基于遺傳算法的汽車碰撞安全優化設計

中圖分類號：U463.6 文獻標識碼：A 文章編號：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

據統計，全球每年因交通事故造成的死亡人數超過130萬，其中側面碰撞與正面碰撞事故的占比很高，為降低事故傷亡率，中國新車評價規程C-NCAP在2021版中新增了柱碰測試場景。這些變化對車身結構設計提出了更高挑戰。然而，傳統人工試錯法依賴工程師經驗，開發周期長，且基于單目標優化的數值仿真雖能減少試驗次數，但難以處理多參數耦合問題，嚴重制約優化效率。遺傳算法作為仿生算法的代表，通過模擬生物進化中的選擇、交叉與變異機制，可在高維參數空間中快速定位全局最優解。文章將探索建立基于遺傳算法的汽車碰撞安全優化模型方法，揭示關鍵結構參數對碰撞性能的影響規律，形成可復用的多目標協同優化技術體系，期望能夠推動智能算法與工程實踐的深度融合，助力汽車產業實現安全性能與綜合效益的全面提升。

1遺傳算法模型的構建

1.1參數設置與編碼規則

遺傳算法是一種模擬自然選擇和遺傳學機制的優化算法，它通過模擬生物進化過程，利用選擇、交叉和變異等操作從初始種群出發，逐步產生更適應環境的個體，以尋找問題的最優解。在遺傳算法中，參數決定了算法的運行效率，而編碼規則將實際問題轉化為計算機可以處理的數值形式。遺傳算法的核心參數有四個：種群規模、迭代次數、交叉率、變異率。種群規模表示每一代中包含的個體數量，較大的種群能覆蓋更多可能的解，但計算時間也會增加；迭代次數是算法運行的輪數，根據問題復雜度調整；交叉率控制兩個父代個體交換基因的概率，一般設定為 60%～90% 。變異率則是基因發生隨機改變的概率，用于保持種群多樣性。編碼是將汽車設計參數轉化為遺傳算法中“基因”的過程，車身結構的厚度、材料強度等參數需要編碼為數字串。在汽車碰撞優化中，可采用實數編碼。假設需要優化5個車身參數，參數用實數表示。

1.2適應度函數與進化機制

適應度函數需量化汽車碰撞安全性能，可假設優化目標為減少乘客艙變形量 D 和提高能量吸收率 E 進行加權求和將其合并為單一適應度值：

式中： w_1? w₂ -權重系數（均取0.5），表示兩個目標的優先級。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量 M 不得超過限值 M_max ，若 Mgt;M_max ，Fitness _：=0 ，超重的設計會被直接淘汰。

進化過程分為三步：一是選擇，可使用輪盤賭選擇法根據適應度值篩選優質個體；二是交叉，隨機選取兩個父代個體，交換部分基因以生成新個體；三是變異，隨機改變某個體的部分基因值。通過反復迭代，算法逐漸淘汰低適應度的設計，保留并改進優質方案，最終逼近最優解。

2 試驗設計

2.1 試驗方法

試驗方法分為以下兩步。第1步是用計算機模擬汽車碰撞的過程。研究人員先用專業軟件把汽車的每個零部件拆分成無數個小方塊，并給這些方塊設定材料屬性，接著，設定碰撞場景一讓這輛“虛擬汽車”以 50km/h 的速度撞上一堵墻。電腦會根據物理定律計算碰撞時車身的變形、能量吸收情況、乘客受到的沖擊力。第2步是用遺傳算法優化設計。遺傳算法會隨機生成100＼～200種不同的車身設計方案，每種方案都會通過第1步的碰撞模擬得到評分。算法會優先選中評分高的方案作為“父母”讓它們互相交換部分設計參數，同時程序還會隨機微調某些參數進行“變異”。經過幾百輪這樣的篩選、交叉、變異后，剩下的方案會越來越安全，同時保持汽車車身輕便[2]。

2.2 指標選取

在汽車碰撞安全優化中，指標包括車身結構中的關鍵部件（前縱梁、車門防撞梁、B柱等），這些部件在碰撞中承擔著力學任務。其中，車門防撞梁在側碰中需承受特定載荷閾值，并且要避免單一部件的冗余設計，保持車身輕量化。此外還要平衡高成本材料的使用范圍，最終實現安全、輕量與成本的協同優化3。多維度評價指標見表1。

結合表1，車門防撞梁厚度設定 1.2mm 的下限是基于法規對側碰中車門抗凹陷能力的強制要求，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；車頂橫梁抗壓強度范圍 350～500MPa ，于350MPa 無法抵御翻滾沖擊，超過 500MPa 則會因材料成本驟增失去量產可行性。保險杠潰縮距離的約束為 80～120mm ，過短距離會導致碰撞初期峰值力過高，過長則擠壓了動力總成部件。B柱高強鋼比例設定為 50%～80% ，比例過低會導致結構屈曲，過高則會因材料成形難度增加制造成本。底盤連接螺栓數量設定為8＼～12個。

3 試驗結果

3.1遺傳算法性能評估

在汽車碰撞安全優化中，遺傳算法以車身零部件的關鍵參數為基因，通過選擇、交叉和變異操作生成多代方案，最終輸出綜合評分最高的設計。本試驗中對算法設置了100次迭代上限，初始種群包含50組隨機參數組合，通過適應度函數計算每組方案的安全評分、評分和成本評分，并動態調整權重以實現平衡。遺傳算法性能評估指標見表2。

表2顯示，遺傳算法在30次迭代內即可收斂到穩定解，安全評分提升 22% 說明優化后方案顯著增強了車輛抗撞能力，標準差僅 ±1.5% 表明算法具有高穩定性，10次獨立試驗中安全評分波動極小，證明優化結果可靠。

3.2汽車安全碰撞整體效能

從汽車車身結構安全性看，車門防撞梁厚度增加至 1.8mm 后，側面碰撞試驗中車門變形量減少了37% ，將乘員艙侵入量控制在 120mm 以內能夠避免車門擠壓造成的腿部損傷風險。依據正面碰撞測試結果，發動機艙潰縮距離宜穩定在 95mm 區間，這一區間既能充分吸收沖擊力，又不會侵占駕駛艙生存空間。車頂橫梁可采用抗壓強度 480MPa 的高強鋼，經翻滾測試，車頂僅下陷 12mm ，顯著減小了車體下陷對乘員頭部的擠壓風險。B柱高強鋼比例優化至70% ，同時將配合底盤連接件數量增至10個，汽車偏置碰撞中車身變形對稱性得到了明顯改善。汽車保險杠潰縮距離調整為 105mm 后，在低速碰撞中減少了維修成本。綜合而言，優化方案在滿足CNCAP五星安全標準的前提下將車身增重控制在 4.2% （約28kg ），材料成本增幅為 12% ，達到了安全、輕量化與成本可控的工程平衡。所有試驗結果均通過計算機仿真與實車碰撞測試雙重驗證，證明遺傳算法在多目標優化中具備實用價值。

4結論

本文基于遺傳算法對汽車碰撞安全設計進行多目標優化，研究結果表明，遺傳算法能夠高效處理車身結構參數間的復雜沖突，優化后車身安全評分提升 22% ，和成本增幅分別控制在 4.2% 與 12% ，驗證了算法在平衡安全性與經濟性方面的有效性。未來改進方向包括：引入實時碰撞仿真加速適應度計算，將單次迭代時間從 45min 縮短至 10min ；同時，增加環境溫度、材料疲勞等現實變量，使優化結果更貼近實際使用場景。這些改進將有助于進一步提升算法在汽車安全設計中的實用價值，為復雜工程問題提供高效解決方案。

注：本文為山西省教育科學“十四五”規劃2024年度規劃課題“數字化背景下基于專業導向的線性代數課程資源建設研究”（項目編號：GH-240527）的研究成果。

參考文獻

[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，2025，41（1）：12-17.

[2]馬佳輝，余建國.基于改進遺傳算法的混合動力變速器生產優化研究[J].機電工程技術，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汽車充電樁容量測試方法[J].計算機仿真，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避撞方法[J].吉林大學學報（工學版），2023，53（8）：2404-2409.

[5]金盧佳，楊秀娥，陳昂，等.基于遺傳算法的機動車制動系統故障診斷方法分析[J].中國機械，2023（10）：88-91.

（編輯楊凱麟）