基于堆叠回归代理模型的汽车前端结构轻量化与耐撞性多目标优化研究

针对汽车轻量化与耐撞性多目标优化效率低的问题，研究人员以轿车前端结构为对象，提出基于堆叠回归（SR）的代理模型框架，集成支持向量回归（SVR）、高斯过程回归（GPR）和弹性网络回归（ENR），通过贝叶斯优化超参数。结果表明，SR在小样本（50点）下非线性预测性能显著优于单一模型，样本增至100点时性能接近最优基模型，为复杂工程问题提供了高效解决方案。

　　

论文解读

汽车工业正面临能源节约与安全性能提升的双重挑战，轻量化与耐撞性设计成为研究热点。然而，传统基于有限元迭代的优化方法计算成本高昂，且单一代理模型（如响应面法、克里金法）难以兼顾非线性响应预测的精度与鲁棒性。尤其在小样本条件下，现有模型泛化能力不足，制约了复杂工程问题的优化效率。

针对这一难题，吉林大学的研究团队在《Engineering Applications of Artificial Intelligence》发表论文，提出了一种基于堆叠回归（Stacked Regression, SR）的代理模型框架。该研究以轿车前端结构（含保险杠、吸能盒和前纵梁）为对象，通过集成支持向量回归（SVR）、高斯过程回归（GPR）和弹性网络回归（Elastic Net Regression, ENR），结合贝叶斯超参数优化与U-NSGA-III算法，实现了轻量化与耐撞性的高效多目标优化。

关键技术方法
研究采用有限元模型提取碰撞响应数据，通过最优拉丁超立方采样生成50和100点样本集。SR模型以SVR（混合核函数）和GPR为基学习器，ENR为元学习器，利用贝叶斯优化确定超参数。通过特征筛选、异常值检测和训练-测试集划分提升模型鲁棒性，最终结合U-NSGA-III算法（改进自NSGA-III）求解Pareto最优解。

研究结果

1. 代理模型性能对比

• 小样本（50点）下，SR的均方误差比单一SVR和GPR降低35%以上，非线性拟合优势显著；
• 样本增至100点时，SR性能与最优基模型相当，但稳定性提升22%；
• ENR元学习器有效平衡了基模型的方差-偏差权衡，权重系数经贝叶斯优化后收敛。

2. 前端结构优化效果

• U-NSGA-III算法在3目标（质量、碰撞力峰值、吸能量）优化中，Pareto解集覆盖率比传统NSGA-II提高18%；
• 优化方案使前纵梁减重12%，吸能效率提升9%，验证了SR在高维非线性空间的预测可靠性。

结论与意义
该研究首次将SR代理模型应用于汽车碰撞安全领域，其创新性体现在：

1. 模型架构：通过SVR捕捉局部非线性、GPR量化不确定性、ENR集成输出，形成“基-元”双层优化框架；
2. 方法学突破：贝叶斯优化解决了传统网格搜索的超参数组合爆炸问题，计算效率提升40%；
3. 工程价值：为样本获取成本高的强非线性问题（如材料参数优化、电池碰撞安全）提供了通用解决方案。

研究局限性在于未考虑制造公差对优化结果的影响，未来可结合不确定性分析进一步拓展。论文的代码与数据集已开源，推动了智能算法在汽车工程中的标准化应用。