本科毕业设计论文外文翻译集成进化优化算法及其发展和在船舶结构优化设计中的应用Word格式.docx
《本科毕业设计论文外文翻译集成进化优化算法及其发展和在船舶结构优化设计中的应用Word格式.docx》由会员分享,可在线阅读,更多相关《本科毕业设计论文外文翻译集成进化优化算法及其发展和在船舶结构优化设计中的应用Word格式.docx(14页珍藏版)》请在冰豆网上搜索。
响应曲面法;
禁忌搜索法;
单纯形法方法;
淡水舱
1.引言
许多动态分析的重点是找到最大的响应,并避免在一个给定结构下所有激振力。
通常,这些特性提供了基础的设计极限,因此用来确定的动态遥相关结构和它的重量。
出于这个原因,重量最小化减少响应和避免共振一直是设计工程师的主要担忧问题。
许多经典的优化方法和实用软件已经开发出来,其中大部分是非常有效,特别是解决实际问题。
然而,找到一个全球系统的最佳解决方案是很困难的。
为了克服这个缺点,已经开发了许多搜索算法寻找一个全局最优解。
遗传算法是进化计算领域中的一种技术,它是一种强大的全局优化方法,它不需要传统的搜索技术的严格连续性,而是在解空间中出现非线性和不连续性的2种方法。
遗传算法可以处理各种目标函数,在离散、连续、混合搜索空间中定义了各种目标函数和约束条件。
然而,全局访问的遗传算法需要一个计算随机搜索。
所以,收敛速度的精确解很慢。
此外,为一个大尺寸的问题的染色体编码将是非常长的,以便得到一个更准确的解决方案。
这将导致在一个大的搜索空间和巨大的内存需求的计算。
为了克服这些缺点,许多研究人员已经研究开发了许多混合遗传算法,遗传算法与其他的[3-6]结合。
这些可以节省计算时间和找到全球性的解决方案,因为它去。
因此,新的算法处理达到更高的精度和更快的收敛速度,在大型、复杂结构就像船得到一个最佳的解决方案。
响应面法(RSM)[7]是一个优化的工具,介绍了箱和威尔逊[8]。
这是一个收集统计和数学技术,用于开发、改进和优化流程。
这些技术被采用,以估计的优化功能,并找到搜索方向的域的子区域,以提高和希望最优的解决方案。
简单的方法(SM)是一种无导数的优化使用涉及单形[9]搜索规律的方法。
这众所周知的技术已经证明是流行的无约束的目标函数。
禁忌搜索(TS)是一种原combnatorial近期开发的启发式优化问题。
因为格洛弗[10,11]首先介绍,许多研究在这方面已经出现,如有约束优化问题的[12]随机移动。
在这项研究中,在高精度、高速度的多峰函数最优解的搜索,提出了一种新的混合进化算法,结合流行的算法,如遗传算法、禁忌的优点,RSM和SM。
这个算法,为了提高收敛速度,被认为是遗传算法的缺点,采用RSM和SM。
虽然突变遗传算法提供了多种随机变化,系统可以通过一个TS特别禁忌表的使用,在初始阶段,遗传算法的收敛速度,可以提高使用RSM是利用目标函数的信息获取通过总装工艺进行响应面(近似函数)和优化这没有一个额外的实际评价计算目标函数的最优解,而遗传算法的收敛速度可以提高,这种方法的效率被证明通过应用传统的功能测试和比较的结果也证实,遗传算法被应用该算法有效地搜索全局最优解THM重量最小化,避免被认为是淡水舱位于船体后部共振。
2.集成进化优化算法(IEOA)
2.1IEOA结构
其主要思想是减少利用RSM是一个设计的实验来减少重复数在评价目标函数的数目,因为这是一个优化设计的缺点。
的ieoa主要由四部分组成:
(一)遗传算法控制的一般算法,(ii)为解决系统的各种禁忌表,(三)RSM改进得到一个候选解的收敛速度,及(iv)局部搜索改进SM。
图1表示的ieoa流程图。
流程图的左边显示全球搜索区域,类似于标准遗传算法的流程图,包括功能保证准则(FAC),集历史、禁忌表,和RSM。
这些部分提供候选解决方案,这被认为是在本地搜索区域的初始搜索点。
右侧代表本地搜索区域。
本部分通过对全局搜索的结果作为初始搜索点,通过修改后的方法找到最佳的解决方案。
图1-1~图1-3显示部分A,B,C的详细过程,如图1
图1.该算法的流程图(ieoa)
图1-1.部分的流程图(更新)
。
图1-2.第二部分(检查禁忌表)的流程图
部分在图1-1显示详细展示了一组历史上海地区做出了响应面提供均匀分布点。
根据以下程序构建的:
步骤1:
从当前人群中读取个人
步骤2:
NSH=NSH+psize
图1-3.C部分的流程图(RSM)
在NSH和psize意味着一套历史和人口规模的大小。
步骤3:
如果NSH≤nshmax,然后转到步骤7,nshmax手段建议最大尺寸
步骤4:
评价密级DG的每一个人
当DK是i和K之间的欧氏距离x(i)−x(k),i=1,,NSh;
i≠k时,Dg=max(dik)+mean(dik)
步骤5:
排名个人DG。
步骤6:
选择高nshmax个人排名第一。
步骤7:
储存解决方案,在上海和走出去。
图2所示的零件图的细节代表检查的禁忌表有一个多样性的解决方案。
在遗传算法的交叉过程中选择的一个人,以确保解决方案的多样性。
如果保证了解决方案的多样性,则选择了单独的,如果没有,则重复的过程是重复的。
也就是说,当它被选中时,它位于远离密集区域。
浓溶液和个别验收标准等级标准D⊂RN归一化域和V⊂RN为域具有相等nshmaxDN为设计变量的个数。
让V是V的大小,然后
其中L是域D的一边的长度,(∈R)是一侧的欧几里得长度超多边形V定义如下:
对于一个给定的目标设计向量的愿望函数表示为决定接受的个人如下:
设H(R)=E−R,R=XK−Xi,其中xi是目标个体的位置。
设置c,假定满足理想条件:
(i)SH是满的,和(ii)SH的所有成员都被放置在中心的nshmax子域都应该有相同的设计,没有任何交叉的相互适应域D绝对,意味着接受概率准则。
右边的二个术语对应于目标个体的最近一个成员。
第三个术语是残差。
的性质,这是指数递减的距离,使远小于第一项。
愿望准则如下:
如果兰德公司的话,那么接受,兰德=[10]
如果试用号>
最高审判号,
如果目标个体不满足于上述的愿望准则,则一个交叉点被再次生成,过程重复。
该程序总结如下:
读N−1个人选择的过程。
交叉N−2个人按交叉概率和5步走。
一个单独选择的禁忌表。
如果兰德公司,然后去一步5,否则返回到步骤3。
添加生成的个人。
C部分图1-3所示,细节代表一个RSM区域。
它主要分为3个部分。
首先,考虑到优化的响应曲面的边界条件,设计变量的上下限值可在计算过程中考虑。
然而,这种方法的优点是减少了附加约束,喜欢自然频率的考虑,因为它对目标函数从外部计算得到结果,解决这一问题,本研究采用SH作为训练数据和推断约束条件的满足,利用径向基函数(RBF)神经网络[13]。
这样,可以避免实际问题的计算。
其次,它使一个响应表面SH采用最小二乘法(LSM)。
最后,对响应面最佳解决方案是采用TS的基于梯度的算法可以用来提高优化计算的收敛速度。
然而,满足约束条件的解决方案不能保证,因为约束条件是很难准确地定义。
此外,我们采用了一个很好的初始收敛速度,因为响应曲面的概念是搜索的近似候选解决方案。
所产生的最终解决方案是与其他现有的遗传算法的个人根据图1的序列,并进行计算的健身。
2.2ieoa实施程序
该算法的程序可以概括如下:
设置参数(psize、PC、PM、MS、MC)。
其中个人电脑,下面分别是交叉概率和变异概率。
女士和主持人的选择和交叉的方法。
生成初始染色体VK(k=1,2,3,psize)随机N元素。
vk=[xk1,xk2,,xkn]
当染色体的产生,每个染色体的元素取值范围应为斜轮颗粒机xkj≤xj≤xU许满意。
每个染色体满足所有约束的GI(VK)≥0,∀当染色体不满足条件,则染色体具有最低的健身,所以它有一个低可能性的选择给下一代,毕竟。
生成初始解,估计约束并设置参数范围。
评估个人的健身。
评价因素,如果它满足FAC=1,
走到12步,否则要走6步。
每个候选最佳的解决方案是由[14]决定因素。
FAC是估计初始的候选的收敛标准值。
在网络连接的行向量,由个体的适应度值在第i个代和FT是转置的F.
行的大小取决于最优解的个数根据设计师的要求。
从理论上讲,FAC的范围是从0到1.0.when值等于1,优化收敛完毕。
然而,价值难以收敛到1考虑要评价的许多候选解决方案。
因此,在这项研究中,FAC设置为0.9999。
更新sh:
sh={(XSH,F)XSH∈RN,F∈R},在XSH=[X1,X2,XN]。
执行选择和交叉,并检查禁忌表。
步骤8:
构建响应面:
在0,II和ij是系数的计算LSM。
步骤9:
训练RBF网络的SH构建约束条件约。
步骤10:
计算响应面上的最佳设计,并根据其产生一个单独的。
步骤11:
变异和4步走。
步骤12:
利用最佳候选改性SM的局部浓度搜索最优解。
3.函数优化的数值例子
3.1测试功能
三个基准测试函数被用来验证所提出的混合算法的效率,如图2所示。
这些函数通常用于测试优化方法。
模拟进行的2维的情况下。
第一个函数是最大化,其他的是被最小化,第一个是四峰值函数,它有一个全局最优,其中有三个局部最优解,并且被定义为
当−0.4≤x1,x2≤1时,
这个测试函数具有全局最优解f(x)=1.954342X1=0,X2=0,和三的局部最优解f(x)=1.807849,1.705973和1.559480如图2所示
(一)。
传统的基于梯度的爬山算法可以很容易地在一个局部最优,因为他们在全局搜索算法全局最优解的同时,依赖于起始点。
(a)四峰值功能
(b)Rosenbrock函数
(C)Rastrigin函数
当−2.0≤x1,x2≤2.0时Rosenbrock函数定义为f(x1,x2)=100(x1−x2)2(1−x1)2
这个功能被称为香蕉的作用[15],其形状是在图(b)。
这个函数的目的是要找到这个变量,从而最大限度地减少目标函数。
这个函数只有一个最优解f(x)=0X1=1,X2=1。
由于沿抛物线X12x2导致全球最低[16]一个非常深的山谷,它找到一个最优解是很困难的。
此函数通常用于评估全球搜索能力,因为有许多局部极小值在全球最低如图2所示(三)。
在有限函数调用中找到全局最小值是不容易的。
这个函数
有220个局部极小值和一个最小的f(x)=0在(0,0)上。
3.2仿真结果
图3显示了每个测试函数的目标函数的收敛趋势。
结果表明,这个模型(GA+RSM)和ieoa(GA+丹参+禁忌表)是一种基于RSM算法具有更快的收敛速度和更准确的解决方案比标准的遗传算法,并验证了RSM的效率计算。
此外,禁忌表,使收敛到解决方案,由于系统的多样性的多峰函数的快速收敛。
为每个算法的设置参数列出在表2,表1显示了上述三个测试函数的优化结果的比较。
评价数是指在优化过程中所使用的目标函数的总数,并与总的计算时间成正比。
根据研究结果,所有的测试功能,ieoa可以提供更好的解决方案比遗传算法在精度和收敛速度。
对于Rastrigin函数,进行全局搜索能力非常有用,因为周围有许多局部极小值的全局最小值,ieoa发现具有较高的精度和更少的时间比遗传算法根据这些结果全局最小,本文提出的算法是一个功能强大的全局优化算法的收敛速度和全局搜索能力观。
表1.GA和ieoa设置参数
图3.目标函数收敛趋势
表2.优化结果比较
4.船舶淡水舱的优化设计
在发动机室和一艘船的后方,有许多罐结构,接触新鲜的和海水或燃料和润滑油。
此外,这些都可能受到过多的振动,在航行中,因为它们是围绕船舶的主要激励源,如主机和螺旋桨。
如果出现问题,需要花费相当大的成本,时间和精力来改善情况,因为加强工作以排空流体的罐,额外的焊接和特殊的绘画等,是必需的。
在设计阶段,对储罐结构的精确振动特性进行预测是非常重要的。
优化设计需要应用。
特别是当结构与流体接触,多分析必须考虑时间。
因此,一种新的优化算法得到一个短的分析时间和准确的解决方案。
在这项研究中,在实际的船舶淡水箱的优化设计进行了验证该算法的有效性(ieoa)结果是比较标准的遗传算法
4.1淡水舱振动分析
由于受激振力的传递机理和阻尼比的困难,难以预测局部结构的振动响应。
传统上,因此,考虑设计避免共振的振动分析,以防止局部振动。
在这项研究中,对淡水舱振动分析采用Nastran是一个商业有限元程序,广泛用于船舶结构进行大的像。
分析模型和淡水舱布置如图4所示。
图5显示了淡水池的设计变量和边界条件。
考虑到分析的精度和耗时的建模过程中,新的水箱建模的范围被限制在一个侧面的坦克。
指定的边界条件为如下:
简单的支架用于与其它舱壁和甲板相连的槽的边界区域,表3显示了主要激励源的规范。
在一般情况下,避免局部结构谐振的设计要求的结构的固有频率必须是2倍高于叶片的螺旋桨的最大转速下的最大转速下的。
在这项研究中,设计目标频率设定为上述14.0hz,考虑安全边际和螺旋桨两叶片通过频率(12.13hz)。
图6显示了前三阶模态和NASTRAN的淡水箱的固有频率。
这三种模式经常发生在淡水舱航行。
特别是,第一种模式(8.60hz)是一个加强筋(细)模式产生强烈的振动和结构影响较大。
在这个模型中,该结构的第一阶固有频率也是共振区域的两次叶片通过频率的螺旋桨是12.13hz内。
因此,结构的固有频率应增加到目标频率,槽满的情况下。
根据罐的水性可以改变结构的固有频率。
因此,为了设计一个安全的结构,这项研究涉及到三种新的水箱的设计。
表3.主要激励源规范
图5.新的设计变量和边界条件
(a)第一模式(8.60hz)
(b)第二模式(18.82hz)
(C)第三模式(19.17hz
图6.淡水箱模态振型
4.2新水箱的优化设计
在淡水舱的主要振动模式在横向加劲肋的模式。
最重要的因素之一是加劲肋的刚度。
在这项研究中,加强筋尺寸和图4水箱板厚为设计变量,在方程(7)。
其中S和P的意思分别是加强筋的尺寸和板的厚度。
根据船厂的实践。
加劲肋的腹板长度限制为LW两类如式(8)
150≤LW≤450毫米的加劲肋(S1S7),500≤LW≤1000毫米桁条(S8)(8)
此外,局部振动设计的基本概念是在每个点的响应最小化。
然而,它是很难评估多少的激振力影响的局部结构。
所以,为了避免共振,该结构的第一阶固有频率限制为式(9)认为约在螺旋桨叶片通过频率15%倍的安全边际(12.14hz)。
1≥14.0hz(9)
目标函数结合线性的鲜重水箱结构固有频率如式(10)。
目的是得到经济合理的结构以减轻重量和增加取第一阶固有频率
其中,下标t,平均0的目标和当前的价值
分别用α和β。
即加权因子。
在本文中设α=0.5,β=0.5
4.3优化结果与讨论
实现了对淡水箱筋板厚度的最优规模保持其抗振设计的优化设计。
表4优化前后的设计变量的结果。
这表明,斯金格S8是提高72%、4.0-52%的人。
这一结果表明,最合理的改性方法是增加纵梁,具有降低垂直加劲肋跨度的影响。
在这种情况下,板厚对结构的固有频率没有任何影响,表5显示了优化前后结构的固有频率和结构重量的变化。
根据研究结果,第一阶固有频率增加到163%8.6hz14.02hz,和安全裕度两次通过频率的螺旋桨发生相应的变化,从29.1%到15.5%。
因此,结构无共振。
此外,加强筋设计中的广泛应用变量在高频率虽然也降低权重。
总之,局部振动的问题,需要通过结构避免共振的固有频率的运动而无需额外的重量已通过该方法成功地解决了。
表6和图7表明,GA和ieoa之间优化结果的比较。
评价编号是指在优化过程中所使用的目标函数的总数,并与总的计算时间成正比。
根据研究结果,ieoa可以比遗传算法在精度和收敛速度,更好的解决方案。
这些结果使我们得出结论,提出的新算法是一个更强大的全局优化算法的收敛速度和全局搜索能力的观点。
表4.原与最优设计变量的比较
表5.结果比较
表6.优化结果比较
图7.目标函数收敛趋势
5.结论
本文提出了一个集成的进化优化算法,结合流行的算法,如遗传算法、禁忌的优点的一种新的混合优化算法,SM和RSM。
虽然变异遗传算法提供随机的品种,可以通过系统的各种禁忌列表的使用。
特别是,在初始阶段,遗传算法的收敛速度,可以通过使用RSM使用通过GA处理然后进行响应面获得目标函数的信息的改进(近似函数)和优化。
一个优化的解决方案进行了计算,没有额外的实际目标函数的评价,和遗传算法的收敛速度可以提高。
这种方法的效率和有效性已被证明采用流行的测试函数结果与遗传算法进行比较,寻找全局最优解的新提出的算法的有效性证明了运用它的重量最小化设计,避免了淡水舱位于船体后部共振。
参考文献
[1]D.E.Goldberg,GeneticAlgorithmsinSearch,Optimization&
MachineLearning.AddisonWesleyPublishingCompany,(1989),1-146.
[2]L.Davis,HandbookofGeneticAlgorithms,VanNostrandReinhold,NewYork,USA(1991).
[3]T.SatoandM.Hagiwara,BeeSystem:
FindingSolutionbyaConcentratedSearch,Trans.IEEJapan118-C(5)(1998),721-726.
[4]B.G.ChoiandB.S.Yang,Multi-ObjectiveOptimizationofRotor-BearingSystemwithDynamicConstraintsusingImmune-GeneticAlgorithm,Trans.ASME,JournalofEngineeringforGasTurbinesandPower,123
(1)(2001)78-81.
[5]Y.C.KimandB.S.Yang,AnEnhancedGeneticAlgorithmforGlobalandLocalOptimizatioSearch,Trans.KSME(Ser.A),26(6)(2002)1008-1015.
[6]Y.K.Ahn,Y.C.KimandB.S.Yang,OptimumDesignofEngineMountusinganEnhancedGeneticAlgorithmwithSimplexMethod,VehicleSystemDynamics,43
(1)(2005)57-81.
[7]H.M.RaymondandD.C.Montgomery,ResponseSurfaceMethodology:
ProcessandProductOptimizationUsingDesignedExperiment,Wiley-Inter-sciencePublication,NewYork,USA,(1995).
[8]G.E.P.Box,K.B.Wilson,OntheExperimentalAttainmentofOptimumConditions,JournalofRoyalStatisticalSociety(Ser.B),13(1951)1-38.
[9]J.A.NelderandR.Mead,ASimplexMethodforFunctionMinimization,ComputerJournal,7(4)(1965)308-313.
[10]F.Glover,TabuSearch-PartI,ORSAJournalonComputing,1(1989)190-206.
[11]F.Glover,TabuSearch-PartII,ORSAJournalonComputing,2(1989)4-32.
[12]N.Hu,TabuSearchMethodwithRandomMovesforGloballyOptimalDesign,InternationalJournalofNumericalMethodsinEngineering,35(1992)1055-1070.
[13]D.Howard,B.MarkandH.Martin,NeuralNetworkToolboxforUsewithMATLAB,TheMathWorks,(2005).
[14]M.I.FriswellandJ.E.Mottershead,FiniteElementModelUpdatinginStructuralDynamics,KluwerAcademicPublishers,NewYork,USA,(1996)..
[15]A.Homaifar,C.QiandS.Lai,ConstrainedOptimizationviaGeneticAlgorithmSim