ansys優化算法的選擇的案例
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。
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 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 
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 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 如何選擇合適的電磁場仿真算法
在實際計算中，對于矩量法，如果選擇準靜態模式，那么仿真器將會對格林函數做低頻等效，忽略其高頻變化，以加快仿真速度。而全波模式會對整個頻段的格林函數進行精確計算。ADS的Momentum和EMX均提供準靜態選項：在Momentum中，選擇RF模式即可選擇準靜態模式；
在EMX中，仿真器會自動判斷是否使用準靜態模式，也可用“--quasistatic”命令強制選擇準靜態模式。
3） 有限時域差分（Finite Difference Time Domain，FDTD）
與前兩種算法相比，有限時域差分法最大的不同在于它在時域對微分形式的Maxwell方程進行求解。近似來看，有限時域差分法有點像我們電路里面的瞬態仿真，當前時刻的電場磁場矢量值由結構中前一時刻的電場磁場值以及它們的變化情況直接計算得出，因而避免了前兩種算法中用到的矩陣方程求解。某些情況下，有限時域差分法極為高效，僅使用少量內存即可求解很復雜的結構。
有限時域差分法的典型應用包括：仿真人體對于手機天線信號的影響、仿真汽車飛機內部的天線等等。
電磁場仿真軟件Empire、CST以及ADS的EMPro均支持有限時域差分法。
有限時域差分仿真酷炫圖（圖片來源：【1】）
如何選擇合適的電磁場仿真算法
在比較這三種算法之后，我們再來談談如何選擇合適的算法。可以從如下幾個角度考慮：
1）結構的特點
待求解的結構是否為層狀結構？對于層狀結構，矩量法能夠提供最高效快速的求解，因此我們可以優先考慮矩量法。例如PCB走線、層狀倒封裝、片上無源器件，都可認為是層狀結構。對于轉換頭、接口、波導、三維天線、BGA封裝等復雜的非層狀結構，則只能從有限元分析和有限時域差分法中進行選擇。
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 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 特征選擇算法，GRUP LASS0
特征選擇算法
船型優化中如何選擇合適的優化策略
在船型優化任務中，考慮到單個算例仿真時間的成本和計算資源成本，工程師往往需要在盡可能少的計算案例中找到更優的設計方案。因此一個合理的優化策略的選擇便顯得尤其重要。在本文中，筆者以KCS船為例，試圖探討CAESES中不同優化算法的選擇，以及南京天洑軟件公司自研優化平臺AIPOD對于優化效率和效果的影響。需要注意的是，本文所得的結論可能僅適用于該KCS船型。結論是否具有普適性需要進一步的探索與思考。
一、參數化模型
采用CAESES軟件的半參數化變形方法，對KCS船進行局部變形，在球鼻艏，船體入流段和去流段采用FFD方法，艉封板采用Delta shift方法，除了局部變形，還通過Lackenby方法對船體其他位置進行變形，組合變形效果如附件所示：
組合變形效果.gif
二、數值仿真計算
本算例以SHIPFLOW作為仿真工具，計算參數化模型的總阻力系數Ct。
算例網格數為1.74M；計算使用的工作站硬件配置為: CPU: Intel? Core? i7-7700K @ 4.2GHz 4.2GHz；內存: 16GB；單個算例仿真時間約40分鐘。
三、優化問題
8個設計變量，以總阻力系數較小為優化目標，同時滿足排水體積和浮心縱向位置的約束。
四、CAESES優化算法
1.Sobol
首先采用智能取樣算法sobol，在設計變量給定的變化范圍內做50次試驗設計。計算結果如下：
結論：
①. Sobol只是取樣算法，并沒有執行優化。
②. “優化”效果有限。“優化”過程未體現出收斂性。
2.Sobol Tearch
基于上一步Sobol的優化結果，另執行50個方案的優化計算，采用梯度優化算法Tsearch。計算結果如下：
結論：
①.
展開 
翹曲殼單元的算法公式選擇
<p>ELFORM=2</p><p>Belytschko-Tsay 殼單元，<strong>缺省的殼單元公式</strong>，面內<strong>單點積分</strong>，計算速度很快，通常對于大變形問題是最穩定有效的公式。采用 Co-rotational 應力更新，單元坐標系統置于單元中心，基于平面單元假定，所以<strong>對于翹曲的幾何體不適用（容易負體積）</strong>，參考 BWC 殼公式。建議在大多數的分析中使用。</p><p><br></p><p>★<em> 對于幾何翹曲問題——此時通過對*CONTROL_SHELL關鍵字設置——參數 BWC=1 施加翹曲剛度公式，同時參數PROJ=1，以及設置*CONTROL_ACCURACY中參數 INN=2 使節點編號不變，保證計算精度。</em></p><p><br></p><p><br></p><p><strong style="color: rgb(41, 41, 41);"><em>建議配合——沙漏變形模式。通常來說，單點積分單元偏軟，通過使用基于剛度的沙漏控制（HG為4）和一個小的沙漏系數（如0.03～0.05），表現就變得稍剛了些。這個沙漏公式也推薦用在單點積分的大多數應用上。</em></strong></p><p><br></p><div contenteditable="false" width="100%"><hr></div><p><br></p><div contenteditable="false" width="100%"><hr>
</div><p><br></p><p><br></p><p><br></p><p><br></p><p>★<em> 對于幾何翹曲問題，也可以使用 10 號單元公式：</em></p><p><br></p><p>ELFORM=10<
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。
一本優化方面的不錯的書（有粒子群算法和遺傳算法）
第12章 二次規劃 178
12.1 拉格朗日法 178
12.2 起作用集算法 180
12.3 路徑跟蹤法 184
12.4 MATLAB優化工具箱函數應用實例 187
12.5 小結 190
第3篇 優化計算高級篇 191
第13章 粒子群優化算法 192
13.1粒子群算法概述 192
13.2 基本粒子群算法 193
13.3 帶壓縮因子的粒子群算法 197
13.4 權重改進的粒子群算法 200
13.4.1線性遞減權重法 200
13.4.2自適應權重法 203
13.4.3隨機權重法 206
13.5學習因子改進的粒子群算法 208
13.5.1同步變化的學習因子 209
13.5.2異步變化的學習因子 211
13.6 二階粒子群算法 213
13.7 二階振蕩粒子群算法 216
13.8 混沌粒子群算法 218
13.9 混合粒子群算法 222
13.9.1基于選擇的粒子群算法 222
13.9.2基于交叉遺傳的粒子群算法 224
13.9.3基于模擬退火的粒子群算法 227
13.10 小結 230
第14章 遺傳優化算法 231
14.1遺傳算法概述 231
14.2基本遺傳算法 232
14.3順序選擇遺傳算法 235
14.4適值函數標定的遺傳算法 238
14.5大變異遺傳算法 242
14.6自適應遺傳算法
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）.
