第1章 绪论 1
1.1 车辆多学科设计优化的形成动因 2
1.1.1 车辆设计工作的复杂性本质 2
1.1.2 汽车设计开发技术及理念新态势 2
1.2 什么是“多学科设计优化” 5
1.2.1 MDO的基本概念 5
1.2.2 MDO在产品开发中的作用 8
1.3 多学科设计优化的主要研究内容 10
1.3.1 复杂系统的分解与协调 11
1.3.2 MDO方法 12
1.3.3 复杂系统建模 13
1.3.4 灵敏度分析 13
1.3.5 近似建模 14
1.3.6 优化算法 15
1.3.7 集成设计系统 15
1.4 MDO与车辆工程结合的典型形式 17
1.5 MDO在车辆工程应用中的挑战与趋势 20
1.5.1 面临的挑战 20
1.5.2 发展趋势 22
参考文献 23
第2章 多学科设计优化方法体系 27
2.1 多学科设计优化技术中优化方法与优化算法的区别 28
2.2 多学科设计优化方法的研究着眼点 29
2.3 多学科设计优化方法的分类 30
2.4 多学科可行法 31
2.4.1 MDF法的基本思想 31
2.4.2 多学科分析 34
2.4.3 MDF法的特点 37
2.4.4 MDF法算例 38
2.4.5 MDF法的编程实现 39
2.5 单学科可行法 44
2.5.1 IDF法的基本思想 44
2.5.2 IDF法的特点 46
2.5.3 IDF法算例 46
2.5.4 IDF法的编程实现 47
2.6 一致性优化法 51
2.6.1 AAO法的基本思想 51
2.6.2 AAO法的特点 53
2.6.3 AAO法算例 53
2.6.4 AAO法的编程实现 54
2.7 并行子空间优化法 57
2.7.1 CSSO法的基本思想 57
2.7.2 CSSO法的特点 62
2.7.3 CSSO法算例 63
2.8 协同优化法 66
2.8.1 CO法的基本思想 66
2.8.2 CO法的特点 69
2.8.3 CO法算例 70
2.8.4 CO法的编程实现 71
2.9 两级集成系统综合法 78
2.9.1 BLISS法的基本思想 79
2.9.2 BLISS法的特点 82
2.9.3 BLISS法的改进 82
2.9.4 BLISS 2000方法简介 84
2.9.5 BLISS法算例 86
2.10 目标分流法 92
2.10.1 ATC法的基本思想 93
2.10.2 ATC法的特点 97
2.10.3 ATC法的编程实现 98
参考文献 106
第3章 多学科设计优化建模 110
3.1 复杂系统的分解方法 111
3.1.1 基于分解的设计优化 111
3.1.2 学科的定义及划分原则 112
3.1.3 复杂系统的分解方法 113
3.1.4 设计结构矩阵方法 114
3.1.5 函数关系矩阵方法 121
3.1.6 超图方法 131
3.1.7 MDO分解基本原则 134
3.2 协调策略 135
3.3 变复杂度建模 138
3.4 不确定性建模 140
3.4.1 不确定性的来源 140
3.4.2 不确定性建模方法 141
3.4.3 不确定性传播方法 142
3.4.4 不确定性优化设计 154
3.4.5 不确定性多学科设计优化建模 157
参考文献 159
第4章 灵敏度分析技术 162
4.1 灵敏度分析的概念 163
4.2 单学科灵敏度分析 165
4.2.1 单学科灵敏度分析简介 165
4.2.2 手工求导方法 166
4.2.3 符号微分方法 166
4.2.4 有限差分方法 166
4.2.5 自动微分方法 168
4.2.6 复变量方法 174
4.2.7 解析方法 176
4.2.8 其他方法 178
4.3 多学科灵敏度分析 180
4.3.1 多学科灵敏度分析简介 180
4.3.2 最优灵敏度分析方法 181
4.3.3 全局灵敏度分析方法 184
4.3.4 滞后耦合伴随方法 187
参考文献 188
第5章 近似模型技术 189
5.1 近似模型基础 190
5.1.1 基本概念 190
5.1.2 近似模型的需求背景 190
5.1.3 近似建模的基本思想 191
5.1.4 近似模型的基本构建过程 192
5.2 试验设计方法 193
5.2.1 全因子试验设计方法 194
5.2.2 部分因子试验设计方法 194
5.2.3 中心组合设计方法 194
5.2.4 蒙特卡罗法 194
5.2.5 正交试验设计方法 195
5.2.6 拉丁方设计方法 196
5.3 近似模型的构造方法 199
5.3.1 局部近似 199
5.3.2 中等范围近似 200
5.3.3 全局近似 201
5.4 响应面模型方法 202
5.5 移动最小二乘响应面法 205
5.6 Kriging模型法 210
5.7 人工神经网络模型法 214
5.7.1 BP神经网络 214
5.7.2 RBF神经网络 219
5.8 支持向量机法 222
5.9 近似模型预测精度的评价 225
5.9.1 误差分析方法 225
5.9.2 近似能力评价方法 227
5.10 近似模型的特点对比及适用性 228
5.11 基于近似模型的MDO方法 230
5.12 电动汽车动力电池箱应用实例 232
5.12.1 电动汽车动力电池箱优化问题 232
5.12.2 最优拉丁超立方采样 237
5.12.3 电池箱响应面模型构建 238
5.12.4 电池箱径向基模型构建 244
5.12.5 电池箱Kriging模型构建 252
5.12.6 近似模型分析对比 266
参考文献 267
第6章 多学科设计优化求解策略 269
6.1 优化算法概述 270
6.2 优化算法的发展简史 272
6.3 优化算法的数学基础 281
6.3.1 函数的方向导数与梯度 281
6.3.2 多元函数的泰勒展开 284
6.3.3 多元函数的极值条件及其凸性 286
6.3.4 无约束问题的极值条件 289
6.3.5 约束问题的极值条件 289
6.4 经典优化算法 293
6.4.1 线性搜索法 293
6.4.2 最速下降法 296
6.4.3 牛顿法 298
6.4.4 拟牛顿法 301
6.4.5 鲍威尔法 305
6.4.6 单纯形替换法 307
6.4.7 复合形法 310
6.4.8 可行方向法 315
6.4.9 拉格朗日乘子法 319
6.4.10 序列二次规划法 321
6.5 智能优化算法 325
6.5.1 遗传算法 325
6.5.2 模拟退火算法 330
6.5.3 蚁群优化算法 335
6.5.4 禁忌搜索算法 342
6.5.5 粒子群算法 344
6.6 优化算法的组合策略 347
参考文献 348
第7章 多目标优化方法 350
7.1 多目标优化与多学科设计优化的关系 351
7.1.1 多目标优化的特点 351
7.1.2 汽车开发多目标优化问题 353
7.1.3 多目标优化方法研究简史 355
7.2 多目标优化的基本概念 358
7.2.1 主要术语的定义 358
7.2.2 多目标优化算法的评价标准 360
7.3 基于偏好的先验方法 363
7.3.1 加权和法 363
7.3.2 主要目标法 365
7.3.3 理想点法 366
7.3.4 极大极小法 367
7.3.5 功效系数法 368
7.3.6 物理规划法 371
7.4 基于偏好的后验方法 382
7.4.1 法线边界正交法（NBI） 382
7.4.2 自适应加权和法（AWS） 391
7.4.3 NC法 402
7.5 无偏好方法 407
7.5.1 多目标遗传算法 407
7.5.2 多目标模拟退火算法 419
7.5.3 多目标粒子群算法 426
7.6 汽车行驶动力学性能的多目标优化算例 433
7.6.1 问题背景 433
7.6.2 多目标优化问题建模 434
7.6.3 多目标优化与结果分析 440
参考文献 442
第8章 工程应用案例 445
8.1 汽车主动悬架系统优化 446
8.1.1 车辆模型的建立 447
8.1.2 线性二次高斯控制算法 448
8.1.3 卡尔曼滤波算法 450
8.1.4 主动悬架MDF优化 450
8.1.5 优化结果及讨论 454
8.2 插电式混合动力汽车动力系统优化 459
8.2.1 驾驶员模型 459
8.2.2 整车控制器模型 461
8.2.3 发动机模型 461
8.2.4 主驱动电机模型 463
8.2.5 ISG电机模型 465
8.2.6 动力电池模型 466
8.2.7 行驶动力学模型 467
8.2.8 能量管理策略模型 469
8.2.9 整车参数及约束条件 469
8.2.10 动力系统CO优化及优化结果 470
8.3 汽车车身结构正面抗撞性设计优化 475
8.3.1 整车碰撞有限元分析模型的建立 475
8.3.2 有限元模型验证 477
8.3.3 近似模型的建立 481
8.3.4 基于CO和近似模型的正面抗撞性优化 483
8.3.5 优化结果 488
参考文献 490