多目標粒子群優化的案例
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 基于pytorch的多目標粒子群算法 ￥59.9
基于pytorch的多目標粒子群算法，MOPSO,引導種群逼近真實Pareto前沿，算法運行結束后將外部存檔中粒子作為獲得的Pareto最優解近似。程序已調通，可以直接運行，標價為程序價格，不包含售后。程序保證可直接運行。
11基于matlab的多目標粒子群算法，MOPSO,引導種群逼近真實Pareto前沿，算法運行結束后 ￥29.9
基于matlab的多目標粒子群算法，MOPSO,引導種群逼近真實Pareto前沿，算法運行結束后將外部存檔中粒子作為獲得的Pareto最優解近似。程序已調通，可以直接運行。
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 
多目標多學科優化--Isight軟件概述
多目標多學科優化
—Isight軟件概述
Isight是國際上最先進的基于參數的多學科設計優化軟件，將過程集成、設計優化和穩健性設計有機結合，現為法國Dassault/Simulia公司旗下拳頭產品。Isight將數字技術、推理技術和設計探索技術有效融合，并把大量的需要人工完成的工作由軟件實現自動化處理，也被稱為“軟件機器人”。可集成仿真代碼并提供設計智能支持，從而對多個設計可選方案進行評估，大大縮短了產品的設計周期，顯著提高。
Isight提供專用的多學科設計優化語言MDoL來描述MDO問題，具有很好的集成遺留程序的能力。可在異構計算機環境下實現分布式計算，并支持并行計算；同DAKOTA一樣，Isight提供了豐富的優化算法和多種代理模型方法，具有良好的可視化功能;對多種CAD和CAE商用軟件提供接口，如Abaqus、Nastran、Ansys、Fluent、CFX、Catia V5等；在Isight框架中還提供了較好的基于穩健性的設計優化和基于可靠性的設計優化的功能。
Isight提供了強大的用戶界面，通過圖形化工作界面，用戶可以進行產品設計的過程集成、優化處理和自動化求解工作。其圖形化用戶界面可以分為三個功能部分，過成集成、問題定義和方案監控。每一個功能部分都強調了設計研究中需要的集成，自動化和監控步驟。
過程集成可以快速耦合各學科、不同編程語言和格式的仿真代碼。在該界面里完成數據流和控制流的可視化，另外還提供過程的結構化視圖，方便導航和操作。
軟件的參數界面提供了類似電子表格形式的操作風格，方便用戶快速定義設計變量、目標、約束和初始值。
Isight允許用戶編制針對不同問題的任務計劃，其可以是任意嵌套和組合各種算法，從而通過智能化的探索，選擇新的設計點，執行模擬分析流程，并使這一過程自動化。
展開 基于optistruct靜態多工況下汽車控制臂多目標拓撲優化 ￥80
本例以汽車控制臂三種工況下的多目標拓撲優化為例，講述在optistruct中是如何進行多目標拓撲優化，從而滿足特定要求下汽車控制臂的概念設計，先通過單目標拓撲優化得到每個工況的最大與最小柔度值，然后通過基于SIMP的多工況靜態剛度拓撲優化數學模型得到三各工況綜合柔度的優化方程
，
達索SIMULIA多學科多目標優化設計軟件Isight高級應用研討論壇回顧
達索SIMULIA多學科多目標優化設計軟件Isight高級應用研討論壇于2018年7月26日在杭州洲際酒店北京廳召開。來自達索總部的專家，國內的航空航天、鐵路、汽車、石油、能源動力與高校等行業的高級客戶；以及達索的合作伙伴從全國各地齊聚杭州參加了此次技術高峰論壇。對基于多學科多領域的參數綜合優化、設計流程自動化、分析流程模板、基于Isight的定制流程開發的領域進行了多方面專業化的深入的技術交流。
多學科多目標優化設計軟件Isight高級應用研討論壇注冊處：
大會于上午8：40時許召開。首先由達索系統SIMULIA品牌中國區總監MikeSheh博士致開場詞并介紹了大會的日程安排，并向到場的客戶、合作伙伴致謝。
達索系統SIMULIA品牌中國區總監Mike Sheh博士致開場詞
達索SIMULIA多學科多目標優化設計軟件Isight應用論壇主要內容涵蓋以下十個方面：
Isight多學科有目標優化軟件在國際上的應用（主要介紹在英國與日本的應用情況）
Isight多學科多目標優化技術的戰略規劃和版本更新。
Isight多學科多目標優化技術在航天領域的應用。
Isight多學科多目標優化技術在航空發動機設計領域中的應用。
Isight多學科多目標優化技術在鐵路行業中的應用。
Isight多學科多目標優化技術在石油鉆井領域的應用。
Isight多學科多目標優化技術在汽車行業中的應用。
Isight多學科多目標優化技術在船舶發動機領域的應用。
Isight多學科多目標優化技術定制化二次開發的應用。
達索合作伙伴對Isight優化技術的高級深度應用。
展開 modeFRONTIER多目標優化軟件
例1) 為在搜索中極力降低實際運算量，進行最有效率的優化
→啟用響應曲面并用型“FSIMPEX、FMOGA-Ⅱ”
例2) 要進行強條件約束、非線性多峰值的多目標優化問題
→啟用“MOSA”
例3) 希望在生成響應曲面時，為提高響應曲面精度，在輸出值急劇變化的部分進行自動定義取樣
→啟用“MACK、利普希茨連續條件取樣”
三.多目標穩健性設計
穩健設計是指因素狀況發生微小變差(Δx)對因變量的不敏感性，由于工程設計問題復雜，方案評價本身就成了難題，使用數理統計方法進行穩健設計是提高產品質量的一種有效的手段。
傳統方法
?進行穩健性求解的時候，選擇(Δ)作為初始設計點，必須使(○)接近設計空間穩健最優點。
?如果求解失敗，則調整設計因子權重。
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。
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
多目標優化設計完整過程
我看過一些論文，現在還沒有什么新的理論可以實現多目標（可能我沒有發現），現在對多目標的處理情況是response用函數關聯起來，將不同的response設置為函數的變量，把多目標處理成為一個單目標。方程形式如下：f=w1*response1+w2*response2
W1,w2 為權值。
Optistruct中就是如此處理的，
首先在dequation中設置方程，如下圖：
我對設置方程還有些地方沒有弄明白，我只是舉個簡單的例子。（希望哪位高人能把編輯方程的詳細過程，及要注意的地方，單獨發個帖子，特別是復雜的方程的編寫過程。）
4. 寫方程。
我以單工況情況下最小化compliance和最大化一階固有頻率為例子，（這個最簡單，多工況的情況，和這個差不多）.
寫方程時，我們不能簡單的將方程寫成f=w1*response1+w2*response2形式，因為w1*response1的值和w2*response2值可能會相差太大，并且兩者的值很可能不是同時變大或是同時變小。所以我們要對兩個response作一定的數學處理。（至于為什么要這樣，大家可以想明白）。數學處理的方法很簡單，我主要是通過看這篇論文想到的：
汽車車架結構多目標拓撲優化方法研究 范文杰，范子杰，蘇瑞意 （強烈推薦）
Multiobjective optimal topology design of structures
T.-Y. Chen, S.-C.
展開 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 Isight中的多目標優化算法比較
對多個子目標同時進行優化的問題稱為多目標優化問題，又稱多準則優化問題、多性能優化問題。實際工程中，優化問題大多數屬于多目標問題，目標之間一般都是互相沖突的，因此在設計時需要進行多目標的比較，并進行權衡和折衷。自20世紀70年代以來，多目標優化問題在國際上引起了廣泛的關注，并迅速發展為一門新興的學科。
多目標優化算法主要分為兩大類：歸一化方法和非歸一化方法。
歸一化方法的解決方法通過加權或其他方式將多個目標轉化為單一目標，然后通過成熟的單目標優化方法求解。加權法是歸一化算法的代表算法之一，該算法主要是根據各子目標的重要程度分別指定相應的加權系數，將多目標問題單目標化，但其主要有兩個缺點：
（1）當目標函數的數量增加時，權重系數在目標空間里的等值面的關系不再直觀；
（2）如果Pareto前沿形狀中存在沒有凸起的部分，則無法求得這部分Pareto最優解。且加權法的權值通常并不是決策者設定，而是優化者決定，這在很大程度上受到了優化者主觀的影響。
非歸一化方法是采用Pareto機制直接處理多個目標的優化技術，它不需要將多個目標轉化為單一目標，因此解決了歸一化方法的缺點。非歸一化方法能夠使所求解集的前沿與Pareto前沿盡量接近，并盡量均勻覆蓋Pareto前沿。非歸一化方法中的代表方法是：多目標遺傳算法、eArtius公司的ParetoExplorer方法等。
展開 權重與比例因子在多目標優化中的作用
在使用isight或其他優化軟件求解多目標優化問題的過程中，會遇到權重與比例因子這兩個概念，那么它們的具體作用是什么呢，筆者建以工字梁優化這一實例來回答這一問題。
如題，此例中，所受載荷與約束如圖所示，其長度固定保持不變，載荷P大小為75，載荷Q大小為6.25，其四個輸入變量的邊界條件是：
10.0<X1<80; 10.0<X2<60; 1<X3<5; 1<X4<5
輸出變量有：
總質量mass；最大應力stress；最大變形deflection。
約束條件是最大應力stress<12.8.
作為引例，首先只對質量mass進行單目標優化，使其最小化。在isight中選擇優化算法并建立優化流程，并設置邊界條件與約束條件優化目標等（本例中的EXCEL為工字梁理論模型，可以根據四個輸入變量計算輸出模型的質量、應力、變形等信息）。如圖
權重與比例因子在多目標優化中的作用.pdf
展開 基于HyperWorks風冷翅片多目標優化研究
6 優化設計
本文采用全局響應面法GRSM（Global Response Surface Method）進行優化。
全局響應面法(GRSM)是一種基于響應面的方法。在每一個迭代步，基于響應面的優化會產生一些新的設計。額外會在全局空間撒點，加入一些新的樣本點，從而在兼顧局部搜索和全局搜索之間尋求一個較好的平衡。在一個迭代中產生的所有設計以并行方式進行求解。響應面會利用新設計進行自適應的更新從而可以更好地對模型進行擬合。全局響應面法具有全局搜索能力，可以進行單目標優化或多目標優化。無論有多少個設計變量，全局響應面法都可以從一些隨機點開始進行優化。本文采用GRSM得到Pareto最優解集如圖10所示：其中X軸為壓降最小化，Y軸為出口溫度最大化。每一個點均為Pareto最優點，表示在某一目標不變的情況下，另一目標已無法提升。
圖10 多目標優化Pareto最優解集
7 結論
本文采用HyperWorks 軟件對風冷翅片換熱和風阻性能進行了CFD優化研究，主要結論如下：
1)通過實驗設計的方法研究了翅片高度和翅片間距兩參數對翅片換熱及風阻性能的影響。
2)多目標優化得到了換熱及壓降的Pareto最優解集，為設計人員權衡換熱和風阻兩方面性能提供了參考。
3) AcuSolve快速的收斂速度有利于節省大量的CFD優化計算時間和資源。
展開 