基于协同进化博弈的多学科设计优化

复杂系统的设计问题可以非层次分解为并行的多个子空间优化设计问题。多学科优化的迭代过程可看成子空间博弈的过程。各冲突子目标协商一致条件下,子空间合作博弈的均衡点能达成原系统的整体最优,并给出协同进化算法求解博弈的Nash均衡点的计算框架。以某型民用客机的总体优化设计为例,将其分解成气动和重量两个子空间优化。设计变量不重叠地分布于各子空间,两冲突子目标分配相同权值,线性加权组合而形成的单目标作为各子空间共同的优化目标。计算结果表明此方法是有效的。     

新型多学科设计优化算法研究

研究多学科系统优化问题,针对工程系统的复杂性,通过多学科设计优化算法框架协同优化算法的研究,根据现有协同优化算法由于系统级一致性约束的存在计算量大,容易发散等缺点,提出了一种新的多学科设计优化算法框架.算法通过对设计变量的重新分配,简化了耦合变量的解耦过程,从而达到简化优化过程的目的,解决了协同算法的上述缺点.采用iSIGHT软件,对具体算例进行仿真,并与协同优化算法进行对比,验证了该算法的有效性.     

多Agent系统中的协同进化研究

协同进化作为多Agent系统研究的一个重要手段，近几年得到了广泛的关注和快速发展，渐渐成为进化研究的一个主流方向。该文系统介绍了协同进化的研究现状，分析总结了协同进化的基本特点，并指出了协同进化可能的发展方向。     

七星瓢虫优化算法及其在多学科协同优化中的应用

基于对七星瓢虫觅食行为的研究,提出一种新的生物学启发式算法——七星瓢虫优化算法(Seven-spot Ladybird Optimization,SLO)。通过6个标准测试函数将其与现有的两种启发式算法(GA、PSO)进行比较,探知其寻优能力。在此基础上,针对多学科设计优化协同优化算法求解效率不高、鲁棒性差等缺陷,将SLO引入协同优化算法系统级优化器,通过工程实例验证了七星瓢虫优化算法良好的寻优能力。     

多学科混合变量协同设计优化方法研究

为解决同时含有离散和连续两种变量形式的混合变量复杂产品设计优化问题,利用“分而治之”的混合参数处理思想,在协同设计优化算法的基础上,提出一种多学科混合变量协同设计优化方法．该方法先将优化问题解耦分解成相对简单的多个子系统进行优化计算,然后利用协同设计优化算法的协同机制求得全系统最优解．算例验证结果表明了所提出方法的可行性和有效性．     

多学科协同与设计优化关键技术

传统的设计优化一般主要受到某一个性能或学科的影响,因此造成整体设计优化的结果不理想,甚至互相矛盾,这就使设计优化必然走向系统和总体的设计优化。随着计算技术的发展,人们开始尝试将多学科的设计综合在一起,进行多学科协调优化。本文研究了多学科协同与设计优化的关键技术,为进行多学科协调优化奠定了基础。     

协同进化算法研究进展

为了应对复杂优化问题的高维、大规模、多类变量混合、强约束、多极小、多目标、动态与不确定等诸多求解难点,协同进化已成为改善进化算法性能的有效途径。对此,分别从种群协同、个体协同、算法协同、操作协同、参数协同、策略协同、人机协同等方面,对协同进化算法的代表性研究进展给予了综述,重点总结了协同进化的机制和算法设计,并介绍了协同进化算法在若干领域的应用,最后指出了有待于进一步研究的若干方向和内容。     

M-精英协同进化数值优化算法

为了解决高维无约束数值优化问题,借鉴协同进化和精英策略的思想,提出了M-精英协同进化算法.该算法认为,适应度较高的个体群(称为精英种群)在整个种群进化中起着主导作用.算法将整个种群划分为由M个精英组成的精英种群和由其余个体组成的普通种群这样两个子种群,依次以M个精英为核心(称为核心精英)来选择成员以组建M个团队.若选中的团队成员是其他精英,则该成员与核心精英利用所定义的协作操作来交换信息;若团队成员选自普通种群,则由核心精英对其进行引导操作.其中,协作操作和引导操作由若干不同类型的交叉或变异算子的组合所定义.理论分析证明,算法以概率1收敛于全局最优解.对15个标准测试函数进行的测试显示,该算法能够找到其中几乎所有被测函数的最优解或好的次优解.与3个已有的算法相比,在评价次数相同时,该算法所求解的精度更高.同时,该算法的运行时间较短,甚至略短于同等设置下的标准遗传算法.此外,对参数的实验分析显示,该算法对参数不敏感,易于使用.     

一种多目标优化合作型协同进化算法

基于合作型协同进化模型,提出了一种新型的多目标优化进化算法.该算法使用精英保留的思想以加快收敛速度,并采用一种新型的子群体间合作方式,提高了候选解的多样性,且避免了在一般多目标优化进化算法中难以处理的适应值分配或非支配排序过程,从而大大减小了计算资源的消耗.使用图形法和三种定量的测度将所提算法与一种经典的多目标优化进化算法NSGA-Ⅱ在一组标准测试函数上进行了比较,结果表明算法具有更高的搜索效率.     

协同进化策略的粒子群优化算法

为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。     

复杂耦合系统新兴的多学科设计优化方法

针对传统的复杂系统设计与工程设计领域中,设计方法或者优化方法是顺序地或者没有充分考虑子学科或子系统之间的交互作用与耦合关系的弊病,介绍了多学科设计优化方法(Multidisciplinary Design Optimization——MDO)在解决航天器设计复杂系统工程中的有效成就;接着介绍MDO的思想和研究内容,单级优化和两级优化的典型方法,然后叙述了目前国内外的研究成果和进展,充分表明其在解决此类复杂系统上的优势和研究价值;展望了多学科设计优化方法在所有此类复杂设计与工程领域重大研究价值的前景。     

基于遗传算法的临近空间飞艇多学科优化设计

临近空间飞艇设计中,确定系统总体参数、给出优化的艇体外形十分关键,针对传统设计方法,为改进其中串行设计的不足,提出了并行多学科优化设计方法;并基于遗传算法开展了飞艇外形优化设计方法研究,结合气动、结构、强度进行了一体化优化。仿真结果表明利用遗传算法开展飞艇多学科优化是可行的,另外在进行设计时,不能仅将减阻作为研究重点,还应全面考虑结构重量、强度等其它因素。     

A Tournament-Based Competitive Coevolutionary Algorithm

For an efficient competitive coevolutionary algorithm, it is important that competing populations be capable of maintaining a coevolutionary balance and hence, continuing evolutionary arms race to increase the levels of complexity. We propose a competitive coevolutionary algorithm that combines the strategies of neighborhood-based evolution, entry fee exchange tournament competition (EFE-TC) and localized elitism. An emphasis is placed on analyzing the effects of these strategies on the performance of competitive coevolutionary algorithms. We have tested the proposed algorithm with two adversarial problems: sorting network and Nim game problems that have different characteristics. The experimental results show that the interacting effects of the strategies appear to promote a balanced evolution between host and parasite populations, which naturally leads them to keep on evolutionary arms race. Consequently, the proposed algorithm provides good quality solutions with a little computation time.     

多学科设计优化中目标层解分析法的研究

目标层解分析是一种层次化、多层系统设计优化方法.为了确保求解多学科设计优化各子问题的可行性,提高求解效率,应用增广拉格朗日惩罚函数松弛化方法,对目标层解分析的内外层嵌套式求解策略进行改进,通过对内层循环的惩罚函数松弛化来减少内层循环病态子问题的求解计算时间,当内层循环获得收敛之后,外层循环更新惩罚权重来获得可行解.并置设计次数由10到1000的具体实例来对比分析各种惩罚函数对求解效率的影响.由实验可得,应用增广拉格朗日惩罚函数松弛化方法求解,计算权重得到减小.迭代次数减少到二次惩罚函数法的2%.     

带记忆信息的协同进化算法

本文提出了一种带记忆信息的协同进化算法--将种群划分为一个子种群和多个独立的个体,协调算法的局部与全局搜索能力;独立个体中适应度最高的个体与子种群进行交叉与合并,实现种群内部的协作与更新;利用子种群内个体间的相似性,选择有代表性个体进行多次变异,发现有利于提高个体适应度的重要基因位来引导该子种群的变异行行为。实验表明,本文算法能够快速找到高精度的数值解,性能稳定且易于实现。     

一种基于维度识别的协同进化算法

为了探索如何在协同进化算法中结合问题域固有的结构信息,实施全局稳定进展,本文首先分析问题维度所体现的个体间收益特征,提出一种维度识别方法.在此基础上,设计并实现一个协同进化算法.它能在进化过程中通过个体间的交互收益自动鉴别问题维度,并保存每个维度上当前已搜索到的最高测试值,以此作为评价基准控制进化在所有维度上均单调进展.配套设计的结构文档不仅有效支持维度鉴别,准确提供当前全局最高进展信息,而且存档量能达到最小化来保证算法的有效实施.模拟实验证实了该算法的可行性,并显示该算法较其它同类算法具有更高的性能和效率.     

A Problem Solving Environment Portal for Multidisciplinary Design Optimization

Multidisciplinary Design Optimization (MDO) is a design methodology that derives optimal design solutions by concurrently considering various mutually dependent design elements from an assortment of disciplines. As such, it is applicable to the designing of ships and automobiles, as well as to aero vehicles. However, applying MDO methodologies in the real world would require a designer to spend an enormous amount of time arranging and integrating resources used in the process. This paper proposes a Problem Solving Environment (PSE) Portal for MDO methodologies, providing an environment that enables designers to utilize design resources conveniently even without working knowledge of the systems. Furthermore, the PSE portal yields an optimal MDO environment by allowing for global collaborative sites, which securely share design resources, and by offering users an efficient interface.     

MDO在汽车转向系统结构优化中的应用

转向系统刚度强度是影响汽车稳态特性的重要因素,转向系统NVH性能是影响汽车舒适性的重要指标,所以它的设计需要满足多个性能要求.针对转向系统利用HyperStudy优化软件,采用均匀拉丁方实验设计方法进行样本数据设计,利用最小二乘法构建了汽车转向系统的刚度、强度、NVH多学科系统的近似响应面优化模型,从而对转向系统结构进行了多学科优化.优化结果表明转向系统在刚度、强度及NVH性能有所提高的同时,重量得到较大程度的减轻.算例表明,多学科优化方法具有较高的工程实用性.     

A Competitive-Cooperative Coevolutionary Paradigm for Dynamic Multiobjective Optimization

In addition to the need for satisfying several competing objectives, many real-world applications are also dynamic and require the optimization algorithm to track the changing optimum over time. This paper proposes a new coevolutionary paradigm that hybridizes competitive and cooperative mechanisms observed in nature to solve multiobjective optimization problems and to track the Pareto front in a dynamic environment. The main idea of competitive-cooperative coevolution is to allow the decomposition process of the optimization problem to adapt and emerge rather than being hand designed and fixed at the start of the evolutionary optimization process. In particular, each species subpopulation will compete to represent a particular subcomponent of the multiobjective problem, while the eventual winners will cooperate to evolve for better solutions. Through such an iterative process of competition and cooperation, the various subcomponents are optimized by different species subpopulations based on the optimization requirements of that particular time instant, enabling the coevolutionary algorithm to handle both the static and dynamic multiobjective problems. The effectiveness of the competitive-cooperation coevolutionary algorithm (COEA) in static environments is validated against various multiobjective evolutionary algorithms upon different benchmark problems characterized by various difficulties in local optimality, discontinuity, nonconvexity, and high-dimensionality. In addition, extensive studies are also conducted to examine the capability of dynamic COEA (dCOEA) in tracking the Pareto front as it changes with time in dynamic environments.