DOI： 10.11817/j.issn.1672-7207.2020.06.027

基于自由变形技术的汽车除霜风道导流板参数优化

曹斯诗¹,张志飞¹,徐中明¹,贺岩松¹,陈竹²,周涛²

（1. 重庆大学 汽车工程学院，重庆，400044；

2. 重庆长安跨越车辆有限公司，重庆，404000）

摘要:针对汽车除霜风道结构复杂、不易于参数优化等问题，采用自由变形技术，对除霜风道内复杂形状的导流板进行快速参数化。将3块导流板放入晶胞型控制框架中，并选取5个位置的晶格控制点作为变形控制点；采用拉丁超立方试验设计方法构建42组样本，建立高可信度的径向基模型；利用遗传算法对导流板进行寻优，最后对优化后的结果进行数值模拟。研究结果表明：借助自由变形技术能有效改善前挡风玻璃表面A和B区的流场分布并提高对流换热能力，使A区除霜面积达到80%和100%的时间分别提前17 s和40 s，B区除霜面积达到95%的时间提前6 s。由此可见，自由变形技术可用于对除霜风道内复杂形状的导流板进行简单、高效的参数优化。

关键词:除霜性能；导流板；自由变形技术；径向基模型；遗传算法

中图分类号:U461.1      文献标志码:A           开放科学(资源服务)标识码(OSID)

文章编号:1672-7207（2020）06-1721-09

Parameter optimization of vehicle defrosting deflector based on free form deformation

CAO　Sishi¹, ZHANG　Zhifei¹, XU　Zhongming¹, HE　Yansong¹, CHEN　Zhu², ZHOU　Tao²

(1. School of Automotive Engineering, Chongqing University, Chongqing 400044, China；

2. Chongqing Changan Kuayue Automotive Company, Chongqing 404000, China)

Abstract: In order to solve the problem that the complex structure of defrosting duct is hard to parameterize in the optimization of vehicle defrosting performance, a fast and effective parameterization method, i.e, free form deformation(FFD) was adopted. The lattice control points at 5 positions of three deflectors which were put into the cellular control frame, were selected as the deformation control points. Through the Latin hypercube experimental design method, 42 groups of samples were constructed, and a highly reliable radial basis approximate model was established. Then, the genetic algorithm was employed to get the optimal model of 3 deflectors. Finally, the optimal model was simulated numerically. The results show that the distribution of flow field and the capacity of convection heat transfer on the A and B zones are improved by using FFD method. Compared to the initial model, the time when the defrost area of A zone reaches 80% and 100% is 17 s and 40 s earlier, and the time when the defrost area of B zone reaches 95% is 6 s earlier by using the FFD method. Thus, FFD can be used to conduct simple and efficient parameterization of the complex shape of the deflector in the defrosting duct.

Key words: defrosting performance; deflector; free form deformation; radial basis function approximate model; genetic algorithm

驾驶员快速从结霜的前挡风玻璃获得清晰的视野，对行车安全至关重要，因此，如何提高汽车除霜系统性能具有重要的实际意义。而随着计算流体力学的不断进步，数值模拟方法已成为国内外学者研究汽车除霜性能的主要手段之一。GOLDASTEH等^[1]利用k-ε湍流模型对前挡风玻璃表面风速分布进行仿真，并与实验结果进行对比，验证了仿真结果的准确性。邓峰等^[2]利用半舱模型探讨了风速、湿度、温度等参数对除霜、除雾性能的影响。赵林林等^[3]利用实验和数值模拟的方法，证实整车进行除霜性能稳态仿真可用半舱模型代替。李明等^[4]利用k-ε湍流模型研究了出风道结构特征、出风口冲击角和温升规律对除霜效果的影响。KUMAR等^[5]优化了前挡风玻璃表面风速分布，证实了风速分布对融霜速度有较大影响。JAHANI等^[6]证实除霜风道结构对前挡风玻璃表面风速分布有较大影响。谷正气等^[7]对除霜风道内的导流板进行参数优化，消除了前挡风玻璃表面的吹风死角，满足了除霜要求。虽然国内外学者对汽车除霜系统进行了大量研究，证实k-ε湍流模型能准确模拟汽车除霜性能，除霜风道结构会影响前挡风玻璃表面风速分布，从而影响除霜速度，但由于汽车除霜风道形状往往比较复杂，且不易选取参数进行优化，因此，寻求除霜风道的快速参数优化方法非常重要。自20世纪80年代以来，SEDERBERG等^[8]提出自由变形技术(free form deformation，FFD)，由于FFD技术可对复杂几何进行简单、高效参数化，因而在航空、汽车等气动优化设计领域得到广泛应用。SAMAREH^[9]证实了自由变形技术在气动优化中能减少参数数量，是一种有效的气动形状优化方法。LEE等^[10]将FFD技术和B样条曲面控制技术应用于3种优化问题，发现FFD技术更适合复杂形状的参数优化。王丹等^[11]验证了FFD技术对飞机快速参数化的应用效果，使飞机的气动阻力显著减小。汪怡平等^[12-13]利用自由变形技术对汽车进行快速参数化，并建立近似模型，成功实现了汽车的气动减阻优化。考虑到自由变形技术能对复杂几何进行简单、高效的参数化的优势和除霜风道结构复杂、不易参数化的缺点，本文作者将自由变形技术应用到汽车除霜系统参数优化中。为了验证自由变形技术在汽车除霜系统优化中的可行性，以某轻型载货汽车的除霜系统作为优化对象；综合考虑该车除霜的稳态和瞬态仿真结果后，选取驾驶员侧除霜风道内的3块导流板放入晶胞型控制框架中进行参数化；利用拉丁超立方试验设计，搭建可信度高的径向基模型，最后采用遗传算法寻得导流板的最优参数，并比较优化前后的除霜性能。

1 汽车除霜性能的数值模拟

1.1　模型的建立与网格划分

图1所示为乘员舱及玻璃分区示意图。根据GB 11555—2009^[14]将图1中的前挡风玻璃划分为A，和B区。

图1　乘员舱及玻璃分区示意图

Fig. 1　Schematic diagram of the passenger compartment and glass partition

除霜系统内气流流动复杂，因此，对除霜系统内网格进行加密处理；对空气域采用网格质量好、求解稳定性好的六面体网格，玻璃域采用四棱柱网格进行离散；近壁面采用3层四棱柱网格，总厚度为3 mm，网格厚度增长率为1.2。求解域中截面网格划分如图2所示。网格单元数约为629万个，玻璃厚度为4 mm。

图2　求解域中截面网格划分

Fig. 2　Meshing of the section in the solution domain

1.2　边界条件与物理条件设置

计算域入口设置为质量流入口，流量为280 m³/h；出口设置为压力出口，为1×10⁵ Pa；空间离散格式为二阶迎风格式，计算方法为SIMPLE算法，湍流模型为Realizable k-ε模型。在瞬态计算时，除霜风道入口送风温度如图3所示；设置霜层厚度为0.44 mm，环境温度为255.13 K，设置玻璃、空气和冰层物性如表1所示；步进为1 s，最大内部迭代为5步，计算时长为2 400 s。

图3　送风口温升曲线

Fig. 3　Temperature rise curve of air inlet

表1　材料物理属性

Table 1　Physical properties of materials

1.3　初始模型除霜效果分析

对该款轻型载货汽车模型进行除霜稳态分析，计算所得前挡风玻璃内表面的速度场如图4所示。由图4可见：在1.5 m/s和2.0 m/s以上风速覆盖区中，A区的覆盖面积比区的覆盖面积小。图5所示为不同时刻前挡风玻璃冰层厚度云图。由图5可见：融霜速度受风速分布影响较大，即A区融霜速度比区的慢，且在A区右下侧前挡风玻璃融霜速度最慢。

图4　挡风玻璃内表面速度分布云图

Fig. 4　Cloud image of velocity distribution on windshield

根据GB 11555—2009规定，A区、区和B区均满足除霜要求，但区风速分布比A区的均匀，这使得A区除霜速度明显比的区慢，且驾驶员正对A区，使A区遮挡驾驶员视线的时间较长，不利于行车安全。因此，有必要提高A区除霜速度，使驾驶员快速获得清晰的视野，从而提高行车安全性。

图5　不同时刻前挡风玻璃冰层厚度云图

Fig. 5　Cloud image of windshield’s ice thickness at different time

2 基于自由变形技术的除霜优化模型

在汽车暖通系统鼓风机功率不变的情况下，A区融霜速度主要受挡风玻璃表面暖风气流分布情况的影响，而在不改变除霜风道的外形条件下，气流的分布主要由除霜风道内导流板的几何形状决定^[4-7]，合理布置驾驶员侧除霜风道内的导流板几何形状对A区的除霜性能非常重要，因此，选取驾驶员侧除霜风道内主要影响A区流场的J₁，J₂和J₃导流板进行变形优化，其在风道内的布置如图6所示。

图6　除霜风道内导流板安装位置示意图

Fig. 6　Schematic diagram of installation position of inner deflector in defrosting duct

由于导流板J₁，J₂和J₃几何形状较复杂，且难于多参数优化，现引进自由变形技术对导流板J₁，J₂和J₃进行快速参数化，尽量减少参数数量。

2.1　自由变形技术

自由变形技术FFD采用Bernstein基函数来建立晶格控制点与晶胞型控制框架内任意点位置之间的函数关系^[8]，其表达式为

(1)

式中：(s,t,u)为晶胞型控制框架中任一点的局部坐标；X_ffd(s,t,u)为对应局部坐标点(s,t,u)变形后的全局坐标；x(s,t,u)和△x(s,t,u)为对应局部坐标点(s,t,u)的全局坐标和位移量；l，m和n为在局部坐标轴S，T和U上划分的晶格控制点数量；P_i,j,k和△P_i,j,k为某晶格控制点变形前的全局坐标和位移。

(2)

式中：B_il(s)为第i个l次Bernstein多项式基函数。

以1个半径为10 mm的球体为例，将该球体嵌入3×3×3个晶格控制点所组成的晶胞型控制框架中，通过移动顶部中心的晶格控制点5 mm后获得如图7所示结果。该自由变形过程主要分嵌入和变形2步。

1) 将球体模型嵌入3×3×3个晶格控制点所组成的晶胞型控制框架中，设置局部坐标系X₀STU。计算球体上各点的局部坐标(s,t,u)和对应点全局坐标x(s,t,u)。

2) 拖动晶胞型控制框架顶部中心晶格控制点，移动△P_1,1,2，并通过式(1)计算球体模型变形后各点全局坐标X_ffd(s,t,u)，根据球体模型变形后的全部全局坐标最终获得图7所示结果。

图7　球体自由变形示意图

Fig. 7　Schematic diagram of free deformation of sphere

2.2　设计变量与优化目标

在除霜风道中提取出导流板J₁，J₂和J₃的几何数据，并利用FFD技术将提取的3块导流板的几何数据放入如图8所示的晶胞型控制框架中，该晶胞型控制框架为根据导流板几何形状构建的异形六面体。

如图8(b)所示，选取5个位置，以每个位置的4个晶格控制点作为1个变形控制点；将位置1，2，3，4和5的各变形控制点坐标X₁，X₂，X₃，X₄和X₅和位置点2的变形控制点坐标Z₂作为设计变量，各设计变量初始值为0，取值范围如表2所示。将剩余控制点固定不动。

图8　导流板及晶格与参数示意图

Fig. 8　Deflector, lattice and parameter diagrams

表2　设计变量取值范围

Table 2　Value range of design variables

由于挡风玻璃的除霜性能可由挡风玻璃表面的流场分布预测，而在工程实际应用中，可通过分析A和区80%的区域是否被2.0 m/s以上的风速覆盖以及B区80%的区域是否被1.5 m/s以上的风速覆盖来评估除霜性能是否达到除霜要求^[15]，因此，以A和区表面2.0 m/s和2.5 m/s以上的风速覆盖比S_A,2.0，S_A,2.5，和与B区表面1.5 m/s和2.0 m/s以上的风速覆盖比S_B,1.5和S_B,2.0作为目标函数。

3 试验设计与近似模型

3.1　试验设计

考虑到设计变量和目标函数较多，在满足试验设计要求的前提下，应尽量少采样。而拉丁超立方方法可以大幅降低多因子、多水平试验设计的采样次数^[12,16]，因此，选用拉丁超立方方法进行试验设计。

试验因子为变形控制点的位置参数，取值范围见表2。使用拉丁超立方设计进行42组采样，采样结果如表3所示。根据表3，移动变形控制点的相应位置，获得42组导流板几何数据。

表3　试验设计结果

Table 3　Test design results

考虑到乘员舱(全舱模型)体积较大，且全舱模型后部回流的气流对前挡风玻璃内表面的流场分布影响甚微，且截取B柱前部的乘员舱模型(半舱模型)和全舱模型的除霜稳态结果几乎一致^[3]，因此，为节省计算时间，将该乘员舱从B柱中间截断，保留B柱前部的半舱模型，如图9所示，并将变形后的导流板J₁，J₂和J₃的几何数据导入半舱模型中进行数值计算，获得如图10所示的42组目标函数值。

3.2　近似模型的建立与检验

由于设计变量和目标函数较多，采样数据较少，近似模型关系较复杂。径向基模型(radial basis function，RBF)是一种神经网络模型，能很好地逼近复杂非线性函数，在同等条件下，尤其适用于较少样本点的情况，具有近似模型质量好、拟合速度快和精度高等优点^[17]，因此，选用RBF模型作为导流板优化的近似模型。

为检验RBF模型拟合精度，借助决定系数R²进行评估，R²越大，拟合精度越高^[13]。经过计算，RBF模型的R²=1，拟合精度满足要求(R²>0.9)。为更直观地检验RBF模型的拟合精度，另外选取除42组采样点外的3组新采样点作为检验点，3组检验点集如表4所示。根据3组检验点对导流板进行自由变形，并将变形后的导流板几何数据导入半舱模型中进行数值模拟，得到的仿真结果与RBF模型中对应的结果进行比较，对比结果如表5所示。由表5可知：3组检验点的仿真结果与对应RBF模型结果的相对误差均在±5%以内，拟合精度高，因此，选择RBF模型可以作为导流板优化的近似模型。

图9　半舱模型示意图

Fig. 9　Diagram of half passenger compartment model

图10　采样点目标函数值

Fig. 10　Objective function value of sample point

3.3　近似模型的求解

除霜性能的优化目标是在保证区除霜效果的同时，提高A区和B区的除霜效果，属于典型的多目标优化问题^[18]。针对多目标问题，通常是将其转化为单目标问题进行寻优^[19]，因此，设定单目标函数F_max为

表4　检验点集

Table 4　Checkpoint set

(3)

式中：ω₁，ω₂，ω₃，ω₄，ω₅和ω₆为权重系数；0.8<<1.0，0.8<<1.0，0.8<<1.0。根据GB 11555—2009规定，检验A区、A'区和B区满足除霜性能要求的时间分别为20，25和40 min，且各区表面各风速对除霜均有效果，因此，根据1 h内各区除霜速度，令权重系数分别为0.21，0.21，0.18，0.18，0.11和0.11。

由于遗传算法为群体搜索，利于搜出全局最优，且效率高^[7]，因此，利用遗传算法在建立的RBF模型上进行全局寻优。为了得到准确的优化结果，将遗传算法的初始种群数G按式(4)计算并设为106个，最大内部迭代为50步，最小内部迭代为25步，突变率为0.01。

(4)

式中：N为设计变量个数。

最终设计变量优化结果如表6所示。按优化后的设计参数对导流板进行自由变形，并与初始导流板J₁，J₂和J₃进行对比，变形前后导流板对比示意图如图11所示。由图11可知：优化后的导流板J₁和J₂较平顺，弯曲弧度没初始的大；导流板J₁较初始的长，而导流板J₃较初始的短。3块导流板之间的最小间距增大。

图11　变形前后导流板示意图

Fig. 11　Schematic diagrams of the deflector before and after deformation

表5　RBF模型精度检验

Table 5　Accuracy test of RBF model

表6　设计变量优化结果

Table 6　Optimization results of the designed variables

将优化后的导流板J₁，J₂和J₃的几何数据导入半舱模型中进行数值模拟。将得到的半舱模型仿真结果与RBF模型中对应的寻优结果进行比较，如表7所示。由表7可知：A区表面2.5 m/s以上风速覆盖比的相对误差最大，为-5.98%，其余区域风速覆盖比的相对误差均在±3%以内，说明所建RBF近似模型可信度高。

图12　除霜风道内流线图

Fig. 12　Internal flow diagram of defrosting duct

表7　风速覆盖比仿真与寻优结果对比分析

Table 7　Comparison and analysis of simulation and optimization results of wind speed coverage ratios

表8　半舱和乘员舱模型各区风速覆盖比

Table 8　Wind speed coverage ratios in each section of the model of half cabin and crew cabin

表9　优化前后各区风速覆盖比

Table 9　Wind speed coverage ratios of each district before and after optimization

4 除霜效果分析

将优化后的导流板J₁，J₂和J₃的几何数据导入全舱模型中进行数值模拟，并与半舱模型的数值模拟结果进行对比，如表8所示。由表8可知：半舱模型与全舱模型数值模拟结果相似，误差均在±5%以内，进一步说明对体积较大的乘员舱进行优化研究时，可用半舱模型进行研究。

4.1　稳态结果分析

为了更直观地说明优化后模型的风速分布情况，将优化后的全舱模型与初始的全舱模型进行对比。图12所示为除霜风道内流线图，表9所示为优化前后各区风速覆盖比。由图12和表9可知：

1) 由于优化后的导流板J₁被拉长，阻碍了除霜风道内驾驶员侧气流流向副驾驶员侧，使区2.0 m/s和2.5 m/s以上风速覆盖比从初始的99.63%和90.41%分别下降到99.47%和86.96%；

2) 与初始导流板J₂相比，优化后的导流板J₂弯曲弧度减小，更平滑。流经导流板J₂附近区域的气流更顺畅、发散，使A区2.0 m/s和2.5 m/s以上风速覆盖比从初始的82.79%和64.09%提升到99.34%和86.91%，提升比例均在19%以上。

3) 优化后的导流板J₃更短，且在导流板J₃上部，靠近前挡风玻璃侧，无涡流作用，使气流流动更顺畅；而且导流板J₃与上部导流板J₂和J₄协同作用，加速气流流动。这使B区的1.5 m/s和2.0 m/s风速覆盖比均提升4.5%以上，从初始的93.98%和79.11%提升到98.48%和84.81%。

4.2　瞬态结果分析

图13所示为前挡风玻璃不同时刻各区域除霜覆盖比，由图13可见：由于优化后的区表面各风速覆盖比相比初始模型的略有下降，但A区和B区表面风速分布得到明显改善，增强了A区和B区的对流换热能力，使A区除霜面积达到80%和100%的时间分别比初始模型提前17 s和40 s；B区除霜面积达到95%的时间比初始模型提前6 s；而区除霜面积达到80%和100%的时间仅比原模型分别延后了5 s和7 s。对比结果表明，优化后前挡风玻璃表面的除霜总时间缩短，前挡风玻璃A区融霜速度比区的快。因此，对除霜风道内的导流板进行优化，能有效提高汽车的除霜性能。

图13　前挡风玻璃不同时刻各区域除霜覆盖比

Fig. 13　Defrosting coverage ratio of each area in front windshield at different time

5 结论

1) 对某轻型载货汽车除霜系统进行数值模拟，发现A区表面流场分布没有区的均匀。为此，本文作者以除霜风道内的3块导流板为优化对象，利用自由变形技术对其进行快速参数化，减少了优化的参数数量。

2) 通过抽样的方法搭建了高精度的近似模型，并利用遗传算法寻优得到了最优结果。优化后A区2.0 m/s和2.5 m/s以上风速覆盖比均提高19%以上，A区除霜面积达到80%和100%的时间分别提前17 s和40 s；使B区1.5 m/s和2.0 m/s风速覆盖比均提升4.5%以上，B区除霜面积达到95%的时间提前6 s，有效改善了前挡风玻璃表面风速分布和对流换热能力。

3) 自由变形技术能简单、高效地对除霜风道内复杂形状的导流板进行快速参数化，有效改善汽车除霜系统性能。

参考文献：

[1] GOLDASTEH I, CHANG S I, MAAITA S, et al. Numerical simulation of airflow distribution on the automobile windshield in defrost mode[C]//SAE Technical Paper Series, 400 Commonwealth Drive, Warrendale, PA, United States: SAE International, 2015: 1-5.

[2] 邓峰, 谷正气, 杨易, 等. 汽车前风窗玻璃除霜除雾数值模拟分析和研究[J]. 汽车工程, 2009, 31(2): 175-179, 188.

DENG Feng, GU Zhengqi, YANG Yi, et al. Numerical simulation analysis on defrosting and defogging of automotive windshield[J]. Automotive Engineering, 2009, 31(2): 175-179, 188.

[3] 赵林林, 范平清, 王岩松. 汽车前风窗玻璃的除霜性能数值研究[J]. 机械强度, 2016, 38(5): 1053-1059.

ZHAO Linlin, FAN Pingqing, WANG Yansong. Numerical study of automobile front-windshield defrosting[J]. Journal of Mechanical Strength, 2016, 38(5): 1053-1059.

[4] 李明, 李国迪, 赵卫兵, 等. 出风道结构改进对汽车除霜性能的影响分析[J]. 汽车工程, 2018, 40(11): 1364-1369, 1375.

LI Ming, LI Guodi, ZHAO Weibing, et al. An analysis on the modification effects of outlet duct structure on vehicle defrosting performance[J]. Automotive Engineering, 2018, 40(11): 1364-1369, 1375.

[5] KUMAR V, TARE K, KAPOOR S. Deployment of CFD for optimization of the air flow distribution over the windscreen and prediction of defrost performance[C]//SAE Technical Paper Series, 400 Commonwealth Drive, Warrendale, PA, United States: SAE International, 2010: 1-9.

[6] JAHANI K, BEIGMORADI S. Utilizing CFD approach for preeminent assessment of defroster air flow distribution and predicting windscreen deicing behavior[C]//SAE Technical Paper Series, 400 Commonwealth Drive, Warrendale, PA, United States: SAE International, 2014: 1-9.

[7] 谷正气, 文琪, 汤柱良, 等. 基于集成方法的汽车除霜除雾风道改进[J]. 中南大学学报(自然科学版), 2017, 48(10): 2649-2656.

GU Zhengqi, WEN Qi, TANG Zhuliang, et al. Improvement of auto defrosting and demisting air duct based on integrated method[J]. Journal of Central South University(Science and Technology), 2017, 48(10): 2649-2656.

[8] SEDERBERG T W, PARRY S R. Free-form deformation of solid geometric models[J]. ACM SIGGRAPH Computer Graphics, 1986, 20(4): 151-160.

[9] SAMAREH J. Aerodynamic shape optimization based on free-form deformation[C]//10th AIAA/ISSMO Multidisciplinary Analysis and Optimization Conference. Reston, Virigina: AIAA, 2004: 4630.

[10] LEE C, KOO D, ZINGG D W. Comparison of B-spline surface and free-form deformation geometry control for aerodynamic optimization[J]. AIAA Journal, 2017, 55(1): 228-240.

[11] 王丹, 白俊强, 黄江涛. FFD方法在气动优化设计中的应用[J]. 中国科学:物理学 力学 天文学, 2014, 44(3): 267-277.

WANG Dan, BAI Junqiang, HUANG Jiangtao. The application of FFD method in aerodynamic optimization design[J]. Scientia Sinica(Physica,Mechanica & Astronomica), 2014, 44(3): 267-277.

[12] 汪怡平, 王涛, 黎帅. 基于自由变形技术的汽车气动减阻优化[J]. 机械工程学报, 2017, 53(9): 135-143.

WANG Yiping, WANG Tao, LI Shuai. Aerodynamic drag reduction of vehicle based on free form deformation[J]. Journal of Mechanical Engineering, 2017, 53(9): 135-143.

[13] 汪怡平, 郭承奇, 王涛, 等. 基于自由变形技术的Ahmed模型气动减阻优化[J]. 北京理工大学学报, 2018, 38(3): 221-228.

WANG Yiping, GUO Chengqi, WANG Tao, et al. Aerodynamic drag reduction of Ahmed model based on free form deformation[J]. Transactions of Beijing Institute of Technology, 2018, 38(3): 221-228.

[14] GB 11555—2009. 汽车风窗玻璃除霜系统的性能要求及试验[S].

GB 11555—2009. Motor vehicles-windshield demisting and defrosting systems-Performance requirements and test methods[S].

[15] 刘旭阳. 基于CFD技术汽车风窗玻璃除霜性能的数值模拟及优化[D]. 重庆: 重庆大学汽车工程学院, 2017: 48-52.

LIU Xuyang. Vehicle-windshield defrosting system simulation and application by CFD method[D]. Chongqing: Chongqing University. School of Automotive Engineering, 2017: 48-52.

[16] 容江磊, 谷正气, 杨易, 等. 基于Kriging模型的跑车尾翼断面形状的气动优化[J]. 中国机械工程, 2011, 22(2): 243-247.

RONG Jianglei, GU Zhengqi, YANG Yi, et al. Aerodynamic optimization of cross sectional shape for a sports car's rear wing based on Kriging surrogate model[J]. China Mechanical Engineering, 2011, 22(2): 243-247.

[17] 赖宇阳, 姜欣, 方立桥. Isight参数优化理论与实例详解[M]. 北京: 北京航空航天大学出版社, 2012: 210-212.

LAI Yuyang, JIANG Xin, FANG Liqiao. Isight parameter optimization theory and case study[M]. Beijing: Beihang University Press, 2012: 210-212.

[18] 侯仰强, 王天琪, 岳建锋, 等. 基于多目标遗传算法的双机器人协调焊接路径规划[J]. 中国机械工程, 2018, 29(16): 1984-1989.

HOU Yangqiang, WANG Tianqi, YUE Jianfeng, et al. Path planning for dual-robot coordinate welding based on multi-objective genetic algorithm[J]. China Mechanical Engineering, 2018, 29(16): 1984-1989.

[19] MARLER R T, ARORA J S. Survey of multi-objective optimization methods for engineering[J]. Structural and Multidisciplinary Optimization, 2004, 26(6): 369-395.

（编辑 伍锦花）

收稿日期： 2019 -12 -29; 修回日期： 2020 -03 -21

基金项目(Foundation item)：重庆市技术创新与应用发展专项重点项目(cstc2019jscx-fxydX0013) (Project(cstc2019jscx-fxydX0013) supported by the Chongqing Municipality's Special Key Program of Technological Innovation and Application Development)

通信作者：张志飞，博士，副教授，从事车辆结构分析与结构优化研究；E-mail：z.zhang@cqu.edu.cn