机械优化设计 Optimization of mechanical design（崔昭霞）.pptVIP

* * * * * * * * * * * 设计空间是所有设计方案的集合，但这些设计方案有些是工程上所不能接受的。如一个设计满足所有对它提出的要求，就称为可行设计。 一个可行设计必须满足某些设计限制条件，这些限制条件称作约束条件，简称约束。是设计变量本身或设计变量之间取值的限制条件。 根据约束的性质可以把它们区分成性能约束和侧面（边界）约束两大类。 针对性能要求而提出的限制条件称作性能约束。例如，选择某些结构必须满足受力的强度、刚度或稳定性等要求。 只是对设计变量的取值范围加以限制的约束称作侧面约束。例如，允许机床主轴选择的尺寸范围，对轴段长度的限定范围就属于侧面约束。侧面约束也称作边界约束。 2、约束条件 约束又可按其数学表达形式分成等式约束和不等式约束两种类型。 (1)等式约束 (2)不等式约束 可行域 :凡满足所有约束条 件的设计点的集合，可行设计 点在设计空间中的活动范围。 约束函数有的可以表示成显式形式，即反映设计变量之间明显的函数关系，有的只能表示成隐式形式 ,如例中的复杂结构的性能约束函数（变形、应力、频率等）。 复杂结构的性能约束函数（变形、应力、固有频率等）需要通过有限元等方法计算求得。 使设计得以优化的函数称作目标函数。用它可以评价设计方案的好坏，所以它又被称作评价函数，记作f(x)。 建立目标函数是整个优化设计过程中比较重要的问题。 对某一个性能有特定的要求，而这个要求又很难满足时，则针对这一性能进行优化将会取得满意的效果。但在某些设计问题中，可能存在 两个或两个以上需要优化的指标，这是多目标函数的问题。例如，设计一台机器，期望得到最低的造价和最少的维修费用。 最优化问题模型统一化： 在上述最优化问题的一般式 中只是取极小值，如果遇到极大 化问题，只须将目标函数反号就 可以化为求极小的问题。 3、目标函数 因此后面专门研究最小化问题 ◆目标函数等值面 目标函数是 n 维变量的函数，它的函数图像只能在n+1维空间中描述出来。为了在 n 维设计空间中反映目标函数的变化情况，常采用目标函数等值面的方法。目标函数的等值面，其数学表达式为： （c为一系列常数），代表一族n维超曲面。如在二维设计空间中，f(x1,x2)=c 代表x1-x2设计平面上的一族曲线。 对于具有相等目标函数值的设计点 构成的平面曲线或曲面称为等值线或等 值面,它越稀疏越说明目标函数值变化越 缓慢。 无约束优化问题的极小点即为 等值面的中心。 4. 优化设计问题一般数学形式 求设计变量向量 使目标函数 满足约束条件 ： 1.3 优化问题的几何描述 O x1 x2 O x1 x2 a) 极值点处于多角形的某一顶点上 b) 极值点处于等值线的中心 c) 极值点处于约束曲线与等值线的切点上 d) 极值点处于两个约束曲线的交点上 x﹡ g1 (x)＝0 g2 (x)＝0 g3 (x)＝0 x﹡ g2(x)＝0 g3(x)＝0 g4(x)＝0 g1(x)＝0 g2(x)＝0 O x1 x2 O x1 x2 x﹡ g2(x)＝0 x﹡ g1(x)＝0 g1(x)＝0 例1 用图解法求解 优化问题图解法 通过二维优化问题的几何求解来直观地描述优化设计的基本思想。 目标函数等值线是以点（2，0）为圆心的一组同心圆。 如不考虑约束，本例的无约束最优解是： ， 约束方程所围成的可行域是D. 例2 图解法 结论： ☆图解法提示了优化问题的解题思路，说明了优化设计过程的实质:____从实际设计问题中抽象出优化数学模型，再对其进行求最优解(点)的过程，也即求极值点的过程 ☆极值点有局部极小(大)与全局极小(大)之分 ____优化设计需要求的是全局最优解(点) ☆凸规划 ___所求局部最优解(点)就是全局最优解(点) ☆常采用局部分别进行寻优，再比较其结果，来确定全局最优解(点)的方法 1.4 优化设计问题的基本解法 1. 基本解法 求解优化问题的基本解法有： (a) 解析法； （b）数值近似解法 工程优化问题的目标函数和约束条件比较复杂，有时还无法用数学方程描述。数值解法（迭代法）是优化设计问题的基本解法 ◆数值迭代法的基本思路：进行反复的数值计算，寻求函数值不断下降的可行计算点，直到最后获得足够精度