技术特征：
1.一种基于改进粒子群算法的分动箱齿轮优化设计方法，其特征在于：该方法的实现过程如下，步骤1：建立分动箱齿轮的参数化模型，根据机械设计相关理论计算约束条件量，分动箱齿轮模数m、齿数z、第一级减速比i
12
、齿宽系数φ
a
、总中心距a、齿轮与轴不干涉、齿面接触疲劳强度σ
h
、齿根弯曲强度σ
f
；步骤2：确定粒子群的个数，优化参数的优化约束范围，粒子更新速度，惯性权重参数，建立粒子群算法，算法中其中惯性权重与粒子更新的速度将随着局部最优解与全局最优解的改变而实时修正；步骤3：使用matlab编写粒子群算优化程序，计算分动箱齿轮的最优设计参数。2.根据权利要求1所述的一种基于改进粒子群算法的分动箱齿轮优化设计方法，其特征在于：所述的分动箱由输入轴1、中间轴2、输出轴3、输入轴齿轮z1、中间轴齿轮z2、z3、z5，输出轴齿轮z4、z6组成；其中z1与z2啮合，z3、z5为滑移齿轮；发动机的动力经过轴1传递到中间轴，当滑移齿轮z3、z5与轴3上齿轮z4啮合时，轴3输出一个转速，当与轴3上齿轮z6啮合时，轴3输出另一个转速；当滑移齿轮、与轴3上齿轮、都不啮合时，轴3没有输出。3.根据权利要求1所述的一种基于改进粒子群算法的分动箱齿轮优化设计方法，其特征在于：该方法的具体实现过程如下，步骤1，目标函数的建立，以分动箱所有齿轮的体积最小和分动箱总中心距最小为优化目标，f1(x)为齿轮总体积的目标函数，f2(x)为齿轮箱总中心距的目标函数，因而有：(x)为齿轮箱总中心距的目标函数，因而有：上式中为d
i
＝mz
i
为齿轮的节圆直径，i＝1，2，3，4，5，6；b
j
＝mz
j
φ
a
为齿宽，j＝1，2，3，4，5，6，z1，z2，z3，z4分别为齿轮z1、z2、z3、z4的齿数；1.1齿轮齿数z2，z4，z6的计算与分动箱配套使用的发动机的标定转速n
e
是1500r/min，发动机额定功率为36kw，并且当发动机的转速达到标定转速的80％～90％时，经轴1、轴2传递到轴3的抵档、高档转速分别需满足标准转速540r/min或1000r/min，本文在设计时选取百分比为90％，因而有齿轮z3与z4，z5与z6分别啮合时，分动箱高低档位的传动比满足：分别啮合时，分动箱高低档位的传动比满足：上式中i
34
和i
56
分别为齿轮z3与z4啮合，z5与z6啮合时，分动箱第二级减速比，因而有：z2＝i
12
·
z1ꢀꢀꢀꢀꢀ
(5)
因而分动箱齿轮优化总的目标函数为：min f(x)＝(f1(x)f2(x))
t
ꢀꢀꢀꢀꢀ
(8)需要优化的参数为：x＝[x1，x2，x3，x4，x5，x6]＝[m，z1，z3，z5，i
12
，φ
a
]
t
步骤2，待优化参数的约束条件2.1模数m
i
的限值由分动箱的强度及结构设计确定齿轮模数范围为1～3，即g
1，3，5
(x)＝-(m
1，3，5-1)≤0，g
2，4，6
(x)＝m
2，4，6-3≤0；2.2齿数z1，z3，z5的限制一般用途的齿轮，标准压力角α为20
°
，为避免根切，在此压力角下标准直齿轮的小齿轮齿数应≥17，因而有：g
7，8，9
(x)＝-(z
1，3，5-17)≤02.3第一级减速比i
12
限制g
10
(x)＝-(i
12-1.35)＜0，g
11
(x)＝i
12-2.5＜02.4齿宽系数φ
a
的限制齿宽系数，规定值为0.2，0.25，0.3，0.4，0.5，0.6，0.8，1.0，1.2。有：g
12
(x)＝-(φ
a-0.3)≤0，g
13
(x)＝φ
a-0.6≤02.5总中心距a设计分动箱在设计的串联式混合动力拖拉机中位置安装在发动机和发电机之间，为了避免pto与发电机干涉，要求输入轴1与输出轴3的距离，即分动箱总中心距大于选用的发电机的宽度270mm，即：g
14
(x)＝-(a-270)≤02.6齿轮与轴不干涉轴1、2、3的轴径分别为d1，d2，d3，因而有齿轮z2与轴3不干涉，齿轮z3与轴1不干涉，齿轮z5与轴1不干涉。同时，齿轮副z3z4与z5z6的中心距要满足要求，即有：的中心距要满足要求，即有：的中心距要满足要求，即有：g
18
(x)＝a
34-a
56
＝0上式中，d1、d3为轴1、轴3直径，d
a2
，d
a3
，d
a5
分别为齿轮z2、z3、z5的齿顶圆直径，d
a2，3，5
＝(z
2，3，5
+2)
·
m；2.7齿轮副齿面接触疲劳强度约束齿轮副z1z2、z3z4、z5z6的接触疲劳强度约束有：g
19，20，21
(x)＝σ
h12，34，56-[σ
h
]≤02.8齿轮齿根弯曲强度约束齿轮z1、z2、z3、z4、z5、z6的齿根弯曲强度约束为：
g
22，23，24，25，26，27
(x)＝σ
f1，2，3，4，5，6-[σ
f
]≤0步骤3，改进的粒子群算法由于优化参数以及目标函数均为多个，所以采用粒子群算法对其进行优化，假设x
i
＝(x
i，1
，x
i，2
，
…
，x
i，n
)是微粒i的当前位置，v
i
＝(v
i，1
，v
i，2
，
…
v
i，n
)是微粒i的当前飞行速度，那么粒子群算法的进化方程如下：v
i，j
(t+1)＝ω*v
i，j
(t)+c1rand1()(p
i，j
(t)-x
i，j
(t))+c2rand2()(p
g，t
(t)-x
i，j
(t))
ꢀꢀꢀ
(9)x
i，j
(t+1)＝x
i，j
(t)+v
i，j
(t+1)
ꢀꢀꢀꢀꢀ
(10)p
i
(t)＝(p
i，1
(t)，p
i，2
(t)，
…
，p
i，n
(t))
ꢀꢀꢀꢀꢀꢀ
(11)p
g
(t)＝(p
g，1
(t)，p
g，2
(t)，
…
，p
g，n
(t))
ꢀꢀꢀꢀꢀꢀ
(12)上式中t表示迭代代数；p
i
(t)表示微粒i迄今为止经过的历史最好位置；p
g
(t)是当前粒子群搜索到的最好位置，也称为全局最好位置；c1，c2为学习因子，c1主要是为了调节微粒向自身的最好位置飞行的步长，c2是为了调节微粒向全局最好位置飞行的步长，rand1()，rand2()是在[0，1]上的两个相互独立的随机数。ω为惯性权重，它具有维护全局和局部搜索能力的平衡作用，可以使得微粒保持运动惯性，使其有扩展空间搜索的趋势，有能力搜索到新的区域。ω＝ω
max-ω
k
*t
ꢀꢀꢀꢀꢀꢀ
(13)其中ω
max
为初始的最大惯性权重值，ω
k
为惯性权重系数的递减斜率；改进的粒子群算法计算程序用matlab编写，其计算流程为将整个迭代周期分为前期i、中期ii、后期iii三个子周期，在每一个子周期里，惯性权重在最合适的区间范围内波动，具体策略如下：(1)在周期i中，当惯性权重ω的值不超过合适区间范围的下限，惯性权重线性递减，即ω＝ω
max-ω
k
*t；
ꢀꢀꢀꢀꢀꢀꢀ
(14)(2)在周期ii中，当算法迟迟得不到比当前更优的最优解时，使惯性权重ω在某次迭代加入一定量的常数扰动。此时粒子群群算法更新迭代计算公式如下：v
i，j
(t+1)＝ω*v
i，j
(t)+c1rand1()(p
i，j
(t)-x
i，j
(t))+c2rand2()(p
g，t
(t)-x
i，j
(t))x
i，j
(t+1)＝x
i，j
(t)+v
i，j
(t+1)ω＝ω
max-ω
k
*t+r
t
；r
t
∈[0，0.1]
ꢀꢀꢀꢀꢀ
(15)其中r
t
为扰动常数，本文在一定的扰动概率下取r
t
为0.1。(3)在周期iii中，动态自适应的改变惯性权重系数。在35％的概率下，将周期ii中(15)的惯性权重乘以一个固定范围内的系数。该系数在0.9-1.1区间内。即：v
i，j
(t+1)＝ω*v
i，j
(t)+c1rand1()(p
i，j
(t)-x
i，j
(t))+c2rand2()(p
g，t
(t)-x
i，j
(t))x
i，j
(t+1)＝x
i，j
(t)+v
i，j
(t+1)ω＝(ω
max-ω
k
*t)*r+r
t
r∈[0.9，1.1]
ꢀꢀꢀꢀꢀꢀꢀ
(16)同时为了防止粒子聚集导致损失多样性，还要在后期引入随机个体来保持粒子群的多样性。在25％的概率下，将解空间里的某一随机个体与粒子群算法得到的粒子进行相应替换。一般在较小概率的引入随机个体，不会影响粒子群算法实际的迭代趋势。