基于层级分解的前围声学包多目标优化

来源：振动与冲击杂志2025年第3期北京时间：

作者：杨帅,，吴宪wuxian，薛顺达

单位：1.同济大学汽车学院，上海201804；2.拾音汽车科技(上海)有限公司，上海201100

摘要：搭建了前围声学包多层级目标分解架构，提出GAPSO-RBFNN（Genetic Algorithm Particle Swarm Optimization-Radial basis function neural network，GAPSO-RBFNN）预测模型，并将其应用于多层级目标分解架构。将材料数据库、覆盖率、泄漏量作为优化的变量范围，以PBNR均值作为约束，以重量和成本作为优化目标，采用NSGA-II（Nondominated Sorting Genetic Algorithm II，NSGA-II）算法进行多目标优化，得到Pareto多目标解集。并从中选取满足设计目标的最佳组合方案（材料组合、覆盖率、前围过孔密封方案选型）。结果显示，该模型最终的优化结果与实测结果接近，误差分别为0.35%，1.47%，1.82%，相较于初始声学包方案，优化后的结果显示，PBNR（Power Based Noise Reduction，PBNR）均值提升3.05%，其重量降低52.38%，成本降低15.15%，验证了所提方法的有效性和准确性。<br>

关键词：GAPSO-RBFNN、声学包、PBNR、NSGA-II、Pareto多目标解集