《现代设计理论与方法-优化设计PPT课件》由会员分享，可在线阅读，更多相关《现代设计理论与方法-优化设计PPT课件（58页珍藏版）》请在金锄头文库上搜索。
1、机械优化设计 宁波大学机械工程与力学学院邓益民教授Tel 13486487106 短号 695648 Email dengyimin 1 一 优化设计的基本概念 优化设计要解决两个关键问题 1 建立优化设计数学模型它包括三个要素 即优化设计的目标函数 设计变量和约束条件 2 选择适合的优化方法 算法 解析法 数值计算法 优化方法 微分求极值 迭代逼近最优值 各种算法 2 1 设计变量1 概念在设计中 通常用对设计性能指标有影响的一组基本参数来表示某个设计方案 这组参数根据其特点又分为设计常量 可以根据客观规律或具体条件预先确定的参数 如材料的力学性能 机器的工况系数等 设计变量 在设计过程中不
2、断变化 需要在设计过程中进行选择的基本参数 称为设计变量 如几何尺寸 速度 加速度 温度等 3 优化设计实例设计一密闭矩形容器 其容积为3m3 容器的宽度不小于1 5m 以便于装卸车搬运 为使成本最低 要求用料最省 这项设计的设计变量是矩形容器的长l 宽w 高h 4 2 对设计变量的要求相互独立的参数 其取值都是实数 有界连续变量 称为连续量 如温度 跳跃式的量 称为离散量 如齿轮的齿数 模数 丝杆的螺距等 对离散变量 在优化设计时 常常先看作连续量 在求得连续量的优化结果后在进行圆整或标准化 以求得一个实用的最优方案 5 一项设计 若有n个设计变量 1 2 n可以按一定次序排列 用n维向量来
3、表示 1 2 n T Rn它表示了设计空间的概念 即以n个设计变量为坐标轴组成的实空间 Rn代表n维空间 6 2 目标函数1 概念目标函数是指根据特定目标建立起来的 以设计变量为自变量的一个可计算的数学函数 它是设计方案评价的标准 7 2 目标函数的描述优化设计的过程实际上是求目标函数极小值或极大值 最值 的过程 而求目标函数极大值的问题可转化为求目标函数极小值的问题 优化设计数学模型中通常规定求目标函数的极小值 故目标函数统一描述为 minF F 1 2 n 前例中密闭容器优化设计的目标函数可表示为 minF F l w h 2 lh wh lw 8 3 分类单目标优化 如果优化问题只有一个
4、目标函数 则称为单目标优化 多目标优化 如果优化问题有几个目标函数 则称为多目标优化 多目标优化可以通过数学方法转化为单目标问题 常用方法是加权法 其他如范数法 级数法 乘积法等 加权前往往需要进行归一或正则化处理 Normalization 属于定标的一种 9 3 约束条件1 概念为产生一个可接受的设计 设计变量本身或相互间应该遵循的限制条件 称为约束条件 10 2 表示方法约束条件一般可表示为设计变量的不等式约束函数形式和等式约束函数形式 即gi gi 1 2 n 0或者gi gi 1 2 n 0 i 1 2 m hj hj 1 2 n 0 j 1 2 p 式中m p分别表示施加于该项设计
5、的不等式约束数目和等式约束数目 一个等式约束可能通过代入法消去一个设计变量 11 3 分类按约束条件 又可分为性能约束和边界约束 1 性能约束是针对设计对象的某种性能或指标而给出的一种约束条件 如零件的计算应力不大于许用应力 轴的扭转变形应小于许用扭转角等 一般这类约束条件总可以根据设计规范中的设计公式或通过物理学和力学的基本分析导出的约束函数来表示 12 2 边界约束又称区域约束 书中的常量约束 表示设计变量的物理限制和取值范围 如前例中的边界约束条件为 g1 g1 l w h w 1 5 0g2 g2 l w h l 0g3 g3 l w h h 0约束条件是以设计变量为自变量一个函数 各
6、个约束条件之间不能彼此矛盾 13 1 数学模型的描述数学模型的规范化描述形式为 minF 1 2 n T Rngi gi 1 2 n 0i 1 2 mhj hj 1 2 n 0j 1 2 p 二 优化设计的数学模型 14 2 线性规划当目标函数F 约束条件gi 和hj 是设计变量的线性函数时 称该优化问题为线性规划问题 如果 只能取整数 则是整数规划 经常优化后取整 3 非线性规划当目标函数F 约束条件gi 和hj 中有一个或几个是设计变量的非线性函数时 称该优化问题为非线性规划问题 机械设计中 绝大多数优化设计问题的数学模型都属于非线性规划问题 15 前例中的优化设计问题可建立如下的数学模型
7、 minF F l w h 2 lh wh lw g1 g1 l w h w 1 5 0g2 g2 l w h l 0g3 g3 l w h h 0g4 g4 l w h l w h 3可见 这是一个三维非线形规划问题 为了简化问题 可根据等式约束条件消去一个设计变量 h 3 l w 则该问题从原来的三维问题转化为二维问题 16 4 建立数学模型的一般过程1 分析设计问题 初步建立数学模型即使是同一设计对象 如果设计目标和设计条件不同 数学模型也会不同 因此 要首先弄清问题的本质 明确要达到的目标和可能的条件 选用或建立适当的数学 物理 力学模型来描述问题 17 2 确定设计变量通常应参照以往
8、的设计经验和实际要求 将那些对目标函数影响不大的参数取为常量 以减少设计变量的个数 有利于设计问题数学模型的简化 3 根据工程实际 提出约束条件约束条件是对设计变量的限制 这种限制必须要根据工程实际情况来制订 以便使设计方案切实可行 约束条件的数目越多 则可行的设计方案就越少 优化设计的难度也越大 18 4 模型前处理简化模型 划分子结构 子阶段 简化处理 变量变换 如倒数 平方等定标处理 消除变量 约束 目标函数在大小 量纲上的差别5 选择正确的计算方法 确定计算误差如果数学模型的数学表达式比较复杂 无法求出精确解 则需采用近似的数值计算方法 并估计计算误差 19 6 进行结果分析 审查模型
9、灵敏度 鲁棒性检查 数学模型求解后 还应进行灵敏度分析 即在优化结果的最优点处 稍稍改变某些条件 检查目标函数和约束条件的变化程度 若变化大 则说明灵敏度高 就需要重新修正模型 某些问题需要进一步进行稳健设计 20 单变量 一维 方法一维搜索法一维函数黄金分割法 0 618法 二次插值法 近似抛物线法 无约束问题搜索方法坐标轮换法鲍威尔法 Powell法 梯度法牛顿法变尺度法 DRP 三 常用优化设计方法 有约束问题搜索方法复合形法拉格郎日乘子法惩罚函数法 罚函数法 现代优化方法遗传算法粒子群算法蚁群算法鱼群算法 神经网络法 21 传统搜索方法 22 遗传算法简称GA GeneticAlgor
10、ithm 最早由美国Michigan大学的J Holland教授提出 于上世纪60 70年代 以1975年出版的一本著作为代表 模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法 遗传算法是以达尔文的自然选择学说为基础发展起来的 自然选择学说包括以下三个方面 遗传算法简介 23 1 遗传 这是生物的普遍特征 亲代把生物信息交给子代 子代总是和亲代具有相同或相似的性状 生物有了这个特征 物种才能稳定存在 2 变异 亲代和子代之间以及子代的不同个体之间的差异 称为变异 变异是随机发生的 变异的选择和积累是生命多样性的根源 3 生存斗争和适者生存 具有适应性变异的个体被保留下来 不具有适
11、应性变异的个体被淘汰 通过一代代的生存环境的选择作用 性状逐渐与祖先有所不同 演变为新的物种 24 遗传算法将 优胜劣汰 适者生存 的生物进化原理引入优化参数形成的编码串联群体中 按所选择的适应度函数并通过遗传中的选择 交叉及变异对个体进行筛选 使适应度高的个体被保留下来 组成新的群体 新的群体既继承了上一代的信息 又优于上一代 这样周而复始 群体中个体适应度不断提高 直到满足一定的条件 遗传算法的算法简单 可并行处理 并能到全局最优解 25 遗传算法的基本操作 算子 有 1 选择 SelectionOperator 选择是从一个旧种群中选择生命力强的个体位串产生新种群的过程 具有高适应度的位
12、串更有可能在下一代中产生一个或多个子孙 选择操作可以通过随机方法来实现 首先产生0 1之间均匀分布的随机数 若某串的选择概率为40 则当产生的随机数在0 40 1 0之间时 该串被选择 否则被淘汰 26 2 交叉 CrossoverOperator 选择操作能从旧种群中选择出优秀者 但不能创造新的染色体 而交叉模拟了生物进化过程中的繁殖现象 通过两个染色体的交换组合 来产生新的优良品种 交叉的过程为 在匹配池中任选两个染色体 随机选择一点或多点交换点位置 交换双亲染色体交换点右边的部分 即可得到两个新的染色体数字串 27 交叉体现了自然界中信息交换的思想 交叉有单点交叉 多点交叉 还有一致交叉
13、 顺序交叉和周期交叉 单点交叉是最基本的方法 应用较广 它是指染色体切断点有一处 例 28 3 变异 MutationOperator 变异运算用来模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变 它以很小的概率随机地改变遗传基因 表示染色体的符号串的某一位 的值 在染色体以二进制编码的系统中 它随机地将染色体的某一个基因由1变为0 或由0变为1 29 若只有选择和交叉 而没有变异 则无法在初始基因组合以外的空间进行搜索 使进化过程在早期就陷入局部解而进入终止过程 从而影响解的质量 为了在尽可能大的空间中获得质量较高的优化解 必须采用变异操作 30 遗传算法的特点 1 遗传算法是对参数
14、的编码进行操作 而非对参数本身 这就是使得我们在优化计算过程中可以借鉴生物学中染色体和基因等概念 模仿自然界中生物的遗传和进化等机理 2 遗传算法同时使用多个搜索点的搜索信息 传统的优化方法往往是从解空间的单个初始点开始最优解的迭代搜索过程 单个搜索点所提供的信息不多 搜索效率不高 有时甚至使搜索过程局限于局部最优解而停滞不前 31 遗传算法从由很多个体组成的一个初始群体开始最优解的搜索过程 而不是从一个单一的个体开始搜索 这是遗传算法所特有的一种隐含并行性 因此遗传算法的搜索效率较高 3 遗传算法直接以目标函数作为搜索信息 传统的优化算法不仅需要利用目标函数值 而且需要目标函数的导数值等辅助
15、信息才能确定搜索方向 而遗传算法仅使用由目标函数值变换来的适应度函数值 就可以确定进一步的搜索方向和搜索范围 无需目标函数的导数值等其他一些辅助信息 32 遗传算法可应用于目标函数无法求导数或导数不存在的函数的优化问题 以及组合优化问题等 4 遗传算法使用概率搜索技术 遗传算法的选择 交叉 变异等运算都是以一种概率的方式来进行的 因而遗传算法的搜索过程具有很好的灵活性 随着进化过程的进行 遗传算法新的群体会更多地产生出许多新的优良的个体 33 5 遗传算法在解空间进行高效启发式搜索 而非盲目地穷举或完全随机搜索 6 遗传算法对于待寻优的函数基本无限制 它既不要求函数连续 也不要求函数可微 既可
16、以是数学解析式所表示的显函数 又可以是映射矩阵甚至是神经网络的隐函数 因而应用范围较广 7 遗传算法具有并行计算的特点 因而可通过大规模并行计算来提高计算速度 适合大规模复杂问题的优化 34 遗传算法的应用领域 1 函数优化函数优化是遗传算法的经典应用领域 也是遗传算法进行性能评价的常用算例 尤其是对非线性 多模型 多目标的函数优化问题 采用其他优化方法较难求解 而遗传算法却可以得到较好的结果 35 2 组合优化随着问题的增大 组合优化问题的搜索空间也急剧扩大 采用传统的优化方法很难得到最优解 遗传算法是寻求这种满意解的最佳工具 例如 遗传算法已经在求解旅行商问题 背包问题 装箱问题 图形划分问题等方面得到成功的应用 36 3 生产调度问题在很多情况下 采用建立数学模型的方法难以对生产调度问题进行精确求解 在现实生产中多采用一些经验进行调度 遗传算法是解决复杂调度问题的有效工具 在单件生产车间调度 流水线生产车间调度 生产规划 任务分配等方面遗传算法都得到了有效的应用 37 4 自动控制在自动控制领域中有很多与优化相关的问题需要求解 遗传算法已经在其中得到了初步的应用 例如 利用遗传算
