飞机多学科优化设计MDO精要.pptVIP

飞机多学科优化(MDO) 1.2 优化实例 其约束条件为： N1=0.06x1+0.03x2+0.04(1-x1-x2)≥0.04 N2=0.02x1+0.04x2+0.01(1-x1-x2)≥0.02 N3=0.09x1+0.05x2+0.03(1-x1-x2)≥0.07 x1≥0，x2≥0，1-x1-x2≥0 简化上述各式得： 2x1-x2≥0 x1+3x2≥1 3x1+x2≥2 x1≥0，x2≥0，1-x1-x2≥0 而最低成本为其目标函数，即： f(x) = 15x1+12x2+8(1-x1-x2) = 7x1+4x2+8→Min 利用图解法求解。 根据约束条件可找到其可行域为凸集R，它具有三个顶点，即为A,B,C 直线平行移动，首先与凸集R的B点相切，B点（凸集的顶点之一）即为我们所要确定的最优点。 从图中可以看出，最优点——B点为x1+3x2=1及3x1+x2=2这两条直线的交点，所以解下列联立方程： x1+3x2=1 3x1+x2=2 求得最优点为： x1=5/8 x2=1/8 于是 x3=1-x1-x2=2/8 目标函数最小值为： f(x)=7x1+4x2+8=12.88 Min 即1、2、3三种原料应按5/8、1/8、2/8的比例混合，混合后既能满足成分要求，又使成本最低，即12.88元/公斤。 从上述例子中可以看到，目标函数和约束条件均为线性函数，称为线性规划。 关于f(x)： 当x=(x)时，f(x)是一条曲线； 当x=(x1, x2)时，f(x1, x2)是一个曲面； 当x=(x1, x2, x3)时，f(x1, x2, x3)是一个体密度（或类位势函数）； 当x=(x1, x2, …, xn)时，f(x1, x2, …, xn)是一个超曲面。 曲面，自然有许多极大值和极小值，必然各有一个全局最大值和全局最小值。 超曲面，与上相同。 有些算法，只能在自己的小范围内搜索极大值或极小值。这些算法称为局部优化算法，常称为经典优化算法。 另有些算法，可以在整个超曲面取值范围内搜索最大值或最小值。这些算法称为全局性优化算法，又称为现代优化算法。 在给定区间内仅有一个谷值的函数称为单谷函数，其区间称为单谷区间。 搜索区间确定之后，采用区间消去法逐步缩短搜索区间，从而找到极小点的数值近似解。 假定在搜索区间内[a,b] 任取两点a1,b1; (1)如f1f2, 则缩小的新区间为[a,b1]; (2)如f1f2, 则缩小的新区间为[a1,b]; (3)如f1=f2, 则缩小的新区间为[a1,b1] 黄金分割法也是建立在区间消去法原理基础上的试探方法。 利用区间消去法，使搜索区间缩小，通过迭代计算，使搜索区间无限缩小，从而得到极小点的数值近似解。 梯度，即导数，但是有方向，是一个矢量。曲线情况下，表达式为 与导数无关； 灵活性：对目标函数的要求少； 应用广泛性：对设计空间，变量无苛刻要求，不要求连续； 随机性：确定下一步搜索方向是随机的。启发式算法又称全局优化算法。 难以解析：主要基于经验研究。 算法比喻 为了找出地球上最高的山，一群有志气的兔子们开始想办法。 方案一：兔子们朝着比现在高的地方跳去，它们找到了不远处的最高山峰。但是这座山不一定是珠穆朗玛峰。其实，它们这种做法只是自己心理上认为找到了最高的山，并不能保证局部最优值就是全局最优值。 局部搜索法 方案二：兔子们吃了失忆药片，并被发射到太空，然后随机落到了地球上的某些地方。他们不知道自己的使命是什么。但是，如果你过几年就杀死一部分海拔低的兔子，多产的兔子们自己就会找到珠穆朗玛峰。 遗传算法 方案三：兔子们知道一个兔子的力量是渺小的。于是，它们互相转告着，哪里的山已经找过，并且找过的每一座山他们都留下一只兔子做记号。这样，它们制定了下一步去哪里寻找的策略。 禁忌搜索法 方案四：兔子们用酒将自己灌醉了。它们随机地跳了很长时间。在这期间，它们可能走向高处，也可能踏入平地。但是，随着时间的流逝，它们渐渐清醒了并朝最高方向跳去。兔子喝醉后，对比较近的山峰视而不见，迷迷糊糊地跳一大圈子，反而更有可能找到珠峰。 模拟退火法 Multidisciplinary Design Optimization 飞行器设计过程通常分为概念设计、初步设计和详细设计三个阶段。 概念设计结果是给出初步的总体设计方案。 经济可承受性问题被重视，因而LCC成为衡量设计方案好坏的标准。 下图是波音公司针对弹道导弹系统的LCC一个统计结果。 由图中看出，概念设计费用只占LCC的1%，做出的决策所决