發(fā)布時間：2021-06-23 20:32

　　在工程結(jié)構(gòu)優(yōu)化設(shè)計(jì)過程中,通常用計(jì)算機(jī)仿真技術(shù)對結(jié)構(gòu)的響應(yīng)進(jìn)行模擬計(jì)算,但是隨著結(jié)構(gòu)復(fù)雜度的提升,對其單次計(jì)算的時間會大幅度提升,用普通的智能算法如模擬退火算法和遺傳算法等,需要計(jì)算大量的目標(biāo)響應(yīng),因而會導(dǎo)致優(yōu)化設(shè)計(jì)周期過長,甚至優(yōu)化難以收斂。通過代理模型近似代替高保真度的計(jì)算機(jī)仿真優(yōu)化,可以有效減少優(yōu)化計(jì)算次數(shù),提升優(yōu)化效率。本文以代理模型的動態(tài)更新過程為主要研究對象,分析了初始樣本點(diǎn)對代理模型優(yōu)化的影響;對單目標(biāo)優(yōu)化,提出了多峰并行多點(diǎn)加點(diǎn)準(zhǔn)則;針對多目標(biāo)優(yōu)化,提出了基于Kriging代理模型的多目標(biāo)優(yōu)化方法,用混合加點(diǎn)的方法進(jìn)行代理模型的更新。本文的具體研究內(nèi)容包括:（1）針對初始樣本點(diǎn)對優(yōu)化過程的影響規(guī)律,本文用優(yōu)化數(shù)據(jù)定性分析了初始樣本點(diǎn)的個數(shù)、初始樣本點(diǎn)的分布對優(yōu)化結(jié)果的影響,并分析了初始樣本點(diǎn)對優(yōu)化變量維度的適用性。結(jié)果表明初始樣本點(diǎn)對優(yōu)化結(jié)果有著重要的影響,如果初始樣本點(diǎn)過少,則優(yōu)化容易提前收斂,得到局部最小解;如果初始樣本點(diǎn)過多,則計(jì)算量過大,動態(tài)代理模型的優(yōu)化效率得不到體現(xiàn);初始樣本點(diǎn)越分散,則優(yōu)化的穩(wěn)定性越好;優(yōu)化所需要的樣本點(diǎn)個數(shù)隨著優(yōu)化變量維度的增加而增加。本... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 代理模型研究現(xiàn)狀
        1.2.2 代理模型的更新法則的研究現(xiàn)狀
        1.2.3 多目標(biāo)優(yōu)化方法的研究現(xiàn)狀
    1.3 本文研究內(nèi)容
2 基于代理模型的優(yōu)化方法
    2.1 試驗(yàn)設(shè)計(jì)
    2.2 代理模型
        2.2.1 靜態(tài)代理模型與動態(tài)代理模型
        2.2.2 Kriging代理模型
    2.3 加點(diǎn)準(zhǔn)則
        2.3.1 EI加點(diǎn)法則
        2.3.2 置信下界準(zhǔn)則(LCB)
    2.4 動態(tài)代理模型更新實(shí)例
    2.5 優(yōu)化方法
        2.5.1 BFGS算法
        2.5.2 遺傳算法(Genetic Algorithm)
    2.6 本章小結(jié)
3 初始樣本點(diǎn)對優(yōu)化效率和精度的影響規(guī)律
    3.1 初始樣本點(diǎn)個數(shù)對代理模型效率和精度的影響
    3.2 初始樣本點(diǎn)個數(shù)對優(yōu)化問題維度的適用性
    3.3 初始樣本的分布對優(yōu)化精度和效率的影響
    3.4 本章小結(jié)
4 多峰并行多點(diǎn)加點(diǎn)優(yōu)化準(zhǔn)則
    4.1 基于聚類的自適應(yīng)精英個體的多峰搜索算法
        4.1.1 相對上升方向
        4.1.2 個體異同性
        4.1.3 精英個體的自適應(yīng)過程及多峰搜索方法
        4.1.4 數(shù)學(xué)函數(shù)算例
    4.2 多峰并行多點(diǎn)加點(diǎn)準(zhǔn)則
    4.3 多峰并行多點(diǎn)加點(diǎn)的算例驗(yàn)證
    4.4 本章小結(jié)
5 基于Kriging模型的多目標(biāo)優(yōu)化方法
    5.1 多目標(biāo)優(yōu)化問題的數(shù)學(xué)描述
    5.2 多目標(biāo)優(yōu)化結(jié)果的評價指標(biāo)
    5.3 基于Kriging模型的多目標(biāo)優(yōu)化方法
    5.4 基于Kriging模型的多目標(biāo)優(yōu)化方法的算例驗(yàn)證
    5.5 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的多目標(biāo)粒子群優(yōu)化算法及其應(yīng)用[J]. 馮琳,毛志忠,袁平.  控制與決策. 2012(09)
[2]混合遺傳算法與模擬退火法[J]. 田東平,遲洪欽.  計(jì)算機(jī)工程與應(yīng)用. 2006(22)

博士論文
[1]基于代理模型的高效氣動優(yōu)化設(shè)計(jì)方法及應(yīng)用[D]. 劉俊.西北工業(yè)大學(xué) 2015



本文編號：3245608