随着社会生产力与计算机发展水平的提高,越来越多复杂的多目标优化问题出现,利用传统的优化算法处理这些多目标优化问题时往往达不到令人满意的效果。一种新的智能算法—和声搜索算法,因为其思想逻辑简单,控制参数少,全局搜索能力强等优点而被广泛应用于工程领域的优化问题中。大量研究结果表明:和声搜索算法相比传统的数学优化方法以及一些传统的智能优化算法具有更好的应用效果。传统的和声搜索算法存在一些缺陷:参数设置欠缺灵活性而导致算法容易陷入局部最优,收敛速度慢,因此和声搜索算法的性能还有待改善。本文重点从和声搜索算法性能的改善以及分布式驱动电动汽车(Distributed Drive Electric Vehicles,DDEV)侧向稳定性控制中的优化问题展开研究。研究内容可以概括如下:本文提出了一种参数自适应多目标和声搜索(Parameter Adaptive Multi-objective Harmony Search,PSAMOHS)算法。PSAMOHS算法结合混沌思想,将混沌映射用于控制参数音调微调概率的自适应调整;同时根据和声记忆库中解多样性的信息和迭代次数的变化分别动态调整控制参数和声记忆库候选概率和带宽。为了保护和声搜索算法解决多目标问题时获得Pareto前沿的多样性,截断程序和快速非支配排序被应用到和声记忆库的更新环节。仿真实验结果表明PSAMOHS算法比另外三种多目标优化进化算法和两种多目标和声搜索算法具有更好的性能。实验进一步分析了PSAMOHS算法性能对于参数和声记忆库大小的敏感度。最后将PSAMOHS算法与另外两种多目标和声搜索算法用于卫星热管设计的多目标优化问题中,仿真验证了PSAMOHS算法更好的寻优能力。考虑不同道路附着系数给DDEV稳定性控制带来不同程度的难度,将PSAMOHS算法应用于DDEV的侧向稳定控制系统中。针对每种工况建立对应的DDEV控制器,利用BP神经网络完成对控制器参数的增益优化。本文重点考虑控制器的控制精度,结合PSAMOHS算法的全局搜索能力,利用PSAMOHS算法对BP神经网络的权值进行离线训练。PSAMOHS算法以质心侧偏角和横摆角速度在汽车运行期间的总误差为两个优化目标,离线训练出BP神经网络的参数,使控制器在线工作时可以避免BP神经网络陷入局部最优。最后仿真输出质心侧偏角和横摆角速度良好的跟踪曲线。