梁 源，许恩永，蒙艳玫

（1.广西大学 机械工程学院，南宁 530004；2.华中科技大学 机械科学与工程学院，武汉 430074；3.东风柳州汽车有限公司，广西 柳州 545005）

承载式车身是车辆最大的零部件，承载来自路面、侧向外力和车厢内部等各方面的作用力，使车身成为一个非线性耦合的结构体。针对车身的研究大多以车身处于近似线性条件下，各工况对车身的作用效果可叠加且易于分析，但较少考虑非线性因素对车身的影响［1］。然而，随着大数据技术的发展和计算能力的显著提高，为解决非线性问题提供了新的解决方法［2-3］。基于支持向量机的机器学习方法，采用序列最小优化算法，对车身在满载扭转工况、自由模态振动工况和车身侧倾工况下采集数据集进行车身应力和基频频率的分类和预测，以实现非线性结构的解耦。基于数据驱动和多目标遗传算法协同优化的方法，搜索解空间，在保持结构体力学性能的前提下优化各结构面特征尺寸。

基于不确定因素影响下的多目标优化问题，国内外已有不少研究成果。王岩等［4］利用结合Hammersley试验设计方法、RBF拟合方法和多目标遗传算法对车身关键零部件进行优化，提升了车身的动态性能，并通过实验验证了优化结果的正确性。Fang Y等［5］提出一种基于混合内核的支持向量机的回归方法，该混合内核结合了多项式核函数和粒子群优化算法，以解决单核支持向量在车身碰撞条件下处理非线性数据时无法涵盖数据特征的问题。……