بهینه‌سازی پارتو مدل تعلیق خودروی کامل سه‌بعدی با استفاده از الگوریتم ژنتیک چندهدفه

مقاله حاضر یک الگوریتم ژنتیک چندهدفه را برای طراحی بهینه یک سیستم تعلیق خودرو به کار می برد. مدل خودرو حرکت های سه بُعدی بدنه خودرو را در نظر می گیرد. در این مدل کامل خودرو که دارای 8درجه آزادی است، حرکت عمودی صندلی مسافر، بدنه خودرو و چهار تایر و همچنین حرکت های چرخشی بدنه خودرو، درجات آزادی مدل را تشکیل می دهند. در این مقاله پارامترهای کاربردی تعلیق شامل شتاب صندلی مسافر، زاویه کله زنی بدنه خودرو، زاویه غلتش بدنه خودرو، نیروی دینامیکی تایر، سرعت تایر و انحراف تعلیق در نظر گرفته می شوند و در فرآیند بهینه سازی بهینه می شوند. جفت های متفاوتی از این پارامترها به عنوان توابع هدف، انتخاب و در فرآیند بهینه سازی چندهدفه بهینه می شوند و حل های پارتو برای جفت توابع هدف به دست می آیند. در فرآیند بهینه سازی نهایی، حل پارتو مربوط به مجموع پارامترهای بی بعد در یک گروه پارامترهای تعلیق نسبت به گروه دیگر به دست می آید. در این حل های پارتو، نقاط بهینه مهمی وجود دارند و طراحان می توانند هر یک از نقاط بهینه را برای یک هدف خاص انتخاب کنند. بهینه سازی پارتو بهتر از دیگر روش های بهینه سازی چندهدفه است، زیرا تعداد نقاط بهینه بیشتری در جبهه پارتو وجود دارد که هر نقطه معرف یک سطح از بهینه سازی برای جفت توابع هدف است و طراحان هر یک از نقاط را می توانند به دلخواه انتخاب کنند.

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

The present paper applies a multiobjective genetic algorithm for optimally design of a vehicle suspension. The vehicle model considers threedimensional 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 multiobjective 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 multiobjective 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.