论文部分内容阅读
在工程结构优化设计过程中,通常用计算机仿真技术对结构的响应进行模拟计算,但是随着结构复杂度的提升,对其单次计算的时间会大幅度提升,用普通的智能算法如模拟退火算法和遗传算法等,需要计算大量的目标响应,因而会导致优化设计周期过长,甚至优化难以收敛。通过代理模型近似代替高保真度的计算机仿真优化,可以有效减少优化计算次数,提升优化效率。本文以代理模型的动态更新过程为主要研究对象,分析了初始样本点对代理模型优化的影响;对单目标优化,提出了多峰并行多点加点准则;针对多目标优化,提出了基于Kriging代理模型的多目标优化方法,用混合加点的方法进行代理模型的更新。本文的具体研究内容包括:(1)针对初始样本点对优化过程的影响规律,本文用优化数据定性分析了初始样本点的个数、初始样本点的分布对优化结果的影响,并分析了初始样本点对优化变量维度的适用性。结果表明初始样本点对优化结果有着重要的影响,如果初始样本点过少,则优化容易提前收敛,得到局部最小解;如果初始样本点过多,则计算量过大,动态代理模型的优化效率得不到体现;初始样本点越分散,则优化的稳定性越好;优化所需要的样本点个数随着优化变量维度的增加而增加。本文对初始样本点的选取做出了合理的建议。(2)针对代理模型更新准则函数的多峰性,提出了基于聚类的自适应精英个体的多峰搜索算法,用于计算动态代理模型加点准则函数的多个峰值,然后在多个峰值处添加样本点并计算其响应值,重新构造代理模型,不断迭代直至收敛,该过程称为并行多峰多点加点准则。通过数学测试函数对本文提出的多峰并行多点加点准则进行了测试,验证了其可行性,相比于常用的EI加点准则其优化效率提升了66%至180%。(3)针对多目标优化问题,本文将代理模型优化方法与多目标遗传算法(NSGA-II)进行结合,针对不同目标分别建立Kriging代理模型,然后用NSGA-II计算代理模型预测响应值和加点准则函数值的帕累托(pareto)前沿,在两个前沿上选择样本点进行代理模型的更新,以此降低多目标遗传算法计算目标函数的次数。通过数学测试函数对本方法进行测试,结果表明:本方法相对于直接使用多目标遗传算法,其优化解集的收敛性和多样性相差不大,但是前者对目标函数的计算次数只有后者的3%左右。