一种基于改进细胞膜优化算法的汽车底盘系统集成多目标优化方法与流程

本发明涉及汽车底盘系统领域，特别是汽车底盘系统集成及基于该集成系统的多目标优化方法。

背景技术：

转向系统与悬架系统是汽车底盘系统中影响车身姿态的两大关键系统，是保证车辆行驶平顺性、操作稳定性和安全性的重要组成部件。通常在分析悬架系和转向系的性能时，人们习惯把它们对车辆行驶平顺性和操纵稳定性的影响相对独立开来，即对悬架系和转向系建立独立的互不干扰的动力学模型来进行分析。假设垂直方向的输入对汽车的横摆运动和横向运动无影响，即悬架的运动不影响转向系；同样轮胎产生的侧向力只限于操纵稳定性考虑的范围，对汽车垂直方向的运动无影响，即转向系的运动不影响悬架运动。这样假设，可以简化分析范围，但是在汽车实际行使过程中，路面在给车辆提供转向侧向力的同时，也给也给悬架系统输入了一个垂向的干扰，因此，汽车在垂向和横向的运动是相互影响，相互耦合的，必须对这种影响加以考虑，才能完全实现对车辆实际运动的建模分析。悬架的作用除支撑车辆、隔离路面干扰外，还将控制转向时的车身姿态，并传递来自轮胎的力。即同样的车身运动可由行驶输入引起，如路面不平引起的车身侧倾；也可由操纵方面引起，如转向时引起的车身侧倾。把两者独立研究，这与现代车辆控制技术不断走向集成控制的发展方向相违背。另一方面，从汽车理论可知，平顺性和操纵稳定性可视为一对矛盾，两者通常呈相反的变化趋势，一个改善必然会导致另一个恶化，这归根结底是由于两者的动力学模型严格区分，不能同时进行分析和优化的结果。因而对底盘系统进行分析研究，建立转向系和悬架系的集成优化模型并提出相应的集成优化算法和策略就变得极为迫切了。

此外，多目标算法的研究对提升汽车底盘系统的综合性能具有重大意义。细胞膜优化算法是一种新型的仿生智能算法，其通过研究物质进入细胞膜的的过程，将细胞膜对物质的选择机制应用到对优化结果的选择上，并通过实验检验，具有良好的优化效果。但是传统的细胞膜优化算法，一方面存在着优化收敛较慢的缺点，在优化前期容易陷入局部最优解，在优化后期，随着想最优解的逼近，优化效率降低；另一方面，传统的细胞膜优化算法在解集的多样性方面与nsga-ii，多岛遗传算法等具有一定差距，其多样性需要进一步改善。

技术实现要素：

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于改进细胞膜优化算法的汽车底盘系统集成多目标优化方法。

本发明为解决上述技术问题采用以下技术方案：

所述多目标优化方法，包含如下步骤：

1)建立新型电动助力转向系统模型、整车动力学模型，主动悬架系统模型，路面输入模型，轮胎模型，其中新型电动助力转向系统模型包括方向盘输入模型、转向伺服电机模型、助力电机模型、输出轴模型、齿轮齿条模型；

2)将新型电动助力转向系统的转向路感、转向灵敏度以及主动悬架系统的平顺性作为新型电动助力转向的性能评价指标，并建立量化公式；

其中，转向路感的量化公式为：

式中：x1＝je+n1jp1+jp2+g²jm；

y1＝be+n1bp+bp+g²bm；

z1＝n1ks+gn1kkaks。

其中，s为拉普拉斯算子，e(s)为转向路感，th为转向盘输入转矩，相应的th(s)为经拉普拉斯变换后的转向盘输入转矩，tw为作用在输出轴上的反作用转矩，tw(s)为经拉普拉斯变换后作用在输出轴上的反作用转矩，n1为转向伺服电机的定子转角与转子转角的比值。ks为转向柱等效刚度，je为输出轴的转动惯量，jp1为转向伺服电机定子部分的转动惯量，jp2为转向伺服电机转子部分的转动惯量；be为输出轴的阻尼系数；g为涡轮-蜗杆减速机构的减速比；jm为助力电机和离合器的转动惯量，bm为助力电机粘性阻尼系数，bp为转向伺服电机转向时的粘性阻尼，k为助力电机助力增益，ka为电动机转矩系数。

转向灵敏度的量化公式为：

其中，

x2＝n2g²jm+n1n2jp1+n2jp2+n2je；

y2＝n2g²bm+n1n2bp+n2bp+n2be；

a2＝-ixzlβyδ+ixzlδyβ-ixnβyδ+ixnδyβ+mulpnδ+mshlβnδ-mshlδnβ

a1＝lpnβyδ-lpnδyβ-mulδnφ+mulφnδ+mshunδyφ-mshunφyδ

a0＝-lβnφyδ+lβnδyφ-lδnβyφ+lδnφyβ+lφnβyδ-lφnδyβ

b1＝izlβyφ-izlφyβ+ixznβyφ-ixznφyβ-lpnβyr+lpnryβ

+mulpnβ-mulφnr+mulrnφ+mshunφyr-mshunryφ

b0＝lβnφyr-lβnryφ-lφnβyr+lφnryβ+lrnβyφ-lrnφyβ

-mulβnφ+mulφnβ+mshunβyφ-mshunφyβ

f3＝i²xzyδ-ixizyδ-mshizlδ-mshixznδ

f1＝-izlδyφ+izlφyδ-ixznδyφ+ixznφyδ+lpnδyr-lpnryδ-mulpnδ

f0＝-lδnφyr+lδnryφ+lφnδyr-lφnryδ-lrnδyφ+lrnφyδ

+mulδnφ-mulφnδ+mshunφyδ-mshunδyφ

h2＝-muizlδ-muixznδ-mshuizyδ

h1＝-izlβyδ+izlδyβ-ixznβyδ+ixznδyβ

+mulδnr-mulrnδ-mshunδyr+mshunryδ

h0＝-lβnδyr+lβnryδ+lδnβyr-lδnryβ-lrnβyδ+lrnδyβ

+mulβnδ-mulδnβ+mshunδyβ-mshunβyδ

nβ＝-a(k1+k2)+b(k3+k4)

nφ＝-ae1(k1+k2)+be2(k3+k4)

nδ＝a(k1+k2)；

yβ＝-(k1+k2+k3+k4)

yφ＝-(k1+k2)e1-(k3+k4)e2

yδ＝k1+k2；

lβ＝-(k1+k2+k3+k4)h

lθ＝-[(c21-c22)a+(c23-c24)b]d

lδ＝(k1+k2)h

lp＝-(d21+d22+d23+d24)d²

le＝-[(d21-d22)a+(d23-d24)b]d

式(2)中，δ(s)为经拉普拉斯变换后的前轮转角，θs(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，wr(s)为经拉普拉斯变换后的横摆角速度，n2为从转向螺杆到前轮的传动比，u为汽车车速，b为质心到车辆后轴距离，d为车辆1/2轮距，e1为侧倾转向系数，k1、k2分别为汽车左前轮和右前轮的侧偏刚度；h为汽车的侧倾力臂；m为汽车的整车质量；ms为汽车的簧载质量；ix为汽车的悬挂质量对x轴的转动惯量；iy为汽车的悬挂质量对y轴的转动惯量；iz为汽车的悬挂质量对z轴的转动惯量；ixz为汽车的悬挂质量对x，z轴的惯性积；e1为汽车的前侧倾转向系数；e2为汽车的后侧倾转向系数；ca1为汽车的前悬架横向稳定杆角刚度；ca2为汽车的后悬架横向稳定杆角刚度；c21、c22分别为汽车的左前悬架刚度和右前悬架刚度；c23、c24分别为汽车的左后悬架刚度和右后悬架刚度；d21、d22分别为汽车的左前悬架阻尼系数和右前悬架阻尼系数；d23、d24分别为汽车的左后悬架阻尼系数和右后悬架阻尼系数。

转向稳定性条件：

选择转向灵敏度传递函数的分母：

q6s⁶+q5s⁵+q4s⁴+q3s³+q2s²+q1s¹+q0(3)

其中：

q6＝x2b4

q5＝x2b3+y2b4

q4＝x2b2+y2b3+z2b4

列出其routh表如下：

按照routh判据，要求routh表中第一列各值为正；

汽车平顺性指标包括车身振动加速度、悬架的动挠度、和车轮动载荷，其中，悬架系统模型为：

式(5)中，m11,m12分别为汽车的左前非悬挂质量和右前非悬挂质量，m13,m14分别为汽车的左后非悬挂质量和右后非悬挂质量，z11,z12分别为汽车的左前非悬挂质量处的垂直位移和右前非悬挂质量处的垂直位移，z13,z14分别为汽车的左后非悬挂质量处的垂直位移和右后非悬挂质量处的垂直位移。z1,z2分别为汽车的左前轮处路面输入位移和右前轮处路面输入位移，z3,z4分别为汽车的左后轮处路面输入位移和右后轮处路面输入位移，为车身振动加速度；

车身振动加速度传递函数：

悬架动挠度传递函数：

车轮动载荷传递函数：

为路面不平度输入，z21,z22分别为汽车的左前悬挂质量处的垂直位移和右前悬挂质量处的垂直位移，z23,z24分别为汽车的左后悬挂质量处的垂直位移和右后悬挂质量处的垂直位移。

车身振动加速度悬架的动挠度δd和车轮动载荷fd三个振动响应量，它们的功率谱密度与路面输入量的功率谱密度可表示为：

式中：为频率，即为幅频特性gx(f)为响应量功率谱密度；为路面输入量的功率谱密度。

根据随机振动理论，响应均方值为：

式中：σx为振动响应量的标准差。

3)根据doe实验结果，选取对上述优化目标影响较大的参数作为优化变量，选取转向伺服电机的传动比n1、转矩传感器刚度ks(n.m/rad)和电动机转动惯量jm(kg.m²)，悬架刚度c21，c22，c23，c24(n/m)，悬架横向稳定杆角刚度ca，ca2(n.m/rad)，悬架阻尼d21，d22，d23，d24(n.s/m)和轮胎侧偏刚度k1，k2，k3，k4(n/rad)作为设计变量。假设车辆前后悬架两侧具有相同的刚度和阻尼，设前后轮胎两侧侧偏刚度相等，综上所述，集成优化系统选取的优化设计变量为：

x＝[n1、ks、jm、k1、k3、c21、c23、d21、d23、ca1、ca2]；(11)

4)以集成系统的转向路感、转向灵敏度以及平顺性作为优化目标，以转向稳定性和转向灵敏度，以及悬架动挠度限为约束条件，建立集成系统多目标优化模型，其目标函数表示为

式中，f1(x)表示路感在路面信息的有效频率范围(0，ω0)的频域能量平均值；ω0表示路面信息中有用信号的最大频率值，优化设计中取ω0＝40hz，f2(x)表示灵敏度在路面信息的有效频率范围(0，ω0)的频域能量平均值，f3(x)表示平顺性，w0、wi、wj+4为权重，s0、si、sj+4为比例因子。

5)首先，集成系统中转向系统需要满足routh判据，即：

q6＞0；q5＞0；a1＞0；b1＞0；c1＞0；d1＞0；q0＞0

此外，要求转向灵敏度能量在一定的范围，以确保驾驶员获得良好的转向灵敏度，即

0.0008≤f(x2)≤0.0099；

最后，悬架的动挠度δd要求在一定范围内，本优化设置为:

0.06≤δd≤0.1；

6)采用改进的细胞膜融合算法对上述参数进行优化，根据优化结果得出最优pareto解集，并选取最优妥协解；

7)以最优妥协解下各参数设置作为优化结果，完成优化。

进一步，本发明所述改进的细胞膜优化算法具体步骤如下：

步骤a)，随机产生种群规模为n的初代种群p0。

步骤b)，对种群进行划分

采用topsis方法对种群进行排序，取前ps比例的物质为脂溶性物质，排在后面的都作为非脂溶性物质；再根据物质浓度高低，将非脂溶性物质划分为两类：高浓度非脂溶性物质和低浓度非脂溶性物质；

对于某物质y，它所处的浓度定义为其邻域范围内所包含的物质数占总物质数的百分比：

其中，con为该物质周围浓度，m为总物质的数量，n表示xi中到y的距离小于r×(u-l)的个数，其中，r为计算物质浓度采用的半径系数，u为解空间的上界值，l为解空间的下界值；

所有浓度的平均值meancon为：

若非脂溶性物质所处的浓度大于meancon，那么将该物质划分为高浓度非脂溶性物质，否则将其划分为低浓度非脂溶性物质；

步骤c),脂溶性物质扩散

对于每个脂溶性物质在以该物质为中心、r^a为半径的搜索区域内，随机生成新的k1个物质并对超出搜索范围的部分进行修正；

接着搜索半径向量进行收缩rnew^a＝r^a×u；(15)

开始时搜索半径向量r^a计算方法为：

其中，r∈[0,1]，b＝3,t为进化设置最大代数，t为优化当前代数,t的初始值为0；当t较小时，s(t)≈1，搜索半径相对较大，当t较大时，s(t)≈0，搜索半径相对较小，加快搜索速度；

搜索范围的修正方法为：对于任意k，若则令若则令其中，uk为解空间的第k维上界值，lk为解空间的第k维下界值；

步骤d)，高浓度非脂溶性物质运动

令每个高浓度非脂溶性物质存在载体的概率为p1，若rand[0,1]≤p1，则该物质可以协助扩散，从高浓度侧运动到低浓度侧，并令新位置为局部搜索中心否则令原位为局部搜索中心；

接着，该物质会进行k次的局部搜索运动，在此之前，需要初始化搜索半径向量

搜索后，记录k2个新物质

步骤e)，低浓度非脂溶性物质运动

令每个低浓度非脂溶性物质存在载体的概率为p2；

令低浓度非脂溶性物质的能量均处于[0,1]内，且按线性分布；

首先计算每个低浓度非脂溶性物质的函数值再将这些函数值进行从小到大排序；

函数值最小的物质其能量eⁱ为emin，函数值最大的物质其能量eⁱ为emax，其他物质的能量eⁱ介于emin与emax之间，并按照排序的顺序线性计算，其中，emin与emax为[0,1]内的常数，在这里emin取为0，emax取为1；

如果某物质存在载体和足够的能量，那么它可以进行主动运输，从低浓度侧到高浓度侧，并令新位置为局部搜索中心否则令原位为局部搜索中心；

低浓度非脂溶性物质主动运输后的新位置

接着，初始化搜索半径

然后，在以为中心和以r^c为半径的搜索区域内，随机运动k3次，并对它们的范围进行修正；

记录k3个新物质

步骤f),生成参考点、参考线

根据优化目标的数量m以及人为划分的搜索段数g，决定在优化空间中均匀分布的参考点的数量h

将形成的参考点与优化空间的初始点(可设置为原点)相连，所连的线段称为参考线。

步骤g)，生成新种群

计算脂溶性物质、高浓度非脂溶性物质、低浓度非脂溶性物质所产生的新一代个体，若个体数小于或者等于n，则所有个体作为下一子代，记为pt+1；否则需要对子代进行筛选，根据遗传算法的小生境操作，选取n个个体进入下一代种群，其筛选方式为：根据非支配排序，等级高的非支配层个体优先进入，直到种群数量第一次达到或者超过n(假设此时支配层数为l)，刚好达到n，则以上非支配层的所有个体均进入新一代种群，否则前l-1层全部进入新种群，l层需要重新筛选，根据l层个体与参考线的垂直距离进行排序，同时比较与l层个体相关联的参考线是否与其他前l-1层个体与之相关联，如果有，再进行比较，当l层个体与参考线相距更近，则保留到下一代种群，否则将按顺序取下一个l层个体，直到使下一代个体数量达到n，如果在l层搜索不到足够的个体，则妥协，将距参考线更近的个体收入下一代种群，使种群数量达到n。

步骤h)，判断优化是否终止

若t<t，则对t进行加1操作，并修正搜索半径r^a、r^b、r^c，返回步骤b)并进入迭代，若t＝t，则对解集进行排序，形成pareto解集，给出优化解，优化结束。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1.本发明提出的汽车底盘系统多目标优化方法，以提升转向系统及悬架两个方面的综合性能为目标，在转向系统方面，通过提高转向路感以提升驾驶员驾驶感受，提高转向系统灵敏度以提高汽车的操纵性能；在悬架系统方面，以转向系统的平顺性为优化目标。综合转向与悬架的性能要求，对多个优化目标进行优化，可以有效改善汽车底盘系统的综合性能，同时，为汽车其他系统的优化奠定基础，提供方法、理论指导。

2.本发明提出的改进的细胞膜优化算法，将非支配排序、基于参考点的小生境选择机制与传统的细胞膜优化算法相融合，通过传统细胞膜优化算法产生子代个体，通过非支配排序与小生境操作对子代个体进行筛选，可以有效的提高多目标优化结果解的多样性，提升多目标优化算法的效率。

附图说明

图1为底盘集成系统优化方法流程图；

图2为改进的细胞膜优化算法流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，所述多目标优化方法，其特征在于，包含如下步骤：

1)建立新型电动助力转向系统模型、整车动力学模型，主动悬架系统模型，路面输入模型，轮胎模型，其中新型电动助力转向系统模型包括方向盘输入模型、转向伺服电机模型、助力电机模型、输出轴模型、齿轮齿条模型；

模型建立方法参见《汽车动力转向泵及控制阀的研究》(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)等文献公开的方法；

2)将新型电动助力转向系统的转向路感、转向灵敏度以及主动悬架系统的平顺性作为新型电动助力转向的性能评价指标，并建立量化公式；

其中，转向路感的量化公式为：

式中：x1＝je+n1jp1+jp2+g²jm；

y1＝be+n1bp+bp+g²bm；

z1＝n1ks+gn1kkaks。

s为拉普拉斯算子，e(s)为转向路感，th为转向盘输入转矩，相应的th(s)为经拉普拉斯变换后的转向盘输入转矩，tw为作用在输出轴上的反作用转矩，tw(s)为经拉普拉斯变换后作用在输出轴上的反作用转矩，n1为转向伺服电机的定子转角与转子转角的比值；ks为转向柱等效刚度，s、je为输出轴的转动惯量，jp1为转向伺服电机定子部分的转动惯量，jp2为转向伺服电机转子部分的转动惯量；be为输出轴的阻尼系数；g为涡轮-蜗杆减速机构的减速比；jm为助力电机和离合器的转动惯量，bm为助力电机粘性阻尼系数，bp为转向伺服电机转向时的粘性阻尼，k为助力电机助力增益，ka为电动机转矩系数。

转向灵敏度的量化公式为：

其中，

x2＝n2g²jm+n1n2jp1+n2jp2+n2je；

y2＝n2g²bm+n1n2bp+n2bp+n2be；

a2＝-ixzlβyδ+ixzlδyβ-ixnβyδ+ixnδyβ+mulpnδ+mshlβnδ-mshlδnβ

a1＝lpnβyδ-lpnδyβ-mulδnφ+mulφnδ+mshunδyφ-mshunφyδ

a0＝-lβnφyδ+lβnδyφ-lδnβyφ+lδnφyβ+lφnβyδ-lφnδyβ

b1＝izlβyφ-izlφyβ+ixznβyφ-ixznφyβ-lpnβyr+lpnryβ

+mulpnβ-mulφnr+mulrnφ+mshunφyr-mshunryφ

b0＝lβnφyr-lβnryφ-lφnβyr+lφnryβ+lrnβyφ-lrnφyβ

-mulβnφ+mulφnβ+mshunβyφ-mshunφyβ

f3＝i²xzyδ-ixizyδ-mshizlδ-mshixznδ

f1＝-izlδyφ+izlφyδ-ixznδyφ+ixznφyδ+lpnδyr-lpnryδ-mulpnδ

f0＝-lδnφyr+lδnryφ+lφnδyr-lφnryδ-lrnδyφ+lrnφyδ

+mulδnφ-mulφnδ+mshunφyδ-mshunδyφ

h2＝-muizlδ-muixznδ-mshuizyδ

h1＝-izlβyδ+izlδyβ-ixznβyδ+ixznδyβ

+mulδnr-mulrnδ-mshunδyr+mshunryδ

h0＝-lβnδyr+lβnryδ+lδnβyr-lδnryβ-lrnβyδ+lrnδyβ

+mulβnδ-mulδnβ+mshunδyβ-mshunβyδ

nβ＝-a(k1+k2)+b(k3+k4)

nφ＝-ae1(k1+k2)+be2(k3+k4)

nδ＝a(k1+k2)；

yβ＝-(k1+k2+k3+k4)

yφ＝-(k1+k2)e1-(k3+k4)e2

yδ＝k1+k2；

lβ＝-(k1+k2+k3+k4)h

lθ＝-[(c21-c22)a+(c23-c24)b]d

lδ＝(k1+k2)h

lp＝-(d21+d22+d23+d24)d²

le＝-[(d21-d22)a+(d23-d24)b]d

δ(s)为经拉普拉斯变换后的前轮转角，θs(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，wr(s)为经拉普拉斯变换后的横摆角速度，n2为从转向螺杆到前轮的传动比，u为汽车车速，d为车辆1/2轮距，e1为侧倾转向系数，k1、k2分别为汽车左前轮和右前轮的侧偏刚度；h为汽车的侧倾力臂；m为汽车的整车质量；ms为汽车的簧载质量；ix为汽车的悬挂质量对x轴的转动惯量；iy为汽车的悬挂质量对y轴的转动惯量；iz为汽车的悬挂质量对z轴的转动惯量；ixz为汽车的悬挂质量对x，z轴的惯性积；e1为汽车的前侧倾转向系数；e2为汽车的后侧倾转向系数；ca1为汽车的前悬架横向稳定杆角刚度；ca2为汽车的后悬架横向稳定杆角刚度；c21、c22分别为汽车的左前悬架刚度和右前悬架刚度；c23、c24分别为汽车的左后悬架刚度和右后悬架刚度；d21、d22分别为汽车的左前悬架阻尼系数和右前悬架阻尼系数；d23、d24分别为汽车的左后悬架阻尼系数和右后悬架阻尼系数。

转向稳定性条件：

选择转向灵敏度传递函数的分母：

q6s⁶+q5s⁵+q4s⁴+q3s³+q2s²+q1s¹+q0(3)

其中：

q6＝x2b4

q5＝x2b3+y2b4

q4＝x2b2+y2b3+z2b4

列出其routh表如下：

按照routh判据，要求routh表中第一列各值为正。

汽车平顺性指标包括车身振动加速度、悬架的动挠度、和车轮动载荷，其中，悬架系统模型为：

式中，m11,m12分别为汽车的左前非悬挂质量和右前非悬挂质量，m13,m14分别为汽车的左后非悬挂质量和右后非悬挂质量，z11,z12分别为汽车的左前非悬挂质量处的垂直位移和右前非悬挂质量处的垂直位移，z13,z14分别为汽车的左后非悬挂质量处的垂直位移和右后非悬挂质量处的垂直位移。z1,z2分别为汽车的左前轮处路面输入位移和右前轮处路面输入位移，z3,z4分别为汽车的左后轮处路面输入位移和右后轮处路面输入位移，为车身振动加速度

车身振动加速度传递函数：

悬架动挠度传递函数：

车轮动载荷传递函数：

为路面不平度输入，z21,z22分别为汽车的左前悬挂质量处的垂直位移和右前悬挂质量处的垂直位移，z23,z24分别为汽车的左后悬挂质量处的垂直位移和右后悬挂质量处的垂直位移。

车身振动加速度悬架的动挠度δd和车轮动载荷fd三个振动响应量，它们的功率谱密度与路面输入量的功率谱密度可表示为：

式中：为频率，即为幅频特性gx(f)为响应量功率谱密度；为路面输入量的功率谱密度。

根据随机振动理论，响应均方值为：

式中：σx为振动响应量的标准差。

3)根据doe实验结果，选取对上述优化目标影响较大的参数作为优化变量，选取转向伺服电机的传动比n1、转矩传感器刚度ks(n.m/rad)和电动机转动惯量jm(kg.m²)，悬架刚度c21，c22，c23，c24(n/m)，悬架横向稳定杆角刚度ca，ca2(n.m/rad)，悬架阻尼d21，d22，d23，d24(n.s/m)和轮胎侧偏刚度k1，k2，k3，k4(n/rad)作为设计变量。假设车辆前后悬架两侧具有相同的刚度和阻尼，设前后轮胎两侧侧偏刚度相等，综上所述，集成优化系统选取的优化设计变量为：

x＝[n1、ks、jm、k1、k3、c21、c23、d21、d23、ca1、ca2]。(11)

4)以集成系统的转向路感、转向灵敏度以及平顺性作为优化目标，以转向稳定性和转向灵敏度，以及悬架动挠度限为约束条件，建立集成系统多目标优化模型，其目标函数表示为

式中，f1(x)表示路感在路面信息的有效频率范围(0，ω0)的频域能量平均值；ω0表示路面信息中有用信号的最大频率值，优化设计中取ω0＝40hz，f2(x)表示灵敏度在路面信息的有效频率范围(0，ω0)的频域能量平均值，f3(x)表示平顺性，w0、wi、wj+4为权重，s0、si、sj+4为比例因子。

5)首先，集成系统中转向系统需要满足routh判据，即：

q6＞0；q5＞0；a1＞0；b1＞0；c1＞0；d1＞0；q0＞0

此外，要求转向灵敏度能量在一定的范围，以确保驾驶员获得良好的转向灵敏度，即

0.0008≤f(x2)≤0.0099

最后，悬架的动挠度δd要求在一定范围内，本优化设置为:

0.06≤δd≤0.1

6)采用改进的细胞膜融合算法对上述参数进行优化，根据优化结果得出最优pareto解集，并选取最优妥协解；

7)以最优妥协解下各参数设置作为优化结果，完成优化。

本实施例中，如图2所示，所述改进的细胞膜优化算法其特征在于，包括如下步骤：

步骤a)，随机产生种群规模为n的初代种群p0。

步骤b)，对种群进行划分

采用topsis方法对种群进行排序，取前ps比例的物质为脂溶性物质，排在后面的都作为非脂溶性物质；再根据物质浓度高低，将非脂溶性物质划分为两类：高浓度非脂溶性物质和低浓度非脂溶性物质；

对于某物质y，它所处的浓度定义为其邻域范围内所包含的物质数占总物质数的百分比：

其中，con为该物质周围浓度，m为总物质的数量，n表示xi中到y的距离小于r×(u-l)的个数，其中，r为计算物质浓度采用的半径系数，u为解空间的上界值，l为解空间的下界值；

所有浓度的平均值meancon为：

若非脂溶性物质所处的浓度大于meancon，那么将该物质划分为高浓度非脂溶性物质，否则将其划分为低浓度非脂溶性物质；

步骤c),脂溶性物质扩散

对于每个脂溶性物质在以该物质为中心、r^a为半径的搜索区域内，随机生成新的k1个物质并对超出搜索范围的部分进行修正；

接着搜索半径向量进行收缩rnew^a＝r^a×u；(15)

开始时搜索半径向量r^a计算方法为：

其中，r∈[0,1]，b＝3,t为进化设置最大代数，t为优化当前代数,t的初始值为0；当t较小时，s(t)≈1，搜索半径相对较大，当t较大时，s(t)≈0，搜索半径相对较小，加快搜索速度；

搜索范围的修正方法为：对于任意k，若则令若则令其中，uk为解空间的第k维上界值，lk为解空间的第k维下界值；

步骤d)，高浓度非脂溶性物质运动

令每个高浓度非脂溶性物质存在载体的概率为p1，若rand[0,1]≤p1，则该物质可以协助扩散，从高浓度侧运动到低浓度侧，并令新位置为局部搜索中心否则令原位为局部搜索中心；

接着，该物质会进行k次的局部搜索运动，在此之前，需要初始化搜索半径向量

搜索后，记录k2个新物质

步骤e)，低浓度非脂溶性物质运动

令每个低浓度非脂溶性物质存在载体的概率为p2；

令低浓度非脂溶性物质的能量均处于[0,1]内，且按线性分布；

首先计算每个低浓度非脂溶性物质的函数值再将这些函数值进行从小到大排序；

函数值最小的物质其能量eⁱ为emin，函数值最大的物质其能量eⁱ为emax，其他物质的能量eⁱ介于emin与emax之间，并按照排序的顺序线性计算，其中，emin与emax为[0,1]内的常数，在这里emin取为0，emax取为1；

如果某物质存在载体和足够的能量，那么它可以进行主动运输，从低浓度侧到高浓度侧，并令新位置为局部搜索中心否则令原位为局部搜索中心；

低浓度非脂溶性物质主动运输后的新位置

接着，初始化搜索半径

然后，在以为中心和以r^c为半径的搜索区域内，随机运动k3次，并对它们的范围进行修正；

记录k3个新物质

步骤f),生成参考点、参考线

根据优化目标的数量m以及人为划分的搜索段数g，决定在优化空间中均匀分布的参考点的数量h:

将形成的参考点与优化空间的初始点(可设置为原点)相连，所连的线段称为参考线。

步骤g)，生成新种群

计算脂溶性物质、高浓度非脂溶性物质、低浓度非脂溶性物质所产生的新一代个体，若个体数小于或者等于n，则所有个体作为下一子代，记为pt+1；否则需要对子代进行筛选，根据遗传算法的小生境操作，选取n个个体进入下一代种群，其筛选方式为：根据非支配排序，等级高的非支配层个体优先进入，直到种群数量第一次达到或者超过n(假设此时支配层数为l)，刚好达到n，则以上非支配层的所有个体均进入新一代种群，否则前l-1层全部进入新种群，l层需要重新筛选，根据l层个体与参考线的垂直距离进行排序，同时比较与l层个体相关联的参考线是否与其他前l-1层个体与之相关联，如果有，再进行比较，当l层个体与参考线相距更近，则保留到下一代种群，否则将按顺序取下一个l层个体，直到使下一代个体数量达到n，如果在l层搜索不到足够的个体，则妥协，将距参考线更近的个体收入下一代种群，使种群数量达到n。

步骤h)，判断优化是否终止

若t<t，则对t进行加1操作，并修正搜索半径r^a、r^b、r^c，返回步骤b)并进入迭代，若t＝t，则对解集进行排序，形成pareto解集，给出优化解，优化结束。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。