ansys 優化算法的案例
基于VB的ANSYS的二次開發之優化算法
ANSYS優化分析的目的是尋求滿足所有給定的約束條件（設計變量的約束和狀態變量的約束），并使目標函數達到最小值的設計變量。ANSYS分析結束后會給出若干設計序列，SET1、SET2等等。在這些設計序列中，一般情況下存在滿足約束條件的合理解釋以及滿足目標函數最小化的最優解，但有時也可能所有解都不滿足約束條件（說明用戶給定的約束條件不合理）。
ANSYS優化分析文件是一個命令流輸入文件，應包括一個完整的分析過程前處理、求解以及后處理（主要是提取相關參數），分析過程必須參數化。此外，還要在優化分析文件中指定變量、狀態變量及目標函數。由這個文件可以自動生成優化循環文件（Jobname.loop），并在優化計算中循環處理。每一次循環均執行一次分析文件。最后一次循環的輸出結果存儲在Jonname.opo中。
優化算法
理解ANSYS優化算法對于執行優化分析是很有必要的。ANSYS現有的優化算法主要有：零階方法、一階方法、單步運行、隨機搜索法、等步長搜索法、乘子計算法和最優梯度法。此外，用戶還可以通過UPFs定義自己的優化算法。下面重點說明零階方法和一階方法。
1.零階方法
由于優化過程中只用到因變量本身，而不利用因變量的導數，所以稱為零階方法。使用該方法的命令為：
optype,subp
零階方法是一種函數逼近優化方法，該種方法的本質是采用最小二乘法逼近，求取一個函數曲線或函數面來擬合解空間，然后再對該函數曲線或函數面求極值。這是一種普適的優化方法，不容易陷入局部極值點，但優化精度一般不是很高，因此多用來做前期優化。
展開 利用ANSYS進行優化設計時的幾種優化算法
本文探討了利用ANSYS進行優化設計時的幾種優化算法。
優化技術
理解計算機程序的算法總是很有用的，尤其是在優化設計中。在這一部分中，將提供對下列方法的說明：零階方法，一階方法，隨機搜索法，等步長搜索法，乘子計算法和最優梯度法。(更多的細節參見ANSYS Theory Reference 第20章。)
零階方法
零階方法之所以稱為零階方法是由于它只用到因變量而不用到它的偏導數。在零階方法中有兩個重要的概念：目標函數和狀態變量的逼近方法，由約束的優化問題轉換為非約束的優化問題。
逼近方法：
本方法中，程序用曲線擬合來建立目標函數和設計變量之間的關系。這是通過用幾個設計變量序列計算目標函數然后求得各數據點間最小平方實現的。該結果曲線(或平面)叫做逼近。每次優化循環生成一個新的數據點，目標函數就完成一次更新。實際上是逼近被求解最小值而并非目標函數。
狀態變量也是同樣處理的。每個狀態變量都生成一個逼近并在每次循環后更新。
用戶可以控制優化近似的逼近曲線。可以指定線性擬合，平方擬合或平方差擬合。缺省情況下，用平方差擬合目標函數，用平方擬合狀態變量。用下列方法實現該控制功能：
Command: OPEQN
GUI: Main Menu>Design Opt>Method/Tool
OPEQN同樣可以控制設計數據點在形成逼近時如何加權;見ANSYS Theory Reference。
轉換為非約束問題
狀態變量和設計變量的數值范圍約束了設計，優化問題就成為約束的優化問題。ANSYS程序將其轉化為非約束問題，因為后者的最小化方法比前者更有效率。轉換是通過對目標函數逼近加罰函數的方法計入所加約束的。
展開 36基于matlab的對分解層數和懲罰因子進行優化。蟻獅優化算法優化VMD,算術優化算法優化VMD ￥25.9
基于matlab的對分解層數和懲罰因子進行優化。蟻獅優化算法優化VMD,算術優化算法優化VMD，遺傳優化算法優化VMD，灰狼優化算法優化VMD，海洋捕食者優化算法優化VMD，粒子群優化VMD，麻雀優化算法優化VMD，鯨魚優化算法優化VMD。程序已調通，可直接運行。
Isight耦合ANSYS APDL優化分析案例及算法講解
— 優化算法
Isight中有很多算法，比如拉丁超立方、多島遺傳算法、多目標優化算法
等等，共計十幾種算法，相信大家在學習中一定犯暈。其實這么多算法中，按大類分的話包括：試驗設計、梯度優化、直接搜索、全局優化及多目標優化五類，各類優化算法有各自的優缺點，對于我們初級、中級使用者來說，只要學會選擇相應算法即可，而不必過于糾結各類算法的原理。
02 項目概述
03 軟件配置
Isight耦合ANSYS APDL進行優化計算之前，需要對軟件進行配置，才能實現isight對ANSYS APDL的成功調用，主要是耦合計算的環境變量的設置及isight的install.bat批處理文件的運行。
展開 
Isight耦合ANSYS APDL優化分析案例及算法講解 ￥299
Isight中有很多算法，比如拉丁超立方、多島遺傳算法、多目標優化算法等等，共計十幾種算法，相信大家在學習中一定犯暈。其實這么多算法中，按大類分的話包括：試驗設計、梯度優化、直接搜索、全局優化及多目標優化五類，各類優化算法有各自的優缺點，對于我們初級、中級使用者來說，只要學會選擇相應算法即可，而不必過于糾結各類算法的原理。小編以簡支梁應力計算為例，詳細講解Isight中的優化算法及應用，并詳細講解Isight與ANSYS APDL耦合及優化結果分析。QQ: 315673349
展開 常用參數自動標定算法總結（單純形，遺傳算法，貝葉斯優化算法，粒子群算法等）
在本推文中介紹四類常用參數自動標定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優化ego方案。
單純形方案實現最簡單，適用于少參數，更窄的初始區間
粒子群方案，遺傳算法方案適用于多參數更大的空間適合全局搜索
ego方案相比于其余三類方案的優勢體現為
EGO使用代理模型（如高斯過程回歸）來預測目標函數，極大減少了實際函數評估次數。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態平衡比GA中盲目變異與交叉更具理論指導。
由于EGO最大化信息利用率，在樣本數量極少的情況下表現優于GA。
當樣本數量少，且有約束優化時適合使用ego方法。例如在評估晶體塑性模型參數時
不過這些優化算法經常容易陷入局部最優，即優化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進行微小改進，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進行初始搜索，使用ego回歸分析進行特定區間的優化，最后使用NM方案進行小區間尋找，如果陷入局部最優解，引入全局擾動方案或者爆炸方法跳出局部區間重新搜索即可。
基于該思路編寫對應的程序，實現參數的自動標定過程：
這里實現對vpsc模型的復雜參數自動標定；
這里使用相對復雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統考慮tau_0,tau_s,h_0,一共12個待標定參數給定參數區間如下
設置最大迭代次數為2000次，初始優化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優化算法。
展開 基于灰狼算法優化支持向量機的matlab算法
灰狼優化算法優化支持向量機MATLAB實戰
今天給大家分享灰狼優化算法的MATLAB實戰 ，主要從算法原理和代碼實戰展開。
需要了解更多算法代碼的，可以點擊文章左下角的閱讀全文，進行獲取哦~需要了解智能算法、機器學習、深度學習和信號處理相關理論的可以后臺私信哦，下一期分享的內容就是你想了解的內容~
一、灰狼優化算法
灰狼優化算法（Grey Wolf Optimizer，GWO）由澳大利亞格里菲斯大學學者 Mirjalili 等人于2014年提出來的一種群智能優化算法。該算法受到了灰狼捕食獵物活動的啟發而開發的一種優化搜索方法，它具有較強的收斂性能、參數少、易實現等特點。
灰狼屬于犬科動物，被認為是頂級的掠食者，它們處于生物圈食物鏈的頂端。灰狼大多喜歡群居，它們具有非常嚴格的社會等級層次制度，如下圖所示。
金字塔第一層為種群中的領導者，稱為 α 。在狼群中 α 是具有管理能力的個體，主要負責關于狩獵、睡覺的時間和地方、食物分配等群體中各項決策的事務。
金字塔第二層是 α 的智囊團隊，稱為 β 。β 主要負責協助α 進行決策。當整個狼群的 α 出現空缺時，β 將接替 α 的位置。β 在狼群中的支配權僅次于 α，它將 α 的命令下達給其他成員，并將其他成員的執行情況反饋給 α 起著橋梁的作用。
金字塔第三層是 δ ，δ 聽從 α 和 β 的決策命令，主要負責偵查、放哨、看護等事務。適應度不好的 α 和 β 也會降為 δ 。金字塔最底層是 ω ，主要負責種群內部關系的平衡。
灰狼的社會等級在群體狩獵過程中發揮著重要的作用，捕食的過程在 α 的帶領下完成。
展開 2-14 基于matlab的GA優化算法優化車間調度問題 ￥19.89
基于matlab的GA優化算法優化車間調度問題。n個工作在m個臺機器上加工。已知每個工作中工序加工順序、各工序的加工時間以及每個工件所包含的工序，在滿足約束條件的前提下，目的是確定機器上各工件順序，以保證某項性能指標最優。程序功能說明：共4個工件，每個工件3個工序，6臺機器，給出了每個工件的各工序能使用的機器序號矩陣Jm，求解最優調度方案的加工時間。程序已調通，可直接運行。
清華大學：一種新的全局優化算法——統計歸納算法
一種新的全局優化算法——統計歸納算法
劉志宏 施工 胡永明
清華大學工程物理系 清華大學核能技術設計研究院
摘要：在多極值問題的優化領域，主要有模擬退火算法（SA），遺傳算法（GA），人工神經網絡算法（ANN），它們都是基于對自然現象模擬的算法。該文從更基本的優化思想出發，基于概率論提出了一種新的全局優化算法——統計歸納算法（SIA）。在一些標準測試函數以及“貨郎擔問題”（TSP）上的計算結果表明，該算法在智能型（所需的函數計算次數）和解的全局性方面都遠遠好于SA和GA。在中國144個城市的TSP問題實例中，它甚至很快就找到了比參考計算中給出的“目前已知的最優路徑”更短的路徑。從這一算法思想的角度，闡述了SA和GA為何對全局優化問題有效，以及SA和GA各自固有的不足之處。
關鍵詞： 全局優化 ，模擬退火算法（SA），遺傳算法（GA），統計歸納算法（SIA）
內容簡介：
1 算法的基本思想
2 算法的結構
3 實例計算
3.1 連續優化問題
3.2 組合優化問題
4 結論
一種新的全局優化算法——統計歸納算法.pdf
展開 一本優化方面的不錯的書（有粒子群算法和遺傳算法）
一本優化方面的不錯的書（有粒子群算法和遺傳算法）書 名 精通MATLAB最優化計算
出 版 社 電子工業出版社
此書含有100多個實用程序，完全可以直接拿來使用。
《精通MATLAB最優化計算》的主要內容是應用MATLAB來解決最優化問題，通過將“最優化問題”、“MATLAB優化工具箱”和“MATLAB編程”這三方面有機結合進行講述，即一方面是使用工具箱來快速解決最優化問題，另一方面是通過算法編程深入解決最優化問題。
《精通MATLAB最優化計算》側重于最優化算法的MATLAB實現，同時精選了大量的最優化問題實例，通過實例的求解，生動地教會讀者掌握MATLAB在最優化問題方面的應用。
通過《精通MATLAB最優化計算》，讀者不僅能掌握使用MATLAB最優化工具箱來快速解決實際問題，而且能學會分析優化算法和采用MATLAB編程解決最優化問題，從而提高分析和解決問題的能力。
展開 基于 MIST 方法提出了點陣結構的尺寸優化算法（用于制造增材優化等課題） ￥800
優化問題的目標是整體結構的剛度最大，實現方法是使整體結構的總應變能最小，約束包括體積約束和設計變量的上下限約束。結構桿件的初始橫截面是通過體積約束確定的。算法的優化列式如下：
圓環優化的命令流如下（收費內容，也可以聯系qq：290539594）.
結構優化設計兩大優化算法比較：OC vs MMA
在結構拓撲優化設計技術的發展過程中出現了許多優化算法，其中確定性的算法主要有優化準則法(OC：Optimality Criteria Method)和數學規劃法(MP：Mathematical Programming)。這里將從兩方面比較OC算法和隸屬于MP算法的“移動漸進線方法”(MMA: Method of Moving Asymptotes)。
OC算法從一個空間的一個初始設計點出發，著眼于每次迭代應滿足的優化條件，依據迭代公式
來得到一個改進的設計
，而無需再考慮目標函數和約束條件的信息狀態；
MMA算法，它也從空間的一個初始設計點
出發，沿著某個搜索方向
以適當步長
的迭代格式
，實現對設計變量的修改，以獲得
的值。
以一個一般的對于多元函數的不等式約束優化問題為例：
其中，
為設計變量，受到m個不等式約束。
OC算法：
首先構造拉格朗日函數，將有約束的非線性優化問題轉化為無約束的優化問題。
其確定最優點主要是根據Kuhn-Tucker條件（駐值條件）
通過引入兩個人工參數，阻尼因子
以及移動極限常數
，使迭代過程穩定。一般采用如下迭代更新形式：
MMA算法：
MMA方法更適于處理目標函數復雜且具有多約束的拓撲優化問題，只要求約束函數對設計變量的微分可以通過解析或者數值方法求得，對復雜的拓撲優化問題，MMA方法具有更好的適定性。MMA方法通過引入移動漸近線，將隱式的優化問題轉化成一系列顯式的更為簡單的嚴格凸的近似子優化問題，在每一步迭代中，通過求解一個近似的凸的子問題
來獲得新的設計變量，而不像OC方法那樣直接通過一種顯式的啟發式的迭代格式來獲得新的設計變量。
展開 225 基于matlab的天牛須優化算法及其對BP神經網絡的優化 ￥12.2
基于matlab的天牛須優化算法及其對BP神經網絡的優化，優化后的閥值權值賦予網絡預測。最后輸出BP和BAS-BP訓練和預測結果。程序已調通，可直接運行。
77基于matlab的蟻群優化路徑算法，二維路徑和三維路徑優化 ￥55.9
基于matlab的蟻群優化路徑算法，二維路徑和三維路徑優化。輸出可視化最優路徑和距離迭代曲線。數據可更換自己的，程序已調通，可直接運行。
一文叫你理解如何用優化算法求解實際工程問題及optistruct優化仿真對比 ￥49
優化就是利用各種優化算法求解實際問題的過程。新手在剛開始接觸優化問題的時候往往很疑惑，不知道該怎么利用算法解決實際工程問題。今天就結合經典的最速下降法（梯度法）來介紹如何用純算法進行優化，并將之與optistruct的優化結果進行對比。采用的例子見圖1，一個簡單的懸臂梁一段被約束，另一端受到垂向力100N，梁尺寸：長1000mm，截面尺寸40X40mm。現在考慮在不增加重量、甚至減重的情況下如何進行優化。
圖1 懸臂梁實例
1.最速下降法優化
1.1 最速下降法介紹
最速下降法是一種經典的優化算法，該算法利用迭代點處的一階導數和二階偏導數，使得每步搜索方向都沿著函數值下降最快的方向（即負梯度方向），因此最速下降法又被稱為梯度法。梯度法的優點是開始時步長很大，有利于加快計算速度，迭代過程簡單易懂，方法和程序都較為簡單，容易實現；但是梯度法每次迭代都是沿迭代點的負梯度方向搜索，相鄰兩代的搜索方向正交，因此目標函數的性質對收斂速度有極大影響，假設目標函數的等值線與坐標軸正交，兩步即可完成收斂，若是斜交，則搜索路徑十分曲折，且越是靠近極值點，收斂越慢，因此各大優化軟件往往在優化開始時使用最速下降法，達到邊界約束時，改用其它算法，如可行方向法，綜合各個算法的優點，加快優化進程。
1.2最速下降法的迭代公式
首先求解出n維目標函數f在初始點X0的梯度向量：
它是該點函數值增加最快的方向，它的負方向則是函數值下降最快的方向。
展開 