基于响应面模型的滑移门动力学特性多目标优化

为了在满足开启轻便性的条件下提升滑移门的运动平顺性,提出了基于响应面模型的滑移门动力学特性多目标优化方法.基于刚柔耦合多体动力学方法建立某MPV车型的滑移门模型,对其运动平顺性及开启轻便性的评价指标进行分析,并通过滑移门台架试验验证了该仿真方法的可靠性.对滑移门运动机构进行参数化设计,结合拉丁超立方采样法进行试验设计,通过对滑移门动力学特性指标进行灵敏度分析,得到了结构参数对性能的影响规律.建立精度可靠的滑移门动力学特性二阶响应面模型,各项指标的复相关指数R2均高于0.9.采用NSGA-Ⅱ遗传算法对滑移门运动机构进行多目标优化,滑移门中导向轮载荷峰值与质心加速度峰值分别降低39%和24.4%,全开所需时间低于1.8 s,在满足开启轻便性要求的同时,显著提升了滑移门的运动平顺性.     

约束条件下机翼的多目标响应面优化方法

本文提出一种在较强的工程约束条件下,开展机翼优化设计的高效率多目标方法。文中综合升力线理论和RANS的流场计算方法以及数学近似的响应面方法,研究在多种工程约束条件下,巡航设计点中升阻比和翼根弯矩的多目标优化问题。采用分步嵌套优化的方法,首先,固定平面形状外形,优化展向的扭转角分布;然后优化固定拓扑形式下的平面形状参数,对于每一个平面外形,展向扭转角分布的优化为平面形状优化的内迭代;最后通过响应面的结果得到双目标的近似Pareto锋面。该方法对完成特定约束条件下的气动设计具有参考价值。     

基于响应面模型和多目标遗传算法的动车组水箱优化设计

以获取动车组水箱最佳结构参数组合为目的,结合双向流固耦合分析,采用拉丁超立方抽样生成试验设计样本点,构建了动车组水箱的响应面近似模型,通过拟合优度验证了该响应面的准确性。最后运用多目标遗传算法寻找水箱结构参数优化设计的Pareto最优解前沿,以此提出优化策略。研究结果表明,基于响应面模型和多目标遗传算法的动车组水箱优化方法,有效克服了水箱结构总体性能方案设计时重复性和经验依赖的缺点,可为决策者进行目标权衡提供充分依据,为其他复杂模型的设计优化问题提供设计参考及解决方案。     

基于近似模型和遗传算法的等离子喷焊工艺参数多目标优化

为了对等离子喷焊工艺参数进行优化,提高喷焊层的质量,通过径向基函数(radical basis function,RBF)神经网络近似模型和非支配排序遗传算法(non dominated sorting genetic algorithmⅡ,NSGA-Ⅱ)遗传算法相结合的方法,对等离子喷焊试验数据,基于MATLAB平台进行训练,以此来构建显微硬度、磨损量和稀释率的近似模型,利用NSGA-Ⅱ遗传算法对模型进行下一步的多目标优化,最终得到帕累托最优解集,研究了工艺参数间的交互作用.结果表明:利用RBF-NSGA-Ⅱ遗传算法比响应面法能更显著地提高喷焊层质量.可见对等离子喷焊工艺的优化具有一定的参考价值.     

基于热加工图及响应面法的手把体多目标优化

以手把体为例,综合考虑应变速率及变形温度对材料微观组织结构和性能的影响,运用DEFORM材料库中的应力应变数据,建立了45钢的热加工图,初步为手把体锻造提供合适的工艺参数范围.进一步以初始锻造温度、飞边槽桥部高度、模具下压速率为优化变量,以锻件最大损伤值、终锻成形载荷、坯料填充率为优化目标,采用Design-Expert软件进行了响应面拟合建模分析,得到三个目标量的二阶响应面模型,并进行优化分析,经数值模拟验证其误差范围小于5%.生产实践结果表明:多目标优化后的工艺参数能够获得形貌完整的锻件,并有效地减小最大损伤值,降低成形载荷,显著地提高了材料利用率.     

多种约束条件下机翼的双目标响应面优化方法

提出一种在较强的工程约束条件下,开展机翼优化设计的高效率多目标方法。综合升力线理论和RANS的流场计算方法以及数学近似的响应面方法,研究在多种工程约束条件下,巡航设计点中升阻比和翼根弯矩的多目标优化问题。采用分步嵌套优化的方法,首先,固定平面形状,优化展向的扭转角分布;然后优化固定形式下的平面形状参数,对于每一个平面外形,展向扭转角分布的优化为平面形状优化的内迭代;最后通过响应面的结果得到双目标的近似Pareto锋面。该方法对完成特定约束条件下的气动设计具有参考价值。     

基于响应面模型侧式进/出水口体型多目标优化

为解决抽水蓄能电站侧式进/出水口扩散段体型优化时传统优化方法通常依据工程经验进行体型调整,导致进流与出流时的水力特性难以同时满足最优的问题,以扩散段体型参数为设计变量,以进/出流各水力指标作为优化目标,利用响应面法建立了两者之间的代理模型.利用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)进行了多目标优化,得到最优体型.研究结果表明:采用NSGA-Ⅱ可以解决双向水流条件下各目标难以同时满足最优的问题.此外,只须在建立代理模型过程中进行计算流体动力学(CFD)计算,而优化时无须进行,有效提高了进/出水口体型的优化效率.     

基于响应面法的直齿轮冷挤压工艺多目标优化

针对某型大模数行星直齿轮在精锻成形工艺中成形载荷大、齿形塌角大及弹性回复影响齿形精度等问题,提出一种新型约束分流正冷挤压工艺.以降低成形载荷、减小轴向塌角长度及取得弹性回复量较小的齿轮为优化目标,以凹模入模角、毛坯直径系数、摩擦系数和模具挤压速度为优化变量,借助正交实验设计与Design-Expert V8软件进行响应面拟合建模分析,得到成形载荷及塌角长度的二阶响应面模型和弹性回复的线性模型,同时借助该软件进行多目标优化,得到最佳工艺参数组合,即入模角为67°,直径系数为1.15,摩擦系数为0.06,模具下压速度为52mm/s.有限元模拟和生产实践结果表明:优化后的工艺参数组合能生产得到弹性回复较小、表面质量好的行星直齿轮冷挤压件,并能有效减小塌角、降低成形载荷.     

空间映射与响应面法相结合的结构优化

应用空间映射与响应面方法实现了由低保真模型到高保真模型的响应面映射,在原有空间映射方法的基础上将一类结构优化问题构造为标准二次规划模型,有利于高保真模型的优化求解,且解决了空间映射方法中低保真模型设计变量更新困难的问题。此方法可大大减少应用序列RSM方法进行结构多学科优化时的重分析计算量。数值算例表明此方法可获得较好的求解效率和精度。     

空间映射与响应面法相结合的结构优化

应用空间映射与响应面方法实现了由低保真模型到高保真模型的响应面映射，在原有空间映射方法的基础上将一类结构优化问题构造为标准二次规划模型，有利于高保真模型的优化求解，且解决了空间映射方法中低保真模型设计变量更新困难的问题。此方法可大大减少应用序列RSM方法进行结构多学科优化时的重分析计算量。数值算例表明此方法可获得较好的求解效率和精度。     

多目标优化问题中一种改进的遗传算法

遗传算法作为一种随机优化算法在多目标优化等众多领域取得广泛的应用,针对基本遗传算法存在寻优速度较慢,存在“封闭竞争”等问题,利用生物界中存在的“杂交”优势原理,提出以多种群变异为基础解决以上问题的改进遗传算法,并通过仿真取得满意的效果。     

基于遗传算法的静电反馈式微传感器多目标优化

讨论了一种新型梳齿式静电反馈微加速度计的多目标参数优化问题，从耦合静电场能量关系出发，建立了系统的动态模型．在此基础上，以灵敏度、分辨率和动态响应为优化目标，通过目标规划法，构建了系统的多目标优化模型．利用遗传算法进行优化求解，并与序列二次规划法的优化解进行了对比分析，研究结果表明，这2种算法均能成功地求解优化问题，但遗传算法可得到设计者更为满意的多目标有效解．研究工作为进一步利用遗传算法的随机性和潜在并行性进行系统的Pareto多目标优化提供了基础．     

液氮洗工艺的多目标遗传算法优化

为了优化大化肥中的液氮洗关键流程以提高能量效率、控制CO2排放,在使用Aspen Plus软件对某低温液氮洗工艺进行模拟分析的基础上,结合多目标遗传算法和二次规划法(MOGA-QP)来解决局部极值和大规模优化问题.根据超结构方法,构建了液氮洗工艺流程总结构,即在原流程中加入了一个减压阀和一个分离器,由此可以增补29.546 kJ/kg冷量,使得液氮洗涤塔出口净化气中的CO体积分数为0.55×10-6.利用MOGA-QP求解了超结构,即在进化过程中用二次规划法来模拟流程表单的各个子模块,在最终收敛的环节用二次规划法求解子问题,从而对遗传算法产生的Pareto解做进一步的精细优化.实际应用显示:在满足工艺指标的前提下,优化后的液氮入口流量减至0.131 2 kmol/s,出口CO体积分数降至0.25×10-6,液氮入口流量减少了1.7%,火用损失减少了15.7%,表明改进流程更佳,MOGA-QP算法有效.     

基于遗传算法的数控机床主轴优化设方法

通过分析主轴的结构和加工过程中的受载变形情况,建立了主轴优化设计的数学模型.针对传统优化设计方法在解决主轴优化设计中出现的问题,引入遗传算法,应用实数编码规则和改进的遗传算子对数控机床主轴进行优化设计.在VC++平台上,利用C++语言构建基于遗传算法的数控机床主轴优化设计系统.通过实例设计及结果分析,验证了应用基于遗传...     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

利用遗传算法优化客户价值评估模型

提出了一种利用遗传算法对海量客户数据的评估模型进行参数优化的方法,使用已知样本客户的计算价值与实际价值的误差作为评价函数.针对精度要求较高的情况,我们采用了分步进化的方式以实现快速收敛.     

改进的遗传算法在多目标物流配送路径中的应用

物流配送路径优化是物流系统设计的关键环节。针对物流配送路径问题复杂性和多约束性,提出一种改进的遗传算法——自适应免疫遗传算法(AIGA)。该算法利用一种新的免疫疫苗选择策略和免疫操作方法,使得优化过程随进化代数自适应改变,结合并列选择法对多目标物流配送路径进行优化,并给出了解决多目标物流配送路径问题的具体步骤。最后通过仿真验证,该算法的计算效率,收敛性都有明显的提高,验证了算法的实用性和有效性。     

一种新颖的多目标优化算法

粒子群算法的特性使得其在解决多目标优化问题时具有很强的竞争性,提出了一种结合小生境思想和在线归档策略的多目标粒子群优化算法,该算法能够在进化过程中保持优良种群。通过3个测试函数来评价算法性能并将算法与NSGA-II做比较,结果表明提出的算法的时间耗费明显小于NSGA-II算法且解集沿着Pareto非劣最优目标域有很好的扩展性。     

求解复杂约束优化问题的演化多目标算法

在分析了传统的求解带约束的单目标优化问题存在的问题的基础上,利用多目标优化算法的框架,把单目标优化问题中的软性约束化为新增的目标,把原问题化为一个多目标优化问题,然后利用演化多目标优化算法求解转化后的问题,分析了该方法处理约束的优势,并给出了初步实验结果.