机械优化设计义刘长毅.docVIP

《机械优化设计》讲义 刘长毅 第一讲 第一课时：机械优化设计概论 课程的研究对象：根据最优化原理和方法，利用计算机为计算工具，寻求最优设计参数的一种现代设计方法。 目标：本课程目标体系可以分为三大块：理论基础、算法的分析、理解和掌握，算法的设计、实现（编程）能力的培养。将主要是对算法的学习为主，并兼顾培养一定的解决实际问题能力、上机编程调试能力。 首先，几个概念：优化（或最优化原理、方法）、优化设计、机械（工程）优化设计。 现代的优化方法，研究某些数学上定义的问题的，利用计算机为计算工具的最优解。 优化理论本身是一种应用性很强的学科，而工程优化设计（特别是机械优化设计）由于采用计算机作为工具解决工程中的优化问题，可以归入计算机辅助设计(CAD)的研究范畴。 再，优化方法的发展：源头是数学的极值问题，但不是简单的极值问题，计算机算法和运算的引入是关键。 从理论与实践的关系方面，符合实践-理论-实践的过程。优化原理和方法的理论基础归根结底还是来源于实际生产生活当中，特别是工程、管理领域对最优方案的寻找，一旦发展为一种相对独立系统、成熟的理论基础，反过来可以指导工程、管理领域最优方案的寻找（理论本身也在实践应用中不断进步、完善）。 解决优化设计问题的一般步骤： 相关知识：数学方面：微积分、线性代数；计算机方面：编程语言、计算方法；专业领域方面：机械原理、力学等知识 内容：数学基础、一维到多维、无约束到有约束 数学模型 三个基本概念：设计变量、目标函数、约束条件 设计变量： 相对于设计常量（如材料的机械性能） 在设计域中变量是否连续：连续变量、离散变量（齿轮的齿数，）。 设计问题的维数，表征了设计的自由度。每个设计问题的方案（设计点）为设计空间中的一个对应的点。 设计空间：二维（设计平面）、三维（设计空间）、更高维（超设计空间）。 目标函数： 设计变量的函数。 单目标、多目标函数。 等值面的概念：设计目标为常量时形成的曲面（等值线、等值面、超等值面）。几何意义：等值线（等值线的公共中心既是无约束极小点）、等值面。 约束条件： 等式约束（约数个数小于设计问题的维数） 不等式约束 满足约束条件的设计点的集合构成可行域D：可行点、非可行点、边界设计点 几何意义（二维）：对于设计空间不满足不等式约束的部分，用阴影表示。 数学模型的一般形式： 寻找一个满足约束条件的设计点，使得目标函数值最小。 标准形式： 优化问题的几何描述 第二章 数学基础和数值迭代法 2.1 函数的方向导数和梯度 一、 函数的方向导数 二、函数的梯度 令为函数在X点的梯度，包含函数的一阶导数信息。 即梯度方向是函数变化率最大的方向。 2.2 函数的泰勒展开与黑塞矩阵 一、泰勒展开式 其中黑塞（hessian）矩阵: 包含函数的二阶导数信息。 2.3 凸集、凸函数、凸规划 一、凸集 有，则D为凸集. 凸集的性质：1. 若D为凸集，λ为实数，则λD仍为凸集。（凸集的实数积为凸集） 2．若D、φ均为凸集，则二者的并集（和）为凸集。（凸集的和为凸集） 3．若D、φ均为凸集，则二者的交集（积）为凸集。（凸集的积为凸集） 二、凸函数 En的子集D为凸集，f为D上的函数，恒有，则f为D上的凸函数。反之为凹函数。 凸函数的性质： 设f为D上的凸函数，λ为实数，则λf为D上的凸函数。 设f1，f2为D上的凸函数,则f= f1+f2为D上的凸函数。 若f在En一阶可微，则对，f为凸函数的充要条件： 若f在En二阶可微，则对，f为凸函数的充要条件：黑塞矩阵半正定（若正定，严格凸函数）。 三、凸规划 其中目标函数、不等式约束均为凸函数，则称该问题为凸规划。 凸规划的性质： 集合为凸集。 可行域为凸集。 任何局部最优解即为全域最优解。 若目标函数可微，则最优解的充要条件： 2.4 无约束优化的极值条件 1．一阶导数（梯度）为零。 2．二阶导数（黑塞矩阵）正定（极小点），或负定（极大点）。 2.5 有约束优化的极值条件(Kuhn-Tucker条件) 对优化问题库恩-塔克条件描述为 ，即约束极小点存在的必要条件是：目标函数在该点的梯度可表示为诸约束面梯度的线性组合的负值。从几何意义上来说，即约束极小点目标函数梯度向量的反方向必须落在诸约束面所构成的锥角范围之内。 对于凸规划问题，K-T条件是充要条件。 只能作为验证条件，但到底是局部最优点还是全域最优点尚不能确定。 2.6 优化问题的数值迭代法 1．迭代过程 (k=0,1,2,…) 迭代的基本思想：搜索、迭代、逼近。 2．迭代终止条件： 点距准则： 函数值下降准则： 梯度准则： 第三章 一维搜索的优化方法 一维优化是多维优化的基础。包含两个步骤 1