机械优化设计教程.pptVIP

第十一节　遗传算法简述 图6-44　二进制字符串译成十进制数过程框图 三、 不等式约束的增广乘子法 图6-36　增广乘子法框图 第七节　非线性规划问题的线性化解法——线性逼近法 一、 序列线性规划法二、割平面法三、小步梯度法四、非线性规划法 一、 序列线性规划法 6-37 二、割平面法  三、小步梯度法  四、非线性规划法 第八节　广义简约梯度法 一、 简约梯度法 一、 简约梯度法 二、 广义简约梯度法 二、 广义简约梯度法 三、 不等式约束函数的处理和换基问题 1.不等式约束函数的处理方法2.基变量的选择和换基问题 1.不等式约束函数的处理方法 2.基变量的选择和换基问题  第九节　二次规划法 第十节　结构优化方法简述 一、准则方程二、迭代乘子C三、优化准则法和数学规划法的相似性质四、形状优化和拓扑及布局优化五、小结 一、准则方程 为了求准则方程式 一、准则方程 二、迭代乘子C 三、优化准则法和数学规划法的相似性质 四、形状优化和拓扑及布局优化 1.形状优化设计示例2.布局优化设计示例 1.形状优化设计示例 (1) 悬臂梁的形状优化　悬臂梁的形状优化是一个典型的设计变量在一维空间中分布的形状优化设计问题。(2) 汽轮机叶片的单背弧叶形优化设计　为提高自振频率减小动应力，取叶片自振频率为优化目标，取背弧中间两控制点权因子作为设计变量，取叶片最大静应力，出口气流角和叶栅损失作为约束。 图6-38　悬臂梁的最优截面形状a)x=0mm　b)x=50mm　c)x=100mm　d)x=150mm 图6-39　最优形状悬臂梁的有限元网格状态 2.布局优化设计示例 图6-40　优化目标函数值随迭代次数变化曲线 2.布局优化设计示例 图6-41　优化结果与30HQ-1标准型线 2.布局优化设计示例 图6-42　固支板的初始均匀布肋 2.布局优化设计示例 图6-43　固支板的最优布肋 五、小结 1) xk+1=xk+αkdk(搜索格式)2) xk+1=xk+Δxk(替换格式)3) xk+1=ckxk(收敛格式)1) 直接方法——以约束条件为界面，形成一个解的可行域，在可行域范围内直接采用无约束优化方法求解。2) 线性逼近法——把非线性函数在现行点线性化，采用较成熟的线性规划方法，如修正单纯形法求解。3) 简接方法——先把约束问题转化为无约束问题，再采用无约束优化方法求解。 五、小结 ① 降维方法——利用m个约束条件提供的方程组消去n个变量中的m个，从而把n维优化问题转化为(n-m)个约束变量的降维无约束优化问题。然后对此(n-m)维的无约束优化问题求解。简约梯度法就是用梯度法求解线性等式约束优化问题的一种方法；而广义简约梯度法(GRG)是用梯度法求解非线性等式约束和侧面约束的非线性规划问题的一种方法。它们可以称为“约束变量的无约束优化方法”。 五、小结 ② 升维方法——对约束函数进行加权处理，使约束优化问题转化为增广的无约束优化问题。由于引入了未知的加权因子，所以这个新生成的增广无约束优化问题的变量数目增加了。因此，我们称它们为“升维方法”。这类方法的基础是古典的拉格朗日乘子法(约束函数是等式时的极值条件)和K-T条件(约束函数是不等式的极值条件)。属于这类方法的有：SUMT法，乘子类方法，二次规划迭代法以及优化准则法等。 五、小结 表6-4　数学模型与数学规划法类别对应表 第十一节　遗传算法简述 近年来，发展了一种模拟生物进化的优化方法，称为“遗传算法(Genetic Algorithm,GA)”。它是在1975年由美国教授J.Holland提出的一种人工智能方法。它是在计算机上按生物进化过程进行模拟的一种搜索寻优算法。 我们在介绍随机方法时，提到了可以通过计算机产生一个随机数列作为一个可行的初始方向(一个向量)。然后按一定条件在搜索空间内对函数进行寻优。类似地，按照遗传算法的思路，它是把函数的搜索空间看成是一个映射的遗传空间，而把在此空间进行寻优搜索的可行解看成是一个向量染色体(个体)组成的集合(群体)。染色体(chromosome)是由基因(gene)(或称元素)组成的向量。 运算过程就是调整字符串的编码。每一次字符串的调整就是一次基因的调整，也是一次染色体所代表的可行解的调整和转换。通过这样的调整，则前后两个字符串就相互交叉组合而构成两个新的染色体。 上述的染色体基因的调整变换或基因重组过程称为“杂交或交叉”过程。这一步称为“变异”。变异是一个基因重组过程。 这样来说，可以把对不同的染色体群体进行最佳选择的匹配。选择匹配的目的是为了获得最佳的最优搜索效果，即获得能使目标函数达到最佳值的染色体群体(最佳可行解)。 1.可行条件