ansys求解算法
關(guān)注創(chuàng)建者：王靖雯 創(chuàng)建時(shí)間：2023-03-08
ansys求解算法的視頻教程
1-76 基于matlab的免疫算法求解配送中心選址問題
基于matlab的免疫算法求解配送中心選址問題，根據(jù)配送地址確定最佳配送中心地址位置。數(shù)據(jù)可更換自己的，程序已調(diào)通，可直接運(yùn)行。 購買后可下載視頻中的源程序文件。
￥35.9 1分鐘 1播放
查看
基于fmincon和遺傳算法的非線性約束問題求解
1、基于fmincon和遺傳算法的非線性約束問題求解概述 2、基于編碼方式fmincon和遺傳算法的非線性約束問題求解非 3、基于GUI的fmincon和遺傳算法的非線性約束問題求解 主要知識(shí)點(diǎn)： 1、函數(shù)句柄的使用 2、fmincon和GA（遺傳算法）編碼和GUI的實(shí)現(xiàn) 3、優(yōu)化工具箱的調(diào)用方法 附件內(nèi)容 confun.m main.m objfun.m 微型山地拖拉機(jī)變速箱的改進(jìn)設(shè)計(jì)與優(yōu)化
￥2 11分鐘 23播放
查看
04基于pytorch的蟻群算法求解TSP(旅行商問題)
基于pytorch的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑，解決組合中的NP問題。程序已調(diào)通，替換自己的數(shù)據(jù)可以直接運(yùn)行。 購買后可下載視頻中的源程序文件。
￥25.9 2分鐘 5播放
查看
ansys求解算法的實(shí)例教程
因此譜半徑除了度量算法的穩(wěn)定性外，也度量了算法的數(shù)值阻尼。
對(duì)于一般結(jié)構(gòu)動(dòng)力學(xué)問題，系統(tǒng)的響應(yīng)主要受低階振型控制，高階振型的貢獻(xiàn)很小。
另外，由于受離散化的影響，有限元法或有限差分法對(duì)系統(tǒng)的高階振型的近似程度很差。如果在直接積分中不能有效地濾除這些虛假的高階分量，將會(huì)降低結(jié)果的精度。
舉個(gè)例子，在【JY】結(jié)構(gòu)動(dòng)力學(xué)初步-單質(zhì)點(diǎn)結(jié)構(gòu)的瞬態(tài)動(dòng)力學(xué)分析，這篇文章中，大型有限元軟件Ansys和Opensees的計(jì)算結(jié)果出現(xiàn)了較多的虛假高階分量，這篇文章做一個(gè)補(bǔ)充說明。
可以看出Ansys和OpenSees等通用有限元軟件通過計(jì)算時(shí)，對(duì)于絕對(duì)加速度計(jì)算時(shí)會(huì)產(chǎn)生虛假高階高頻分量（相對(duì)加速度影響不大，因?yàn)榻^對(duì)加速度=相對(duì)加速度+地面加速度，會(huì)導(dǎo)致誤差顯著化。）
因此一個(gè)好的直接積分方法應(yīng)在高頻段具有一定的可控的數(shù)值阻尼，以有效地濾除虛假的高頻振型對(duì)系統(tǒng)響應(yīng)的影響，同時(shí)在低頻段的數(shù)值阻尼應(yīng)盡可能小，以保證結(jié)果的精度。除了能濾除虛假的高階振型的影響外，數(shù)值阻尼還有助于非線性問題迭代求解的收斂性，并且也有助于接觸等具有約束的問題的求解。
展開 在前面的文章和中表明共軛梯度法是求解對(duì)稱正定線性方程組的一種有效方法，當(dāng)針對(duì)不同的系數(shù)矩陣采用不同的預(yù)處理方式時(shí)，其可以以較少的迭代次數(shù)獲得較高精度的解。然而，該方法的一個(gè)缺點(diǎn)就是其只能適用于對(duì)稱正定系數(shù)矩陣，當(dāng)系數(shù)矩陣不再是對(duì)稱正定時(shí)，此方法可能失效。
以下舉例：
上面矩陣A為非對(duì)稱矩陣，采用共軛梯度法求解過程如下：
該方程組采用共軛梯度法迭代4862次依然未收斂。因此，對(duì)于該非對(duì)稱方程，可以認(rèn)為，共軛梯度法幾乎是失效的。
在實(shí)際工程中，有限元方法形成的剛度系數(shù)以對(duì)稱正定居多，但是實(shí)際上也存在非對(duì)稱的可能，例如，當(dāng)材料本構(gòu)采用摩爾-庫倫本構(gòu)時(shí)，其形成的剛度矩陣就有可能會(huì)是非對(duì)稱的，此時(shí)如果是使用商業(yè)軟件，應(yīng)當(dāng)在軟件中選擇非對(duì)稱求解器。如果是自主編程且采用迭代法求解線性方程組，則需要找到一種適用于非對(duì)稱矩陣的求解方法。
常見的非對(duì)稱系數(shù)矩陣求解方法主要有：廣義最小殘差法(GMRES)，雙共軛梯度法（Bicg）穩(wěn)定雙共軛梯度法(BiCGStab)，穩(wěn)定混合雙共軛梯度法（BiCGStab(l)），這些方法相對(duì)于常規(guī)的共軛梯度法在推導(dǎo)上均增加了一些難度，實(shí)際推導(dǎo)往往較為復(fù)雜。本文不展開推導(dǎo)，僅對(duì)穩(wěn)定雙共軛梯度法(BiCGStab)的偽代碼作簡要粘貼。
展開 ，這里還介紹一種處理CFD這種會(huì)遇到的三對(duì)角或者五對(duì)角矩陣的迭代求解算法，三對(duì)角算法，也算迭代算法只不過這種矩陣剛好容易出現(xiàn)在網(wǎng)格離散之后的方程組里面。
在有限元程序開發(fā)中，線性方程組的求解是一個(gè)重要組成部分。在百萬自由度大規(guī)模計(jì)算的情況下，線性方程組的高效快速求解對(duì)整個(gè)求解器的計(jì)算效率有著至關(guān)重要的作用。無論實(shí)際上計(jì)算的是線性問題，還是各種非線性問題，最終都需要落實(shí)到線性方程組的求解上去。非線性方程組的求解實(shí)際上往往就是多次求解線性方程組。
目前，線性方程組的求解主要分為直接法和迭代法兩種。
在之前的文章[數(shù)值算法與編程]高斯消去法中，我們討論的高斯消去法就是直接法的一種。而本文即將討論的共軛梯度法，是迭代法的一種，并且，其屬于目前求解對(duì)稱線性方程組的主要迭代方法。各大商業(yè)有限元軟件，在面臨對(duì)稱線性方程組的求解時(shí)幾乎都會(huì)選用各種變化形式的共軛梯度法進(jìn)行求解。
共軛梯度法的具體原理和算法如下：
假定要求解的對(duì)稱線性方程組是：
其中，A是對(duì)稱正定的系數(shù)矩陣。
則實(shí)際上待求的解也是方程
取得最小值的時(shí)候的解。
求該方程的最小值的常見方法是最速下降法，該方法算法偽代碼如下：
該方法實(shí)際上是沿著負(fù)梯度方向進(jìn)行搜索，直至殘量接近0，較為簡便，但是在條件數(shù)很大時(shí)，該方法收斂很慢。
展開 旅行商問題（Traveling Salesman Problem，簡稱TSP問題），即為求解最優(yōu)化的城市線路組合，要求每個(gè)城市都要走且只走一遍，終點(diǎn)城市同出發(fā)城市為同一個(gè)，最終所走路程需最短。本文在傳統(tǒng)遺傳算法基礎(chǔ)上，對(duì)其進(jìn)行改進(jìn)優(yōu)化，提出了精英保留的協(xié)同進(jìn)化遺傳算法，并分別以30、50和75個(gè)城市為例，對(duì)二者進(jìn)行對(duì)比。該算法的運(yùn)行流程如圖1所示。
圖1 協(xié)同進(jìn)化遺傳算法運(yùn)行流程
產(chǎn)生初始種群后（設(shè)種群數(shù)量為POP），便按照適應(yīng)度值（即總路程倒數(shù)）高低將其分為三個(gè)子種群，其中，子種群1的適應(yīng)度值最大，子種群3的適應(yīng)度值最小。接著，在各個(gè)子種群內(nèi)部進(jìn)行交叉變異操作，依次產(chǎn)生新子種群1、新子種群2、新子種群3。同時(shí)，三個(gè)子種群兩兩之間，也進(jìn)行交叉變異操作，依次產(chǎn)生新子種群4、新子種群5、新子種群6。最后便將這6個(gè)新子種群進(jìn)行組合，然后從中隨機(jī)挑選出POP-1個(gè)個(gè)體，并根據(jù)精英保留策略，將其與父代最優(yōu)個(gè)體相合并，從而得到新種群、開始下一代的操作。
以30、50、75個(gè)城市為例，分別進(jìn)行10次重復(fù)試驗(yàn)，取各次試驗(yàn)兩種算法最優(yōu)解的平均值進(jìn)行對(duì)比，結(jié)果如圖2所示。
圖2 兩種算法的尋優(yōu)結(jié)果對(duì)比
顯然，同傳統(tǒng)遺傳算法相比，協(xié)同進(jìn)化遺傳算法具備更強(qiáng)大的最優(yōu)解搜索能力，尤其當(dāng)城市數(shù)量較多時(shí)（如此例中的75），其能更有效地避免陷入局部最優(yōu)，從而找到全局最優(yōu)的解、使得總路程更小。以75個(gè)城市數(shù)量為例，兩種算法所確定的最優(yōu)路徑分別如圖3(a)與3(b)所示。
(a) 傳統(tǒng)遺傳算法
(b) 協(xié)同進(jìn)化遺傳算法
圖3 兩種算法所確定的最優(yōu)路徑對(duì)比
圖3中，橫軸縱軸分別為每個(gè)城市的橫縱坐標(biāo)，圖中的數(shù)字即為每個(gè)城市的編號(hào)。顯然，協(xié)同進(jìn)化遺傳算法所確定的最優(yōu)路徑更為規(guī)整，這表明其同傳統(tǒng)遺傳算法相比，具有更強(qiáng)的全局尋優(yōu)能力，且具備更好的魯棒性。
展開 
ansys求解算法的相關(guān)專題、標(biāo)簽、搜索
ansys求解算法的最新內(nèi)容
概述
這篇文章介紹了：
如何使用 RCWA 求解器分析周期性多層結(jié)構(gòu)（如光子晶體、衍射光柵）的光學(xué)響應(yīng)；
RCWA 求解器的原理：在傅里葉域中劃分均勻?qū)樱⑼ㄟ^ S 矩陣雙向傳播計(jì)算透射、反射及各個(gè)光柵階的功率；
如何設(shè)置入射平面波的傳播方向（X/Y/Z 軸）、角度（θ/?）和偏振（s/p），以及反向傳播的兩種模式（鏡像 k 矢量和反向 k 矢量）；
對(duì)比 RCWA
一 案例背景
帶隔板破甲戰(zhàn)斗部侵徹靶板是裝甲防護(hù)與反裝甲技術(shù)領(lǐng)域的核心研究方向，其仿真分析對(duì)戰(zhàn)斗部結(jié)構(gòu)優(yōu)化、毀傷效能評(píng)估具有關(guān)鍵意義。傳統(tǒng)試驗(yàn)方法存在成本高、周期長、難以捕捉瞬態(tài)侵徹細(xì)節(jié)的問題，而數(shù)值仿真技術(shù)可精準(zhǔn)復(fù)現(xiàn)破甲戰(zhàn)斗部從爆轟驅(qū)動(dòng)、金屬射流形成到侵徹靶板的全流程，成為該領(lǐng)域的主流研究手段。帶隔板結(jié)構(gòu)是破甲戰(zhàn)斗部的關(guān)鍵設(shè)計(jì)，隔板的材質(zhì)
Ansys vs Abaqus：隱式與顯式求解的終極博弈2個(gè)月前
在CAE領(lǐng)域，選擇Standard（隱式）還是Explicit（顯式）求解器，本質(zhì)上是在平衡“計(jì)算精度”與“時(shí)間尺度”。
1?? 隱式求解 (Implicit/Standard)
核心是求解 $Ku=F$。每一步都需要進(jìn)行矩陣求逆和牛頓迭代，以確保力平衡。
特點(diǎn)： 絕對(duì)收斂。步長可以很大，不受穩(wěn)定性限制。
擅長： 靜力學(xué)、線性振動(dòng)
附件下載
聯(lián)系工作人員獲取附件
概述
本文使用兩個(gè)示例演示了如何使用 ZPL 創(chuàng)建用戶自定義解。第一個(gè)示例介紹了如何創(chuàng)建 ZPL 解以確保序列文件中像面的曲率半徑等于系統(tǒng)的 Petzval 曲率。第二個(gè)示例介紹了如何在非序列元件編輯器(Non-Sequential Component Editor)中基于其他物體的參數(shù)來約束的物體位置。
簡介
求解 ( Solve ) 是可以在諸如鏡頭數(shù)據(jù)編輯器或非序列元件編輯器之類的編輯器中主動(dòng)調(diào)整特定值的功能
本文原刊登于Ansys.com：《Race to Faster Fluent Results with Ansys Gateway Powered by AWS》
作者：Thomas Lejeune | Ansys產(chǎn)品營銷高級(jí)經(jīng)理
編輯整理：郭曉東 | Ansys主任應(yīng)用工程師
Ansys Fluent用戶需要出色的計(jì)算速度和功能來求解大規(guī)模的問題，而他們現(xiàn)在可以利用專用的云平臺(tái)
Ansys Mechanical NVH 是 Ansys 公司開發(fā)的一款用于噪聲、振動(dòng)與聲振粗糙度（Noise、Vibration、Harshness）分析的軟件工具。
本次研討會(huì)從電磁激勵(lì)分析、振動(dòng)沖擊分析、聲學(xué)分析、聲品質(zhì)優(yōu)化四個(gè)方面出發(fā)，介紹其完善的聲學(xué)求解器能力以及Mechanical NVH工具集等關(guān)鍵技術(shù)。
6月12日，Ansys
01 多重網(wǎng)格方法介紹
多重網(wǎng)格方法是一種高效求解偏微分方程離散系統(tǒng)的迭代方法，其核心思想是通過不同網(wǎng)格層次的協(xié)同作用加速收斂。它分為幾何多重網(wǎng)格（Geometric Multigrid Method, GMG）和代數(shù)多重網(wǎng)格（Algebraic Multigrid Method, AMG）兩類，分別基于幾何信息和純代數(shù)結(jié)構(gòu)構(gòu)建。
傳統(tǒng)迭代方法如雅可比(Jacobi)、高斯-賽德爾
<p class="ql-align-center"><img src="https://mmbiz.qpic.cn/sz_mmbiz_gif/ssJ36PiaQIGk5sF9QXvAhnQFAKQY2sOOUlHJoT79doJicQPvdgNNcB274iaIic3zUyicqRHePC41RR1WIMvHA9iaj0vQ/640?wx_fmt=gif&from=appmsg"></p>
本案例詳細(xì)講述了齒輪箱油潤滑的建模仿真方法。
基于matlab的免疫算法求解配送中心選址問題，根據(jù)配送地址確定最佳配送中心地址位置。數(shù)據(jù)可更換自己的，程序已調(diào)通，可直接運(yùn)行。
