iSIGHT中优化算法分类
Isight-11-多学科设计优化-MDO-介绍
多学科设计优化—— 基本概念
• 多学科设计优化（Multidisciplinary Design Optimization） – 美国国家航空宇航局（NASA）Langley 研究中心的多学科分支机构 （MDOB）对多学科设计优化的定义如下： • Multidisciplinary Design Optimization (MDO) is a methodology for the design of complex engineering systems and subsystems that oherently exploits the synergism of mutually interacting phenomena. – 多学科设计优化是一种针对于涵盖多个学科领域的复杂系统进行设 计优化的方法，强调各学科子系统在独自设计优化的基础上的相互 之间的并行协作 – 多学科设计优化的主要思想是在复杂系统设计的整个过程中集成各 个学科的知识、分析不建模理论和计算方法，应用有效的设计优化 策略组织和管理计算过程，充分发挥学科与家的技术优势，通过实 现并行设计优化，获得系统的整体最优解
多学科设计优化—— 特点
• 按系统中各学科属性将复杂系统分解为子系统，其分解形 式不工业界通用的设计组织形式相一致
• 各子系统具有相对独立性，便于发挥学科与家在某一领域 的技术优势，应用适合于该学科的分析和优化工具进行建 模和优化，提高子系统分析求解的准确度和效率，同时便 于对学科优化设计模型进行调控
• 方法：通过学科级优化，采用松弛因子等方法实现系统级协调的方式 ，将多学科问题分解为系统级和学科级两层优化。
• 原理：协同优化算法的原理是将一复杂的目标函数分解成简单的子目 标函数，然后再将这些子目标函数进行协同优化。 – 基本思想是每个子空间在设计优化时可暂时丌考虑其它子空间的 影响，只需满足本子系统的约束，它的优化目标是使该子空间设计优 化方案不系统级优化提供的目标方案的差异最小 – 各个子系统设计优化结果的丌一致性，通过系统级优化来协调， 通过系统级优化和子系统优化之间的多次迭代，最终找到一个一致性 的最优设计
isight参数优化理论和实例详解
前言●Isight 5.5简介笔者自2000年开始接触并采用Isight软件开展多学科设计优化工作，经过12年的发展，我们欣喜地看到优化技术已经深深扎根到众多行业，帮助越来越多的中国企业提高产品性能和品质、降低成本和能耗，取得了可观的经济效益和社会效益。
作为工程优化技术的优秀代表，Isight 5.5软件由法国Dassault/Simulia公司出品，能够帮助设计人员、仿真人员完成从简单的零部件参数分析到复杂系统多学科设计优化（MDO, Multi-Disciplinary Design Optimization）工作。
Isight将四大数学算法（试验设计、近似建模、探索优化和质量设计）融为有机整体，能够让计算机自动化、智能化地驱动数字样机的设计过程，更快、更好、更省地实现产品设计。
毫无疑问，以Isight为代表的优化技术必将为中国经济从“中国制造”到“中国创造”的转型做出应有的贡献！●本书指南Isight功能强大，内容丰富。
本书力求通过循序渐进，图文并茂的方式使读者能以最快的速度理解和掌握基本概念和操作方法，同时提高工程应用的实践水平。
全书共分十五章，第1章至第7章为入门篇，介绍Isight的界面、集成、试验设计、数值和全局优化算法；第8章至第13章为提高篇，全面介绍近似建模、组合优化策略、多目标优化、蒙特卡洛模拟、田口稳健设计和6Sigma品质设计方法DFSS（Design For 6Sigma）的相关知识。
本书约定在本书中，【AA】表示菜单、按钮、文本框、对话框。
如果没有特殊说明，则“单击”都表示用鼠标左键单击，“双击”表示用鼠标左键双击。
在本书中，有许多“提示”和“试一试”，用于强调重点和给予读者练习的机会，用户最好详细阅读并亲身实践。
本书内容循序渐进，图文并茂，实用性强。
适合于企业和院校从事产品设计、仿真分析和优化的读者使用。
在本书出版过程中，得到了Isight发明人唐兆成（Siu Tong）博士、Dassault/Simulia （中国）公司负责人白锐、陈明伟先生的大力支持，工程师张伟、李保国、崔杏圆、杨浩强、周培筠、侯英华、庞宝强、胡月圆、邹波等参与撰写，李鸽、杨新龙也为本书提供了宝贵的建议和意见，在此向所有关心和支持本书出版的人士表示感谢。
iSIGHT优化技术
转换出的无约束问题就是使 Φ(x) 最小化或最大化。
对于罚函数法的效率和鲁棒性和直接法比较的研究显示，直接法更加健壮，只需要很少 的函数评估。而当你使用一个罚函数法的时候，函数评估的次数会成倍增加。
罚函数法包括： l 外点罚函数法（Exterior Penalty） l Hooke-Jeeves直接搜索法(Hooke-Jeeves Direct Search Method)
有关上述表达方式的几点说明：
l 所有问题在 iSGHT 内部都被转换成一个加权的最小化问题。目标包含有很多 iSIGHT
参数，目标根据重要程度都有相应的权重因子和规模因子。如果一个目标是最大化，
那么就在它的权重因子前加负号。
l 如果你的优化技术是一个基于罚函数的技术，那么最小化问题就象上面所述，只需
22
2．探索型优化技术
探索型优化技术避免了集中在局部区域的搜索，这些技术遍历整个参数空间搜索全局最 设计优点。iSIGHT中这种技术有：
l 遗传算法（Genetic Algorithm） l 批处理遗传算法（Genetic Algorithm with Bulk Evaluation） l 模拟退火算法（Simulated Annealing） 3．专家系统技术 专家系统技术使优化沿着用户定义的方向进行改变，改变哪一项，怎么改变，什么时候 改变，这些都由用户自己定义。iSIGHT 中这样的技术为有指导启发式搜索方法（Directed Heuristic Search－DHS）。如果用户知道输入怎样影响输出结果的话，这种方法效率很高。
二、 优化技术的分类
21
本部分对 iSIGHT 中每种优化技术进行简要的介绍。 iSIGHT 中的优化技术分为三类： l 数值型优化技术（Numerical Optimization Techniques） l 探索型优化技术（Exploratory Techniques） l 专家系统技术（Expert System Techniques） 这些优化技术如下所示：
基于iSIGHT的多学科设计优化技术研究与应用
基于iS IGHT 的多学科设计优化技术研究与应用泰山石膏股份有限公司 任 利 山东农业大学机械与电子工程学院 邵园园临沂师范学院工程学院 韩 虎 摘 要:阐述了多学科设计优化技术,在iSI GHT 、Pr o /E 和Ansys 软件集成环境下,对轴承座进行多学科设计优化。
并对在单学科设计优化和多学科设计优化的环境下得到的优化结果进行了比较,得出了多学科设计优化结果更加有效地达到了优化目标的结论。
关键词:多学科设计优化;iSI GHT;软件集成Abstract:The technol ogy of multidisci p linary design op ti m izati on is elaborated 1Bearing bl ock multidisci p linary de 2sign op ti m izati on is conducted under the integrated envir on ment of iSI GHT,Pr o /E and Ansys,and the op ti m izati on result is better than that fr om single -disci p linary design op ti m izati on 1Keywords:multidisci p linary design op ti m izati on;iSI GHT;s oft w are integrati on1 多学科设计优化技术多学科设计优化(Multidisci p linary Design Op 2ti m izati on -MDO )是当前国际上飞行器设计研究中一个最新、最活跃的领域。
按照Jar osla w Sobieszczanski -Sobieski 的看法[1],MDO 是用于进行系统设计的方法,这种系统包括多个相互耦合的学科,设计师可以在这些学科上显著地影响系统的性能。
isight集成优化简单实例解析
7
of
18
单梁起重机结构优化设计
集成软件
本案例选择大型通用软件ANSYS11.0进行强度校核 分析。 可以在ANSYS 中建立主梁的几何模型， 并对其 划分网格
8
of
18
单梁起重机结构优化设计
主梁优化模型 1、目标函数选择
根据要求质量应该是最终的目标函数，在主梁 跨距一定的情况下截面面积与质量成正比，所以优化 时选取截面面积A 作为目标函数，其与有优化变量如 下关系式成立： A=wl x tl + t2 +w3 x t3
11 of
18
ISIGHT集成优化
1、输入文件分析
输入文件格式及优化变量在其中的位置如6.7所述。由于设计变量定义在 文件的开始，并且每一个设计变量值前面都有“=”，所以通过搜索的方式 让光标移到相应的变量前，再进行替换操作，相关设置如图
12 of
18
2、参数计算
在参数运算之前，首先 需要定义梁截面面积参数 AREA。 点击过程集成界面 工作栏上的参数按钮 ， 则弹出如图所示对话框。点 击图中的“Add”按钮，参 数“OBJ”下面的一行被激 活，用户可以在“Task Task1”一栏中输入所添加 变量的名称“AREA”，然后 确认返回过程集成界面。 参数计算设置
18 of
18
THANK YOU 谢谢！
1
of
18
ISIGHT 包含的设计方法
优化设计
设计方法
试验设计 逼近计算 质量工程
2
of
18
ISIGHT
工作原理简介
基于数值分析软件的结构和工作过程，在进行数值分析的时候， 可以通过修改模拟计算模块的输入文件来完成模型的修改，iSIGHT 正是基于这种原理工作的。iSIGHT通过一种搭积木的方式快速集成 和耦合各种仿真软件，将所有设计流程组织到一个统一、有机和逻 辑的框架中，自动运行仿真软件，并自动重启设计流程，使整个设 计流程实现全数字化和全自动化。
Isight-10-多目标优化
多目标遗传算法（MOGA）
• 多目标遗传算法(Multi-Objective Genetic Alorithm，以下记为 MOGA），不需要归一化可以直接处理多目标最优化问题。
多目标遗传算法（MOGA ）
NSGA-II方法
• NSGA-II，作为1994年发布 的NSGA(Non-Dominated SortingGenetic Algorithm)的 改良版，由K. Deb，S. Agrawal等在2000年提出。
Isight 多目标遗传算法求解悬臂梁3 目标优化 ——重量、强度 、变形
\lab_第10章_多目标优化\beam.zmf
回顾：悬臂梁减重优化——单目标、 两变量版
演示：悬臂梁减重优化——三目标、四变量版
NSGAII
NSGAII 20x25→99 Pareto Points
NCGA
NCGA 20x25→192 Pareto Points
Pareto解。 • 由于目标函数间的矛盾性质，一般说来使每个目标函数同时达到各自最优值的
解是不存在的。多目标最优问题的解为Pareto最优解的条件是解的任何一个 目标函数的值在不使其他目标函数值恶化的条件下已不可能进一步改进。 • 很显然的，Pareto最优解不止一个，事实上在一般多目标优化问题中，Pareto 最优解常是连续的而且有无限多个，这就构成了Pareto前沿的概念。 • 多目标优化问题的最终解是从所有pareto最优解中挑 一个最优折衷解。
Pareto前沿比较
EDM数据挖掘
• 非劣个体通常都被存档 • 父代探索种群是从archive中
根据拥挤度进行淘汰选择 • 交叉、变异运算 • 非支配排序 • 拥挤距离排序 • 新的非劣个体存档 • 生成新的父代探索种群
iSIGHT优化技术
下面对每种优化技术进行一下介绍。
1．外点罚函数法(Exterior Penalty)
外点罚函数法广泛的用于含有约束条件的优化问题。在处理含有约束条件的优化问题 时，借助惩罚函数把约束问题转化为无约束的问题，进而用无约束的最优化方法求解。实现 这一目标的途径是由目标函数和约束函数组成辅助函数来完成的。如果该问题存在最优解， 其优化结果通常是可信的，并且相对来说更容易找到真正的最优解。当惩罚因子趋向∞
次的迭代中将原问题在 X i 处以一阶泰勒级数展开。如此反复，以线性规划问题去近似非线
性规划问题，希望每次迭代得到的新的设计点都比前一个设计点更接近原问题的最优点。而 在新的设计点上的近似子问题，也愈来愈接近原非线性问题最优点的附近区域。最终线性规 划问题的最优点可以以很高的精度接近原问题的最优点。
Φ(x) = F(x) + P(x)
转换出的无约束问题就是使 Φ(x) 最小化或最大化。
对于罚函数法的效率和鲁棒性和直接法比较的研究显示，直接法更加健壮，只需要很少 的函数评估。而当你使用一个罚函数法的时候，函数评估的次数会成倍增加。
罚函数法包括： l 外点罚函数法（Exterior Penalty） l Hooke-Jeeves直接搜索法(Hooke-Jeeves Direct Search Method)
l 能快速得到一个优化设计； l 能处理不等式和等式约束； l 在优化中能十分准确地满足约束。 下面是修正可行方向法的解决问题步骤：
1. q = 0, x = x0
2. q = q + 1
23
3. 求 F (x) 和 g j (x) 的值； j = 1,2,...., M
4. 确定临界的约束集，J
北航iSIGHT软件培训资料
1
根据图形界面结构图，现在论述各个功能模块的主要作用
2．1 任务管理
在 iSIGHT 中，任务管理是唯一可以方位软件所有模块的入口。任务管理负责控制设计 学习的执行。用户通过任务管理可以引导、管理任务的执行过程。在任务管理模块，克斯使 用的控制手段包括： 开始、停止、暂停、继续任务执行 选择运行模式－包括简单执行，任务计划和单一设计学习 多机器分布式任务 实行并行处理 检测点基础上的重新运行 单步调试
4
基础，为下述构建块的使用奠定了基础。 “构建块”的使用：在 iSIGHT 里，在系统里使用了“构建块”方法来定义模型的执行。 每一个构造块表示过程中的一个步骤。在 iSIGHT 中的基本构造块包括：任务块，计算块， 仿真块和定制块（自定义的用于支持商业化软件，如电子表格和 MSC/NASTRAN 模型的定 制块） 。其中各主要构造块的说明如下： 任务块：任务可以包含子任务或者 iSIGHT 中其他类型构造块。通过任务可以实现 层次化过程的表达，任务大大增强了在建立集成过程和设计执行策略时的柔性。 条件块：设计过程除了简单的顺序执行，还有其他的执行方式，通过条件块“If” ， “Case”和“While” ，可以方便用户建立过程控制逻辑。 计算块：计算块允许用户执行一些中间计算，例如单位转换，创建辅助参数或者执 行工具命令语言（Tcl）等。 仿真代码块：任意仿真代码可以通过 iSIGHT 的仿真代码块连接到系统中使用。用 户通过仿真代码块可以定义执行协议， 执行协议使描述设计问题求解中， 需要输入 什么文件，输出什么文件，执行程序的位置以及如何执行的执行手段综合。 电子表格 Excel 块： iSIGHT 为了方便实际使用电子表格的用户， 直接提供了与 Excel 的接口。这可以通过 iSIGHT 的 Visual Basic 插件直接创建 Excel 仿真代码块。 重用组件： 通过重用组件可以更加简化过程集成。 在设计过程中创建一个构造块以 后，可以把它保存到重用库里，这样就可以在不同组之间共享，或者作为模板来生 成相似过程块。极大的方便了过程的建立。 并行处理技术： 系统分析过程有时因为执行仿真代码会产生昂贵的费用。 在整个设计过 程里，因为所需系统分析的数量往往导致成倍成辈增加。但是在大多系统里，仿真代码可以 彼此独立运行，在许多设计分析技术里，多数设计点可以不同进行分析。因此在计算资源可 用的前提下，通过控制仿真代码和设计点的同步执行计算能力可以显著节省工程时间。 ISIGHT 软件提供了两种类型的并行执行方式：并行任务和并行设计技术的执行。 并行任务：在一个层次性的多任务定义里，存在一些任务，它们彼此之间不直接交 换数据。在这种情形下，称其为独立任务。整体问题中的独立任务就可以通过并行 执行来减少整个执行过程的时间。 设计技术并行执行： iSIGHT 的许多设计探索工具需要运行内在彼此独立的数据点。 这种情况下通过同时提供这些执行点的能力来实施并行技术处理。 松耦合、紧耦合相辅相成：在 iSIGHT 中，在 IPC 通信协议基础上，采用了松耦合和紧 密耦合结合的控制方式， 松耦合主要体现在对应用软件的仿真程序的执行方面； 紧密耦合表 现在可以集成基于 CORBA 的仿真代码进行设计过程的控制和优化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
iSIGHT中优化方法种类
iSIGHT里面的优化方法大致可分为三类：
1 数值优化方法
数值优化方法通常假设设计空间是单峰值的，凸性的，连续的。
iSIGHT中有以下几种：
（1）外点罚函数法（EP）：
外点罚函数法被广泛应用于约束优化问题。
此方法非常很可靠，通常能够在有最小值的情况下，相对容易地找到真正的目标值。
外点罚函数法可以通过使罚函数的值达到无穷值，把设计变量从不可行域拉回到可行域里，从而达到目标值。
（2）广义简约梯度法（LSGRG2）：
通常用广义简约梯度算法来解决非线性约束问题。
此算法同其他有效约束优化一样，可以在某方向微小位移下保持约束的有效性。
（3）广义虎克定律直接搜索法：
此方法适用于在初始设计点周围的设计空间进行局部寻优。
它不要求目标函数的连续性。
因为算法不必求导，函数不需要是可微的。
另外，还提供收敛系数（rho），用来预计目标函数方程的数目，从而确保收敛性。
（4）可行方向法（CONMIN）：
可行方向法是一个直接数值优化方法，它可以直接在非线性的设计空间进行搜索。
它可以在搜索空间的某个方向上不断寻求最优解。
用数学方程描述如下：
Design i = Design i-1 + A * Search Direction i方程中，i表示循环变量，A表示在某个空间搜索时决定的常数。
它的优点就是在保持解的可行性下降低了目标函数值。
这种方法可以快速地达到目标值并可以处理不等式约束。
缺点是目前还不能解决包含等式约束的优化问题。
（5）混合整型优化法（MOST）：
混合整型优化法首先假定优化问题的设计变量是连续的，并用序列二次规划法得到一个初始的优化解。
如果所有的设计变量是实型的，则优化过程停止。
否则，如果一些设计变量为整型或是离散型，那么这个初始优化解不能满足这些限制条件，需要对每一个非实型参数寻找一个设计点，该点满足非实型参数的限制条件。
这些限制条件被作为新的约束条件加入优化过程，重新优化产生一个新的优化解，迭代依次进行。
在优化过程中，非实型变量为重点考虑的对象，直到所有的限制条件都得到满足，优化过程结束，得到最优解。
（6）序列线性规划法（SLP）：序列线性规划法利用一系列的子优化方法来解决约束优化问题。
此方法非常好实现，适用于许多工程实例问题。
（7）序列二次规划法（DONLP）：
此方法对拉各朗日法的海森矩阵进行了微小的改动，进行变量的缩放，并且改善了armijo型步长算法。
这种算法在设计空间中通过梯度投影法进行搜索。
（8）序列二次规划法（NLPQL）：
这种算法假设目标函数是连续可微的。
基本思想是将目标函数以二阶拉氏方程展开，并把约束条件线性化，使得转化为一个二次规划问题。
二阶方程通过quasi－Newton公式得到了改进，而且加入了直线搜索提高了算法的稳定性。
（9）逐次逼近法（SAM）：
逐次逼近法把非线性问题当做线性问题来处理。
使用了稀疏矩阵法和单纯形法求解线性问题。
如果某个变量被声明成整型，单纯形法通过重复大量的矩阵运算来达到预期的最优值。
逐次逼近法是在M. Berkalaar和J.J. Dirks提出的二次线性算法。
2 探索优化方法
探索优化法避免了在局部出现最优解的情况。
这种方法通常在整个设计空间中搜索全局最优值。
iSIGHT中有以下两种：
（1）多岛遗传算法（MIGA）：
在多岛遗传算法中，和其他的遗传算法一样每个设计点都有一个适应度值,这个值是建立在目标函
数值和约束罚函数值的基数上。
个体如有好的目标函数值，罚函数也就有一个更高的适应度值。
多岛遗传法区别于传统遗传算法的最大区别在于每个种群都被分为若干个子种群，也称为岛。
分别在各自的子种群中进行传统的遗传算法。
一些个体被选出来周期的“移民”到其他的岛上。
这种操作成为“移民”。
有两个参数控制着移民过程：移民间隔（每次移民之后繁殖后代的个数）；移民率（移民个体所占的百分比）。
（2）自适应模拟退火算法（ASA）：
自适应模拟退火算法非常适用于用算法简单的编码来解决高度非线性优化问题，尤其是当发现找全局目标值比寻求好的设计方法更为重要的时候。
这种方法能够辨别不同的局部最优解。
该算法能够以最小的成本就获得最优解。
3 专家系统优化
定向启发式搜索算法(DHS)：定向启发式搜索算法只注重于可以直接影响到优化解的参数。
如图通过问题描述特性来选择合适的优化方法：
* 只有NLPQL. DONLP在不能处理用户提供的梯度情况下有效。
**尽管运算需要某些或全部变量是整型或者离散型的，任务过程必须能估计任意实型设计变量。
* 表示只有在修正可行方向法（ADS）才有效，在可行方向法（CONMIN）不可以处理等式约束。
** 先从初始设计点找到一个初始解，然后从这一点向外搜索最优解。