结构参数的二阶动态反优化方法的计算机应用.docVIP

结构参数的二阶动态反优化方法的计算机应用 　　摘要：利用结构优化中海森矩阵的近似迭代方法可以得到结构优化结果的同时，还可以得到结构参数优化函数的二阶近似展开式，其中二阶常数项也就是海森矩阵。利用优化函数的梯度阵和海森矩阵建立函数的二阶近似表达式在已确定的优化结果反向计算结构参数。由于采用的是二阶计算方法，结构参数的反优化计算更加精确，通过对悬壁板加强筋结构的计算，证明了这种方法的有效性。 　　Abstract: The use of approximate Hessian matrix iteration in structural optimization can obtained optimization results. At the same time, the second order approximation expansion of structural parameters can be obtained, second-order constant, also know as Hessian matrix is among them. To reversely calculate structural parameters by using second-order approximate expression of the gradient matrix and Hessian matrix for optimization function in identified optimization results. As a result of the second-order method, structural parameters anti-optimization calculation is more precise, through the cantilever plate stiffener structure calculations, the effectiveness of this method is showed. 　　关键词：海森矩阵；结构参数的反优化方法；DFP方法；拉格朗日乘子法 　　Key words: Hessian matrix；structural parameters of the anti-optimization；DFP method；Lagrange multiplier method 　　中图分类号：TP39 文献标识码：A文章编号：1006-4311（2011）03-0315-01 　　 　　1函数优化的拉格朗日乘子法 　　设 　　Min.f（X）优化目标（1） 　　s.t.hk（X）=0k=1，2，…，k约束条件（2） 　　X=（x1…xn），n是优化参数的个数，k是约束条件个数。（1）、（2）式的拉格朗日函数如下： 　　L（X，v）=f（X）-vkhk（3） 　　vi（i=1，2，…，k）是拉格朗日乘子。 　　2结构参数反优化的二阶近似方法 　　为了求有多个变量的连续可微分函数f（x1，x2，…，xn）的最小值，我们需要知道方程的极小值点时变量的值（1，2，…，n）。假设方程在处有最小值，且方程连续可微，它就可以被展成该方程在点泰勒展开式 　　如果方程f在点有局部最小值，则必有 　　f（X）T|=0 （4） 　　如果是极小值点，那么就有 　　f（X）f（）（5） 　　如果|x-|足够小，就有 　　（x-）TH（f（X））|（x-）0，（x-）≠0（6） 　　所以，这里H|是正定矩阵。 　　综上所述，要求函数f（X）极小值点，即f（X）=0。但实际并没有这样简单，因为必须迭代计算格式为： 　　Xi+1=Xi-H-1（f（Xi））f（xi） （7） 　　在实际应用中，经常不能直接得到海森矩阵的逆，H-1（f（X）），故采用PDF方法。这种方法不但能快速收敛，而且只要知道梯度向量f（X）时就可以迭代计算海森矩阵的逆，H-1（f（Xi））。 　　对于反优化问题，由于优化目标和约束条件已知，即L（X）可以看组是一个常数，但是参数X=（x1…xn）是一组未知的量，可由（7）式迭代计算X=（x1…xn）。 　　3结构参数的二阶动态反优化步骤 　　第一步： 　　设定初始的X0；用式（4）计算该点处目标函数和约束函数的值；用式（9）得到初始的拉格朗日乘子的值，0；设定初始的海森矩阵，H0，为一个正定矩阵 （例如，单位阵I）；计算初始点处的梯度向量L（x0，0），然后设 　　S0=-H0L（x0，0）（8） 　　第二步： 　　计算Xq+1q+1=Xqq+q*S1qS2q （9） 　　第三步： 　　A：计算