汽车轻量化是实现《节能与新能源汽车技术路线图（2.0版）》中降低碳排放要求的关键技术之一,但在车身轻量化时不能仅以质量最低为目标,提高汽车安全性也不可或缺。基于主被动安全的车身轻量化问题具有较高的复杂性,因此,对框架式车身结构-材料进行研究,采用多学科设计优化（Multidisciplinary Design Optimization,MDO）进行轻量化设计,针对现有的MDO框架中近似建模方法和系统优化策略存在的不足,探究机器学习和动态系统一致性约束方法基本原理,通过高斯过程回归近似模型和动态松弛因子约束分别对近似建模方法和系统优化策略进行改进,建立基于机器学习的框架式车身前撞结构轻量化设计框架,完成多学科优化设计。主要研究内容如下:（1）建立基于机器学习的框架式车身前撞结构多学科优化设计框架。针对车身轻量化的同时提高主被动安全性这一复杂问题,建立其MDO模型并分析基本原理。探究MDO过程中近似建模技术对模型精度的影响,多学科优化策略对系统一致性约束的影响,建立基于机器学习的框架式车身前撞结构多学科优化设计框架,以车身前撞结构质量为系统层,以碰撞安全性和空气动力学为子系统层,在实现轻量化的同时,减小了碰撞过程中前撞结构峰值加速度和前隔板处的入侵量,以提高被动安全性;确保了未发生碰撞时,保持足够的下压力,以提高操纵稳定性,从而提高主动安全性。（2）建立基于粒子群算法的高斯过程回归近似模型。针对MDO框架中近似模型精度低的问题,分析机器学习算法之一的高斯过程机理,探究高斯过程核函数特性,通过粒子群算法对组合的核函数进行超参数寻优,建立了基于粒子群算法的高斯过程回归（Gaussian Process Regression,GPR）近似模型。通过数学算例探究GPR近似模型与传统近似模型的精度差别,验证了所提出的近似模型具有精度高的优点。（3）提出基于动态松弛因子约束的目标分流法。针对MDO框架中优化策略不能满足系统一致性的问题,探究目标分流法（Analytical Target Cascading,ATC）基本原理,分析松弛因子约束机理,探究动态松弛因子对系统一致性的内在影响,提出了基于动态松弛因子约束的目标分流法。通过数学算例分析动态松弛因子约束ATC和传统ATC收敛精度和迭代效率的差别。对比结果表明,动态松弛因子约束ATC迭代速度更快,收敛精度更高。（4）进行基于粒子群算法的高斯过程回归和动态松弛因子约束ATC的多学科轻量化设计。针对框架式车身前撞结构进行多学科优化设计,首先通过GPR建立设计变量和性能响应之间的高精度近似模型,其次采用动态松弛因子约束ATC构建该问题的数学模型,最后通过粒子群算法进行寻优。优化结果表明,动态松弛因子约束ATC方法相比于传统ATC方法,最优方案的质量下降3.87%,峰值加速度降低12.97%,前隔板处入侵量下降4.11%,空气升力系数降低16.28%,且前者迭代效率提升34.0%,在轻量化的同时高效、精确地提升了整车主被动安全性,具有较好的理论价值和工程意义。