（精）机械优化设计总复习201012.ppt

机械优化设计总复习 题型 一、名词解释(每小题4分，共12分) 二、选择题(每空2分,共30分) 三、简答题(每小题6分,共12分) 四、建模题(8分) 五、计算填表题(8分) 六、计算题(30分) 一 设计变量 在优化设计过程中，要优化选择的设计参数。 设计变量必须是独立变量，即：在一个优化设计问题中，任意两个设计变量之间没有函数关系。按照产品设计变量的取值特点，设计变量可分为连续变量（例如轴径、轮廓尺寸等）和离散变量（例如各种标准规格等）。 小型设计问题：一般含有2—10个设计变量； 中型设计问题：10—50个设计变量； 大型设计问题：50个以上的设计变量。 二 设计空间 在一个优化设计问题中，所有可能的设计方案构成了一个向量集合。可以证明，这个向量集合是一个向量空间，并且是一个欧氏空间。 一个优化设计问题中，设计变量的个数，就是它的设计空间的维数。 三 目标函数 优化设计中要优化的某个或某几个设计指标，这些指标是设计变量的函数，称为目标函数。在构造目标函数时，应注意目标函数必须包含全部设计变量，所有的设计变量必须包含在约束函数中。 ④ 等值线的分布情况，反映了目标函数值的变化情况； ⑤ 等值线越向里，目标函数值越小； ⑥ 等值线越密的地方，其目标函数值的变化率也越大； 4、当梯度 与方向 之间的夹角介于0°～90°之间时，该区域内的任意方向都是使函数值增大的方向，即函数上升方向；当梯度 与方向 之间的夹角介于90°～180°之间时，该区域内的任意方向都是使函数值减小的方向，即函数下降方向。 例 5 求二元函数f(x1, x2)＝x12+x22-4x1-2x2+5 在X0＝[2,2]处的海赛二阶泰勒展开式。 解： 四 函数的凸性 1. 凸集 2. 凸函数 如果HESSEN矩阵正定，为凸函数； 二次函数 *五、优化问题的极值条件 2） 处取得极值充分条件 K-T条件是多元函数取得约束极值的必要条件,以用来作为约束极值的判断条件，又可以来直接求解较简单的约束优化问题。 K-T条件是多元函数取得约束极值的必要条件,以用来作为约束极值的判断条件，又可以来直接求解较简单的约束优化问题。 第四章 一维搜索的最优化方法 1、单谷(峰）区间 在给定区间内仅有一个谷值的函数称为单谷数，其区间称为单谷区间。 二、确定初始单谷区间的外推法 基本思想： 对f(x)任选一个初始点a1及初始步长h， 通过比较这两点函数值的大小，确定第三点位置，比较这三点的函数值大小，确定是否为 “高—低—高” 形态。 (3）产生新的探测点a3，y3＝f(a3); (4) 比较函数值 y2与y3： （b）如y2y3, 加大步长 h＝2 h(也可不变) ， a1=a2, a2=a3, 转（3）继续探测。 （a）如y2y3, 则初始区间得到： a=min[a1,a3]， b=max[a3,a1]，函数最小值所在的区间为[a， b] 。 例 1 用黄金分割法求函数f(x)=3x3-4x+2的极小点，给定 x0=0, h=1, ε=0.2。 第二次缩小区间： 令 x2=x1=0.764, f2=f1=0.282 x1=0+0.382X(1.236-0)=0.472, f1=0.317 由于f1f2, 故新区间[a,b]=[x1,b]=[0.472, 1.236] 因为 b-a=1.236-0.472=0.7640.2, 应继续缩小区间。 第四次缩小区间： 令 x2=x1=0.764, f2=f1=0.282 x1=0.472+0.382X(0.944-0.472)=0.652, f1=0.223 由于f1f2, 故新区间[a,b]=[a, x2]=[0.472, 0.764] 因为 b-a=0.764-0.472=0.2920.2, 应继续缩小区间。 *一、 梯度法 负梯度方向 是函数最速下降方向。 梯度法就是以负梯度方向作为一维搜索的方向，即 k=1,2, ·