连续体结构的参数化水平集统一优化

针对传统分步式结构优化设计的不足,提出一种同时进行结构拓扑、形状和尺寸统一优化的设计方法.首先采用水平集函数描述统一的结构优化模型和几何尺寸边界,通过引入紧支径向插值基函数将结构拓扑优化变量、形状优化变量和尺寸优化变量变换为基函数的扩展系数;然后取该扩展系数为设计变量,借助一种参数的变化表达3种优化要素对结构性能的影响,将复杂的多变量优化问题变换为相对简单的参数优化问题,有利于与相对成熟的优化算法相结合提高求解效率;进一步用R函数将其融合为一个整体,构造出统一优化模型,并用最优化准则法进行求解.最后通过数值案例证明了该方法的有效性和精确性.     

敏度分析的数值方法比较研究

为提高优化方法中敏度计算的精度和效率,比较研究了拟梯度、复数步长微分和自动微分三种数值方法原理及实现.采用操作符重载和模板技术实现复数步长微分和自动微分,并将自动微分前向模式和反向模式结合起来计算Hesse矩阵.研究表明:拟梯度能有效地减少函数求值次数,但对高度非线性函数其计算精度较差;复数步长微分方法简单,能得到机器精度的梯度值,但需要处理复数,计算量较大;自动微分在函数求值的同时并行计算高阶精确导数值,计算量适中.     

基于PRS元模型的粒子群优化算法及其应用*

针对传统粒子群算法优化黑箱模型过程中存在巨大计算开销的问题,提出一种基于PRS元模型的改进粒子群优化算法—PPSO算法。在该算法迭代过程中,构建PRS元模型,利用其最优值点辅助粒子种群的更新,此外仅选择元模型预估集中优值集的粒子进行目标函数的计算仿真。将PPSO算法与基本粒子群算法、混沌粒子群算法进行数值测试对比,并应用于模糊控制器的优化设计,仿真结果表明该算法可减少真实估值次数,提高优化搜索能力。     

基于Web的多领域可视化建模系统设计与实现

针对单机环境下基于Modelica语言的多领域建模与仿真软件不利于知识共享和积累、软件维护升级困难等不足,研究了B/S架构的多领域建模与仿真技术,设计并开发实现了基于Web的多领域建模系统WebMWorks:采用Silverlight技术和WCF技术等,实现了系统浏览器端的可视化及其与服务器程序的通信.最后,给出了系统运行实例.     

基于增量SVR模型的改进全局优化算法

SVR(支持向量回归)是一种具有较强稳健性的小样本学习方法,它可有效避免"维数灾难",并被引入到全局优化中。然而现有的基于SVR的全局优化算法存在估值次数多、无法应对高维优化问题等缺点。提出了一种基于增量SVR模型的新的改进全局优化算法DISVR:采用增量SVR方法提高过程响应面的重构效率;采用一种新的增量LHD(Latin Hyper-cube Sampling)方法确保样本集分布均匀;采用DIRECT搜索算法提高全局搜索的稳定性和效率。最后,通过多个测试函数表明,该算法既降低了时间复杂度,也有效减少了源模型的估值次数。     

基于Web的工程材料库系统的设计及开发

一、引言 　　长期以来,企业在从事产品设计时主要通过人工查阅设计手册的方式来选择合适的工程材料,工作量大且容易出错,另外由于材料手册的版本、出版单位的不同可能导致手册数据的不一致,阻碍了设计效率的提高和后续阶段试生产、更改和校验等工作的标准化和规范化.随着Internet技术的飞速发展,将材料标准结合企业自身需求定制后放在网络上进行数据共享,建立企业级工程材料库,实现对常用工程材料的动态查询和更新,不但提高了查询速度,保持数据的最新和一致,而且可以节省大量的手册费用开支.此外,该材料库还应当同其他的CAD/CAE软件系统进行集成,以便在产品开发的不同阶段均能提供有关材料信息的支持.……     

PDM中基于个人恢复区的前台数据恢复机制

针对目前PDM中的数据恢复方法的缺陷，提出一种基于个人恢复区的前台数据恢复机制。该方法通过为后台数据库中的文档类和零部件类等对象增加标记属性，并在数据库中设计用于记录待恢复数据信息的恢复区对象，来方便地实现文档和零部件等数据的前台恢复，在此基础上开发一个个人恢复区功能模块。     

基于组件的典型零部件快速设计系统的开发

文章提出了一种基于组件技术的典型零部件快速设计系统的开发技术,通过开发基于组件的典型零部件设计校核模块,建立基于XML技术的典型零部件的模型库及其管理模块,同时为适应工程图的要求,开发了国标符号程序库,达到了跨多种CAD平台的软件及设计资源复用的需要。并以Pro/E平台为例,通过API接口组件的开发,实现了该平台下的典型零部件的设计计算、造型、生成符合国标的工程图,极大地提高了设计效率。     

机械CAD参数化绘图的一种方法

针对ＡｕｔｏＣＡＤ环境下机械图参数化设计的参数输入提出一种新方法——用鼠标点取需要修改的尺寸参数由命令行输入新的参数值。文中详细地阐述了该方法的思路和程序设计过程。     

序列Kriging仿真优化方法综述

通过深度学习来挖掘设计变量、目标参数与Kriging模型之间内在关系的序列Kriging仿真优化方法已成为基于元模型优化的研究前沿和热点.但仿真优化过程中存在建模效率较低、收敛精度不高、多点采样的并行仿真难以实现等问题.如何在少量昂贵仿真估值条件下提高优化效率和收敛精度是序列Kriging仿真优化方法研究的主要内容.为此,对序列Kriging的近似建模方法、无约束优化、多点并行优化以及约束优化进行综述,介绍经典优化方法、若干改进及相应工具包,并展望所面临的问题和挑战.