基于H_∞范数的输电塔结构动力优化

目前输电塔结构设计主要基于静力及拟静力工况,以用钢量(总质量)为经济指标进行静力优化,忽略了动力荷载的频率特性。为解决输电塔结构动力优化问题,提出了基于H∞范数的优化方法。该方法以系统传递函数的H∞范数为优化目标,采用遗传算法对角钢截面进行优化。在计算H∞范数时,用串联多质点模型模拟塔架结构以简化计算。同时,引入惩罚函数来调整个体的适应度,从而保证优化结果满足静力工况,不出现杆件失稳且不增加用钢量。以一个实际输电塔结构作为算例进行优化计算,结果表明,该动力优化方法显著降低了输电塔的地震响应,同时保证结构满足静力工况且总质量不超过满应力优化法的用钢量。该方法不需要求解时域响应,计算效率较高。     

基于遗传算法的机翼柔性蒙皮全参数优化设计

为解决变弯度机翼前缘柔性蒙皮结构设计问题,提出基于遗传算法的柔性蒙皮全参数优化方法。采用"刚度剪裁"设计理念,以大型远程飞机前缘为研究对象,通过优化变量缩减、设计区域规划和边界条件位移等效,对柔性蒙皮结构进行工程简化,在保证变形精度的同时达到降低模型复杂度的目的;基于遗传算法对蒙皮结构进行全参数同步优化,以获得混合优化变量的全局最优解。研究表明,该方法在兼顾优化效率和制造可实现的基础上,使前缘蒙皮变形的最小二乘误差(LSE)降低60%,最大偏移误差降低64%,可显著提高变形精度。     

基于节点密度的自适应EFG法拓扑优化方法研究

针对无网格法拓扑优化中设计变量庞大、计算效率低的问题,提出了基于节点密度的自适应EFG拓扑优化方法。该方法以节点相对密度为设计变量,建立了以结构柔度最小为优化目标的自适应EFG拓扑优化模型,给出了拓扑优化中自适应节点加密准则、节点加密方法和新增节点设计变量更新规则。算例结果表明,采用本文提出的自适应EFG拓扑优化方法进行结构拓扑优化时,可以减少结构分析和优化的设计变量数目,提高优化效率。     

桁架结构截面优化设计的改进模拟退火算法

将模拟退火算法应用于桁架结构截面尺寸优化设计,提出若干方法改进了算法的鲁棒性、计算效率和求解精度。通过一批经典问题,同时与传统结构优化算法和遗传算法进行了比较。数值结果表明,本文的改进模拟退火算法具有很高的优化求解精度,计算效率有显著提高且优于遗传算法,有望在结构优化设计问题中发挥其特点。     

基于遗传算法的复合材料细观结构拓扑优化设计

利用高精度通用单胞模型将复合材料的细观拓扑结构与宏观力学性能结合起来,采用遗传算法对复合材料的细观结构进行优化,发展了基于遗传算法的复合材料细观结构拓扑优化设计方法.以材料的宏观力学性能为优化目标,从随机的初始细观结构出发,对复合材料纤维体积百分比进行约束,经过迭代获得满足设计要求的代表性体积单元.在优化过程中,对遗传算法的交叉过程作了较大的改进,实现了复合材料细观拓扑结构的任意变化,提高了对可行域的搜索效率.分别以极限剪切模量和泊松比为优化目标,验证了所提出优化方法的正确性和有效性.     

基于范例学习的遗传算法在连续体结构拓扑优化中的应用

本文提出了一种用机器学习来改进遗传算法搜索效率的新方法———基于范例学习的遗传算法(简称CLGA),并将该方法成功应用于连续体结构拓扑优化。CLGA的基本思想是利用已搜索过的点的信息来指导后续的搜索,避免重复计算,从而提高了GA搜索的效率。本文提出了目标向量的概念,可以在不同尺度下量化链码产生的不同结构个体之间的相似性。算例的计算结果表明,该方法是一种高效的连续体拓扑优化方法。     

基于拟满应力设计和遗传算法的网架截面优化方法

通过在遗传算法中嵌入拟满应力算子,提出了一种以网架结构杆件截面作为离散变量的优化设计方法,即基于拟满应力设计和遗传算法的网架截面优化方法.分析结果表明,该法能够提高遗传算法的搜索效率和获得全局最优解的可靠性,对于同时有应力和位移约束的网架等空间结构截面优化问题,这种混合算法有较高的效率.     

基于遗传算法的抗震钢框架多目标优化设计

考虑抗震钢框架优化问题具有多目标的特点，在遗传算法的基础上对抗震钢框架多目 标优化设计进行了探讨. 在无约束Pareto排序遗传算法的基础上，提出了一个简单、实用 而又可以避免采用罚函数的全新排序方法，在此基础上形成了一种求解有约束多目标优化 问题的Pareto遗传算法(CMOPGA), 并给出了具体的算法流程图. 以钢框架重量最轻和结构 总动应变能最小为目标，基于相关的设计规范，给出了抗震钢框架多目标优化问题的一种合 理提法. 采用CMOPGA对一个两跨六层抗震钢框架实例进行了多目标优化设计，并提出了一 个在Pareto最优解集的基础上选取妥协解的相对最小距离妥协原则. 算例结果表明，采用 CMOPGA求解抗震钢框架多目标优化问题是可行和有效的.     

并行加速的局部变分迭代法及其轨道计算应用

为满足航天工程对轨道计算精度和实时性的高要求,近年来发展出了可以通过大步长积分修正实现快速精确求解的积分修正类方法.积分修正类方法有可并行计算的特点,然而在串行计算环境下会受到计算资源的限制,无法充分发挥其可并行加速的优势.此外,合理的计算参数通常难以预先确定,也使积分修正类方法大步长快速计算的优势难以充分体现.针对以上问题,利用积分修正类方法可并行计算的特点,提出了并行加速的局部变分迭代法PA-LVIM,通过将传统局部变分迭代法LVIM的并行计算量均摊到多个计算节点上,显著提高了计算速度.此外,还使用根据系统状态二阶导数分布确定计算参数的打磨法优化了PA-LVIM的计算参数,进一步发挥了其大步长快速计算的优势.求解了三个经典的轨道递推问题,仿真结果表明, PA-LVIM的加速效果明显,且经打磨法优化计算参数后,其计算效率又进一步得到提高,将当前主流方法的计算效率提高了5倍以上.     

结构拓扑优化设计的三角网格进化法

针对进化或拓扑优化方法的不足，提出了一种基于遗传算法的新型进化式拓扑优化方法－－三角网格进化法，该方法不仅能够同时进行拓扑，形状与截面变量优化设计，而且在优化过程中实现了退化和进化的统一，提高了优化效率。另外本文还首次对结构类型变量进行了优化计算，取得了有益的结果。最后几个数值算例证明了本方法的可行性和有效性。     

含初始缺陷复合材料格栅加筋圆柱壳的鲁棒优化设计

针对复合材料格栅加筋圆柱壳具有多约束、连续变量和非连续变量混合的特性,基于复合材料中厚圆柱壳体的非线性稳定性理论,考虑优化目标和约束鲁棒性,采用混合遗传算法,提出了一种非完善复合材料格栅加筋圆柱壳的鲁棒优化设计方法.应用正交设计理论确定主要的鲁棒优化设计变量,简化了运算过程,从而提高了优化分析效率;同时又采用五点差分格式代替梯度运算,解决了在优化计算过程中不可求导的问题.通过典型算例表明,鲁棒优化设计所得到的优化分析结果与传统确定性优化方法相比差别较大,此外壳体的初始缺陷亦将对优化结果产生很大的影响.     

遗传-神经网络算法优化飞机垂尾

通过优化垂尾复合材料蒙皮铺层体系,可以减少垂直尾翼的气动变形,进而改善飞机的方向安定性。采用遗传算法能够较好地分析这类复杂优化问题,但遗传算法的计算工作量大,计算所需时间过长。本文提出遗传一神经网络的算法,该算法首先采用神经网络预测遗传变量的值,进而缩短遗传变量的范围,然后采用遗传算法优化得到最优解。结果表明,这种方法在保证计算精度的情况下,减少了计算时间,提高了工作效率。     

随机有限元分析的二级区域分解并行求解算法

采用蒙特卡罗模拟(MCS)和加权积分法对二维问题进行随机有限元分析。尽管MCS方法对任何有确定解的问题都具有求解精度高的优点,但由于求解所需的计算量巨大使其应用受到限制。利用并行求解技术可有效地处理这种密集型计算问题。基于有限元分裂对接法(FETI)的并行特性并利用预处理共轭梯度法(PCG)的求解高效性,结合整体子区域实现(GSI-PCG)和FETI法,提出二级求解算法,并在工作站机群上实现了数值算例。算例计算结果表明本文GSI(PCG)-FETI算法具有较高的并行加速比和并行效率,具有良好的性能,可有效地进行二维问题的随机有限元分析。     

RELIABILITY-BASED DESIGN OF COMPOSITES UNDER THE MIXED UNCERTAINTIES AND THE OPTIMIZATION ALGORITHM

This paper proposed a reliability design model for composite materials under the mixture of random and interval variables. Together with the inverse reliability analysis technique, the sequential single-loop optimization method is applied to the reliability-based design of composites. In the sequential single-loop optimization, the optimization and the reliability analysis are decoupled to improve the computational efficiency. As shown in examples, the minimum weight problems under the constraint of structural reliability are solved for laminated composites. The Particle Swarm Optimization （PSO） algorithm is utilized to search for the optimal solutions. The design results indicate that, under the mixture of random and interval variables, the method that combines the sequential single-loop optimization and the PSO algorithm can deal effectively with the reliability-based design of composites.     

Hierarchical distributed metamodel‐assisted evolutionary algorithms in shape optimization

In aerodynamic shape optimization, the availability of multiple evaluation models of different precision and hence computational cost can be efficiently exploited in a hierarchical evolutionary algorithm. Thus, in this work the demes of a distributed evolutionary algorithm are ordered in levels, with each level employing a different flow analysis method, giving rise to a hierarchical distributed scheme. The arduous task of exploring the design space is undertaken by demes consisting the lower hierarchy level, which use a low‐cost flow analysis tool, namely a viscous–inviscid flow interaction method. Promising solutions are directed towards the higher level, where these are further evolved based on a high precision/cost evaluation tool, viz. a Navier–Stokes equations solver. The final, optimal solution is obtained from the highest hierarchy level. At each level, metamodels, trained on‐line on the outcome of evaluations with the level's analysis tool, are used. The role of metamodels is to allow a parsimonious use of computational resources by filtering the poorly performing individuals in each deme. The entire algorithm has been implemented so as to take advantage of a parallel computing system. The efficiency and effectiveness of the proposed hierarchical distributed evolutionary algorithm have been assessed in the design of a transonic isolated airfoil and a compressor cascade. Remarkable superiority over the conventional evolutionary algorithms has been monitored. Copyright © 2006 John Wiley & Sons, Ltd.     

结构静力有限元分层并行计算方法

根据分布式存储并行计算机的体系结构特点,提出了一种结构静力有限元分层并行计算方法. 该方法在两级分区两次缩聚策略的基础上不仅实现了大量数据的分布式存储,提高了数据的内存访问速率;而且实现了计算过程的三层并行,有效提高了通信效率;此外,它还进一步降低了界面方程的规模,大幅度减少了界面方程的求解时间. 因此,它能够充分利用分布式存储并行计算机的体系结构特点提升大规模并行计算效率. 最后通过典型数值算例验证了该方法的正确性和有效性.      

一种改进的LLL模糊度规约算法

整周模糊度的高效解算是GNSS高精度数据处理中的关键,基于格论进行GNSS模糊度估计时需要通过格基规约来实现最优整周模糊度向量的快速搜索。针对高维情况下常规LLL规约算法辅助整周模糊度解算存在规约耗时较长和规约性能有限的问题,引入最小列旋转QR分解技术对基向量进行预排序,采用延后尺度规约和部分尺度规约来减少规约过程中的冗余尺度规约,以改善LLL算法的执行效果。分别通过模拟和实测数据进行实验,结果表明:改进后的LLL算法可以明显降低格基规约耗时,实测环境下其规约效率相比于传统方法提高了约10倍,且能够保证较好的规约性能,从而有效提升高维模糊度的解算效率。     

基于响应面方法的结构碰撞优化

应用响应面方法可将结构响应表达为设计变量的显式形式．为拟合响应面，基于中心复合设计和单纯形设计简化出了中心对称和拟单纯形设计，其既可以保证约束近似精度，同时降低计算量．针对常见优化问题，使用响应面方法将其构造为线性或者非线性约束优化模型，并应用Matlab优化工具箱求解．方管碰撞优化数值算例表明文中提出的试验设计方法及优化模型有较好的求解效率和精度．     

Enhancing the optimization of material distributions in composite structures using gradient architectures

Many structural components encounter service conditions and hence, material performance requirements, which vary from location to location within the component resulting in a composite structure. It has been shown that abrupt transitions in material properties within a composite structure can cause concentrations of deformation, which are mitigated by gradually varying the microstructure and/or composition of materials in a gradient architecture. Structural optimization techniques, such as the homogenization method, have yet to take full advantage of gradient architectures. Many of these structural optimization techniques employ robust mathematical techniques, such as genetic algorithms (GAs), with finite element simulations to optimize material distributions in composite structures through computationally intensive stochastic, global explorations of the design search space defined by a multitude of design variables associated with the discrete representation of the composite structure. Using gradient architectures, it is demonstrated that GAs can be enhanced for composite structures by constraining the design search space through a reduction in the number of design variables, thereby substantially reducing the computational effort. For more complex material distributions, a “material gradient optimization method” is proposed that produces multiple gradient architecture constraints with more optimal solutions than obtained without using these constraints, but whose uniqueness will be dependent upon the number of layers used in the finite element simulations.     

基于人工神经网络的声子晶体逆向设计

声子晶体是一种人工周期性复合材料, 其带隙特性使其在减振、隔声、滤波和声学功能器件等领域具有潜在的应用价值. 如何准确操纵声波和机械波是声子晶体设计的主要挑战. 现有设计方法是基于对结构几何参数与材料参数的分析调整使其匹配特定的应用特性, 设计效率不高且无法达到最佳性能. 为此, 本文以一维层状声子晶体为例, 提出了一种基于Softmax逻辑回归和多任务学习的人工神经网络声子晶体逆向设计方法, 其中, Softmax逻辑回归实现分层结构各区域材料种类的选择, 通过多任务学习确定各区域材料的分布, 从而, 将声子晶体逆向设计问题转化为对单位胞元拓扑结构多组分材料的分类问题. 首先, 随机生成大量声子晶体拓扑结构样本; 然后, 采用有限元法进行并行计算得到所有样本的带隙分布; 接着, 通过神经网络建立带隙分布和拓扑结构之间的映射关系; 最后, 利用训练好的神经网络设计具有目标带隙特性的声子晶体, 即以目标带隙作为神经网络的输入, 网络将直接输出对应的声子晶体单元胞元拓扑结构. 算例表明本方法可根据应用需求快速高效地得到具有目标带隙的一维声子晶体. 该方法为声子晶体的逆向设计提供了一种新颖思路.