多學(xué)科設(shè)計優(yōu)化方法是從現(xiàn)代復(fù)雜系統(tǒng)設(shè)計的實際應(yīng)用背景出發(fā)而提出的。在解決模型復(fù)雜、設(shè)計約束與設(shè)計變量多、設(shè)計過程中信息量大的優(yōu)化設(shè)計問題時優(yōu)化效率較高。本文對多學(xué)科設(shè)計優(yōu)化理論與方法進(jìn)行了深入而系統(tǒng)的研究,歸納而言,工作主要集中在以下幾個方面。 本文首先對靈敏度分析技術(shù)進(jìn)行了研究。在多學(xué)科設(shè)計優(yōu)化過程中,靈敏度分析技術(shù)起著重要的作用,它不僅在優(yōu)化時能提供導(dǎo)數(shù)信息,而且其中的一種特殊靈敏度分析技術(shù)——全局靈敏度方程可用來進(jìn)行多學(xué)科系統(tǒng)的分解。本文系統(tǒng)地研究與比較了適合多學(xué)科設(shè)計優(yōu)化的各種靈敏度分析方法。在全局靈敏度方程基礎(chǔ)上,導(dǎo)出二階全局靈敏度方程,并利用二階全局靈敏度方程對多學(xué)科系統(tǒng)進(jìn)行了基于學(xué)科的分解。利用二階全局靈敏度方程進(jìn)行分解使系統(tǒng)分解后與原多學(xué)科系統(tǒng)維持較好的一致性。 在多學(xué)科設(shè)計優(yōu)化中,由于一些工程仿真模型較復(fù)雜且計算費時,因此常用近似模型來代替。本文從兩方面對近似模型進(jìn)行研究。首先,對多學(xué)科設(shè)計優(yōu)化中常使用的五種近似技術(shù)——響應(yīng)面模型、Kriging模型、BP神經(jīng)網(wǎng)絡(luò)模型、多元自適應(yīng)回歸樣條、徑向基函數(shù)進(jìn)行了研究與比較,對其適用情況進(jìn)行了分析。其次,在Kriging模型的...

【文章頁數(shù)】：120 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景和研究意義
    1.2 多學(xué)科設(shè)計優(yōu)化發(fā)展概況
    1.3 多學(xué)科設(shè)計優(yōu)化定義及主要內(nèi)容
    1.4 多學(xué)科設(shè)計優(yōu)化技術(shù)的應(yīng)用
    1.5 本文主要研究內(nèi)容
    1.6 論文組織結(jié)構(gòu)
    1.7 本章小節(jié)
2 多學(xué)科設(shè)計優(yōu)化技術(shù)分析
    2.1 多學(xué)科設(shè)計優(yōu)化的數(shù)學(xué)模型
    2.2 多學(xué)科系統(tǒng)的特點
    2.3 多學(xué)科系統(tǒng)優(yōu)化策略
    2.4 本章小節(jié)
3 基于二階全局靈敏度的多學(xué)科系統(tǒng)分解
    3.1 引言
    3.2 靈敏度分析技術(shù)
    3.3 全局靈敏度方程
    3.4 二階全局靈敏度方程
    3.5 基于二階GSE 的多學(xué)科系統(tǒng)分解
    3.6 本章小節(jié)
4 系統(tǒng)近似建模技術(shù)的研究
    4.1 引言
    4.2 計算機(jī)試驗設(shè)計
    4.3 近似技術(shù)
    4.4 近似建模的比較研究
    4.5 增強(qiáng)型的Kriging 近似方法
    4.6 增強(qiáng)型Kriging 方法實例分析
    4.7 本章小節(jié)
5 基于分解與協(xié)同的多學(xué)科設(shè)計優(yōu)化
    5.1 多學(xué)科設(shè)計優(yōu)化方法
    5.2 基于二階GSE 的分解與增強(qiáng)型Kriging 的多學(xué)科優(yōu)化
    5.3 應(yīng)用實例
    5.4 本章小節(jié)
6 多學(xué)科設(shè)計優(yōu)化不確定分析
    6.1 不確定性的來源及其分類
    6.2 工程設(shè)計中不確定量的數(shù)學(xué)描述
    6.3 多學(xué)科設(shè)計優(yōu)化中不確定性處理方法
    6.4 基于Kriging 的多學(xué)科不確定性設(shè)計優(yōu)化
    6.5 實例分析
    6.6 本章小節(jié)
7 全文總結(jié)與展望
    7.1 全文總結(jié)
    7.2 展望
致謝
參考文獻(xiàn)
附錄 攻讀學(xué)位期間發(fā)表學(xué)術(shù)論文目錄



本文編號：3978881