不知火舞的被虐|伊人天伊人天天综合网|博洛尼亚天气|任你懆这里只有精品4|久久美日韩精品久久|掌中之物漫画免费阅读观看|0丨d老妇

【隨機拉丁超立方設計和最優拉丁超立方設計】(圖片來源Isight手冊）最優拉丁超立方OLHS是較為常用的實驗設計方法，其原因為：（1）操作相對簡單；（2）使設計樣本點能夠在每一個輸入維度上均勻分布；（3）樣本數較少。建立代理模型的樣本點通常用試驗設計的方法選取，一般選取準則是用盡可能少的樣本點獲得較高的擬合精度。

在這里簡單描述，即采用某（最優拉丁超立方）試驗設計方法采集足夠的樣本點，考慮設計變量與響應之間的關系，建立合適的近似模型。定義設計變量變化范圍，約束和優化目標，調用Isight內部優化算法（NSGA-Ⅱ）進行尋優。流程文件可以私聊！歡迎交流！！！

通過OptiStruct求解可知，鋼制發動機罩的約束一階模態為35.6Hz，滿足剛度要求。 3.2確定性優化 3.2.1最優拉丁超立方試驗設計 試驗設計（DesignofExperiment，DOE）是一種利用近似模型的采樣方法，主要有最優化試驗設計、全因子試驗設計、最優拉丁超立方試驗設計等方法。

在Isight中，拖拽Abaqus和實驗設計DOE模塊完成實驗設計流程化創建。Abaqus模塊：導入懸臂梁Job-beam.inp和Job-beam.odb文件,選擇實驗設計參數。DOE模塊：選擇拉丁超立方實驗設計，各設計變量上下10%的浮動，共20組數據點。

約束函數：底座整體重量減重不少于8%.底座的Isight優化流程見圖6. 優化算法采用DOE算法，抽樣方法為超拉丁算法，樣本數為50.圖6 底座Isight優化流程圖 2.3 優化結果通過Isight優化分析，經圓整后，得到底座參數的最優值。優化前后參數見表5.

優化設計是一種尋找確定最優設 計方案的技術，通過對設計變量的合理選擇，在實際約束 狀態下，使系統性能指標最優。白車身結構的約束優化設計問題可表述為 式中 ： x =[x 1 ， x 2 ， x 3 ， … ， x j ， … ， x n ] T ， x 為由 車身板件厚 度 組成的向量 。

自適應的意思是通過將數值計算樣本集中在設計高效區域而不是隨機選擇或常規的均勻采樣，該方法使用高斯過程（克里金）模型作為代理模型，基于拉丁超立方采樣的初始仿真數據集，通過對設計空間中代理預測誤差最高區域進行補點，從而對代理模型進行迭代增強。2. 帶懲罰函數的最速梯度下降法優化梯度下降法是一種非常簡單的優化算法，常用于小規模的單目標優化問題。

圖二 物體不確定性組成 拉丁超立方抽樣作為一種不確定性傳播的概率方法有以下幾個優勢：首先對參數空間有良好的代表性，因為其以等概率間隔繪制并根據超立方體隨機組合；其次它對線性情況的收斂性較好，只需要大約三十次循環計算就足夠。圖三為拉丁超立方抽樣的示意圖。 圖三 拉丁超立方抽樣示意圖 研究人員得到了以下兩個模型，鏈狀模型和板狀模型，示意圖如下圖四。

當需要對這些模型進行參數反演或優化時，Excel自帶的Solver（規劃求解）往往表現極差：<strong>容易陷入局部最優、不支持大規模非線性方程、速度慢且無法處理復雜約束</strong>。重寫模型到MATLAB或Python成本太高，怎么辦？

在ODYSSEE中通過拉丁超立方采樣方法進行DOE樣本點生成，并通過軟件特有算法提升樣本點在設計空間的均勻度。生成的25個DOE樣本點空間分布如圖2所示。圖2. 25個DOE樣本點空間分布機器學習模型搭建基于上述DOE樣本點進行的碰撞仿真，采用機器學習模型構建設計變量與各個響應曲線的關系。

本文以Isight環境介紹整車多學科優化及輕量化優化。針對剛度、NVH等線性工況，首先進行靈敏度分析進行變量篩選。針對碰撞等分線性工況，根據經驗篩選出設計變量。然后分別針對不同的工況進行DOE分析采樣，用于構建元模型，包括質量元模型。然后在基于元模型進行組合優化，首先應用全局優化算法定位目標極值在設計空間中所處的區域，在應用梯度優化算法對該區域進行精確尋優，最終獲得最優設計解。

運行門戶（Runtime Gateway）監控和后處理界面，可以繪制多種曲線、曲面、散點圖、柱狀圖、表格等，結果運行完成后生成Summary報告給出優化運行時間、最優結果及設計變量、約束等用戶關心的問題。提供設計空間可視化（VDD）、工程數據挖掘（EDM）等后處理功能。組件庫（Library/Add-OnComponent）包含通用和專用的CAD/CAE及自編軟件接口。

.desc文件 通過.desc文件自動生成的isight模型 當需要創建的變量較少時，可以手動的進行變量的設置。但當變量較多時，手動設置比較費時，因此可以通過自動創建變量的方式來進行。自動創建變量的最優解決方案是通過Isight二次開發來發布一個SFE軟件的接口，該接口可以自動識別.mac變量文件，并自動創建參數。

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。

，并通過驗證計算不斷更新近似模型位置繼續優化，最終獲得全局最優解；基于近似模型更新的全局優化策略適用于非線性設計空間以及單次計算耗時較長的問題，而不適用于不連續、非凸或高度約束的設計空間。

定義風道壓差和散熱片最高溫度為響應參數： Setup Definition完成表明參數化模型創建成功，下一步選擇拉丁超立方DOE： Multi-Execution設置同時執行多個計算任務。

在有限的迭代次數后，使序列收斂到全局最優。使用高斯過程回歸器作為替代模型，在參數的容許空間上，提供了估計目標函數值的置信度優化器。有利于工程師研究不同因素對離心泵揚程和效率等結果的影響，得到更加準確的結果，指導對離心泵進行最優設計。 本文通過Simerics MP+軟件進行瞬態數值模擬，對優化設計的性能進行了詳細分析。

如何定義最優解？ 通過數學的方式來定義，比如最小化/最大化某個目標函數。優化是數學和物理相結合的一門學科：數學是優化的工具，物理是優化的實質。 CFD參數優化指的是，以流體相關的變量（如流阻、效率、換熱系數等）為優化目標的，基于自由形狀、尺寸參數、物性參數、邊界條件等參數的優化。

圖48 最優結果 總結以上分享的是用ISIGHT這個多目標優化平臺對復雜并聯回路的流量進行均勻分配的方法，總體上操作比較繁瑣，任何一個小的細節有問題都可能導致優化無法正常進行。這里對ISIGHT本身沒有進行深入的介紹，有興趣的朋友可以上百度文庫搜索相關學習資料。