现代设计理论与方法(优化设计典型算法).docxVIP

《现 代 机 械 设 计 方 法》 第二章：优 化 设 计（1） ——优化设计典型算法 1.单变量优化计算方法 1.1 一维(单变量)搜索优化计算方法 最优步长因子是一个标量，也 是优化迭代中每一步中需要计 k?1kk算k的变量。  提纲 Part I ： 数值解法 Part I ： 数值解法 Part II： 遗传算法 ——示例 1.单变量优化计算方法 1.单变量优化计算方法 1.1 一维(单变量)搜索优化计算方法 1.1 一维(单变量)搜索优化计算方法 ? 优化示例：日本切打西瓜游戏 ? – 目标：砸中西瓜 – 迭代过程：确定方向→前进→调整方向→前进→ … → 前进→砸中西瓜。（方向调整有人指导） 求解最佳步长因子时利用计算机通过反复迭代计算求得最 佳步长因子的近似值。其基本思路是先确定最佳步长因子的搜 索区间，然后根据区间消去法原理不断缩小此区间，从而获得 最优步长因子的数值近似解。 1 1.单变量优化计算方法 1.1 一维(单变量)搜索优化计算方法 假设目标函数 f (?) 具有单谷性，即在所考虑的区间 [ a , b] 内，函数 f (?) 具有唯 从??0开始，以初始步长向前试探。如果函数值上升，则步长变号，即改变试探方向；如果函数值下降，则维持原来的试探方向，并将步长加倍。区间的始点、中间点依次沿试探方向移动一步。此过程一直持续到函数值再次上升为止，即可找到搜索区间的终点。最后形成的三点即为搜索区间的始点、中点和终点，对应的函数值形成“高－低－高”的趋势。  1.单变量优化计算方法 1.单变量优化计算方法 1.1 一维(单变量)搜索优化计算方法 1.1 一维(单变量)搜索优化计算方法 ? 外推法确定搜索 ? 区间消去法原理 区间的流程： 第1、第2个 点交换位置 a1,b1为区间[a,b]中 每次只记录三个 间的两点，则区间 点：起始点、中 [a,b]可依照如下规则 间点和终止点。 进行缩减： 1.单变量优化计算方法 1.1 一维(单变量)搜索优化计算方法 由区间消去法原理可知，每次为了缩短区间，需要在区间内再插入一点并计算其函数值。确定插入点的方法不同，就形成了不同的一维搜索算法。 – 试探法：按照某种给定的规律确定插入点的位置，此点与函数值的分布规律没关系，而只考虑区间缩短的速度。典型的如黄金分割法。 – 插值法：根据函数值、各阶导数等构造插值函数来逼近原来的函数，用插值函数的极小点作为原函数的极小点。典型的有二次插值、三次插值等方法。  1.单变量优化计算方法 1.1 一维(单变量)搜索优化计算方法 一维搜索试探性方法－黄金分割法 内插入两点a,a，并计算相应的函数值。a,a将区间分为3部分，利用函数单谷特点，通过比较函数值，删除其中的一段。然后再保留下来的区间作同样的处理，直到搜索区间无限小。 ? 黄金分割法是指将一段线段分 较长段长度的比值等于较长段 与较短段长度的比值，即： 1: ? ? ? : (1 ? ?) L?? ? ? 0.618 黄金分割法又称0.618法  1.单变量优化计算方法 1.1 一维(单变量)搜索优化计算方法 ? 一维搜索试探性方法－黄金分割法 ? ? ? : (1 ? ?) ? 2 ? (1 ? ?) 2 2.多变量优化计算方法 梯度法 前提条件： 算法： ?迭代步长可用一维搜索算法来确定。  2.多变量优化计算方法 梯度法 流程图  2.多变量优化计算方法 梯度法 优缺点： – 优点：迭代过程简单，要求的存储量很少，在远离极小点的位置，收敛比较快。 – 缺点：“最速下降”是局部性质，当接近极小点时，收敛速度太慢。 Part II： 遗传算法  1、引言 智能优化算法又称为现代启发式算法，是一种具有全局优化性能、通用性强、且适合于并行处理的算法。这种算法一般具有严密的理论依据，而不是单纯凭借专家经验，理论上可以在一定的时间内找到最优解或近似最优解。  1、引言 智能优化算法种类 禁忌搜索算法 模拟退火算法 遗传算法 人工神经网络 蚁群算法 粒子群算法 混合算法  特点 基于客观世界中的一些自然现象； 建立在计算机迭代计算的基础上； 具有普适性，可解决实际应用问题。 3 遗传算法的产生与发展 2.1 产生 早在50年代，一些生物学家开始研究运用数字计算机模拟生物的自然遗传与自然进化过程； 1963年，德国柏林技术大学的I. Rechenberg和H. P. Schwefel，做风洞实验时，产生了进化策略的初步思想； 60年代， L. J. Fogel在设计有限态自动机时提出进化规划的思想。1966年Fogel等出版了《基于模拟进化的人工智能》，系统阐述了进化规划的思想。  遗传算法的产生与发展 2.1 产生 60年代中期，美国Michi