ANSYS优化算法探讨.pptVIP

ANSYS优化算法 2010年11月 惩罚函数法求解有约束优化问题 对于有约束优化问题 惩罚函数法转化为无约束优化问题 定义惩罚函数， M0为惩罚因子，p(x)为定义在Rn上的一个函数，称为惩罚项，满足： （1） p(x)连续 （2）对任意x ∈Rn，有p(x)≥0 （3）当且仅当x ∈S时， p(x)=0 S为有约束问题的可行集，即： 惩罚函数法求解有约束优化问题 对不等式约束，定义 对等式约束，定义 令L=p+m,则惩罚函数为 关于惩罚因子Mk的选取，根据计算经验常取为 Mk+1=cMk,c∈[2,10] 惩罚函数法求解有约束优化问题 用惩罚函数法求解约束优化问题的计算步骤 (1)选取M10,精度ε0,c≥2, 初始点x0，令k=1； (2)以为 xk-1 初始点，求解无约束优化问题 设其最优解为x(k)=x(Mk); (3)令 (4)若τε，则迭代结束，取x*=xk;否则令Mk+1=cMk,k=k+1，转回第二步。 ANSYS优化算法 考虑有约束优化问题： min f=f(x) (1) gi(x)≤gimax (i = 1,2,3,...,m1) (2) himin ≤hi(x) (i = 1,2,3,...,m2) (3) wimin ≤wi(x) ≤wimax (i = 1,2,3,...,m3) (4) 零阶算法 因变量（目标函数、约束函数）逼近，故需要通过通过设计域搜寻产生一系列设计（默认为随机方法） 最优化步骤：㈠ 形成因变量的近似公式： ANSYS优化算法 f^(x)=f(x)+error g^(x)=g(x)+error h^(x)=h(x)+error w^(x)=w(x)+error 基本形式： ANSYS优化算法 ㈡ 求子问题（近似函数）最小值（求最大值与其等效） 惩罚函数法将子问题转化为无约束优化问题 其中，X是加强设计变量约束的惩罚函数，G,H,W为状态变量惩罚函数 惩罚函数为扩展型： ANSYS优化算法 ㈢收敛检查：当fj ,f(j-1) ,f(b)皆为可行设计，并且满足下列条件之一时认为收敛： ANSYS优化算法 一阶算法：因变量的导数逼近 ㈠ 转化为无约束优化问题 f0由当前设计变量值得到的参考目标函数值; Px, Pg, Ph, and Pw：设计变量和状态变量的惩罚函数； Q：无量纲、无约束目标函数。 ㈡ 搜寻方向：针对每个优化循环(j),定义一个搜寻方向向量d(j),则： x(j+1)=x(j)+sjd(j) Sj由黄金分割法和局部二次拟合法计算，并且： ANSYS优化算法 ANSYS优化算法 收敛检查 两种算法比较 * * [1] ANSYS Theory reference 线性项 二次项（SV） 二次项+交叉项（OBJ） 可以用OPEQN控制拟合方法 G、H类似 若不满足上述条件，达到下列两个条件时，循环终止： ns=Ns; nsi=Nsi ns为当前子问题循环数，nsi为不可行设计数，Ns允许的最大循环次数，Nsi:允许的最大不可行设计数。 Smax:线搜索步长的限制（设计空间的百分比） Sj:第j次循环线搜索最大步长 初始循环搜索方法为最速下降法，随后的搜索方向依据Polak-Ribiere公式： 梯度计算 较慢 精度较高 因变量导数逼近 一阶算法 比一阶快 普通，对大多数问题足够 因变量逼近 零阶算法 计算速度 计算精度 特点