随着我国经济的发展,人们对日常开车出行的乘坐舒适性提出了进一步的要求。悬架作为汽车的关键零部件,深刻地影响着汽车的平顺性和操作稳定性。对悬架的控制研究一直是汽车厂家和学术界研究的热点。随着人工智能技术水平的提高,越来越多的产品也逐步走向智能,汽车的悬架也在向着智能化发展。本文着重研究了基于汽车平顺性的半主动悬架的智能控制算法,主要的研究内容如下:(1)搭建1/4汽车悬架模型,确定悬架性能评价指标。建立了Bingham的磁流变阻尼器正模型和多项式的磁流变阻尼器逆模型,其中建立的正模型可以通过运动状态和电流获得实际输出的真实阻尼力,逆模型可以根据悬架所需要的阻尼力反推出需要控制的电流大小。(2)建立天棚阻尼控制模型、地棚阻尼控制模型、混合阻尼控制模型和PID控制模型,对这几种传统的控制方法进行仿真分析。(3)建立基于Q-Learning算法的强化学习控制器,分析强化学习的主要原理,设置学习率、折扣因子等参数,搭建仿真模型。(4)在Simulink中建立仿真环境,建立连续不平路面和离散不平路面来模拟实际道路,并且在不同的路况车速情景下对汽车悬架的振动特性进行了仿真分析。本论文以改善汽车行驶过程中的平顺性为目标,设计了一种基于强化学习的悬架智能控制器。通过对比传统的混棚控制、PID控制算法和强化学习控制算法下的半主动悬架的评价体系,得出了应用强化学习控制算法的半主动悬架可以有效改善汽车平顺性的结论。