多目標(biāo)優(yōu)化的案例
多目標(biāo)優(yōu)化中文文獻(xiàn)
多目標(biāo)優(yōu)化
Pareto遺傳算法在貨位配置中的應(yīng)用研究.pdf
PSO算法在工程優(yōu)化問題中的應(yīng)用.PDF
采用改進(jìn)PSO的非線性系統(tǒng)T_S模糊模型辯識(shí).pdf
帶陰性選擇的粒子群優(yōu)化算法.pdf
單純形-多目標(biāo)粒子群優(yōu)化方法的混合算法.PDF
導(dǎo)彈運(yùn)輸發(fā)射車動(dòng)態(tài)參數(shù)的多目標(biāo)優(yōu)化.pdf
電力公司購電、配電計(jì)劃的多目標(biāo)優(yōu)化算法.pdf
電力系統(tǒng)無功優(yōu)化中PSO算法的改進(jìn)研究.pdf
動(dòng)態(tài)優(yōu)化環(huán)境下的群核進(jìn)化粒子群優(yōu)化方法.pdf
多目標(biāo)調(diào)度模型在尼山水庫的應(yīng)用.pdf
多目標(biāo)決策在高校實(shí)驗(yàn)室設(shè)備采購中的應(yīng)用.pdf
多目標(biāo)識(shí)別的聯(lián)合變換相關(guān)器的研究.pdf
多目標(biāo)優(yōu)化方法檢測(cè)隨機(jī)受迫系統(tǒng)的混沌現(xiàn)象以及在心率變異信號(hào)分析中的應(yīng)用.PDF
多目標(biāo)優(yōu)化遺傳算法的收斂性定義及實(shí)例研究.pdf
多目標(biāo)優(yōu)化遺傳算法在飛航導(dǎo)彈設(shè)計(jì)中的應(yīng)用.pdf
多目標(biāo)最優(yōu)化的粒子群算法.PDF
番茄形態(tài)結(jié)構(gòu)模型參數(shù)的多目標(biāo)擬合估算方法研究.pdf
復(fù)合材料層合板蠕變屈曲與變形的優(yōu)化問題.pdf
改進(jìn)的多目標(biāo)粒子群算法.pdf
改進(jìn)的基本粒子群優(yōu)化算法.PDF
隱身性能約束的多目標(biāo)氣動(dòng)外形優(yōu)化設(shè)計(jì).pdf
一種解決多目標(biāo)優(yōu)化問題改進(jìn)的進(jìn)化規(guī)劃算法.pdf
一種基于多Agent的進(jìn)化多目標(biāo)優(yōu)化算法.pdf
展開 達(dá)索SIMULIA多學(xué)科多目標(biāo)優(yōu)化設(shè)計(jì)軟件Isight高級(jí)應(yīng)用研討論壇回顧
達(dá)索SIMULIA多學(xué)科多目標(biāo)優(yōu)化設(shè)計(jì)軟件Isight高級(jí)應(yīng)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(dá)索總部的專家，國(guó)內(nèi)的航空航天、鐵路、汽車、石油、能源動(dòng)力與高校等行業(yè)的高級(jí)客戶；以及達(dá)索的合作伙伴從全國(guó)各地齊聚杭州參加了此次技術(shù)高峰論壇。對(duì)基于多學(xué)科多領(lǐng)域的參數(shù)綜合優(yōu)化、設(shè)計(jì)流程自動(dòng)化、分析流程模板、基于Isight的定制流程開發(fā)的領(lǐng)域進(jìn)行了多方面專業(yè)化的深入的技術(shù)交流。
多學(xué)科多目標(biāo)優(yōu)化設(shè)計(jì)軟件Isight高級(jí)應(yīng)用研討論壇注冊(cè)處：
大會(huì)于上午8：40時(shí)許召開。首先由達(dá)索系統(tǒng)SIMULIA品牌中國(guó)區(qū)總監(jiān)MikeSheh博士致開場(chǎng)詞并介紹了大會(huì)的日程安排，并向到場(chǎng)的客戶、合作伙伴致謝。
達(dá)索系統(tǒng)SIMULIA品牌中國(guó)區(qū)總監(jiān)Mike Sheh博士致開場(chǎng)詞
達(dá)索SIMULIA多學(xué)科多目標(biāo)優(yōu)化設(shè)計(jì)軟件Isight應(yīng)用論壇主要內(nèi)容涵蓋以下十個(gè)方面：
Isight多學(xué)科有目標(biāo)優(yōu)化軟件在國(guó)際上的應(yīng)用（主要介紹在英國(guó)與日本的應(yīng)用情況）
Isight多學(xué)科多目標(biāo)優(yōu)化技術(shù)的戰(zhàn)略規(guī)劃和版本更新。
Isight多學(xué)科多目標(biāo)優(yōu)化技術(shù)在航天領(lǐng)域的應(yīng)用。
Isight多學(xué)科多目標(biāo)優(yōu)化技術(shù)在航空發(fā)動(dòng)機(jī)設(shè)計(jì)領(lǐng)域中的應(yīng)用。
Isight多學(xué)科多目標(biāo)優(yōu)化技術(shù)在鐵路行業(yè)中的應(yīng)用。
Isight多學(xué)科多目標(biāo)優(yōu)化技術(shù)在石油鉆井領(lǐng)域的應(yīng)用。
Isight多學(xué)科多目標(biāo)優(yōu)化技術(shù)在汽車行業(yè)中的應(yīng)用。
Isight多學(xué)科多目標(biāo)優(yōu)化技術(shù)在船舶發(fā)動(dòng)機(jī)領(lǐng)域的應(yīng)用。
Isight多學(xué)科多目標(biāo)優(yōu)化技術(shù)定制化二次開發(fā)的應(yīng)用。
達(dá)索合作伙伴對(duì)Isight優(yōu)化技術(shù)的高級(jí)深度應(yīng)用。
展開 如何使用Optistruct進(jìn)行應(yīng)力拓?fù)?em>優(yōu)化或多目標(biāo)、多約束優(yōu)化 ￥9.99
Optistruct是一款非常優(yōu)秀的商業(yè)有限元求解器、優(yōu)化求解器，功能強(qiáng)大到炸裂，使用起來也很方便。但偶爾用起來也有一點(diǎn)點(diǎn)小麻煩，初學(xué)者經(jīng)常會(huì)碰到的問題就是不知道怎么使用Optistruct進(jìn)行多目標(biāo)優(yōu)化或應(yīng)力優(yōu)化這種涉及多個(gè)響應(yīng)的優(yōu)化。Optistruct中的響應(yīng)是指要作為目標(biāo)函數(shù)或約束函數(shù)的結(jié)構(gòu)的性能，比如質(zhì)量、體積、體積分?jǐn)?shù)、應(yīng)力、位移等等，其中應(yīng)力和位移這種響應(yīng)屬于局部響應(yīng)，即結(jié)構(gòu)中有很多個(gè)這種響應(yīng)，某點(diǎn)的位移或應(yīng)力不能代表結(jié)構(gòu)的整體性能。以應(yīng)力優(yōu)化為例，假如我們想要進(jìn)行應(yīng)力最小優(yōu)化，我們實(shí)際上是要使結(jié)構(gòu)中的最大應(yīng)力最小，但是值得注意的是，優(yōu)化過程中，具有最大應(yīng)力的單元一直會(huì)變，因此不可能使某個(gè)應(yīng)力值最小，而另外一方面，optistruct也只允許有一個(gè)目標(biāo)函數(shù)，怎么辦呢？
通過查詢各類資料，本人摸索出一個(gè)行之有效的方法，概述如下：
創(chuàng)建一個(gè)公式，應(yīng)力優(yōu)化經(jīng)常使用p范數(shù)凝聚所有的應(yīng)力值，結(jié)構(gòu)中有多少個(gè)單元，公式中即有多少個(gè)未知數(shù)
σpn=(Σ(σi)^pn)^(1/pn
創(chuàng)建NEL個(gè)應(yīng)力響應(yīng)，NEL為結(jié)構(gòu)中的單元個(gè)數(shù)
創(chuàng)建一個(gè)總的響應(yīng)，類型選擇為：function，勾選第一步創(chuàng)建的公式，然后不要著急create，先點(diǎn)擊edit，勾選response，在數(shù)目中輸入單元個(gè)數(shù)，然后挨個(gè)在彈出的NEL個(gè)框中，填入一個(gè)個(gè)響應(yīng)
在目標(biāo)函數(shù)中，選擇第三步創(chuàng)建的總響應(yīng)作為目標(biāo)函數(shù)。
假如這么干的話，難點(diǎn)在于第二步和第三步，因?yàn)槲覀円獎(jiǎng)?chuàng)建NEL個(gè)應(yīng)力響應(yīng)，每個(gè)響應(yīng)對(duì)應(yīng)一個(gè)單元。
展開 AMESim電控單體泵高速電磁閥多目標(biāo)優(yōu)化分析
最終優(yōu)化目標(biāo)的解:取得出解集中離原點(diǎn)距離最近的點(diǎn)為最優(yōu)集，即
式中：x0=(D10，D20，Y0，J0，R0)T為多目標(biāo)優(yōu)化結(jié)果。
4.3 多目標(biāo)優(yōu)化模型
圖7所示為多目標(biāo)優(yōu)化平臺(tái)modeFRONTIER與AMESim聯(lián)合仿真模型，首先實(shí)驗(yàn)設(shè)計(jì)隨機(jī)產(chǎn)生輸入變量的相互組合，即賦予遺傳算法初始值，經(jīng)過AMESim計(jì)算得出輸出變量的值，優(yōu)化算法再根據(jù)目標(biāo)函數(shù)的要求進(jìn)行選擇優(yōu)化參數(shù)的變異和交換等操作，從而達(dá)到優(yōu)化目的。本研究共有5 個(gè)輸入變量，電控單體泵在典型工況下進(jìn)行仿真，將開啟、關(guān)閉延遲時(shí)間作為輸出變量，并將開啟、關(guān)閉延遲時(shí)間最小作為最終優(yōu)化目標(biāo)。
圖7 電控單體泵多目標(biāo)優(yōu)化模型
4.4 多目標(biāo)優(yōu)化結(jié)果分析
圖8(a)所示為電磁閥響應(yīng)延遲時(shí)間多目標(biāo)優(yōu)化解集，從中選取符合電磁閥開啟、關(guān)閉延遲時(shí)間都最小的Pareto最優(yōu)解集前沿，如圖8(b)所示，在Pareto前沿上選取滿足優(yōu)化目標(biāo)的點(diǎn)，點(diǎn)A為優(yōu)化前電磁閥響應(yīng)延遲時(shí)間點(diǎn)，點(diǎn)C為關(guān)閉延遲最小點(diǎn)，點(diǎn)D為開啟延遲最小點(diǎn)，但這兩個(gè)點(diǎn)的參數(shù)配置均只能實(shí)現(xiàn)對(duì)單個(gè)目標(biāo)的優(yōu)化，為了同時(shí)實(shí)現(xiàn)對(duì)電磁閥開啟和關(guān)閉延遲時(shí)間優(yōu)化的目標(biāo)，應(yīng)用式(2 )計(jì)算出d最小值的x0點(diǎn)，即點(diǎn)B作為最終優(yōu)化結(jié)果點(diǎn)。
從優(yōu)化結(jié)果中可看出，表2給出了優(yōu)化前后設(shè)計(jì)參數(shù)對(duì)比值，表3所示為優(yōu)化前后電磁閥關(guān)閉延遲時(shí)間和開啟延遲時(shí)間。優(yōu)化后，關(guān)閉延遲時(shí)間減小了6%，開啟延遲時(shí)間減小了17.7%，循環(huán)噴油量減小了1.50mm3, 噴油壓力峰值增加0.63MPa。說明經(jīng)過電磁閥延遲響應(yīng)多目標(biāo)優(yōu)化，隨著電磁閥響應(yīng)的加快，噴油壓力有所增加，對(duì)循環(huán)噴油量的控制也更加精確，可進(jìn)一步改善電控單體泵的噴射特性。
展開 
[分享]多目標(biāo)優(yōu)化的方法與理論
多目標(biāo)優(yōu)化的方法與理論
多目標(biāo)優(yōu)化的方法與理論.part1.rar
多目標(biāo)優(yōu)化的方法與理論.part2.rar
多目標(biāo)優(yōu)化的微分進(jìn)化算法
多目標(biāo)優(yōu)化的微分進(jìn)化算法
多目標(biāo)優(yōu)化的微分進(jìn)化算法.pdf
多目標(biāo)優(yōu)化問題有效解的一階必要條件.pdf
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究part1
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究.part1.rar
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究.part2.rar
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究.part3.rar
Isight中的多目標(biāo)優(yōu)化算法比較
對(duì)多個(gè)子目標(biāo)同時(shí)進(jìn)行優(yōu)化的問題稱為多目標(biāo)優(yōu)化問題，又稱多準(zhǔn)則優(yōu)化問題、多性能優(yōu)化問題。實(shí)際工程中，優(yōu)化問題大多數(shù)屬于多目標(biāo)問題，目標(biāo)之間一般都是互相沖突的，因此在設(shè)計(jì)時(shí)需要進(jìn)行多目標(biāo)的比較，并進(jìn)行權(quán)衡和折衷。自20世紀(jì)70年代以來，多目標(biāo)優(yōu)化問題在國(guó)際上引起了廣泛的關(guān)注，并迅速發(fā)展為一門新興的學(xué)科。
多目標(biāo)優(yōu)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(quán)或其他方式將多個(gè)目標(biāo)轉(zhuǎn)化為單一目標(biāo)，然后通過成熟的單目標(biāo)優(yōu)化方法求解。加權(quán)法是歸一化算法的代表算法之一，該算法主要是根據(jù)各子目標(biāo)的重要程度分別指定相應(yīng)的加權(quán)系數(shù)，將多目標(biāo)問題單目標(biāo)化，但其主要有兩個(gè)缺點(diǎn)：
（1）當(dāng)目標(biāo)函數(shù)的數(shù)量增加時(shí)，權(quán)重系數(shù)在目標(biāo)空間里的等值面的關(guān)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(yōu)解。且加權(quán)法的權(quán)值通常并不是決策者設(shè)定，而是優(yōu)化者決定，這在很大程度上受到了優(yōu)化者主觀的影響。
非歸一化方法是采用Pareto機(jī)制直接處理多個(gè)目標(biāo)的優(yōu)化技術(shù)，它不需要將多個(gè)目標(biāo)轉(zhuǎn)化為單一目標(biāo)，因此解決了歸一化方法的缺點(diǎn)。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(biāo)遺傳算法、eArtius公司的ParetoExplorer方法等。
展開 多目標(biāo)優(yōu)化之非支配排序遺傳算法（NSGA-II） ￥39.99
遺傳算法的這些擴(kuò)展和改進(jìn)給一般問題特別是工業(yè)工程中的難以求解的優(yōu)化問題帶來了新的希望和方向。
由于多目標(biāo)優(yōu)化問題在科學(xué)和工程實(shí)踐中普遍存在，但又缺少確實(shí)有效的解決方法，研究人員把目光投向了具有多方向和全局搜索特點(diǎn)的遺傳算法。遺傳算法的這一基本特點(diǎn)可以確保帶有潛在解的種群能夠一代一代地維持下來，這種從種群到種群的方法對(duì)于搜索Pareto解非常有益，因此，利用遺傳算法解決多目標(biāo)優(yōu)化問題極具研究意義。于是，遺傳算法應(yīng)用于單目標(biāo)問題之后的20多年以后，多目標(biāo)遺傳算法逐漸成為研究熱點(diǎn)。
非支配排序遺傳算法NSGA (Non-dominated Sorting Genetic Algorithms)是由Srinivas和Deb于1995年提出的。這是一種基于Pareto最優(yōu)概念的遺傳算法，它是眾多的多目標(biāo)優(yōu)化遺傳算法中體現(xiàn)Goldberg思想最直接的方法。該算法就是在基本遺傳算法的基礎(chǔ)上，對(duì)選擇再生方法進(jìn)行改進(jìn):將每個(gè)個(gè)體按照它們的支配與非支配關(guān)系進(jìn)行分層，再做選擇操作，從而使得該算法在多目標(biāo)優(yōu)化方面得到非常滿意的結(jié)果。
2000年，他們又提出NSGA的改進(jìn)算法—帶精英策略的非支配排序遺傳算法(NSGA-II)。 NSGA-II改進(jìn)了原來算法的不足之處，提高了算法的運(yùn)算速度和魯棒性，并保證了非劣最優(yōu)解的均勻分布。因而，NSGA-II比NSGA更具優(yōu)越性。
NSGA-II的三大優(yōu)點(diǎn)分別是引入了非支配排序、提出擁擠度和擁擠度比較算子以及引入精英策略等。非支配排序利用Pareto最優(yōu)解的概念將種群中的個(gè)體進(jìn)行分級(jí)，非支配狀態(tài)越高的個(gè)體層級(jí)越靠前，從而能夠挑選出個(gè)體中較為優(yōu)異的，使其有較大機(jī)會(huì)進(jìn)入下一迭代。
展開 modeFRONTIER多目標(biāo)優(yōu)化軟件
例1) 為在搜索中極力降低實(shí)際運(yùn)算量，進(jìn)行最有效率的優(yōu)化
→啟用響應(yīng)曲面并用型“FSIMPEX、FMOGA-Ⅱ”
例2) 要進(jìn)行強(qiáng)條件約束、非線性多峰值的多目標(biāo)優(yōu)化問題
→啟用“MOSA”
例3) 希望在生成響應(yīng)曲面時(shí)，為提高響應(yīng)曲面精度，在輸出值急劇變化的部分進(jìn)行自動(dòng)定義取樣
→啟用“MACK、利普希茨連續(xù)條件取樣”
三.多目標(biāo)穩(wěn)健性設(shè)計(jì)
穩(wěn)健設(shè)計(jì)是指因素狀況發(fā)生微小變差(Δx)對(duì)因變量的不敏感性，由于工程設(shè)計(jì)問題復(fù)雜，方案評(píng)價(jià)本身就成了難題，使用數(shù)理統(tǒng)計(jì)方法進(jìn)行穩(wěn)健設(shè)計(jì)是提高產(chǎn)品質(zhì)量的一種有效的手段。
傳統(tǒng)方法
?進(jìn)行穩(wěn)健性求解的時(shí)候，選擇(Δ)作為初始設(shè)計(jì)點(diǎn)，必須使(○)接近設(shè)計(jì)空間穩(wěn)健最優(yōu)點(diǎn)。
?如果求解失敗，則調(diào)整設(shè)計(jì)因子權(quán)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(wěn)健性的多目標(biāo)優(yōu)化”設(shè)計(jì)中，可以采用正向搜索方式進(jìn)行有不均衡多目標(biāo)穩(wěn)健優(yōu)化設(shè)計(jì)。
反向搜索 (輸出μ,σ→不均衡輸入)：反向MORDO
“保持輸出性能的穩(wěn)健性在規(guī)定范圍內(nèi)，將性能最大化”的時(shí)候，可以采用反向多目標(biāo)穩(wěn)健設(shè)計(jì)優(yōu)化。
四.50種以上的結(jié)果處理方法，多變量分析功能
即使是一般的統(tǒng)計(jì)分析、優(yōu)化工具，也具備了豐富的結(jié)果處理功能。但數(shù)值優(yōu)化得到的“解”也僅僅是“數(shù)值”而已，不外乎是將目標(biāo)函數(shù)最大化/最小化。
優(yōu)化技術(shù)和工具的發(fā)展使復(fù)雜問題的求解成為可能，從物理意義去解釋 “解”的最優(yōu)性還存在很大的困難，最終還是需要設(shè)計(jì)者自己的判斷。所以優(yōu)化工具，不能僅具備自動(dòng)搜索“最優(yōu)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(yōu)解的物理原因”，是優(yōu)化工具不可欠缺的功能。
展開 基于optistruct汽車控制臂多目標(biāo)拓?fù)?em>優(yōu)化 ￥15
汽車控制臂三種工況下的多目標(biāo)拓?fù)?em>優(yōu)化為例，講述在optistruct中是如何進(jìn)行多目標(biāo)拓?fù)?em>優(yōu)化，從而滿足特定要求下汽車控制臂的概念設(shè)計(jì)。對(duì)于單目標(biāo)拓?fù)?em>優(yōu)化你會(huì)發(fā)現(xiàn)每一種工況下拓?fù)?em>優(yōu)化的結(jié)果不一樣，多目標(biāo)拓?fù)?em>優(yōu)化則綜合考慮多種工況下的目標(biāo)得到一個(gè)綜合結(jié)果。
對(duì)于多目標(biāo)優(yōu)化常用的手段：1、將目標(biāo)轉(zhuǎn)化為約束條件；2、對(duì)多目標(biāo)采用加權(quán)的方法得到一個(gè)綜合目標(biāo)。本案例中采用方法2。
變量：設(shè)計(jì)空間中每個(gè)單元的密度；
約束：體積分?jǐn)?shù)不超過0.3；
目標(biāo)：多種工況下的綜合應(yīng)變能最小（每種工況目標(biāo)權(quán)重自定義，此處都定為一樣的1）。
有限元模型
拓?fù)浣Y(jié)果（ISO=0.15）
柔度迭代曲線
本案例僅提供模型文件及相關(guān)指導(dǎo)，凡購買的朋友針對(duì)本案例仿真實(shí)現(xiàn)上有什么疑問可以私信。
請(qǐng)尊重原創(chuàng)，版權(quán)所有，翻版必究
展開 
權(quán)重與比例因子在多目標(biāo)優(yōu)化中的作用
在使用isight或其他優(yōu)化軟件求解多目標(biāo)優(yōu)化問題的過程中，會(huì)遇到權(quán)重與比例因子這兩個(gè)概念，那么它們的具體作用是什么呢，筆者建以工字梁優(yōu)化這一實(shí)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(zhǎng)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(gè)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(zhì)量mass；最大應(yīng)力stress；最大變形deflection。
約束條件是最大應(yīng)力stress<12.8.
作為引例，首先只對(duì)質(zhì)量mass進(jìn)行單目標(biāo)優(yōu)化，使其最小化。在isight中選擇優(yōu)化算法并建立優(yōu)化流程，并設(shè)置邊界條件與約束條件優(yōu)化目標(biāo)等（本例中的EXCEL為工字梁理論模型，可以根據(jù)四個(gè)輸入變量計(jì)算輸出模型的質(zhì)量、應(yīng)力、變形等信息）。如圖
權(quán)重與比例因子在多目標(biāo)優(yōu)化中的作用.pdf
展開 基于HyperWorks風(fēng)冷翅片多目標(biāo)優(yōu)化研究
6 優(yōu)化設(shè)計(jì)
本文采用全局響應(yīng)面法GRSM（Global Response Surface Method）進(jìn)行優(yōu)化。
全局響應(yīng)面法(GRSM)是一種基于響應(yīng)面的方法。在每一個(gè)迭代步，基于響應(yīng)面的優(yōu)化會(huì)產(chǎn)生一些新的設(shè)計(jì)。額外會(huì)在全局空間撒點(diǎn)，加入一些新的樣本點(diǎn)，從而在兼顧局部搜索和全局搜索之間尋求一個(gè)較好的平衡。在一個(gè)迭代中產(chǎn)生的所有設(shè)計(jì)以并行方式進(jìn)行求解。響應(yīng)面會(huì)利用新設(shè)計(jì)進(jìn)行自適應(yīng)的更新從而可以更好地對(duì)模型進(jìn)行擬合。全局響應(yīng)面法具有全局搜索能力，可以進(jìn)行單目標(biāo)優(yōu)化或多目標(biāo)優(yōu)化。無論有多少個(gè)設(shè)計(jì)變量，全局響應(yīng)面法都可以從一些隨機(jī)點(diǎn)開始進(jìn)行優(yōu)化。本文采用GRSM得到Pareto最優(yōu)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(gè)點(diǎn)均為Pareto最優(yōu)點(diǎn)，表示在某一目標(biāo)不變的情況下，另一目標(biāo)已無法提升。
圖10 多目標(biāo)優(yōu)化Pareto最優(yōu)解集
7 結(jié)論
本文采用HyperWorks 軟件對(duì)風(fēng)冷翅片換熱和風(fēng)阻性能進(jìn)行了CFD優(yōu)化研究，主要結(jié)論如下：
1)通過實(shí)驗(yàn)設(shè)計(jì)的方法研究了翅片高度和翅片間距兩參數(shù)對(duì)翅片換熱及風(fēng)阻性能的影響。
2)多目標(biāo)優(yōu)化得到了換熱及壓降的Pareto最優(yōu)解集，為設(shè)計(jì)人員權(quán)衡換熱和風(fēng)阻兩方面性能提供了參考。
3) AcuSolve快速的收斂速度有利于節(jié)省大量的CFD優(yōu)化計(jì)算時(shí)間和資源。
展開 基于LS-DYNA的自穿刺鉚接(SPR)多目標(biāo)優(yōu)化分析
從3D Pareto解圖中可以得到滿足一定目標(biāo)的最優(yōu)解。如其中一個(gè)優(yōu)化解為：
圖中藍(lán)色為原始模型，紅色為優(yōu)化解更新模型。
圖 鉚釘應(yīng)力結(jié)果對(duì)比（左側(cè)為原方案結(jié)果）
圖 底層材料等效塑性應(yīng)變結(jié)果對(duì)比（左側(cè)為原方案結(jié)果）
圖 鉚接力結(jié)果對(duì)比
圖 互鎖值結(jié)果對(duì)比（左側(cè)為原方案結(jié)果）
選擇以互鎖值最大化為主要目標(biāo)的一組解，互鎖值從0.2270增大為0.2671mm，性能提升17.67%，同時(shí)鉚釘最大應(yīng)力、底板最大等效塑性應(yīng)變和最大鉚接力性能變化分別為0.38%、-1.08%和4.88%。
結(jié)論：
1. LS-DYNA顯式分析具有精度高，求解效率高等優(yōu)勢(shì)，適用于自穿刺鉚接工藝過程等仿真分析。
2. LS-DYNA的自適應(yīng)網(wǎng)格變形技術(shù)可以解決自穿刺鉚接過程連接板大變形造成網(wǎng)格畸變無法正常求解的問題。
3. LS-OPT具有高效的優(yōu)化效率，多目標(biāo)優(yōu)化針對(duì)自穿刺鉚釘和底模的參數(shù)化模型進(jìn)行優(yōu)化，尋找鉚釘應(yīng)力、底板材料等效塑性應(yīng)變、鉚接力和互鎖值的最優(yōu)解。如為了提高互鎖值選取一組優(yōu)化解，互鎖值從0.2270增大為0.2671mm，性能提升17.67%，同時(shí)鉚釘最大應(yīng)力、底板最大等效塑性應(yīng)變和最大鉚接力性能變化分別為0.38%、-1.08%和4.88%。
4. 基于LS-DYNA的自穿刺鉚接多目標(biāo)優(yōu)化仿真可以有效地指導(dǎo)自穿刺鉚接工藝優(yōu)化設(shè)計(jì)。
計(jì)算文件和LSOPT優(yōu)化模型文件已經(jīng)上傳到網(wǎng)盤，感興趣的朋友可以下載！
鏈接：https://pan.baidu.com/s/1Ss8Esd6o2yPpXx_wdhX2aA
提取碼：j19w
展開 230基于matlab的布谷鳥（COA）多目標(biāo)優(yōu)化算法 ￥12.9
基于matlab的布谷鳥（COA）多目標(biāo)優(yōu)化算法，以 滿意度、成本、時(shí)間、質(zhì)量為目標(biāo)的多目標(biāo)優(yōu)化求解代碼。程序已調(diào)通，可直接運(yùn)行。
多目標(biāo)優(yōu)化的相關(guān)專題、標(biāo)簽、搜索
多目標(biāo)遺傳優(yōu)化多目標(biāo)優(yōu)化ABAQUS多目標(biāo)優(yōu)化設(shè)計(jì)多目標(biāo)拓?fù)鋬?yōu)化ansys多目標(biāo)優(yōu)化多學(xué)科多目標(biāo)優(yōu)化 優(yōu)化設(shè)計(jì)仿真優(yōu)化 多目標(biāo)優(yōu)化fluentudf多目標(biāo)優(yōu)化fluent熱設(shè)計(jì)多目標(biāo)優(yōu)化fluentudf隨波逐流多目標(biāo)優(yōu)多工況多目標(biāo)優(yōu)化多約束多目標(biāo)優(yōu)化多目標(biāo) 優(yōu)化多目標(biāo)優(yōu)化
