第二章-机械优化设计.docx
《第二章-机械优化设计.docx》由会员分享,可在线阅读,更多相关《第二章-机械优化设计.docx(7页珍藏版)》请在冰点文库上搜索。
主讲:
阮学云
安徽理工大学
第一节绪论
1.1概念
~是一种规格化的设计方法,它首先要求将设计问题按优化设计所规定的格式建立数学模型,选择合适的优化方法及计算机程序,然后再通过计算机的计算,自动获得最优设计方案。
(三级减速器,V降低23%)
1.2优化设计发展概况
时间:
60年代开始,在化工,建筑领域得到应用
内容:
机构优化设计,机械零部件设计,机械结构优化设计,机械系统设计。
第二节优化设计的数学模型
2.1例子。
设计:
一长度为6米的绳子如何围成一个最大面积的矩形,并求其S
解:
6=2(a+b)
S=a*b
法一:
解析法将b=6/2-a代入下式,成为一元方程,可以求其最大值。
法二:
做图法
2.2优化设计的数学模型
统一形式描述:
minf(x)x=[x1,x2,………xn]T
s.tgi(x)≤0i=1,2,3…..m
hj(x)=oj=1,2,…….p
包括:
1.设计变量
2.目标函数
3.约束问题
2.3优化过程:
优化设计的一般过程可以用如下的框图来表示:
(2)按设计变量的性质分:
连续变量、离散变量和带参变量。
(3)按问题的物理结构分:
优化控制问题和非优化控制问题。
(4)按模型所包含方程式的特性分:
线性规划、非线性规划、二次规划和几何规划等。
(5)按变量的确定性性质分:
确定性规划和随机规划。
2.优化设计问题的迭代思路
3.终止准则
准则1-点距准则
4.1往往采用两个准则来判别
4.2往往采用两个准则来判别
第三节一维搜索
0概念:
对一维(也称一元或单变量)函数f(x)寻求其极值点x*就是一维优化方法中限制最优解问题,称一维搜索方法。
3.1方法分类
1. 分析方法(微分法)
2. 数值迭代法
(a).直接法,包括黄金分割法和对分法
(b).间接法,包括不需要求导数的二次插值法和需要求导数的三次插值法
3.一维搜索的最优化方法-分析法
例已知极小值在区间内,若从点出发,根据迭代公式:
3.2进退法
进退法也称外推法,是一种通过比较函数值大小来确定单峰区间的方法。
任意给定初始点X1和步长h,算出f(x1)和
x2=x1+h点的f(x2)函数值。
3.3黄金分割法
黄金分割法也称0.618法,是通过对黄金分割点函数值的计算和比较,将初始区间逐次进行缩小,直到满足给定的精度要求,即求得一维极小点的近似解x*。
3.3.1区间缩小的基本思路
已知f(x)的单峰区间[a,b]。
为了缩小区间,在[a,b]内按一定规则对称地取2个内部点x1和x2,并计算f(x1)和f(x2)。
可能有三种情况:
图(a).经过一次函数比较,区间缩小一次。
在新的区间内,保留一个好点x1和f(x1),下一次只需再按一定规则,在新区间内找另一个与x1对称的点x3,计算f(x3),与f(x1)比较。
如此反复。
图(b).淘汰[a,x1],得新区间[a,b],此时:
a=x1,x1=x2,x2为x1对称点,b=b。
图(c).可归纳入上面任一种情况处理。
3.3.2取点规则
黄金分割法的均匀缩短率为0.618,即每经过一次函数值比较,都是淘汰本次区间的0.382倍。
根据上式,黄金分割法的取点规则是
3.3.3收敛准则
由于实际问题的需要和函数形态的不同,常常需要不同的收敛准则确定最优点。
对于直接法,有以下几种收敛准则:
(1).区间绝对精度
(2).区间相对精度
(3).函数值绝对精度;
(4).函数值相对精度
3.3.5黄金分割法前提条件
1)x1、x2在区间中的位置相对于边界来说是对称的
2)在舍去一段后,留在新区间的那个点仍处于新区间内两个计算点之一的位置;
3)在缩小区间时,λ的值为一不变的常数。
黄金分割法计算框图
思考题:
试用黄金分割法求近似极小点及极小值。
已知[a,b]=[0,2],ε=0.01(只要求进行2轮迭代,判断是否收敛)。
3.4二次插值法
3.4.1概念:
是多项式逼近法的一种,利用目标函数在若干点的信息和函数值,构成一个与目标函数相接近的低次插值多项式,然后求该多项式的最优解作为原函数的近似最优解。
随着区间的逐次缩小,多项式的最优点与原函数最优点之间的距离逐渐缩小,直到满足一定精度要求时终止迭代
3.4.2构造
设目标函数f(x)在三点x1多项式在插值点的函数值应与目标函数的函数值相等,满足:
二次插值法原理
二次插值法区间缩小过程
3.4.3收敛准则
相继两次的二次插值函数极小点x(k),x(k+1)之间距离小于给定精度时,认为收敛。
3.4.4特点:
(1) 二次插值法只要求f(x)连续,不要求其一阶可微。
(2) 收敛速度比黄金分割法快,但可靠性不如黄金分割法好,程序也较长。
(3) 如p(x)的相邻两个迭代点重合,则产生死循环。
第四节无约束优化方法
0概念:
对于一个n维目标函数,如果在没有任何限制条件下寻求它的极小点,称无约束极小化问题或无约束优化问题。
大量实际问题都是有约束的,研究无约束优化方法的意义在于:
(1)一类功能很强、使用方便的有约束优化方法,往往能将有约束问题转化成无约束问题,易于采用无约束优化方法求解。
(2)无约束优化的理论与方法是约束优化的基础。
(3)有些理论计算问题或设计问题本身就是无约束的。
4.1无约束优化问题的数学模型
无约束优化问题的数学模型是:
4.1.1无约束优化问题的求解方法及其分类
无约束优化问题的间接解法
无约束优化问题的直接解法
(1)无约束优化问题的间接解法
(2)无约束优化问题的直接解法
直接解法依据的迭代公式为:
此类算法的核心就在于确定一个恰当的搜索方向,各种无约束优化方法的区别就在于确定其搜索方向方法的不同,每一种确定方向的方法就派生出一类无约束优化问题的解法。
这是本章学习的一个总的脉络。
4.2最速下降法
4.2.2收敛准则:
举例:
求目标函数的极小点。
4.2.4最速下降法的程序原理
4.2.5迭代过程
4.3共轭梯度法
4.3.1概述
从任意点出发,沿两个互为共轭方向作一维搜索,经过若干步可以获得目标函数的极小点。
4.3.2迭代过程
X(k+1)=x(k)+α(k)s(k)
s(0)=-g0
s(k+1)=-gk+1+βks(k)
βk=||gk+1||2/||gk+1||2
4.4.1概述
牛顿法是求函数极值的最古老算法之一。
其基本思想是:
在点x(k)的邻域内用一个二次函数Ø(x)去近似替代原目标函数F(X),然后求二次函数的极小点作为下一个迭代点x(k+1),通过不断构造二次函数和迭计算,使迭代点逼近函数的极小点X*。
(1)一元函数求极值的牛顿型迭代法
牛顿法又称作切线法
(2)多元函数求极值的牛顿迭代法
4.4.2阻尼牛顿法
牛顿法的缺陷是,在确定极值点的过程中,并不含有沿下降方向搜索的概念。
因此对于非二次型函数,在迭代过程中,可能出现的现象。
为此人们提出了所谓的阻尼牛顿法。
阻尼牛顿法公式推导过程
令:
4.4.3阻尼牛顿法的程序框图
4.4.4方法特点:
(1)初始点应选在X*附近,有一定难度。
(2)若迭代点的海赛矩阵为奇异,则无法求逆矩阵,不能构造牛顿法方向。
(3)不仅要计算梯度,还要求海赛矩阵及其逆矩阵,计算量和存储量大。
此外,对于二阶不可微的F(X)也不适用。
虽然阻尼牛顿法有上述缺点,但在特定条件下它具有收敛最快的优点,并为其他的算法提供了思路和理论依据。
4.5变尺度法
一.概述
变尺度法综合以上两种方法优点:
(1)梯度法:
初期收敛速度快
(2)牛顿法:
在迭代极值点速度最快
二.迭代公式
X(k+1)=x(k)–α(k)Akgk
开始:
Ak=I
结束:
Ak=Hk-1
4.6鲍威尔法
鲍威尔法是以共轭方向为基础的收敛较快的直接法之一,是一种十分有效的算法。
在无约束方法中许多算法都是以共轭方向作为搜索方向,它们具有许多特点。
根据构造共轭方向的原理不同,可以形成不同的共轭方向法。
搜索过程(黑板演示)
坐标轮换法——沿各个坐标搜索,完成一轮搜索
单纯形法——对整个区间的点进行搜索,典型的直接法
第5节约束优化方法
5.1数学模型
机械优化设计问题绝大多数是属于多维有约束非线性规划,其数学模型可表示为
5.2有约束优化问题的分类
(1).直接法
直接法包括:
网格法、、复合形法、随机试验法、随机方向法、可行方向法。
(2).间接法
间接法包括:
罚函数法、内点罚函数法、外点罚函数法、混合罚函数法、精确罚函数法、广义乘子法、广义简约梯度法和约束变尺度法。
直接法不需要利用目标函数和约束函数的梯度,就可直接利用迭代点和目标函数值的信息来构造搜索方向。
间接法要利用目标、约束函数的梯度,其中也包括利用差分来近似梯度的应用。
很多约束优化方法是先转变成无约束优化方法来求解。
可见,无约束优化方法也是也是约束优化方法的基础。
5.3.复合形法
基本思路:
在可行域中选取K个设计点(n+1≤K≤2n)作为初始复合形的顶点。
比较各顶点目标函数值的大小,去掉目标函数值最大的顶点(称最坏点),以坏点以外其余各点的中心为映射中心,用坏点的映射点替换该点,构成新的复合形顶点。
反复迭代计算,使复合形不断向最优点移动和收缩,直至收缩到复合形的顶点与形心非常接近,且满足迭代精度要求为止。
初始复合形产生的全部K个顶点必须都在可行域内。
5.4网格法
典型的直接法——通过网格的方式,计算结点的函数值,比较大小得最好点。
5.5随机方向法
在初始点附近产生若干随机方向,选择一个下降最快的方向作为搜索方向。
5.6惩罚函数法
5.6.1、将约束优化问题转换成新的无约束目标函数:
计算过程程序框图
5.6.2.分类:
根据约束形式和定义的泛函及罚因子的递推方法等不同,罚函数法可分为内点法、外点法和混合法三种。
这种方法是1968年由美国学者A.V.Fiacco和G.P.Mcormick提出的,把不等式约束引入数学模型中,为求多维有约束非线性规划问题开创了一个新局面。
例:
用内点法求问题的约束最优解
用内点法求问题的约束最优解
内点法程序框图
5.6.4.内点法的几个问题:
(1)初始点X(0)的选择:
初始点必须满足gi(x)≤0,且最好在可行域内离边界远一点,使一开始作无约束求优时,泛函的值较小,收敛快,成功的机会大。
(2)初始罚因子的选择:
r(0)不宜过小。
一般先以一个r(0)值进行计算,由计算结果调整其大小。
(3 递减系数c的选择:
一般来说,取0.1。
例:
用外点法求下列问题的约束最优解
外点惩罚函数的极小点向最优点逼近
1.初始点可以任选,但应使各函数有定义
2.对等式约束和不等式约束均可适用
3.仅最优解为可行设计方案
4.一般收敛较快
5.初始罚因子要选择得当
6.惩罚因子为递增,递增率c’有c’>1
混合罚函数法在一定程度上综合了内点法和外点法的优点,克服某些缺点,可处理等式约束和不等式约束的优化问题。
混合罚函数法的构造形式与外点法的区别是:
选定初始点后,对于已满足的不等式约束用内点法构造惩罚项,对于等式和未被满足的不等式约束按外点法构造惩罚项。
混合罚函数法的具体形式是:
复合形法
直接法:
随机方向法
网格法
惩罚函数法
间接法:
增广乘子法