一维优化方法.docxVIP

最优化设计数学模型中的基本概念：1、设计变量在机械设计中，区别不同的设计方案，通常是以一组取值不同的参数来表示。这些参数可以是表示构件形状、大小、位置等的几何量，也可以是表示构件质量、速度、加速度、力、力矩等的物理量。在构成一项设计方案的全部参数中，可能有一部分参数根据实际情况预先确定了数值，它们在优化设计过程中始终保持不变，这样的参数称为给定参数(或叫预定参数)或设计常数。另一部分参数则是需要优选的参数，它们的数值在优化设计过程中则是需要优选的参数，它们的数值在优化计算过程中是变化的，这类参数称为设计变量，它相当于数学上的独立自变量。一个优化问题如果有个设计变量，而每个设计变量用表示，则可以把个设计变量按一定的次序排列起来组成一个列阵或行阵的转置，即写成我们把定义为维欧式空间的一个列向量，设计变量为向量的个分量。以设计变量为坐标轴展成的空间称为维欧式空间，用表示。该空间包含了该项设计所有可能的设计方案，且每一个设计方案就对应着设计空间上的一个设计向量或者说一个设计点。2、目标函数优化设计是在多种因素下欲寻求使设计者员满意、且适宜的一组参数。“最满意”、“最适宜”是针对某具体的设计问题，人们所追求的某一特定目标而言。在机械设计中，人们总希望所设计的产品具有最好的使用性能、体积小、结构紧凑、重量最轻和最少的制造成本以及最多的经济效益，即有关性能指标和经济指标方面最好。在优化设计中，一般将所追求的目标(最优指标)用设计变量的函数形式表达，称该函数为优化设计的目标函数。目标函数的值是评价设计方案优劣程度的标准，也可称为准则函数。建立这个函数的过程称为建立目标函数。一般的表达式为它代表着某项重要的特征，例如机器的某种性能、体积、质量、成本、误差、效率等等。目标函数是设计变量的标量函数。优化设计的过程就是通过优选设计变量使目标函数达到最优值，最优值的数学表征为最小值或最大值。按一般的规范做法，把优化问题归结为求目标函数值的最小值居多。在求解过程中，目标函数值越小，设计方案越优。对于某些追求目标函数最大值的问题，例如前述求月生产利润最大的问题或谋求设计的效率最高、寿命最长等等，可转化为求目标函数负值的最小值问题，即因此，本章在后面的叙述中，一律把优化问题规范为求目标函数的最小值，表达式见式。在优化设计中，仅根据一项准则建立的一个目标函数，称为单目标函数。如前面举例中的生产调度问题中，为了实现单月生产利润最大化而建立的目标函数即属于单目标优化设计问题。若在设计中需要同时兼顾多个设计准则，则需要建立多个目标函数，这种问题即为多目标优化问题。在解决优化设计问题时，正确选择目标函数是非常重要的，它不仅直接影响优化设计的结果，而且对整个优化计算的繁简难易也会有一定的影响。3、约束条件与可行域优化设计不仅要使所选择方案的设计指标达到最佳值，同时还必须满足一些附加的设计条件，这些附加的设计条件都是对设计变量取值的限制，在优化设计中叫做设计约束或约束条件。它的表现形式有两种，一种是不等式约束，即另一种是等式约束，即式中和分别为设计变量的函数；和分别表示不等式约束和等式约束的个数，而且等式约束的个数必须小于设计变量的个数。因为从理论上讲，存在一个等式约束就得以用它消去一个设计变量，这样便可降低优化设计问题的维数。所以，当时，即可由个方程组中解得唯一的一组值。这样，方案的选择就成为唯一的或确定的了。在解决工程问题时，约束条件是优化设计获得工程可接受设计方案的重要条件。不等式约束及其有关概念，在优化设计中是相当重要的。每一个不等式约束(如)都把设计空间划分成两部分，一部分是满足该不等式约束条件的，即，另一部分则不满足，即。两部分的分界面叫做约束面，即由的点集构成。在二维设计空间中约束面是一条曲线或直线，在三维以上的设计空间中则是一个曲面或超曲面。一个优化设计问题的所有不等式约束的边界将组成一个复合约束边界，如图8-3表示了一个二维问题的情况。其约束边界所包围的区域(图中阴影线内)是设计空间中满足所有不等式约束条件的部分，在这个区域中所选择的设计变量是允许采用的，我们称这个区域为设计可行域或简称为可行域，记作若某项设计中除了具有个不等式约束条件外，还应满足个等式约束条件时，即对设计变量的选择又增加了限制。如图8-3所示，当有一个等式约束条件时，其可行设计方案只允许在域内的等式函数曲线的段上选择。因此，在一般的情形下，优化问题的设计可行域可表示为与此相反，除去可行域以外的设计空间称为非可行域。据此，在可行域内的任一设计点都代表了一个可接受的设计方案，这样的点叫可行设计点或内点，如图所示的点；在约束边界上的点叫极限设计点或边界点，如点，此时这个边界所代表的约束叫作起作用约束。点则称为外点，即非可行点，该点为不可接受的设计方案，因为该点违反了约束条件2，即。二、优化计