汽车试验技术第十章.pptVIP

算法介绍 二 最优拉丁超立方设计使所有的试验点尽量均匀地分布在设计空间，具有非常好的空间填充性和均衡性。图10-11a)显示了拉丁超立方随机生成的试验点分布，图10-11b)显示了最优拉丁超立方生成的更加均匀的分布。 算法介绍 二 ８. 自定义数据文件 用户可以通过自定义数据文件方法将外部的设计矩阵导入PIAnO，所用的文件格式如下： (１)每一个数值点在数据文件中用一行来表示； (２)作为因子的每一个参数都有对应的一列； (３)每列用空格或Tab键分隔值。 结果分析 三 １. 系数表(Coefficients Tables) １)Scaled ２)Normalized ２. 智能筛选图(Pareto Graph) 智能筛选图是通过直观的视觉观察确定输入变量对输出变量影响效果的工具，如图10-12所示。如果用鼠标双击输出变量的名称，将绘制出输入变量对该输出变量贡献率的条形图，如图10-13。 结果分析 三 ３. 均值分析图 均值分析图(图10-14)显示输入参数的各个水平得到的输出变量的平均值，输入变量的不同水平对输出平均值的标准偏差显示在矩形框中，该值越大，则表明输出变量响应值对输入变量的变化更敏感。对于输出参数是约束条件函数的情况，则该约束的可行域将变为矩形框以外的数字。 结果分析 三 ４. 等高线图 等高线图是基于历史表中的数据以数据可视化的方式预测输出变量值的工具，生成等高线图是以近似模型为基础，因此选择的设计变量样本数量和约束条件越多，生成等高线图的时间越长(图10-15)。 结果分析 三 ５. 2D散点图 2D散点图是以二维图的形式显示多维变量的分布和相关性，如图10-16所示。右上方显示出变量之间的相关系数，绝对值越接近1表示越接近线性相关。此外，它根据相关系数值所在的范围以不同颜色显示，图例显示在左侧。 第二节 试 验 优 化 理 论 全局探索法 一 遗传算法(GA，Genetic Algorithm)是Holland在20世纪60年代提出的，主要借助生物进化过程中“适者生存”的规律，模仿生物进化过程中的遗传繁殖机制，对优化问题解空间的个体进行编码(二进制或其他进制)，然后对编码后的个体种群进行遗传操作(如选择、交叉、变异等)，通过迭代从新种群中寻找含有最优解或较优解的组合，多岛遗传算法参数见表10-4。 全局探索法 一 １. 适应度(Fitness) ２. 基因编码(Encoding) ３. 种群(Population) ４. 子种群/岛(Sub-population/Island) ５. 选择操作(Selection) ６. 交叉操作(Crossover) ７. 变异操作(Mutation) 全局探索法 一 GA通过反复恰当地使用遗传算法的算子和选择原则，从亲代到子代，从子代到孙代，从孙代到崇孙代，不停地繁衍，使得种群对环境的适应性不断升高，流程如图10-18 。 建模法 二 １. 近似建模 创建近似模型的流程(图10-19)如下： (１)样本数据采集； (２)选择近似模型类型； (３)初始化近似模型； (４)验证近似模型； (５)如果近似模型可信度不够，则需要更新模型，提高其预测精度； (６)如果近似模型具有足够可信度，则可以使用该近似模型替代仿真程序。 建模法 二 基于近似模型进行优化设计的优势如下： (１)建立经验公式，获得输入、输出变量之间的量化关系。 (２)减少耗时的仿真程序调用，提高优化效率；通常可将实际求解时间缩短几个数量级。 (３)对响应函数进行平滑处理，降低“数值噪声”，有利于更快地收敛到全局最优点。 PIAnO 提供的近似模型方法见表10-5。 建模法 二 ２. 响应面(RSM)模型 １)响应面方法的优点 (１)通过较少的试验在局部范围内比较精确的逼近函数关系，并用简单的代数表达式展现出来，计算简单，给设计优化带来极大的方便。 (２)通过回归模型的选择，可以拟合复杂的响应关系，具有良好的鲁棒性。 (３)数学理论基础充分扎实，系统性、实用性强，适用范围广，逐步成为复杂工程系统设计的有力工具。 建模法 二 ２)响应面方法的缺点 (１)不能保证响应面通过所有的样本点，因此存在一定的误差。 (２)对于高度复杂的函数关系的逼近效果不如神经网络等方法。 ３)配置参数 构造响应面模型的最少样本点数依赖于模型阶数和输入变量个数，见表10-6。 建模法 二 ３. 神经网络(RBF/EBF)模型 在PIAnO中，用神经网络模型的优点如下： (１)很强的逼近复杂非线性函数的能力； (２)无须数学假设