买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林大学申请的专利基于改进多目标粒子群优化算法的半主动悬架控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121062403B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511597980.2，技术领域涉及：B60G17/018；该发明授权基于改进多目标粒子群优化算法的半主动悬架控制方法是由陈志勇;彭祖镛设计研发完成，并于2025-11-04向国家知识产权局提交的专利申请。

本基于改进多目标粒子群优化算法的半主动悬架控制方法在说明书摘要公布了：本发明属于半主动悬架控制方法技术领域，涉及一种基于改进多目标粒子群优化算法的半主动悬架控制方法，包括对MOPSO算法的外部档案进行自适应网格划分，来确定在最具多样性的全局最优和最具收敛性的全局最优；依据外部档案里所有最优解的分布熵变化量，判断种群的进化状态，选择引导进化的全局最优gBest；依据当前种群进化的局部拥挤距离的变化量，调整种群进化的飞行参数，以平衡种群的进化趋势；融合上述两类核心机制，提出多信息融合多目标粒子群优化算法，并将其用于半主动悬架LQR控制策略权重系数的确定。本发明新型多目标优化算法通过协同整合外部档案信息和当前种群动态信息，有效地实现了收敛精度和种群多样性之间的平衡。

本发明授权基于改进多目标粒子群优化算法的半主动悬架控制方法在权利要求书中公布了：1.一种基于改进多目标粒子群优化算法的半主动悬架控制方法，其特征在于，包括以下步骤： A、对MOPSO算法的外部档案进行自适应网格划分，以确定在最具多样性的全局最优dgBest和最具收敛性的全局最优cgBest； A1、基于PSO的多目标优化算法，对其引入外部档案rep，记录每一代种群的所有非支配最优解并组成帕累托前沿，全局最优gBesti,dt变为从外部档案rep中随机选出的最优解； A2、根据rep中所有非支配解的适应度范围自适应划分网格，再统一细分；依据每个单元格中的解的数量选出最稀疏的网格Gridd和最密集的网格Gridc； A3、从Gridd中随机选择一个粒子作为dgBest，从Gridc中随机选择一个粒子作为cgBest，以分别代表最具多样性和最具收敛性的非支配最优解； B、依据外部档案里所有最优解的分布熵变化量，判断种群的进化状态，选择dgBest或cgBest作为引导进化的全局最优gBest； C、依据当前种群进化的局部拥挤距离的变化量，调整种群进化的飞行参数，以平衡种群的进化趋势； C1、定义局部拥挤距离，粒子a和粒子b之间的欧氏距离定义为： 将粒子的局部拥挤距离被定义为其K个最近邻的欧氏距离的平均值，这使得其空间密度更具鲁棒性： C2、将t时刻所有粒子的LD值求和，并与t-1时刻的LD值总和进行比较，得到ΔLDt，如下所示： 式中，nPop是种群中的粒子总数； C3、采用Sigmoid非线性调整函数对飞行参数进行调节，自适应飞行参数调整机制如下： 式中，λt＝[ωt,c1t,c2t]T，由t时刻的ω、c1和c2组成；δλ＝[δω,δc1,-δc2]T，由ω、c1和c2的变化增量组成； 在迭代过程中，ω的上下限设定为[0,0.9]，c1和c2的上下限均为[0.5,2.5]，以1.5为初始值；种群处于收敛状态时ΔLDt0，增大ω、c1并减小c2，以增强全局开发能力；种群处于多样状态时ΔLDt0，减小ω、c1并增大c2，以提升局部开发能力； D、将全局最优选择机制和飞行参数自适应调整机制相结合，得到能够综合外部档案信息和当前种群信息的多信息融合多目标粒子群优化算法MIFMOPSO，并将其用于半主动悬架LQR控制策略权重系数的确定。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130012 吉林省长春市高新技术产业开发区前进大街2699号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。