多学科设计优化中智能算法与近似模型研究

论文摘要

复杂产品（如飞机、舰船、汽车,机床等）的设计优化涵盖许多领域、涉及多个学科,并且各个领域、学科之间相互作用、相互耦合,使得复杂产品的设计与优化过程异常复杂并难以求解。为解决此类问题,多学科设计优化（MDO）系统综合优化的框架产生了。由于MDO分解和优化的有效性和实用性,MDO慢慢成为复杂产品设计优化领域的研究热点。复杂产品设计的解耦方法是缩小设计空间、降低系统大规模计算的主要途径,已经受到了广泛的关注。由于在复杂产品的设计优化过程中,研究设计解耦方法属于学科交叉领域,因此需要较多的知识储备。本文从设计空间解耦方法入手,利用两个实例对复杂产品设计优化的单级解耦方法进行了研究与验证,建立了多学科可行方法的研究体系。紧接着,文章对多学科设计优化中多级解耦方法进行了研究,一种基于物理规划的分级目标传递（ATC-PP）方法被提出,并用于解决非合作环境中耦合变量解耦、均衡点求解、均衡点稳定性分析、元素分析模块的近似模型构建等,并结合大型船舶设计优化实例对所提出的方法进行了验证,取得了显著的应用效果。首先,提出了基于粒子群优化算法和遗传算法的多学科可行方法。在该方法中,蒙特卡洛采样和拉丁超立方采样等实验设计方法用于设计空间的探索和采样点数据的收集。在此基础上,建立响应面和克里金模型用于构建设计问题的近似,从而减少计算量,缩短计算时间。其次,提出了基于物理规划的分级目标传递方法,建立了相应的数学模型和实施流程。该方法不仅继承了分级目标传递方法（ATC）基于部件分解的优点,而且通过引入物理规划（PP）中的偏好函数来衡量父子元素之间的响应与连接变量的容差。偏好函数的引入符合设计人员的设计习惯,并能够反映出工程设计人员的设计偏好。在偏好区间内,研究非协作元素间耦合均衡点求解与均衡点的稳定性等问题,通过合理反应集的响应面,求解均衡点。然后,提出了基于基于贝叶斯变量选择方法的克里金近似模型（Blind Kriging模型）构造方法。Kriging模型相对于其它近似模型的构造方法,具有更高的拟合精度。在ATC-PP方法中,由于设计变量在偏好区间中的均值无法准确预测,因此构造了基于贝叶斯变量选择方法的Kriging模型（Blind Kriging模型）,提出了BlindKriging模型中连接变量一次候选项的强制保留机制,避免在进行贝叶斯变量选择时删除连接变量,确保整个系统解耦的可行性与稳定性。接着,将本文所提出的多学科解耦方法应用于50000 DWT大灵便型散货船的概念设计,进行应用验证。结果表明本文所提出的方法在大型船舶复杂产品设计优化中是可行有效的,能够取得期望的效果。最后,总结了本文的主要工作,提出了工作展望。

论文目录

• 摘要
• Abstract
• List of Figures
• List of Tables
• 1 Introduction
• 1.1 Background:
• 1.2 Multidisciplinary Design Optimization
• 1.3 Motivation
• 1.4 Methodology
• 1.5 Thesis Outline
• 2 Literature Review:Multidisciplinary Design Optimization
• 2.1 Introduction
• 2.2 Multidisciplinary Design Optimization
• 2.3 Coupling in Analysis
• 2.4 Formulation of MDO
• 2.5 Classification Of The MDO Methods
• 2.6 Linear Decomposition And Global Sensitivity Equation
• 2.7 Multidisciplinary Design Optimization Methods
• 2.7.1 Multidisciplinary Feasible（MDF）
• 2.7.2 Concurrent Subspace Optimization（CSSO）
• 2.7.3 Bi-Level Integrated System Synthesis（BLISS）
• 2.7.4 Collaborative Optimization（CO）
• 2.8 Design of Experiment
• 2.8.1 Introduction
• 2.8.2 Design Of Experiments Definition
• 2.8.3 Components of Experimental Design
• 2.8.4 DOE For Statistical Analysis
• 2.8.5 DOE For Robustness
• 2.9 Experiment Design Process
• 2.10 Design of Experimental Methods
• 2.10.1 Monte Carlo sampling
• 2.10.2 Latin Hypercube Sampling
• 2.11 Chapter Summary
• 3 Integration of Metamedoles Method and Artificial Intelligence based MDO
• 3.1 Artificial Intelligence
• 3.2 Computational Intelligence
• 3.3 Evolutionary Computation
• 3.4 Evolutionary Algorithm
• 3.5 Artificial Intelligent Algorithms
• 3.5.1 Genetic Algorithm
• 3.5.2 Example:Optimization of a simple function
• 3.5.3 Particle Swarm Optimization
• 3.6 Metamodel Techniques
• 3.6.1 Response Surface Methodology
• 3.6.2 Kriging Model
• 3.7 Radial Basis Function Neural Networks
• 3.8 Integration of Response Surface Method and Particle Swarm Optimization
• 3.8.1 The Methodology
• 3.8.2 Case Study Combining Particles Swarm and Response Surface Method
• 3.8.3 Case Study
• 3.8.4 The Result
• 3.9 Integration of Kriging Method and Genetic algorithm Optimization
• 3.9.1 The methodology
• 3.9.2 The Genetic Algorithms and Kriging method Case Study
• 3.10 Chapter Summary
• 4 Analytical Target Cascading
• 4.1 Introduction
• 4.2 Decomposition Methods
• 4.3 Basic Characteristics Of Mathematical Calculation In The Cases Of MDO
• 4.4 Examples of Analysis and Comparison of four Algorithms
• 4.5 Analytical Target Cascading
• 4.5.1 Designing With Targets
• 4.5.2 Modeling Hierarchy
• 4.5.3 Overview And Characteristics Of The Physical Programming
• 4.5.4 Preference Function
• 4.5.5 The Model Construction Based On Physical Programming
• 4.5.6 The Definition Of Preference Functions In Physical Programming
• 4.6 Chapter Summary
• 5 Blind Kriging model-based approximation Method
• 5.1 Approximate Models
• 5.1.1 Comparison Of Approximate Model Methods
• 5.2 Construction of Blind Kriging and The Evaluation of Parameters
• 5.2.1 Blind Kriging Model
• 5.2.2 Bayesian Variable Selection Technique
• 5.2.3 Blind Kriging Method for Construction Regression
• 5.2.4 Blind Kriging Model Parameter Estimation
• 5.3 Application Example
• 5.4 Chapter Summary
• 6 The Case Study
• 6.1 Introduction
• 6.2 Design Parameters and Constraints
• 6.3 Application of Prposed Approch
• 6.4 Chapter Summary
• 7 Conclusion
• References
• Acknowledgement
• Publications