局部搜索
關注創建者：匿名 創建時間：2026-01-05
局部搜索的實例教程
平衡主-從接觸算法：應用了兩次單純主-從接觸算法，在第2次搜索過程中將主從表面對調，由兩次計算的加權平均獲得了加速度的修正值或接觸力，所做的第2次修正是為了求解任何殘余的侵徹，使接觸物之間的侵徹達到最小化。
通用接觸算法盡可能采用平衡主-從權重算法，對于包含基于節點表面的通用接觸算法，該表面僅可能作為單純的從屬表面，可以應用單純主-從權重。對于
接觸對算法，根據所涉及的兩個表面的性質和采用的約束增強方法，對于給定的接觸對，ABAQUS/Explicit將決定采用哪一種權重。
· 跟蹤搜索（tracking approach）
因為在接觸表面上的一個節點有可能與相對接觸面上的任何一個單元面發生接觸，所以ABAQUS/Explicit使用了成熟的
搜索算法來跟蹤接觸表面的運動。
在
通用接觸算法中，使用額相對更精確的整體/局部搜索算法，不需要用戶進行控制。
對于
接觸對相互作用，在每一個分析步的開始，將進行一次徹底的、整體（global）的搜索，對于每一個在接觸對中的從屬節點，要確定與其距離最近的主控表面面元。由于每一次整體搜索的代價都十分昂貴，所以在大多數增量步中采用代價較小的局部（local）搜索。由于時間增量步很短，所以對于大多數情況，從一個增量步到下一個增量步，接觸中物體移動的量很小，對于跟蹤接觸表面的運動，局部接觸搜索是合適的。然而，有一些情況可能引起局部搜索失效，其中一種情況是在主控表面上包含一個
孔洞。在局部接觸搜索中，在從屬節點與主控面元之間的越過孔洞的潛在接觸將不會被識別。另一種情況是允許
單一表面與其自身接觸。
· 滑移公式（sliding formulation）
有限滑移公式：默認，對于一般接觸相互作用是唯一選項，更為普遍適用。
展開 零階方法只用到因變量而不用它的偏導數，其全局搜索能力很強，而局部搜索能力較差，研究表明，該方法可以快速達到最優解的80 %，但卻很難收斂到最優解。一階方法使用因變量的導數值來確定搜索方向，其局部搜索能力很強，但全局搜索能力較差，很容易收斂到局部極小值點。遺傳算法是近些年逐漸發展起來的一種智能的優化算法，它具有較強的全局搜索能力，并且可以與其他常規優化算法相結合，進而高效、準確地解決大多數的工程優化問題。MATLAB 中的遺傳算法工具箱集成了當前比較成熟的各種遺傳算子，借助它可以方便地完成各種問題的優化求解。
本文通過在MATLAB 中將ANSYS 作為子程序調用的方法來研究遺傳算法在工程結構優化中的應用。
1 遺傳算法及MATLAB 遺傳算法工具箱
1．1 遺傳算法基本思想
遺傳算法( GA) 最初是由美國Michigan 大學的John Holland 教授于1975 年提出的，它將達爾文的生物進化理論應用于優化設計中，把解空間的某個點集映射為生物學中的種群，將目標函數映射為種群所處的環境，因此按照生物進化理論的觀點，種群中的個體會不斷向著適應環境的方向進化，經過若干代進化之后該種群所代表的解就會收斂到問題的最優解。該方法最大的特點是全局搜索能力強，并且不需要編程人員對問題的優化過程有太深的了解，只要選定了種群，指定了種群所處的環境，該方法就會自動的、智能地向最優解進化。遺傳算法中最基本的操作是遺傳操作，包括選擇、交叉和變異。自然界中環境按照適者生存的原則來選擇優良個體，使其優良基因能夠傳遞到下一代，遺傳算法中的選擇操作即是模擬這一過程。首先計算種群中每個個體的適應度( Fitness) ，然后按照適者生存的原則進行選擇操作。交叉操作是模擬生物進化中的有性繁殖過程，種群個體之間通過基因重組生成新的個體。
展開 構建參考路徑是為了處理詳盡的采樣；從而導致更集中的搜索和更人性化的駕駛風格。
RRTs與Lattice Planner比較
RRT和Lattice Planner的比較如表3所示：
綜上所述，RRT和Lattice Planner都使用數據結構（分別是樹和格）對狀態空間進行采樣，試圖以一種快速、安全的方式對其進行探索。在這兩種情況下都可以快速探索，并向規劃模塊提供一系列可能的路徑，供車輛遵循。然而，據稱規劃范圍相對較大，并且，對于道路行駛的動態特性，當障礙物或障礙物突然出現時，需要重新規劃例行程序來補充這些增量搜索方法。最后，為了提高安全性，應該使用額外的碰撞預測模塊，而不是算法的內置碰撞檢查功能。
局部搜索
實時搜索整個圖并不總是有效的；因此，一些方法使用有限的視界，無論是在時間還是空間上。
在局部搜索級別，用于道路自動駕駛的最流行的技術可能是搜索空間包含某個幾何曲線（例如回旋曲線或樣條曲線）以及該曲線的幾個橫向位移。然后通過一個代價函數對每個候選路徑進行評估，考慮到距離和時間成本、加速和碰撞檢查。
展開 <div contenteditable="false" width="100%">
元啟發式優化
</div><div contenteditable="false" width="100%">
元啟發式優化算法用于提供指導用于優化困難搜索空間的較低級別啟發式技術的策略。這是一個很好的機會，因為從對文獻的簡單調查中，人們可以感覺到這種形式的算法可以特別適用于主要優化方法由于大型和復雜或非線性和/或多模態目標而失敗的地方。
</div><div contenteditable="false" width="100%">
下面，我們探討了元啟發式算法的兩個突出示例：禁忌搜索和迭代本地搜索是用于增強本地搜索算法功能的兩種技術。
</div><div contenteditable="false" width="100%">
禁忌搜索
</div><div contenteditable="false" width="100%">
本節將禁忌搜索作為一種方法來提高局部搜索算法的效率，這些算法使用內存結構，這些結構的特殊目的避免了以前解決方案形式的陷阱，這有助于局部最優的轉義形式。
</div><div contenteditable="false" width="100%">
關鍵組件：
</div><div contenteditable="false" width="100%">
1.
<span style="white-space:pre"> </span>Tabu List：這是一個短期記憶，用于存儲上次訪問的解決方案的解決方案或區段屬性。那些導致這些解決方案的模式被稱為 “tabu”，意思是禁止，以避免進入一個循環。
展開 總結：如果能利用遺傳算法(Genetic Algorithn-GA)良好的全局搜索能力、最佳矢量法局部搜索能力強的特點，可構造基于遺傳算法和最佳矢量法的混合算法，如果再加入小生境技術，可提高算法的運行效率和求解質量，避免陷入局部最優解。這為隨機結構系統可靠性的優化，特別是大型結構可靠性的優化設計問題提供了參考。
局部搜索的最新內容
我們先使用 DLS 使用局部搜索例程(Optimize > Optimize!)，并將其與使用 OD 算法的優化結果進行比較。最終的錘形優化將在這兩種情況下執行。
我們的評價函數和起始系統已經定義好了，剩下的唯一步驟就是分配變量。我們有22個變量：曲率半徑、圓錐系數和20個多項式系數。分配這些參數變量狀態，并使用帶有自動循環數的DLS算法啟動局部優化器。
通過清晰的用戶引導和集成的 3D 搜索功能（如特征搜索、局部搜索、草圖搜索或可選的照片搜索），用戶可以更快地找到合適的部件。
基于瀏覽器且易于訪問：不再需要耗時的安裝 - ENTERPRISE 3Dfindit 可直接在瀏覽器中運行。
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。
**它通常會產生一個全局最小值的近似解，這通常是足夠的，或者可以用于后續的局部搜索。
優化結果
在最終表格中顯示了參數和相關結果。在此處或通過“參數化優化”功能區啟動和停止優化。某些優化算法（如下坡單純形）實際上不允許約束。取而代之的是懲罰規則。當前，源自超出約束設置的參數的所有結果單元格均為空。
文檔信息
</div><div contenteditable="false" width="100%">
禁忌搜索
</div><div contenteditable="false" width="100%">
本節將禁忌搜索作為一種方法來提高局部搜索算法的效率，這些算法使用內存結構，這些結構的特殊目的避免了以前解決方案形式的陷阱，這有助于局部最優的轉義形式。
四種仿真方法流固耦合懸停噴霧施肥吊物投彈槳葉優化大渦模擬噪聲》
主講老師
技術鄰平臺知名講師：梁老師
擅長：精通STAR-CCM+，擅長氣動、傳熱、燃燒、多相流、運動、固體應力等多學科耦合分析，以及在CFD結果上，通過網格變形直接對模型進行優化的伴隨形狀優化方法；在設計空間通過將固體網格和流體網格相互轉換而自動構造最優幾何的伴隨拓撲優化方法；還精通多目標優化，在給定的參數和約束下，通過遺傳算法，響應面方法等進行全局搜索和局部搜索
超詳細 | 灰狼優化算法原理及其實現(Matlab)
02 改進的灰狼優化算法
2.1 改進控制參數a
GWO中的參數a控制勘探和開發過程，其主要影響A的值，當 | A | ＞ 1 時，灰狼群體將擴大包圍圈，以尋找更好的獵物，此時對應于全局搜索(勘探); 當| A | ＜ 1 時，灰狼群體將收縮包圍圈，以對獵物完成最后的攻擊行為，此時對應于局部精確搜索(開發)。
第四步：optiSLang 優化分析
在這一步中，Evolutionary Algorithm算法用在全局和局部搜索最佳設計。優化算法在MOP上采樣了10,000個設計，以找到導致最佳設計的輸入參數值組合。多目標優化的結果在“帕累托圖”中可視化(見下圖，紅黑虛線圖)。圖中顯示了兩個目標之間的權衡，其中最佳設計集用紅點標記(定義為帕累托前展面)。
選擇 Simplex 算法進行快速局部搜索，通過連接程序自動選擇敏感性分析中最佳設計點作為初始設計。其流程如圖所示：
信號模擬曲線圖如下所示，模擬曲線充分覆蓋了參考曲線，說明給定的參數范圍足夠以進行校準，最優值紅色曲線與參考值綠色曲線幾乎重合，算法很好地收斂到較小的信號差異。
光流法
2002
Mean Shift
Mean Shift采用均值漂移作為搜索策略，這是一種無參概率估計方法，該方法利用圖像特征直方圖構造空間平滑的概率密度函數，通過沿著概率密度函數的梯度方向迭代，搜索函數局部最大值。在當時成為了常用的目標跟蹤方法，簡單易實現，但魯棒性較低。
