hz ;f (X2)为能耗函数，主要为系统电机的能量损耗和转阀 的能量损耗；
[0105] 电控液压助力转向系统优化的约束条件为：
[0107] 在优化过程中ω。= 40Hz，为保证转向灵敏度的合理性，对其进行约束，使得函数 满足0· 0008 < f (X3) 0099的约束条件。
[0108] 步骤5 :采用融合布谷鸟算法的改进Memetic智能算法对系统的机械参数、液压系 统参数进行优化，得出最优pareto解集，并选取设计者满意的最优妥协解。图3为融合布 谷鸟算法的改进Memetic智能算法流程图；
[0109] 如图3所示，融合布谷鸟算法的改进Memetic智能算法，将能够增强解的多样性， 加快收敛速度的布谷鸟算法移植入Memetic算法中，建立用于嵌套式局部寻优的布谷鸟算 法的数学模型，改进的Memetic智能算法是一种结合了遗传机制和局部搜索的随机优化算 法，全局搜索策略采用浮点数编码的遗传算法，局部学习策略采用布谷鸟算法。具体实现步 骤如下：
[0110] 步骤51 :编码。
[0111] 将解空间的可行解数据表示成搜索空间的浮点型串结构数据，这些串结构数据的 不同组合即构成了不同的可行解。
[0112] 步骤52 :初始种群的产生。
[0113] 产生初始种群为随机产生。对于N = 0时刻，随机产生M个可行解，具体随机产生 的可行解&为：
[0115] 步骤53:适应度计算。
[0116] 步骤54:群体协作。
[0117] 从当前群体中选取M个优良个体（适应度高）的个体，使他们有机会进入下一次 迭代过程，舍弃适应度低的个体。每个个体选择的概率与其适应度值成比例，本文中由于适 应度值总取值为负，且应趋于最小值，故选择概率如下式：
[0119] 对初始产生的M个个体，按照事先设定的杂交概率任意选取两个进行杂交运算， 或者成为交叉运算，产生新一代群体的两个新个体。本文中的杂交算子如下：
[0122] 式（8)中：Pp匕为从种群中随机选取的两个父个体；ifw、为通过交叉算子 运算后产生的子代对应新个体;％、《2为[0, 1]上随机产生的随机数。
[0123] 在杂交运算产生的新种群中，按照一定的变异概率从中选取若干个体，按下式给 出的变异算子进行变异操作：
[0125] 式（9)中：V为选取的变异参数；VnCT为变异后的参数；sign随机取0或I ;b up、blb分别为参数取值的上界和下界；r为[0, 1]上随机产生的随机数；t = gygni为种群进化的 标志，其中，g。是种群当前进化的代数，gni是种群最大的进化代数。
[0126] 步骤55:局部搜索，
[0127] 作为文化基本单元的Meme个体，融入布谷鸟算法在Meme个体的传递学习和智能 调整过程中，增强Meme个体的学习反演能力，每次交叉和变异后均进行局部搜索，通过优 化种群的分布及早剔除不良个体，使每次迭代的所有个体都达到局部最优，从而提高算法 的雄壮性，对种群中的所有个体采用布谷鸟算法选择寄生巢，保留上代最优巢，以及改变巢 位置进行个体Meme协作局部搜索，具体为：
[0128] 对步骤54)中每次交叉和变异后均进行局部搜索，对种群中的所有个体采用布谷 鸟算法，将经遗传算法得到的解作为初始种群，计算适应度，然后对鸟巢位置进行更新，按 下列公式：
[0130] 式中（10)中，Kg, i表示第i个鸟巢在第g代的鸟巢位置，Kbf3st为当前最优解，δ为 常数；
[0132] 服从莱维概率分布，u. V服从标准正态分布；
[0133] 其中，
[0134] 比较适用度，保留适用度高于上一代鸟巢的新巢；
[0135] 再按照5%的概率丢弃部分解后，采用随机游走重新生成相同数量的新解：
[0137] 式（13)中Ω& Ω&1?为g代的两个随机巢，将其补充后使得下代巢在数量上与上 代保持一致，进入下一轮寻优，选择新巢，适应度计算。直到满足最大迭代数，完成个体Meme 协作局部搜索；
[0138] 步骤56 :群体评价，经遗传算法、布谷鸟算法循环迭代优化，得到适应度最高的最 优解；
[0139] 步骤57 :检验停止条件是否满足，若满足则进行下一步解码；否，转至步骤53继 续；
[0140] 步骤58 :解码，得到优化得到的最优pareto解集；
[0141] 步骤59 :设计者选取满意的最优妥协解。
[0142] 步骤6,将优化后各参数对应的的能耗值与优化前的能耗值进行比较，若低于优化 前的能耗值，则认为优化有效，选取不同初始值进行实验，验证算法的鲁棒性，避免局部最 优解。
[