技術(shù)特征：

1.基于內(nèi)外層嵌套多目標(biāo)粒子群算法的麥弗遜懸架硬點(diǎn)坐標(biāo)優(yōu)化方法，其特征是按如下步驟進(jìn)行：

步驟1、建立麥弗遜懸架硬點(diǎn)坐標(biāo)的多目標(biāo)優(yōu)化模型；

步驟1.1、根據(jù)麥弗遜懸架系統(tǒng)的數(shù)據(jù)，建立麥弗遜懸架系統(tǒng)的動(dòng)力學(xué)模型；

步驟1.2、對(duì)所述動(dòng)力學(xué)模型進(jìn)行靈敏度分析，進(jìn)而確定所述多目標(biāo)優(yōu)化的設(shè)計(jì)變量及不確定變量；

步驟1.3、對(duì)所述動(dòng)力學(xué)模型中的前輪各定位參數(shù)分別進(jìn)行DOE試驗(yàn)，獲得在車輪跳動(dòng)時(shí)前輪各定位參數(shù)絕對(duì)值最大值的仿真數(shù)據(jù)；所述前輪各定位參數(shù)為前束角、外傾角、主銷內(nèi)傾角、主銷后傾角；

步驟1.4、基于所述仿真數(shù)據(jù)，運(yùn)用支持向量回歸方法建立前輪各定位參數(shù)絕對(duì)值最大值的SVR數(shù)學(xué)模型；

步驟1.5、采用區(qū)間分析方法分析所述不確定變量對(duì)懸架運(yùn)動(dòng)學(xué)特性的影響，從而建立如式(1)所示的面向車輛操縱穩(wěn)定性的麥弗遜懸架硬點(diǎn)坐標(biāo)的多目標(biāo)優(yōu)化模型；

$\left\{\begin{array}{c}\underset{X}{\min }\left(F_1\right(X\left)\right)\\ \underset{X}{\min }\left(F_2\right(X\left)\right)\\ s.t.x_i^{\min }\≤x_i\≤x_i^{\max },i=1,2,\mathrm{...},D\end{array}\right.---\left(1\right)$

式(1)中，x_i為設(shè)計(jì)變量，為x_i變化范圍的最小值，為x_i變化范圍的最大值，D為設(shè)計(jì)變量的維度，X＝[x₁,x₂,...,x_D]^T為設(shè)計(jì)向量，F(xiàn)₁(X)為區(qū)間f₁^I(X)的評(píng)價(jià)函數(shù)，并有：

式(2)中，f₁^C(X)為區(qū)間f₁^I(X)的中點(diǎn)；f₁^W(X)為區(qū)間f₁^I(X)的半徑；α₁、β₁為加權(quán)系數(shù)；φ₁、分別為與f₁^C(X)、f₁^W(X)大致相同的值；

式(1)中，F(xiàn)₂(X)為區(qū)間的評(píng)價(jià)函數(shù)，并有：

式(3)中，為區(qū)間的中點(diǎn)；為區(qū)間的半徑；α₂、β₂為加權(quán)系數(shù)；φ₂、分別為與大致相同的值；

步驟2、利用所述內(nèi)外層嵌套多目標(biāo)粒子群算法求解所述多目標(biāo)優(yōu)化模型，得到多目標(biāo)優(yōu)化的Pareto解集前沿；

步驟3、通過對(duì)所述前輪各定位參數(shù)的變化范圍進(jìn)行加權(quán)，建立關(guān)于前輪定位參數(shù)變化范圍的評(píng)價(jià)函數(shù)，從而根據(jù)所述評(píng)價(jià)函數(shù)從所述Pareto解集前沿中選出最優(yōu)的懸架硬點(diǎn)坐標(biāo)。

2.根據(jù)權(quán)利要求1所述的麥弗遜懸架硬點(diǎn)坐標(biāo)優(yōu)化方法，其特征是，所述步驟2是按如下步驟進(jìn)行：

步驟2.1、設(shè)置外層多目標(biāo)粒子群算法的初始參數(shù)：外層迭代次數(shù)為m，外層種群粒子個(gè)數(shù)為M，硬點(diǎn)坐標(biāo)維度為D、硬點(diǎn)坐標(biāo)的搜索范圍為SD、慣性權(quán)重系數(shù)為W、學(xué)習(xí)因子為C₁和C₂；

步驟2.2、定義M個(gè)硬點(diǎn)坐標(biāo)粒子為X＝[X₁,X₂,...,X_i,...,X_M]，X_i表示第i個(gè)硬點(diǎn)坐標(biāo)粒子，1≤i≤M；初始化第i個(gè)硬點(diǎn)坐標(biāo)粒子X_i的速度V_i和位置P_i；并初始化m＝1；

步驟2.3、在所述硬點(diǎn)坐標(biāo)的搜索范圍SD內(nèi)隨機(jī)生成第m代外層種群為表示第m代外層種群的第i個(gè)硬點(diǎn)坐標(biāo)粒子；

步驟2.4、設(shè)置內(nèi)層多目標(biāo)粒子群算法的初始參數(shù)：內(nèi)層迭代次數(shù)為n，內(nèi)層種群粒子個(gè)數(shù)為N，內(nèi)層最大迭代次數(shù)為T_max，不確定變量維度為d、不確定變量的搜索范圍為sd、慣性權(quán)重系數(shù)為ω，學(xué)習(xí)因子為c₁和c₂；

步驟2.5、定義N個(gè)不確定變量粒子為U＝[U₁,U₂,...,U_t,...,U_N]，U_t表示第t個(gè)不確定變量粒子，1≤t≤N；初始化第t個(gè)不確定變量粒子U_t的速度v_t和位置p_t、并初始化n＝1；

步驟2.6、在所述不確定變量的搜索范圍sd內(nèi)隨機(jī)生成第n代內(nèi)層種群為表示第n代內(nèi)層種群的第t個(gè)不確定變量粒子；

步驟2.7、初始化i＝1；

步驟2.8、將第m代外層種群的第i個(gè)硬點(diǎn)坐標(biāo)粒子輸入所述內(nèi)層多目標(biāo)粒子群算法，用于計(jì)算步驟2.10中的內(nèi)層適應(yīng)度函數(shù)；

步驟2.9、初始化t＝1；

步驟2.10、利用所述第i個(gè)硬點(diǎn)坐標(biāo)粒子與所述第t個(gè)不確定變量粒子計(jì)算內(nèi)層多目標(biāo)粒子群算法的內(nèi)層適應(yīng)度函數(shù)；所述內(nèi)層適應(yīng)度函數(shù)包括：所述前束角、外傾角的SVR數(shù)學(xué)模型的關(guān)系函數(shù)所述主銷內(nèi)傾角、主銷后傾角的SVR數(shù)學(xué)模型的關(guān)系函數(shù)

步驟2.11、將t+1賦值給t，并判斷t＞N是否成立，若成立，則執(zhí)行步驟2.12；否則，返回步驟2.10執(zhí)行；

步驟2.12、將n+1賦值給n，判斷n＞T_max是否成立，若成立，則表示獲得共T_max代內(nèi)層多目標(biāo)粒子群算法的N個(gè)不確定變量粒子的內(nèi)層適應(yīng)度函數(shù)值，并執(zhí)行步驟2.14；否則，執(zhí)行步驟2.13；

步驟2.13、根據(jù)所述慣性權(quán)重系數(shù)ω、學(xué)習(xí)因子c₁和c₂，更新第n代內(nèi)層種群的第t個(gè)不確定變量粒子的速度和位置從而得到第n代內(nèi)層種群U⁽ⁿ⁾；并返回步驟2.9執(zhí)行；

步驟2.14、從所述N個(gè)不確定變量粒子的內(nèi)層適應(yīng)度函數(shù)值中選取所述前束角、外傾角的最大值和最小值，從所述N個(gè)不確定變量粒子的內(nèi)層適應(yīng)度函數(shù)值中選取所述主銷內(nèi)傾角、主銷后傾角的最大值和最小值，并分別構(gòu)成取值區(qū)間和輸出至外層多目標(biāo)粒子群算法；

步驟2.15、利用式(4)和式(5)計(jì)算第i個(gè)硬點(diǎn)坐標(biāo)粒子的外層多目標(biāo)粒子群算法的外層適應(yīng)度函數(shù)和

步驟2.16、將i+1賦值給i，并判斷i＞M是否成立，若成立，則執(zhí)行步驟2.17；否則，返回步驟2.8執(zhí)行；

步驟2.17、將m+1賦值給m，并判斷外層多目標(biāo)粒子群算法是否滿足收斂條件，若滿足，則輸出Pareto解集前沿；否則，執(zhí)行步驟2.18；

步驟2.18、根據(jù)所述慣性權(quán)重系數(shù)W、學(xué)習(xí)因子C₁和C₂；更新第m代外層種群第i個(gè)硬點(diǎn)坐標(biāo)粒子的速度和位置從而得到第m代外層種群X^(m)，并返回步驟2.7執(zhí)行。