ansys優化的目標函數的案例
ansys優化，因變量和目標函數都沒有變化【急】【急】
ansys優化，因變量和目標函數都沒有變化【急】【急】
ansys優化之后，為什么只有自變量發生了變化，而因變量和目標函數都沒有變化，還是和初始值一樣？也進行了四五十次的迭代，也有顯示最優解，只是因變量和目標函數都沒有變化，疑惑中。
adams仿真優化時為什么目標函數曲線沒有變化？
adams仿真優化時為什么目標函數曲線沒有變化？
ANSYS目標優化實例
如圖6所示
圖6 Von Mises應力云圖
3) 獲得最大等效應力 SMAX 和總體積 VTOT：通過命令流獲得最大等效應力和總體積，
具體命令流如下：
nsort,s,eqv
*get,smax,sort,,max
etable,evol,volu
ssum
*get,vtot,ssum,,item,evol
4) 創建一個分析文件，此文件可用于以后的設計優化或to explore 設計域：
GUI：Utility Menu>File>Write DB Log File，寫數據庫日志到文件hexplate.lgw，注意選擇最下邊的下拉列表為Write essentialcommans only
第五步，優化設計
1) 執行第一次分析：
GUI：Utility Menu>File>Read Input from，選擇hexplate.lgw文件
2) 調用優化程序并確定分析文件：
GUI：Main Menu>Design Opt>Analysis File>Assign，彈出對話框選擇hexplate.lgw文件
3) 確定優化變量：
GUI：Main Menu>Design Opt>Design Variables，彈出對話框，點擊ADD按鈕，依次點擊t1和fil，確保t1的min=20.5，max=40；fil的min=5，max=15
4) 確定狀態變量：
GUI：Main Menu>Design Opt>State Variables，彈出對話框，點擊ADD按鈕，點擊SMAX，確保max=150
5) 確定目標函數：
GUI：Main
展開 163基于matlab的不同目標函數的盲源信號分離基于負熵的 ￥29.9
基于matlab的不同目標函數的盲源信號分離基于負熵的；基于負熵的改進算法； 基于峭度的；基于互信息的；基于非線性PCA的。輸出解混前后信號結果。程序已調通，可直接運行。
61基于matlab的GWO算法的參數工具箱，圖形界面，目標函數的默認名稱為CostFunction ￥8.9
基于matlab的GWO算法的參數工具箱，圖形界面，目標函數的默認名稱為CostFunction。如果您查看了CostFunction.m文件，成本函數獲取向量（[x1 x2…xn]）中的變量并返回目標值。可以在該文件中編寫目標函數，也可以創建一個新文件并將其名稱傳遞給工具箱。如果您決定選擇第二個選項，請記住輸入和輸出遵循相同的結構。變量的下界和上界也應該寫成lb1、lb2、lbn和ub1，ub2，ubn。如果所有變量都有相等的下限和/或上限，您可以將lb和ub定義為兩個單一的數字：lb，ub。程序已調通，可直接運行。
展開 如何使用Optistruct進行應力拓撲優化或多目標、多約束優化 ￥9.99
Optistruct是一款非常優秀的商業有限元求解器、優化求解器，功能強大到炸裂，使用起來也很方便。但偶爾用起來也有一點點小麻煩，初學者經常會碰到的問題就是不知道怎么使用Optistruct進行多目標優化或應力優化這種涉及多個響應的優化。Optistruct中的響應是指要作為目標函數或約束函數的結構的性能，比如質量、體積、體積分數、應力、位移等等，其中應力和位移這種響應屬于局部響應，即結構中有很多個這種響應，某點的位移或應力不能代表結構的整體性能。以應力優化為例，假如我們想要進行應力最小優化，我們實際上是要使結構中的最大應力最小，但是值得注意的是，優化過程中，具有最大應力的單元一直會變，因此不可能使某個應力值最小，而另外一方面，optistruct也只允許有一個目標函數，怎么辦呢？
通過查詢各類資料，本人摸索出一個行之有效的方法，概述如下：
創建一個公式，應力優化經常使用p范數凝聚所有的應力值，結構中有多少個單元，公式中即有多少個未知數
σpn=(Σ(σi)^pn)^(1/pn
創建NEL個應力響應，NEL為結構中的單元個數
創建一個總的響應，類型選擇為：function，勾選第一步創建的公式，然后不要著急create，先點擊edit，勾選response，在數目中輸入單元個數，然后挨個在彈出的NEL個框中，填入一個個響應
在目標函數中，選擇第三步創建的總響應作為目標函數。
假如這么干的話，難點在于第二步和第三步，因為我們要創建NEL個應力響應，每個響應對應一個單元。
展開 224 基于matlab的優化工具箱優化函數 ￥15.9
基于matlab的優化工具箱優化函數， 此工具箱中提供的算法包括： 灰狼優化器（GWO），螞蟻獅子優化器（ALO），多功能優化器（MVO），蜻蜓算法（DA），蛾火焰算法（MFO），正弦余弦算法（SCA）和鯨魚優化算法（WOA） 。程序已調通，可直接運行。
243 基于matlab的模糊C均值算法（FCM）及其改進算法將空間鄰域項引入FCM的目標函數(FCM_S) ￥19.89
基于matlab的模糊C均值算法（FCM）及其改進算法將空間鄰域項引入FCM的目標函數(FCM_S),廣義的模糊C均值(GFCM)算法，基于核的改進的模糊c均值聚類算法（KFCM）,基于核的廣義模糊c均值聚類算法KGFCM的圖像分割方法。程序已調通，可直接運行。
FRED應用：目標平面特定照度分布優化
摘要
本章主要講述如何利用FRED優化功能修改模型并且達到想要的目標平面照度分布。要優化的模型是PMMA 導光管，6個變量控制著導光管的形狀，優化評價函數是當前照度和理想照度之差，通過用戶自定義腳本設定。
FRED 內置混合優化，可以同時優化多個函數，對于非均勻有理B樣條曲線(NURBs)可以直接優化其控制點坐標。
系統參數
將要使用到的模型幾何結構如下圖
圖1.導光管正/側面圖
如下圖所示，導光管的兩個表面都是由2階NURB 曲線旋轉構成。優化過程用到某些控制點的坐標和比重作為變量，在優化過程中改變導光管的形狀。如下圖所示，綠色的點是在優化過程中將要改變的控制點
圖2.導光管側面視圖，綠色的點(CP0, CP1)是將要在優化中被修改的控制點
導光管的一端設定有平面隨機點光源，在初始狀態下，分析面上的輻射分布如下圖
圖3.分析面上初始狀態下的輻射分布
優化以后想要取得的分布如下圖所示
圖4.優化后想要的分布
展開 modeFRONTIER多目標優化軟件
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。
modeFRONTIER為滿足這些功能需求，具有多種高級數據采掘功能。
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
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 多目標優化設計完整過程
多目標優化完整過程1.doc
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
有關多目標優化設計完整過程
做優化時，經常會遇到多目標優化的情況。下面是其過程：
用的是9.0版。
1. 我們用optistruct時只能有一個objective.如下圖：
我只用過min,其他三個我沒有用過。特別是后兩個，誰用過說一下。
2.我們可以設置多個response,可以把很多response用dconstraint約束，但是只能有一個objective。有時我們需要同時滿足某幾個response的最小值或是最大值。但是deconstraint只能設置response的上限或是下，不能設置為min或是max。（聽說可以將上限和下限設置成相近的值可以使約束近似定為某一確定的值）。
展開 