多目標的案例
達索SIMULIA多學科多目標優化設計軟件Isight高級應用研討論壇回顧
達索SIMULIA多學科多目標優化設計軟件Isight高級應用研討論壇于2018年7月26日在杭州洲際酒店北京廳召開。來自達索總部的專家，國內的航空航天、鐵路、汽車、石油、能源動力與高校等行業的高級客戶；以及達索的合作伙伴從全國各地齊聚杭州參加了此次技術高峰論壇。對基于多學科多領域的參數綜合優化、設計流程自動化、分析流程模板、基于Isight的定制流程開發的領域進行了多方面專業化的深入的技術交流。
多學科多目標優化設計軟件Isight高級應用研討論壇注冊處：
大會于上午8：40時許召開。首先由達索系統SIMULIA品牌中國區總監MikeSheh博士致開場詞并介紹了大會的日程安排，并向到場的客戶、合作伙伴致謝。
達索系統SIMULIA品牌中國區總監Mike Sheh博士致開場詞
達索SIMULIA多學科多目標優化設計軟件Isight應用論壇主要內容涵蓋以下十個方面：
Isight多學科有目標優化軟件在國際上的應用（主要介紹在英國與日本的應用情況）
Isight多學科多目標優化技術的戰略規劃和版本更新。
Isight多學科多目標優化技術在航天領域的應用。
Isight多學科多目標優化技術在航空發動機設計領域中的應用。
Isight多學科多目標優化技術在鐵路行業中的應用。
Isight多學科多目標優化技術在石油鉆井領域的應用。
Isight多學科多目標優化技術在汽車行業中的應用。
Isight多學科多目標優化技術在船舶發動機領域的應用。
Isight多學科多目標優化技術定制化二次開發的應用。
達索合作伙伴對Isight優化技術的高級深度應用。
展開 多目標優化中文文獻
多目標優化
Pareto遺傳算法在貨位配置中的應用研究.pdf
PSO算法在工程優化問題中的應用.PDF
采用改進PSO的非線性系統T_S模糊模型辯識.pdf
帶陰性選擇的粒子群優化算法.pdf
單純形-多目標粒子群優化方法的混合算法.PDF
導彈運輸發射車動態參數的多目標優化.pdf
電力公司購電、配電計劃的多目標優化算法.pdf
電力系統無功優化中PSO算法的改進研究.pdf
動態優化環境下的群核進化粒子群優化方法.pdf
多目標調度模型在尼山水庫的應用.pdf
多目標決策在高校實驗室設備采購中的應用.pdf
多目標識別的聯合變換相關器的研究.pdf
多目標優化方法檢測隨機受迫系統的混沌現象以及在心率變異信號分析中的應用.PDF
多目標優化遺傳算法的收斂性定義及實例研究.pdf
多目標優化遺傳算法在飛航導彈設計中的應用.pdf
多目標最優化的粒子群算法.PDF
番茄形態結構模型參數的多目標擬合估算方法研究.pdf
復合材料層合板蠕變屈曲與變形的優化問題.pdf
改進的多目標粒子群算法.pdf
改進的基本粒子群優化算法.PDF
隱身性能約束的多目標氣動外形優化設計.pdf
一種解決多目標優化問題改進的進化規劃算法.pdf
一種基于多Agent的進化多目標優化算法.pdf
展開 Isight中的多目標優化算法比較
對多個子目標同時進行優化的問題稱為多目標優化問題，又稱多準則優化問題、多性能優化問題。實際工程中，優化問題大多數屬于多目標問題，目標之間一般都是互相沖突的，因此在設計時需要進行多目標的比較，并進行權衡和折衷。自20世紀70年代以來，多目標優化問題在國際上引起了廣泛的關注，并迅速發展為一門新興的學科。
多目標優化算法主要分為兩大類：歸一化方法和非歸一化方法。
歸一化方法的解決方法通過加權或其他方式將多個目標轉化為單一目標，然后通過成熟的單目標優化方法求解。加權法是歸一化算法的代表算法之一，該算法主要是根據各子目標的重要程度分別指定相應的加權系數，將多目標問題單目標化，但其主要有兩個缺點：
（1）當目標函數的數量增加時，權重系數在目標空間里的等值面的關系不再直觀；
（2）如果Pareto前沿形狀中存在沒有凸起的部分，則無法求得這部分Pareto最優解。且加權法的權值通常并不是決策者設定，而是優化者決定，這在很大程度上受到了優化者主觀的影響。
非歸一化方法是采用Pareto機制直接處理多個目標的優化技術，它不需要將多個目標轉化為單一目標，因此解決了歸一化方法的缺點。非歸一化方法能夠使所求解集的前沿與Pareto前沿盡量接近，并盡量均勻覆蓋Pareto前沿。非歸一化方法中的代表方法是：多目標遺傳算法、eArtius公司的ParetoExplorer方法等。
展開 基于深度學習的多目標跟蹤算法原理
來源 |
人工智能感知信息處理算法研究院
基于深度學習的多目標跟蹤算法的主要任務是，優化檢測目標之間的相似性或距離度量的設計。根網絡學習到的特征的區別，可以將基于深度學習的多目標跟蹤算法分為基于深度表現特征的跟蹤網絡，基于相似性度量的跟蹤網絡以及基于高階匹配特征的跟蹤網絡如下圖所示。
將神經網絡學習到的目標的表觀特征引入到多目標跟蹤算法中，是提升多目標跟蹤算法效果的最簡單直接的辦法。其具體的操作方法有以下幾種：利用在圖像識別或行人重識別任務訓練得到的特征提取網絡，直接替換現有的多目標跟蹤算法框架中的表觀特征提取模塊；采用深度神經網絡學習光流運動特征，將光流網絡引入到算法中計算目標之間的運動相關性等。而通過深度學習提升多目標跟蹤算法更加直接的方法是學習檢測之間的特征相似性。譬如，設計深度網絡對不同目標之間的相似性進行度量，使得同一目標的相似距離小，不同目標的相似距離大，從而構造關于檢測距離的代價函數。也可以通過設計二分類代價，使相同目標的檢測特征匹配類型為 1，然不同目標的檢測特征匹配類型為 0，從而學習并輸出(0,1]之間的檢測匹配度。如果考慮已有軌跡與檢測之間的匹配，采用深度學習方法可以用于設計并計算軌跡之間的匹配相似度，這種方法可以認為是基于深度學習的高階特征匹配方法。使用深度學習計算高階特征匹配算法，可以學習多幀表現特征的高階匹配相似度，也可以學習運動特征的匹配相關度。下面將通過對基于孿生網絡的深度學習多目標跟蹤算法的詳細介紹，來說明基于深度學習的多目標跟蹤算法的詳細步驟。
基于對稱網絡的多目標跟蹤算法有很多種，而其中的一種便是采用 Siamese對稱卷積網絡，該算法以兩個尺寸相同的檢測圖像塊為輸入，輸出為兩個圖像塊是否屬于同一個目標的判別。
展開 
深度學習|基于MobileNet的多目標跟蹤深度學習算法
源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學習算法在多目標跟蹤中的實時性問題, 提出一種基于MobileNet的多目標跟蹤算法. 借助于MobileNet深度可分離卷積能夠對深度網絡模型進行壓縮的原理, 將YOLOv3主干網絡替換為MobileNet, 通過將標準卷積分解為深度卷積和逐點卷積, 保留多尺度預測部分, 以有效減少參數量. 對于檢測得到的邊框信息, 利用Deep-SORT算法進行跟蹤. 實驗結果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關鍵詞
深度學習 多目標跟蹤 目標檢測 YOLOv3 deep-SORT MobileNet
0 引言
多目標跟蹤是計算機視覺領域的研究熱點, 可應用于交通監測、安防等多個領域, 具有一定的應用價值和挑戰性[1]. 檢測方式可以分為檢測跟蹤和無檢測跟蹤兩類, 前者需要檢測目標后再進行跟蹤; 后者需要在第1幀手動初始化目標, 然后進行跟蹤. 在目標跟蹤中, 涌現出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測跟蹤中體現出較強的優勢.
由于深度學習的發展, 卷積神經網絡模型逐漸替代了傳統手工設計的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時, 其網絡深度和尺寸也在成倍增長, 需要GPU來進行加速, 使得基于深度學習的跟蹤算法無法直接應用于移動設備, 導致難以符合實時性要求. 因此降低算法復雜度、提高實時性、簡化和加速模型便成為亟待解決的問題. 文獻[8-10]使用剪枝方法對神經網絡進行網絡壓縮. 文獻[11]提出從零開始訓練低秩約束卷積神經網絡模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開 基于optistruct靜態多工況下汽車控制臂多目標拓撲優化 ￥80
本例以汽車控制臂三種工況下的多目標拓撲優化為例，講述在optistruct中是如何進行多目標拓撲優化，從而滿足特定要求下汽車控制臂的概念設計，先通過單目標拓撲優化得到每個工況的最大與最小柔度值，然后通過基于SIMP的多工況靜態剛度拓撲優化數學模型得到三各工況綜合柔度的優化方程
，
modeFRONTIER多目標優化軟件
例1) 為在搜索中極力降低實際運算量，進行最有效率的優化
→啟用響應曲面并用型“FSIMPEX、FMOGA-Ⅱ”
例2) 要進行強條件約束、非線性多峰值的多目標優化問題
→啟用“MOSA”
例3) 希望在生成響應曲面時，為提高響應曲面精度，在輸出值急劇變化的部分進行自動定義取樣
→啟用“MACK、利普希茨連續條件取樣”
三.多目標穩健性設計
穩健設計是指因素狀況發生微小變差(Δx)對因變量的不敏感性，由于工程設計問題復雜，方案評價本身就成了難題，使用數理統計方法進行穩健設計是提高產品質量的一種有效的手段。
傳統方法
?進行穩健性求解的時候，選擇(Δ)作為初始設計點，必須使(○)接近設計空間穩健最優點。
?如果求解失敗，則調整設計因子權重。
正向搜索 (輸入→輸出 μ、σ)：MORDO
在“重視輸出的性能、重視各輸出穩健性的多目標優化”設計中，可以采用正向搜索方式進行有不均衡多目標穩健優化設計。
反向搜索 (輸出μ,σ→不均衡輸入)：反向MORDO
“保持輸出性能的穩健性在規定范圍內，將性能最大化”的時候，可以采用反向多目標穩健設計優化。
四.50種以上的結果處理方法，多變量分析功能
即使是一般的統計分析、優化工具，也具備了豐富的結果處理功能。但數值優化得到的“解”也僅僅是“數值”而已，不外乎是將目標函數最大化/最小化。
優化技術和工具的發展使復雜問題的求解成為可能，從物理意義去解釋 “解”的最優性還存在很大的困難，最終還是需要設計者自己的判斷。所以優化工具，不能僅具備自動搜索“最優解”功能，還需要解釋“為什么這樣最好或者最差？”等找出“成為最優解的物理原因”，是優化工具不可欠缺的功能。
展開 多目標水資源系統運行決策優化的遺傳算法1
多目標水資源系統運行決策優化的遺傳算法
方紅遠1，鄧玉梅2，董增川3
(1.揚州大學；2.國家防汛抗旱總指揮部辦公室；3.河海大學)
摘 要：針對一多目標水資源系統優化運行問題，本文闡述了多目標決策遺傳算法(MODGA)的應用。按遺傳算法原理，采用浮點向量表達解的結構；并依據多目標決策協調規劃法定義適應度為任一目標點與理想點的距離。對構建的模型，文中使用的計算方法的收斂過程相當有效，計算結果合理。
關鍵詞：多目標決策；水資源系統；遺傳算法
在過去的20多年中，基于計算機的各種智能算法已在許多領域得到應用，其中遺傳算法(GA)是運用較普遍的一種方法。這種搜索法借助于生物激勵機制，通過種群換代達到改善參與競爭的染色體的特征［1，2］。GA法是一種隨機優化技術，它是通過產生準隨機數代替候硯以完成解空間的搜索，隨著種群的不斷換代，前代候硯的概率分布相應地被后代更新。雖然由于生成各代種群中染色體的隨機性能否確保達到全局最優搜索尚無定論，但GA法的高度魯棒性以及在許多領域的成功應用，仍使它成為一種具有吸引力的尋優方法。水資源系統規劃與管理中的許多問題都屬于復雜的多狀態、多目標離散化問題。多目標決策遺傳算法(MODGA)在每一代種群的更新過程中，都能產生大量滿足決策指標的權衡解，故它能給出一個較廣范圍的非劣解［5］。本文以解決這一實際的多目標水資源系統優化運行問題為例，闡述GA法在水資源多目標決策中的應用。
1 系統概況
蘇北平原湖區水資源短缺現象普遍存在，供需矛盾十分突出，而已有的多級泵站提水調水成本較高，如何通過科學規劃和管理，使系統能有效利用天然徑流和已建工程調蓄能力，滿足工業、農業、生活和航運用水的需求，是該地區水資源合理利用的一個重要課題［7］。
展開 [分享]多目標優化的方法與理論
多目標優化的方法與理論
多目標優化的方法與理論.part1.rar
多目標優化的方法與理論.part2.rar
基于optistruct汽車控制臂多目標拓撲優化 ￥15
汽車控制臂三種工況下的多目標拓撲優化為例，講述在optistruct中是如何進行多目標拓撲優化，從而滿足特定要求下汽車控制臂的概念設計。對于單目標拓撲優化你會發現每一種工況下拓撲優化的結果不一樣，多目標拓撲優化則綜合考慮多種工況下的目標得到一個綜合結果。
對于多目標優化常用的手段：1、將目標轉化為約束條件；2、對多目標采用加權的方法得到一個綜合目標。本案例中采用方法2。
變量：設計空間中每個單元的密度；
約束：體積分數不超過0.3；
目標：多種工況下的綜合應變能最小（每種工況目標權重自定義，此處都定為一樣的1）。
有限元模型
拓撲結果（ISO=0.15）
柔度迭代曲線
本案例僅提供模型文件及相關指導，凡購買的朋友針對本案例仿真實現上有什么疑問可以私信。
請尊重原創，版權所有，翻版必究
展開 AMESim電控單體泵高速電磁閥多目標優化分析
4.3 多目標優化模型
圖7所示為多目標優化平臺modeFRONTIER與AMESim聯合仿真模型，首先實驗設計隨機產生輸入變量的相互組合，即賦予遺傳算法初始值，經過AMESim計算得出輸出變量的值，優化算法再根據目標函數的要求進行選擇優化參數的變異和交換等操作，從而達到優化目的。本研究共有5 個輸入變量，電控單體泵在典型工況下進行仿真，將開啟、關閉延遲時間作為輸出變量，并將開啟、關閉延遲時間最小作為最終優化目標。
圖7 電控單體泵多目標優化模型
4.4 多目標優化結果分析
圖8(a)所示為電磁閥響應延遲時間多目標優化解集，從中選取符合電磁閥開啟、關閉延遲時間都最小的Pareto最優解集前沿，如圖8(b)所示，在Pareto前沿上選取滿足優化目標的點，點A為優化前電磁閥響應延遲時間點，點C為關閉延遲最小點，點D為開啟延遲最小點，但這兩個點的參數配置均只能實現對單個目標的優化，為了同時實現對電磁閥開啟和關閉延遲時間優化的目標，應用式(2 )計算出d最小值的x0點，即點B作為最終優化結果點。
從優化結果中可看出，表2給出了優化前后設計參數對比值，表3所示為優化前后電磁閥關閉延遲時間和開啟延遲時間。優化后，關閉延遲時間減小了6%，開啟延遲時間減小了17.7%，循環噴油量減小了1.50mm3, 噴油壓力峰值增加0.63MPa。說明經過電磁閥延遲響應多目標優化，隨著電磁閥響應的加快，噴油壓力有所增加，對循環噴油量的控制也更加精確，可進一步改善電控單體泵的噴射特性。
展開 
多目標優化設計完整過程
我看過一些論文，現在還沒有什么新的理論可以實現多目標（可能我沒有發現），現在對多目標的處理情況是response用函數關聯起來，將不同的response設置為函數的變量，把多目標處理成為一個單目標。方程形式如下：f=w1*response1+w2*response2
W1,w2 為權值。
Optistruct中就是如此處理的，
首先在dequation中設置方程，如下圖：
我對設置方程還有些地方沒有弄明白，我只是舉個簡單的例子。（希望哪位高人能把編輯方程的詳細過程，及要注意的地方，單獨發個帖子，特別是復雜的方程的編寫過程。）
4. 寫方程。
我以單工況情況下最小化compliance和最大化一階固有頻率為例子，（這個最簡單，多工況的情況，和這個差不多）.
寫方程時，我們不能簡單的將方程寫成f=w1*response1+w2*response2形式，因為w1*response1的值和w2*response2值可能會相差太大，并且兩者的值很可能不是同時變大或是同時變小。所以我們要對兩個response作一定的數學處理。（至于為什么要這樣，大家可以想明白）。數學處理的方法很簡單，我主要是通過看這篇論文想到的：
汽車車架結構多目標拓撲優化方法研究 范文杰，范子杰，蘇瑞意 （強烈推薦）
Multiobjective optimal topology design of structures
T.-Y. Chen, S.-C.
展開 多目標優化的微分進化算法
多目標優化的微分進化算法
多目標優化的微分進化算法.pdf
多目標優化問題有效解的一階必要條件.pdf
如何使用Optistruct進行應力拓撲優化或多目標、多約束優化 ￥9.99
同樣使用本文的方法還可以求解多目標優化和多約束優化等等，不僅僅是拓撲優化，尺寸優化，形狀優化也能解決，因為這三種優化類型都需要響應。
SerDes設計中高速傳輸線的人工智能驅動多參數多目標優化流程（7月29日直播）
7月29日，Ansys官方研討會『SerDes設計中高速傳輸線的人工智能驅動多參數多目標優化流程』為您分享如何借助Ansys RaptorAI，通過人工智能技術實現SerDes（高速傳輸線）的多參數、多目標協同優化，加速設計流程、提升設計質量。Ansys Raptor 是Ansys 旗下一系列用于電磁建模相關的軟件工具，常見的有 Ansys RaptorH 和 Ansys RaptorX 等，主要用于半導體電路電磁分析等領域。對該領域感興趣的下滑預約學習??
時間：7月29日（星期四），16：00-17：00
內容簡介：隨著數據速率的不斷提升、設計復雜性的增加以及工藝節點的持續演進，高速 SerDes 設計中的傳輸線優化越來越具挑戰，工程師往往需要耗費大量時間進行參數調優和迭代。本次研討會主要分享如何借助Ansys RaptorAI，通過人工智能技術實現高速傳輸線的多參數、多目標協同優化，加速設計流程、提升設計質量。
講師：
羅杉 | Ansys首席應用工程師
自2013年加入Ansys以來，一直負責Ansys CPS（芯片-封裝-系統）產品線的規劃，并參與定制TSMC 3DIC信號與電源完整性Ansys解決方案的參考流程，擁有多年高速信號與電源完整性設計經驗。目前主要負責支持Helic產品線，為Ansys客戶的高速SoC、RFIC、3DIC等設計提供信號完整性、電源完整性和電磁串擾方面的技術支持。
形式：線上
費用：免費
掃碼立即報名
- -THE END- -
技術鄰簡介：
技術鄰專注于工科技術社區，從最早的CAE技術社區（中國CAE聯盟）發展而來，在CAE領域有20年的教學和咨詢服務經驗。
展開 