中圖分類號(hào)：U463.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-8639（2025）07-0161-03

Optimal Designof AutomobileCollision SafetyBased onGeneticAlgorithi

YanYanjun，Zhang Yuyu （Shanxi Institute of Mechanical amp; Electrical Engineering，Changzhi O46O11，China）

【Abstract】With the continuous growth ofcar ownership，theproblem of occupant safetyprotection intrafic accidentshasatracted much atention.The traditionalcollsionsafety design ismainly through single-objective optimization，anditisdifculttoeffectivelycoordinatetheconflictbetweensafety，lightweightandcost.Genetic algorithmprovidesanew ideaformulti-objectivecolaborativeoptimization becauseof itsglobal searchabilityand paralel computing characteristics.Therefore，thispaper discusses thesafetydesign of automobilecolision，aimingat buildingamulti-objectiveoptimization modelbasedongeneticalgorithm，providinganewmethod forautomobile safety design withboth effciencyand accuracy，and promoting thecoordinateddevelopmentof itssafetyperformance and economic benefits.

【Key words】 genetic algorithm；automobile colision safety；multi-objective optimization；lightweight design

據(jù)統(tǒng)計(jì)，全球每年因交通事故造成的死亡人數(shù)超過130萬，其中側(cè)面碰撞與正面碰撞事故的占比很高，為降低事故傷亡率，中國新車評(píng)價(jià)規(guī)程C-NCAP在2021版中新增了柱碰測(cè)試場(chǎng)景。這些變化對(duì)車身結(jié)構(gòu)設(shè)計(jì)提出了更高挑戰(zhàn)。然而，傳統(tǒng)人工試錯(cuò)法依賴工程師經(jīng)驗(yàn)，開發(fā)周期長，且基于單目標(biāo)優(yōu)化的數(shù)值仿真雖能減少試驗(yàn)次數(shù)，但難以處理多參數(shù)耦合問題，嚴(yán)重制約優(yōu)化效率。遺傳算法作為仿生算法的代表，通過模擬生物進(jìn)化中的選擇、交叉與變異機(jī)制，可在高維參數(shù)空間中快速定位全局最優(yōu)解。文章將探索建立基于遺傳算法的汽車碰撞安全優(yōu)化模型方法，揭示關(guān)鍵結(jié)構(gòu)參數(shù)對(duì)碰撞性能的影響規(guī)律，形成可復(fù)用的多目標(biāo)協(xié)同優(yōu)化技術(shù)體系，期望能夠推動(dòng)智能算法與工程實(shí)踐的深度融合，助力汽車產(chǎn)業(yè)實(shí)現(xiàn)安全性能與綜合效益的全面提升。

1遺傳算法模型的構(gòu)建

1.1參數(shù)設(shè)置與編碼規(guī)則

遺傳算法是一種模擬自然選擇和遺傳學(xué)機(jī)制的優(yōu)化算法，它通過模擬生物進(jìn)化過程，利用選擇、交叉和變異等操作從初始種群出發(fā)，逐步產(chǎn)生更適應(yīng)環(huán)境的個(gè)體，以尋找問題的最優(yōu)解。在遺傳算法中，參數(shù)決定了算法的運(yùn)行效率，而編碼規(guī)則將實(shí)際問題轉(zhuǎn)化為計(jì)算機(jī)可以處理的數(shù)值形式。遺傳算法的核心參數(shù)有四個(gè)：種群規(guī)模、迭代次數(shù)、交叉率、變異率。種群規(guī)模表示每一代中包含的個(gè)體數(shù)量，較大的種群能覆蓋更多可能的解，但計(jì)算時(shí)間也會(huì)增加；迭代次數(shù)是算法運(yùn)行的輪數(shù)，根據(jù)問題復(fù)雜度調(diào)整；交叉率控制兩個(gè)父代個(gè)體交換基因的概率，一般設(shè)定為 60%～90% 。變異率則是基因發(fā)生隨機(jī)改變的概率，用于保持種群多樣性。編碼是將汽車設(shè)計(jì)參數(shù)轉(zhuǎn)化為遺傳算法中“基因”的過程，車身結(jié)構(gòu)的厚度、材料強(qiáng)度等參數(shù)需要編碼為數(shù)字串。在汽車碰撞優(yōu)化中，可采用實(shí)數(shù)編碼。假設(shè)需要優(yōu)化5個(gè)車身參數(shù)，參數(shù)用實(shí)數(shù)表示。

1.2適應(yīng)度函數(shù)與進(jìn)化機(jī)制

適應(yīng)度函數(shù)需量化汽車碰撞安全性能，可假設(shè)優(yōu)化目標(biāo)為減少乘客艙變形量 D 和提高能量吸收率 E 進(jìn)行加權(quán)求和將其合并為單一適應(yīng)度值：

式中： w_1? w₂ -權(quán)重系數(shù)（均取0.5），表示兩個(gè)目標(biāo)的優(yōu)先級(jí)。變形量 D 越小越好；能量吸收率 E 越高越好。需加入約束條件一車身總質(zhì)量 M 不得超過限值 M_max ，若 Mgt;M_max ，F(xiàn)itness _：=0 ，超重的設(shè)計(jì)會(huì)被直接淘汰。

進(jìn)化過程分為三步：一是選擇，可使用輪盤賭選擇法根據(jù)適應(yīng)度值篩選優(yōu)質(zhì)個(gè)體；二是交叉，隨機(jī)選取兩個(gè)父代個(gè)體，交換部分基因以生成新個(gè)體；三是變異，隨機(jī)改變某個(gè)體的部分基因值。通過反復(fù)迭代，算法逐漸淘汰低適應(yīng)度的設(shè)計(jì)，保留并改進(jìn)優(yōu)質(zhì)方案，最終逼近最優(yōu)解。

2 試驗(yàn)設(shè)計(jì)

2.1 試驗(yàn)方法

試驗(yàn)方法分為以下兩步。第1步是用計(jì)算機(jī)模擬汽車碰撞的過程。研究人員先用專業(yè)軟件把汽車的每個(gè)零部件拆分成無數(shù)個(gè)小方塊，并給這些方塊設(shè)定材料屬性，接著，設(shè)定碰撞場(chǎng)景一讓這輛“虛擬汽車”以 50km/h 的速度撞上一堵墻。電腦會(huì)根據(jù)物理定律計(jì)算碰撞時(shí)車身的變形、能量吸收情況、乘客受到的沖擊力。第2步是用遺傳算法優(yōu)化設(shè)計(jì)。遺傳算法會(huì)隨機(jī)生成100＼～200種不同的車身設(shè)計(jì)方案，每種方案都會(huì)通過第1步的碰撞模擬得到評(píng)分。算法會(huì)優(yōu)先選中評(píng)分高的方案作為“父母”讓它們互相交換部分設(shè)計(jì)參數(shù)，同時(shí)程序還會(huì)隨機(jī)微調(diào)某些參數(shù)進(jìn)行“變異”。經(jīng)過幾百輪這樣的篩選、交叉、變異后，剩下的方案會(huì)越來越安全，同時(shí)保持汽車車身輕便[2]。

2.2 指標(biāo)選取

在汽車碰撞安全優(yōu)化中，指標(biāo)包括車身結(jié)構(gòu)中的關(guān)鍵部件（前縱梁、車門防撞梁、B柱等），這些部件在碰撞中承擔(dān)著力學(xué)任務(wù)。其中，車門防撞梁在側(cè)碰中需承受特定載荷閾值，并且要避免單一部件的冗余設(shè)計(jì)，保持車身輕量化。此外還要平衡高成本材料的使用范圍，最終實(shí)現(xiàn)安全、輕量與成本的協(xié)同優(yōu)化3。多維度評(píng)價(jià)指標(biāo)見表1。

結(jié)合表1，車門防撞梁厚度設(shè)定 1.2mm 的下限是基于法規(guī)對(duì)側(cè)碰中車門抗凹陷能力的強(qiáng)制要求，而2.0mm 的上限則通過輕量化仿真確定；前縱梁吸能量設(shè)定為 ?18kJ ，低于該值正面沖擊能量將無法被充分吸收；車頂橫梁抗壓強(qiáng)度范圍 350～500MPa ，于350MPa 無法抵御翻滾沖擊，超過 500MPa 則會(huì)因材料成本驟增失去量產(chǎn)可行性。保險(xiǎn)杠潰縮距離的約束為 80～120mm ，過短距離會(huì)導(dǎo)致碰撞初期峰值力過高，過長則擠壓了動(dòng)力總成部件。B柱高強(qiáng)鋼比例設(shè)定為 50%～80% ，比例過低會(huì)導(dǎo)致結(jié)構(gòu)屈曲，過高則會(huì)因材料成形難度增加制造成本。底盤連接螺栓數(shù)量設(shè)定為8＼～12個(gè)。

3 試驗(yàn)結(jié)果

3.1遺傳算法性能評(píng)估

在汽車碰撞安全優(yōu)化中，遺傳算法以車身零部件的關(guān)鍵參數(shù)為基因，通過選擇、交叉和變異操作生成多代方案，最終輸出綜合評(píng)分最高的設(shè)計(jì)。本試驗(yàn)中對(duì)算法設(shè)置了100次迭代上限，初始種群包含50組隨機(jī)參數(shù)組合，通過適應(yīng)度函數(shù)計(jì)算每組方案的安全評(píng)分、評(píng)分和成本評(píng)分，并動(dòng)態(tài)調(diào)整權(quán)重以實(shí)現(xiàn)平衡。遺傳算法性能評(píng)估指標(biāo)見表2。

表2顯示，遺傳算法在30次迭代內(nèi)即可收斂到穩(wěn)定解，安全評(píng)分提升 22% 說明優(yōu)化后方案顯著增強(qiáng)了車輛抗撞能力，標(biāo)準(zhǔn)差僅 ±1.5% 表明算法具有高穩(wěn)定性，10次獨(dú)立試驗(yàn)中安全評(píng)分波動(dòng)極小，證明優(yōu)化結(jié)果可靠。

3.2汽車安全碰撞整體效能

從汽車車身結(jié)構(gòu)安全性看，車門防撞梁厚度增加至 1.8mm 后，側(cè)面碰撞試驗(yàn)中車門變形量減少了37% ，將乘員艙侵入量控制在 120mm 以內(nèi)能夠避免車門擠壓造成的腿部損傷風(fēng)險(xiǎn)。依據(jù)正面碰撞測(cè)試結(jié)果，發(fā)動(dòng)機(jī)艙潰縮距離宜穩(wěn)定在 95mm 區(qū)間，這一區(qū)間既能充分吸收沖擊力，又不會(huì)侵占駕駛艙生存空間。車頂橫梁可采用抗壓強(qiáng)度 480MPa 的高強(qiáng)鋼，經(jīng)翻滾測(cè)試，車頂僅下陷 12mm ，顯著減小了車體下陷對(duì)乘員頭部的擠壓風(fēng)險(xiǎn)。B柱高強(qiáng)鋼比例優(yōu)化至70% ，同時(shí)將配合底盤連接件數(shù)量增至10個(gè)，汽車偏置碰撞中車身變形對(duì)稱性得到了明顯改善。汽車保險(xiǎn)杠潰縮距離調(diào)整為 105mm 后，在低速碰撞中減少了維修成本。綜合而言，優(yōu)化方案在滿足CNCAP五星安全標(biāo)準(zhǔn)的前提下將車身增重控制在 4.2% （約28kg ），材料成本增幅為 12% ，達(dá)到了安全、輕量化與成本可控的工程平衡。所有試驗(yàn)結(jié)果均通過計(jì)算機(jī)仿真與實(shí)車碰撞測(cè)試雙重驗(yàn)證，證明遺傳算法在多目標(biāo)優(yōu)化中具備實(shí)用價(jià)值。

4結(jié)論

本文基于遺傳算法對(duì)汽車碰撞安全設(shè)計(jì)進(jìn)行多目標(biāo)優(yōu)化，研究結(jié)果表明，遺傳算法能夠高效處理車身結(jié)構(gòu)參數(shù)間的復(fù)雜沖突，優(yōu)化后車身安全評(píng)分提升 22% ，和成本增幅分別控制在 4.2% 與 12% ，驗(yàn)證了算法在平衡安全性與經(jīng)濟(jì)性方面的有效性。未來改進(jìn)方向包括：引入實(shí)時(shí)碰撞仿真加速適應(yīng)度計(jì)算，將單次迭代時(shí)間從 45min 縮短至 10min ；同時(shí)，增加環(huán)境溫度、材料疲勞等現(xiàn)實(shí)變量，使優(yōu)化結(jié)果更貼近實(shí)際使用場(chǎng)景。這些改進(jìn)將有助于進(jìn)一步提升算法在汽車安全設(shè)計(jì)中的實(shí)用價(jià)值，為復(fù)雜工程問題提供高效解決方案。

注：本文為山西省教育科學(xué)“十四五”規(guī)劃2024年度規(guī)劃課題“數(shù)字化背景下基于專業(yè)導(dǎo)向的線性代數(shù)課程資源建設(shè)研究”（項(xiàng)目編號(hào)：GH-240527）的研究成果。

參考文獻(xiàn)

[1]黃益紹，袁朋濤.基于遺傳算法的車輛縱向跟隨模糊PID控制[J].公路與汽運(yùn)，2025，41（1）：12-17.

[2]馬佳輝，余建國.基于改進(jìn)遺傳算法的混合動(dòng)力變速器生產(chǎn)優(yōu)化研究[J].機(jī)電工程技術(shù)，2024，53（12）：101-104，145.

[3]萬娜娜，李紅英，詹慧貞.混合遺傳算法下電動(dòng)汽車充電樁容量測(cè)試方法[J].計(jì)算機(jī)仿真，2024，41（3）：88-92.

[4]田國紅，代鵬杰.基于單親遺傳算法的無人駕駛汽車主動(dòng)避撞方法[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2023，53（8）：2404-2409.

[5]金盧佳，楊秀娥，陳昂，等.基于遺傳算法的機(jī)動(dòng)車制動(dòng)系統(tǒng)故障診斷方法分析[J].中國機(jī)械，2023（10）：88-91.

（編輯楊凱麟）