基于粒子群优化和协同优化的多学科设计优化研究

协同优化是进行多学科设计优化的有效方法之一。本文将粒子群优化算法应用于协同优化,通过对系统级优化等式约束条件进行转换,克服了协同优化自身内部的计算缺陷,有效解决了当原始系统优化问题不满足Kuhn-Tucker条件时导致的计算困难,最后以数值计算和减速器设计为例进行了验证。结果表明本文提出的方法是有效的,同时也为将新型算法应用于多学科设计优化问题提供了参考。     

协同优化算法的改进

针对协同优化算法是多学科设计优化方法中应用最广、效果最好的MDO算法,但是在应用中存在计算困难的现状,分析了引起协同优化算法计算困难的原因,提出一种改良的协同优化算法——ICO多学科设计优化方法。改进学科一致性约束,增加系统级罚函数,采用快速启动方法,较好地克服了协同优化算法存在计算困难的缺点。标准算例试验结果表明,ICO多学科设计方法能够有效提高算法的稳定性、可靠性和计算效率。     

基于设计空间缩减的多学科协同优化新方法

提出一种多学科协同优化设计新方法—设计空间缩减协同优化(Design space decrease collaborative optimization,DSDCO)。根据子系统级优化结果,确定分解设计空间的平面方程,将设计空间合理分解为多个子空间,去除其中不可行设计子空间,将缩减后的设计空间传递到系统级优化。根据系统级优化在各个子空间的优化信息,择优选取系统级优化结果和下一次优化计算的设计空间,循环进行优化迭代计算,直至系统级优化值符合收敛条件。该方法通过缩减优化求解空间,不断更新系统级优化模型,将传统协同优化(Collaborative optimization,CO)中系统级非线性等式约束变换为只含有变量边界的线性不等式约束,解决了传统CO系统级求解困难的问题。DSDCO在变量有界的多学科设计优化(Multidisciplinary design optimization,MDO)问题中,对原始问题约束函数的凸性无要求,对优化迭代起始点的位置无要求。分别利用数值算例、减速器设计和弹簧设计三个典型算例,验证了DSDCO方法的正确性。     

多学科协同与设计优化关键技术研究

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.本文分析了多学科协同与设计优化关键技术,并提出了协同设计优化的方法,对探讨多学科协调优化有一定的参考价值.     

基于多学科协同算法的V型带传动优化

针对带传动优化过程中存在的多目标、多约束特点,采用多学科设计优化理论进行了V型带传动参数的优化设计。以中心距和皮带根数最小为同步优化目标,利用协同优化算法思想建立了两级优化数学模型,其中包括一个系统级模型和两个子系统级模型。运用iSIGHT软件对优化数学模型进行了求解,与现有文献的优化方法相比,中心距和皮带根数均有减小,可以简化结构并降低成本。计算结果表明多学科设计优化在处理多目标优化问题时有明显的优越性。     

机器人系统多学科协同优化设计

将多学科设计优化思想应用于机器人系统的设计问题.首先介绍了协同优化算法的主要思想与框架,然后以二自由度机器人的设计为例,着重研究用协同优化算法完成机器人的运动学、静力学、动力学与控制学的多学科设计优化.优化结果证明了协同优化算法解决复杂机器人系统多学科设计优化问题的有效性,为解决更为复杂的机械系统的设计优化问题奠定了基础.     

一种快速收敛的多学科协同优化方法

为解决协同优化方法求解速度过慢的问题,提出一种快速收敛的多学科设计协同优化方法。在该求解方法中,系统优化的全部设计变量分为全局变量和局部变量,协同优化方法中的辅助设计变量被消去;系统级只控制全局变量,学科级控制局部变量;在系统级添加各学科中包含全局变量的约束条件,并基于学科状态方程构造耦合变量一致性约束条件;从各子学科中消除耦合变量的一致性问题,子学科目标的优化只对系统目标的最优起指向性作用。采用两个典型的多学科设计优化算例,检验快速收敛的多学科设计协同优化方法的计算特性,结果表明该方法的收敛迭代步数比协同优化方法大大减少,具有更快的收敛速度。     

基于协同优化算法的平面连杆机构多学科设计优化

在传统的机构优化理论的基础上,结合机构设计的非线性、学科之间存在耦合性的特点,引入多学科设计优化的思想,进行平面连杆机构的设计优化.以平面四杆机构为例,首先按照学科分析模块分解平面连杆机构优化问题,然后采用改进的多学科设计优化的协同优化算法,实现平面连杆机构的机构学和控制两个学科的设计优化.研究结果表明,优化的机构不仅满足各个学科的约束,取得了各个目标函数的最优值,而且也获得了整体近似最优解.     

圆柱螺旋压缩弹簧的多学科协同优化设计

引入多学科设计优化理论解决圆柱螺旋压缩弹簧的优化设计问题。针对圆柱螺旋弹簧优化设计存在的多目标、多约束特点,建立了圆柱螺旋压缩弹簧的多学科优化设计模型,并采用协同优化算法,完成了优化模型的求解。优化结果证明了协同优化算法解决圆柱螺旋压缩弹簧的优化设计优化问题的有效性,为解决更为复杂机械系统的设计优化问题奠定了基础。     

一种基于协同近似的多学科设计优化方法

为避免求解复杂工程系统多学科设计优化问题时需要反复调用复杂耗时的多学科分析和进行繁琐的灵敏度计算,提出了一种基于协同近似（CMSO）的多学科设计优化方法。首先通过一种协同模型来筛选出更能反映多学科问题本身属性的样本点,通过协同模型来保证系统的多学科一致性;然后通过这些样本点分别构建自适应代理模型,并进行代理模型的验证和确认;最后选择最佳的代理模型来构建多学科优化模型并使用序列二次规划法进行优化求解。通过一个数学算例和圆柱螺旋压缩弹簧设计案例验证了CMSO法的可行性和有效性,且与单学科可行法的比较结果表明了CMSO法的高效性。     

一种具有全局稳定性的多学科协同优化方法

针对协同优化对初始点选取敏感和易收敛到局部极值点的问题,提出了一种具有全局稳定性的协同优化方法.该方法采用全局优化和局部优化两阶段优化策略.在全局优化阶段,系统级优化采用较大的松弛因子,在保证学科间一致性的前提下,将初始点优化到伞局极值点附近;在局部优化阶段,逐步减少松弛因子,增强学科间的一致性,得到全局极值点.两个典型的优化算例表明,优化结果不受初始点的影响,有效增强了协同优化的全局稳定性,并具有较好的可行性和收敛速度.     

考虑不确定性的多学科设计优化分解方法

为提高不确定性情况下多学科设计优化分解的合理性,研究不确定性因素对分解目标的影响,提出了考虑不确定性的多学科设计优化分解方法.首先将布尔型函数关系矩阵扩展为"相关性一规模"两层函数关系矩阵,给出了规模矩阵元素与设计变量不确定性的定量关系.然后针对该矩阵提出了任务规模、任务平均度和任务耦合度的概念,给出了三者的计算方法.在此基础上分析确定了优化目标、约束条件、优化变量,建立了整数规划模型,并应用遗传算法进行求解.最后以齿轮减速器为例进行分解,分解结果证明了本方法的合理性与先进性.     

高超声速飞行器多学科优化建模方法

为建立高超声速飞行器多学科设计优化软件系统,研究了一种面向多学科设计优化的建模方法.通过分析系统分解带来的学科设计冲突,建立了两种多学科连续性条件.据此连续性条件,结合现有飞行器设计流程,提出了一套建立多学科设计优化模型的方法,包括系统分析模型和系统优化模型.针对高超声速飞行器方案设计,研究了包含弹道/控制、气动、超燃冲压发动机、结构、热保护系统等五个学科的多学科设计优化问题.采用所研究的多学科设计优化建模方法,构造了系统级模型,并在框架软件中按照此模型集成各学科软件,建立了高超声速飞行器多学科设计优化软件系统.     

多学科设计优化研究进展

多学科设计优化是一种基于学科分析和优化的集成的系统设计方法论,是解决航天器设计等复杂工程系统问题的有效手段。综述了多学科设计优化的研究进展及其在航天器设计中的应用。重点介绍了系统数学建模、分解与组织技术及多学科设计优化算法等关键技术,讨论了多学科设计优化目前存在的问题和发展趋势。     

几种新型多学科设计优化算法及比较

归纳和评述了二级集成系统综合法、分级目标传递法和子空间自主式优化方法3类基于系统分解的新算法及其改进算法,阐述了3种算法的基本思想、结构体系及其特点,讨论了它们对优化对象的适应性,并从分解标准、级数、收敛性和代理模型等方面对它们进行了比较.     

耦合系统考虑可靠性的多学科设计优化分解方法

为了减少基于可靠性的多学科设计优化的计算成本,提出了一种面向耦合多学科设计优化的分解方法。定义了函数计算成本矩阵来处理可靠性函数的随机性,给出了根据函数随机特征计算函数计算成本矩阵的方法,同时定义了耦合关系矩阵来处理函数之间的耦合性,给出了识别耦合变量集的算法;基于函数计算成本矩阵和耦合关系矩阵提供的信息,改进了整体计算成本等评价指标的度量方法;利用遗传算法进行分解,寻求整体计算成本最小的分解方案;通过电子封装的多学科设计优化算例对上述方法进行了验证,通过与两个已有分解方案的对比表明,该方法能够显著减少整体计算成本。该方法与传统方法相比具有两个优势：一方面可以识别和分解耦合变量,使其能够用于耦合系统的分解;另一方面可以将可靠性函数平均分解到各子任务中,以获得更少的整体计算成本。     

供应商参与协同产品开发中的任务指派问题研究

通过粒子群最优化算法解决多供应商参与协同产品开发时的任务指派问题.以依赖结构矩阵为基础构建了协同产品开发总体时间模型,设计了任务优化分配的粒子群优化算法,并通过模拟分析验证r算法的实用性.通过算法设计,实现了开发子任务在各组织间的优化分配,从而保证制造商能够在预定时间内完成产品开发项目,以应对市场的快速变化.     

Decomposition method of complex optimization model based on global sensitivity analysis

The current research of the decomposition methods of complex optimization model is mostly based on the principle of disciplines, problems or components. However, numerous coupling variables will appear among the sub-models decomposed, thereby make the efficiency of decomposed optimization low and the effect poor. Though some collaborative optimization methods are proposed to process the coupling variables, there lacks the original strategy planning to reduce the coupling degree among the decomposed sub-models when we start decomposing a complex optimization model. Therefore, this paper proposes a decomposition method based on the global sensitivity information. In this method, the complex optimization model is decomposed based on the principle of minimizing the sensitivity sum between the design functions and design variables among different sub-models. The design functions and design variables, which are sensitive to each other, will be assigned to the same sub-models as much as possible to reduce the impacts to other sub-models caused by the changing of coupling variables in one sub-model. Two different collaborative optimization models of a gear reducer are built up separately in the multidisciplinary design optimization software iSIGHT, the optimized results turned out that the decomposition method proposed in this paper has less analysis times and increases the computational efficiency by 29.6%. This new decomposition method is also successfully applied in the complex optimization problem of hydraulic excavator working devices, which shows the proposed research can reduce the mutual coupling degree between sub-models. This research proposes a decomposition method based on the global sensitivity information, which makes the linkages least among sub-models after decomposition, and provides reference for decomposing complex optimization models and has practical engineering significance.     

基于改进粒子群算法的机械结构优化设计

针对粒子群算法在寻优过程中存在的容易陷入局部极小、收敛速度慢等缺点,结合粒子在实际寻找食物的过程中,大部分可以飞到其预期的最佳位置,而少数粒子由于受不确定因素影响,发生飞行偏离,本文提出了一种改进粒子群算法。算法中的模拟不确定因素干扰操作,能够有效避免群体过度集中现象,有效增加了种群的多样性。典型复杂机械优化设计的仿真结果表明,该改进算法能够快速、有效地进行全局搜索。