无参数自适应罚函数的高效代理模型优化设计方法

在飞行器气动外形优化设计中,复杂约束条件导致设计空间可行域呈现不连续的特征,且理想解大多靠近约束边界,传统高效代理模型方法难以适用。研究了参考点对优化设计的影响,提出了一种考虑约束的参考点选择机制;对于最优解靠近边界的问题,罚函数法更加有效,但惩罚因子的设置对于罚函数方法影响很大,不合适的惩罚因子反而会损害优化效率,分析了优化过程中罚函数方法对惩罚因子的要求,提出了一种无参数自适应罚函数的代理模优化设计方法,引入基于样本分析的惩罚项,结合归一化目标值和约束值,在优化过程中动态调整惩罚因子,使优化能够尽可能地聚焦于可行域内,迅速收敛到最优解,实现样本的高效配置。通过带约束的函数算例和翼型优化算例证实,所提方法可以大幅提高飞行器气动外形优化设计效率。

约束并行自适应代理模型优化算法及在弧形闸门优化设计中的应用

针对并行仿真技术下复杂大型工程结构的优化设计问题,将自适应代理模型优化和计算机并行计算技术相结合,提出一种基于约束并行自适应采样的代理模型优化算法。算法的采样方法由局部最小模型预测单加点策略和全局双目标约束多加点策略构成,通过构造约束期望提高函数和样本空间稀疏度函数对样本点进行筛选,使所获得的新样本点兼顾搜索目标函数局部最优区域和开发全局可行边界。通过对比分析测试算例与已有算法表明,该算法具有更好的优化效率、优化精度和稳定性。最后将算法运用于大型钢结构弧形闸门结构的多参数优化,分别采用3种自适应代理模型优化算法与基于静态代理模型的遗传算法进行求解,验证了所提算法的优越性。

基于代理模型技术的江海直达船体结构可靠性优化设计

为提高船体结构可靠性优化设计这类多参数、高维度、高非线性优化问题的效率,弥补传统船体结构确定性优化设计对影响结构安全不确定性因素考虑的欠缺,本文以一艘江海直达船为研究对象,采用BP(Back Propagation)神经网络代理模型技术,结合SMOTE(Synthetic Minority Oversampling Technique)过采样算法增加极限状态失效面附近样本点数量,实现以较少的样本点获得较高精度的船体舱段结构极限状态代理模型,进而利用蒙特卡洛抽样模拟方法编制船体结构可靠度计算程序,在结构可靠性分析的基础上以降低船体舱段结构重量为目标,采用模拟退火优化算法开展船体结构可靠性优化设计。本文建立了一套完整有效的、基于代理模型技术的船体结构可靠性优化设计系统,有效提高了优化设计的效率,对江海直达船体结构可靠性优化设计具有指导意义。

基于最优解区间预筛选的代理模型辅助天线设计优化算法

针对天线优化中全波仿真计算耗时过多的问题,文中提出了一种基于数据约束的代理模型辅助进化算法(SAADC)以实现天线优化设计中效率的提升。首先采用增强随机型差分进化算法,以保证数据生成的随机性与多样性。进一步通过高斯代理模型对仿真结果进行预测,并利用最优解区间预筛选方法舍弃预测结果中较差的个体,以实现算法收敛速度的提升。最终利用所提出的SAADC,对三个不同拓扑结构E型贴片天线的带宽与增益进行了优化设计与结果分析。结果表明,所提出的算法比现有的代理模型优化算法具有更快的优化速度与更佳的优化结果,可满足天线结构高效优化的实际需求。

基于代理模型的索卡减重优化设计

索卡作为架空缆道的核心部件具有工作环境特殊,工况复杂等特点,有关其结构优化的内容国内外少有研究。另一方面,传统的有限元优化方法对于解决高维度问题往往效率低,工程应用性不强。这里通过构建高精度Kriging代理模型对索卡结构进行减重优化,使用MIGA和NLPQL相结合的优化算法获得全局最优解。优化结果表明,在满足强度和不发生共振的情况下,结构质量减少22.05%,Kriging模型与有限元模型的最大相对误差为5.27%。验证了高精度代理模型在工程优化问题中的实用性。

基于代理模型优化的转接盘多约束参数化设计

通过截面尺寸参数化建立旋转转接盘有限元分析模型,以其固有频率与局部最大应力为约束条件,对转接盘进行轻量优化设计.针对优化模型设计变量多、计算成本高等特点,采用考虑空间约束条件的径向基函数代理模型拟合与全局随机优化算法相结合,获取优化设计结果.计算表明,转接盘一阶固有频率、局部最大应力拟合误差满足许用值要求,拟合模型R 2值分别为0.979与0.938.不同转速下优化解的频率与应力预报值与真实值相对偏差小于10%,绝对偏差值最大分别为35.2Hz与16.2MPa,证明所采用的优化流程可有效用于转接盘设计.

基于多项式代理模型的车顶绝缘子背风侧沿面压力优化研究

高速气流下,车顶绝缘子背风侧出现低气压会使得闪络电压降低,影响列车安全运行,为了改善车顶绝缘子背风侧的低气压现象,使用代理模型对车顶绝缘子结构参数进行优化。在车顶绝缘子结构参数上选取了伞裙上、下倾角以及伞裙间距作为因子,以绝缘子背风侧沿面压力的最小值作为响应,采用全因子试验设计方法获取样本数据,并对因子的主效应和交互效应进行分析,在此基础上建立多项式代理模型,进一步得到最佳的结构参数,最后进行闪络试验验证其有效性。结果表明:伞裙上、下倾角的主效应与伞裙间距相比更加显著,各因子之间没有显著的交互效应;最佳参数:伞裙上、下倾角分别为8°和0°,伞裙间距为45mm,背风侧沿面压力最小值提高了25.62%,同时压力平均值提高了42.47%;在100m/s的风速条件下,车顶绝缘子的闪络电压提高了16.80%。研究结果可以为车顶绝缘子结构设计提供参考。

基于Kriging插值代理模型的轴流式止回阀多目标优化

基于Kriging插值代理模型,对轴流式止回阀的各项性能进行综合优化,具体的优化目标为:降低正向流阻;减小阀芯振动;提升止回性能。通过试验设计方案找到影响轴流式止回阀正向流阻的主要结构参数因素,并以其作为优化对象,通过Kriging插值法拟合主要结构参数对应的性能样本点,在保证拟合精度的情况下,使用NSGA-II遗传算法同时对3个主要结构参数进行多目标优化,得到了三目标Pareto前沿,经过权衡不同因素对性能指标的影响大小,最终得到了综合性能最优的结构参数为:阀瓣丰满度系数α_(1)=2.199,阀芯长度L=386.322 mm,阀芯半径R=113.997 mm。其对应的止回阀性能为:正向出口流量Q=161.839 kg/s,正向出口流速v=3.30235 m/s,止回阀进口压力p=97632.2287 Pa。相比优化之前,阀门正向流阻减小了1.2%,阀芯振动降低了0.24%,止回性能提升了2.3%。

基于代理模型估值不确定度的昂贵多目标优化问题研究

针对代理模型辅助的多目标优化算法中个体不确定度之间相互冲突的问题,本文提出个体每个目标估值不确定的填充准则,同时,为了减少训练模型消耗的计算资源,提出基于非支配排序的样本选择算法。为了验证该算法的可行性,采用DTLZ和WFG测试函数进行测试,得出结果与近些年发表5种具有代表性的同类型算法进行对比,结果说明该算法可以有效的解决昂贵高维高目标优化问题。

基于高维混合模型的离心泵叶轮子午面优化设计

为提高离心泵在设计工况下的运行效率和扬程,提出一种基于高维混合模型的离心泵叶轮优化设计方法.选取一台比转数为157的单级离心泵作为研究对象,通过CFturbo软件对优化变量进行参数化,然后结合数值模拟获得高维混合模型的训练集.在此基础上采用获取的训练集通过MATLAB机器学习得出效率、扬程与优化参数之间关于支持向量回归的高维模型,并采用遗传算法寻优.在设计工况下,所拟合的高维混合模型预测的效率和扬程值比原模型分别高1.5%和3.2 m,数值模拟验证优化方案的效率和扬程分别比原模型高0.9%和2.1 m.算例研究表明,将高维混合模型应用于离心泵叶轮的优化设计中可以实现快速寻优并提高离心泵水力性能.

基于GA-BPNN代理模型的混合式黏滞阻尼器构造优化

采取CFD(computational fluid dynamics)数值模拟和基于代理模型的优化方法,研究混合式黏滞阻尼器在多参数设计空间内的构造参数优化问题。首先,分析黏滞阻尼器参数对力学性能的影响规律,基于正交试验理论选取间隙宽度、缸体内径、活塞厚度、阻尼孔直径为关键参数,利用优化拉丁超立方设计和CFD数值模拟获得初始样本点耗能性能指标;然后,使用遗传算法(genetic algorithm,GA)和反向传播神经网络(backpropagation neural network,BPNN)的方法构建代理模型,其能够准确反映构造参数耗能性能指标和构造参数之间的繁复关系。进一步地,循环更新GA-BPNN代理模型并结合非支配排序遗传算法(non-dominated sorting genetic algorithm-II,NSGA-II),以最佳耗能能力为目标,实现在全设计空间内的寻优,确定在典型阻尼介质黏度下双出杆混合式黏滞阻尼器的最优构造参数。最后,探讨了构造参数对黏滞阻尼器流动性能的影响机理。研究结果表明,优化双出杆混合式黏滞阻尼器构造参数在选用基于GA-BPNN代理模型的优化方法时,可有效提高计算效率且具有较高预测精度。从性能指标提升角度,全黏度下最优构造参数阻尼孔直径、活塞厚度、缸体内径和间隙宽度分别为1.31 mm、120.78 mm、199.87 mm、0.5 mm,相较于基准构造,最大阻尼力和能量耗材比分别提升33.8%和64.8%。该方法可为黏滞阻尼器构造参数优化及相关研究提供参考。

基于灵敏度分析与响应面模型的机床主轴箱优化设计

针对机床主轴箱结构优化设计中模型复杂及计算量大的问题,提出一种将灵敏度分析与响应面模型相结合的优化办法。以箱体壁厚和筋板尺寸为输入参数,主轴箱质量、最大变形、最大应力、1阶固有频率作为目标参数进行灵敏度分析,筛选出6个关键尺寸作为优化参数;采用最佳填充空间设计法和Kriging函数法构建主轴箱响应面模型,通过多目标遗传算法对响应面模型进行求解计算。最后对优化后的主轴箱进行有限元分析来验证求解的准确性,优化后的主轴箱质量减轻了13.58%。

基于Kriging模型与FORM的钢板组合梁桥结构优化设计

考虑材料参数的不确定性以及设计变量多重约束条件的影响,提出了基于可靠性分析的钢板组合梁桥结构优化设计方法。首先,利用拉丁超立方试验设计(Latin hypercube design,LHD)构建试验组合方案,并通过有限元分析获取试验设计组合下的最大挠度响应值。基于获取的训练样本,构建能够表征结构最大挠度值与随机输入之间映射关系的Kriging代理模型。基于建立的代理模型,以钢结构截面积最小化为目标函数,建立符合规范要求与可靠度约束的优化数学模型,并采用一阶可靠性方法(first order reliability method,FORM),实现设计变量优化。通过比较具有相同设计变量上限,但下限分别为初始值的80%和70%两种优化设计方案,评估了两者在相同阈值以及不同阈值下设计变量的优化结果。最后对方案二在阈值为17 mm下的优化结果进行极限状态验算。结果表明:两个优化设计方案在阈值为17 mm下的优化结果更具合理性,并且方案二在同一阈值下具有更高的优化程度。随着阈值增加,优化程度增加,且腹板高度在较大阈值下对结果影响更大,而翼缘宽度在较小阈值下影响更大。

造纸机能耗优化模型设计及其计算机部署

为降低造纸机干燥部在运行过程中的能量消耗,节约造纸企业的生产成本,采集造纸机干燥部运行状态数据并通过调整异常值、滤波分析等手段对数据进行预处理。在此基础上,对预处理数据进行单变量分析,进而提取出与目标变量相关的特征变量,并采用随机森林法建立造纸机能耗优化模型。为验证造纸机能耗优化模型的实用性,为该模型建立了一套基于数据库和服务器技术的干燥部能耗优化系统,展示了该系统的客户端操作界面设计效果。根据系统显示的分析结果可知,造纸机能耗优化模型能够有效降低造纸企业的吨纸消耗成本。

基于时域模型的CLLC谐振变换器参数优化设计方法

CLLC谐振变换器能够实现双向功率传输,具有高功率密度、高效率的特点,但传统的参数设计方法步骤繁琐且求解困难。为此,深入分析CLLC谐振变换器的工作原理和工作特性,综合考虑参数对CLLC谐振变换器增益、模式切换条件、软开关和功率损耗的影响,提出一种基于时域模型的参数优化设计方法,以实现宽电压输出范围和窄频带范围。在2 kW的实验中,所提出的参数设计方法在一定频带范围内效率达到98.3%,证明了时域分析的准确性以及参数优化方法的有效性。

基于混合加点Kriging代理模型的高速列车头型气动多目标优化

在高速列车多目标气动优化设计中,结合传统加点准则建立的代理模型在初始抽样样本点较少时寻优效率较低.为提高优化效率,本文融合改善期望加点准则(EIC)及Pareto前沿解加点准则(PIC),提出混合加点准则(HIC)方法,并基于HIC方法建立Kriging代理模型,以高速列车头车气动阻力、尾车气动阻力及尾车气动升力最小为优化目标,开展高速列车头型多目标气动优化研究;并以Branin单目标测试函数和Poloni多目标测试函数为例,对比分析EIC、PIC和HIC 3种代理模型的收敛速度.结果表明:单目标优化中,相比于EIC和HIC代理模型,HIC代理模型的寻优效率提高50.0%;多目标优化中,与PIC代理模型相比,HIC代理模型的效率提高62.5%;采用HIC代理模型开展头型多目标气动优化得到的最优解模型与原始模型相比,高速列车头车气动阻力、尾车气动阻力和尾车气动升力分别降低1.6%、1.7%和3.0%;最优解模型的鼻尖高度、车钩区域高度及司机室视窗高度都有所降低,2条横向轮廓线内缩.

基于代理模型和NSGA-Ⅱ的超高强钢电阻点焊工艺参数多目标优化

为寻求超高强钢电阻点焊时最佳的焊接工艺参数,开展正交试验法设计三因素五水平的平板搭接点焊试验,以焊接时间、焊接电流和电极压力为可调的工艺参数,将熔核直径、压痕深度、拉剪强度及飞溅情况作为焊接接头质量评价指标.基于高斯过程回归和BP神经网络建立起焊接工艺参数与焊接接头质量评价指标之间关系的代理模型,训练的结果显示模型精度很高.最后利用带精英策略的非支配排序的遗传算法NSGA-Ⅱ实现多目标优化,得到各评价指标之间的最优pareto解集.经验证,各评价模型的相对误差值都很小.结果表明,该优化方法有较好的预测效果和稳定性.通过使用较少的试验数据,建立优化模型的方法对电阻点焊及其它焊接领域最佳焊接工艺参数的选取具有重要的指导价值.

基于子模型分解的船舶舱段结构代理模型协同优化方法

[目的]为解决船舶舱段结构优化设计参数众多、计算耗时的难题,提出一种基于子模型分解的舱段结构代理模型协同优化方法。[方法]每次选择一个板架,根据当前舱段方案的有限元模型建立板架结构子模型,基于子模型构建板架结构响应的代理模型并进行优化,得到板架优化解后更新舱段模型,再进行下一个板架的优化,如此迭代,直到完成一轮或多轮包含所有板架的协同优化后停止。最后对舱段结构尺寸进行小范围调整,得到最终优化解。[结果]某船舶舱段结构优化结果显示,与从整体优化角度出发的基于降维代理模型的舱段结构优化方法相比,在相当计算成本下,所提方法的优化结果重量进一步减小了2.86%,最终实现结构减重4.96%。[结论]所提方法的优化效果较好,在高维船体结构优化问题上具有较好的应用价值。

基于代理模型的环氧乙烷制乙二醇工艺优化同步热集成

在当前国家“双碳”目标下,通过优化过程参数以减少化工过程能耗是节能减排的有效手段。环氧乙烷催化水合制乙二醇过程耗能高,优化其工艺参数以降低能耗是非常必要的,但由于生产流程复杂,单纯基于流程模拟很难实现多参数的同步最优化。因此本文采用流程模拟生成数据-构建代理模型-同步优化热集成的思路解决该问题。对年产30万吨环氧乙烷制乙二醇工艺进行流程模拟,根据流程中所需公用工程位点确定代理模型输出变量,通过灵敏度分析进一步确定输入变量。由Sobol随机序列生成样本点并通过模拟得到基于机理模型的可靠数据,以数据驱动方式训练神经网络得到代理模型。最后,以总公用工程费用最小为目标,采用遗传算法与D-G模型组成的同步算法对代理模型进行优化,得到最优工艺参数,总公用工程费用较优化前降低4.89%,既证明了方法的有效性,又展示了其在解决复杂全流程同步优化热集成问题方面的应用前景。

面向深度分类模型超参数自优化的代理模型

为进一步提高深度分类模型超参数多目标自适应寻优效率,提出一种筛选式增强Dropout代理(FEDA)模型。首先,构建点对互信息约束增强的双通道Dropout神经网络,增强对高维超参数深度分类模型的拟合,并结合聚集选解策略加速候选解集的选取;其次,设计一种结合模型管理策略的算法FEDA-ARMOEA(FEDA model-A novel preference-based dominance Relation for Multi-Objective Evolutionary Algorithm)均衡种群个体的收敛性和多样性,协助FEDA提高深度分类模型训练及超参数自优化效率。将FEDA-ARMOEA与EDN-ARMOEA(Efficient Dropout neural Network-assisted AR-MOEA)、HeE-MOEA(Heterogeneous Ensemble-based infill criterion for Multi-Objective Evolutionary Algorithm)等算法进行对比实验,实验结果表明,FEDA-ARMOEA在56组测试问题中的41组上表现较好。在工业应用焊缝数据集MTF和公共数据集CIFAR-10上实验,FEDA-ARMOEA优化的分类模型的精度分别达到96.16%和93.79%,训练时间相较于对比算法分别降低6.94%~47.04%和4.44%~39.07%,均优于对比算法,验证了所提算法的有效性和泛化性。