多学科设计优化( MDO) 机电毕业设计（论文）(2)

山东科技大学学士学位论文

出的。他将问题的求解表示成染色体的适者生存过程，通过染色体群的一代代不断进化，包括复制、交叉和变异等操作，最终收敛到最适应环境的个体，从而求得问题的最优解或满意解。

MDO环境下的常用软件中涉及的与遗传算法有关的算法主要有一下几种:

1) 多岛遗传算法（mlti-island genetic algorithm，MIGA）。它将一个单一的种群分成几个独立的岛屿，从而增加个体的多样性，提高了全局的搜寻能力并改进了收敛效率。

2) 领域培植遗传算法（neighborhood cultivation genetic algorithm，NCGA）。其交叉操作基于近邻培养机制。

3) 非配解排序遗传算法（non-domianted sorting genetic algorithm，NSGA-Ⅱ）。将计算复杂度由NSGA的O（nN3）降到O（mN2）。其中：吗表示目标函数的数目；N表示种群中的个体数目。其扩大了采样空间，可迅速提高种群整体水平。

这些算法在解决实际问题中的表现各有所长。对于一个具体问题，最重要的事如何选择一个最适合该问题的研究算法，如在最短时间内得到最优解或求满足一定精度要求的解等。不同的条件要求所采用的算法是不同的。目前专门针对算法比较的文章很少，并且对算法的研究方法大部分还停留在定性分析上，分析的角度各不相同，没有统一的标准。对于智能算法的比较，除了有文章针对特定案例分析了各种方法利弊外，目前还没有文章对其进行过程综合性的研究；并且在研究智能算法的比较，还没有一个被大家所公认的衡量标准。随着对智能算法研究的深入以及智能算法在MDO中日益广泛的应用，很有必要对其加以比较研究，得出有真正指导意义的比较结果。

6

山东科技大学学士学位论文

1.2 国内外研究的现状

近几年来，遗传算法主要在复杂优化问题求解和工业工程领域应用方面，取得了一些令人信服的结果，所以引起了很多人的关注。在发展过程中，进化策略、进化规划和遗传算法之间差异越来越小。遗传算法成功的应用包括：作业调度与排序、可靠性设计、车辆路径选择与调度、成组技术、设备布置与分配、交通问题等等。

遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。搜索算法的共同特征为： ① 首先组成一组候选解； ② 依据某些适应性条件测算这些候选解的适应度； ③ 根据适应度保留某些候选解，放弃其他候选解； ④ 对保留的候选解进行某些操作，生成新的候选解。在遗传算法中，上述几个特征以一种特殊的方式组合在一起：基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。这种特殊的组合方式将遗传算法与其它搜索算法区别开来。

遗传算法还具有以下几方面的特点：

1) 遗传算法从问题解的串集开始嫂索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。

2) 许多传统搜索算法都是单点搜索算法，容易陷入局部的最优解。遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。

3) 遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。

7

山东科技大学学士学位论文

4) 遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导他的搜索方向。

5) 具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，硬度大的个体具有较高的生存概率，并获得更适应环境的基因结构。

前面描述的是简单的遗传算法模型，可以在这一基本型上加以改进，使其在科学和工程领域得到广泛应用。下面列举了一些遗传算法的应用领域： ① 优化：遗传算法可用于各种优化问题。既包括数量优化问题，也包括组合优化问题。 ② 程序设计：遗传算法可以用于某些特殊任务的计算机程序设计。 ③ 机器学习：遗传算法可用于许多机器学习的应用，包括分类问题和预测问题等。 ④ 经济学：应用遗传算法对经济创新的过程建立模型，可以研究投标的策略，还可以建立市场竞争的模型。 ⑤ 免疫系统：应用遗传算法可以对自然界中免疫系统的多个方面建立模型，研究个体的生命过程中的突变现象以及发掘进化过程中的基因资源。 ⑥ 进化现象和学习现象：遗传算法可以用来研究个体是如何学习生存技巧的，一个物种的进化对其他物种会产生何种影响等等。 ⑦ 社会经济问题：遗传算法可以用来研究社会系统中的各种演化现象，例如在一个多主体系统中，协作与交流是如何演化出来的

总之，智能优化算法的发展前景经过近些年的发展，智能优化算法凭借其简单的算法结构和突出的问题求解能力，吸引了众多研究者的目光，并取得了令人注目的成果。大量的研究成果证明了智能优化算法在工程上的适用性，显示了其给各个领域带来的效益。但是，由于其理论依据来源于对生物群落社会性的模拟，因此其相关数学分析还比较薄弱，这就导致了现有研究还存在很多问题，如:智能算法的数学理论基础相对薄弱，缺乏具备普遍意义的理论性分析，算法中涉及的各种参数设置一直没有确切的理论依据，通常都是按照经验型方法确定，对具体问题和应用

8

山东科技大学学士学位论文

环境的依赖性比较大。因此，从事智能算法的研究与应用将一直是非常有实际意义的研究课题。

1.3 本文的研究内容

本文通过掌握iSIGHT的基本操作，运用iSIGHT运行案例得出结果，并且对结果进行分析及对比。主要包括以下几部分内容:

1) 了解多学科优化设计相关技术和理论，阅读iSIGHT方面的有关外文资料，熟悉iSIGHT应用背景，熟悉iSIGHT的操作使用。

2) 确定智能优化算法比较的指标短时寻优能力、相对运行时间、解决问题的个数、精度。

3) 在iSIGHT里利用智能算法运行各个案例，并记录相关数据，绘制数据表格和相关坐标，进行数据分析，得出结论。

论文附录部分附有原始数据、整理的数据等。

9

山东科技大学学士学位论文

2 多学科设计优化概述与iSIGHT简介

2.1

多学科设计优化概述

2.1.1 多学科设计优化的定义

多学科设计优化(Multidisciplinary Design Optimization， 简称MDO)是一种通过充分探索和利用工程系统中相互作用的协同机制来设计复杂系统和子系统的方法论。其主要思想是在复杂系统设计的整个过程中利用分布式计算机网络技术来集成各个学科(子系统)的知识，应用有效的设计优化策略， 组织和管理设计过程。 其目的是通过充分利用各个学科(子系统)之间的相互作用所产生的协同效应，获得系统的整体最优解，通过实现并行设计，来缩短设计周期，从而使研制出的产品更具有竞争力。因此， MDO 宗旨与现代制造技术中的并行工程思想不谋而合， 它实际上是用优化原理为产品的全寿命周期设计提供一个理论基础和实施方法。 2.1.2 MDO问题的表述

分析复杂系统的有效方法是按学科(或部件)将复杂系统分解为若干个子系统。根据子系统之间关系，可将复杂系统划分为两类:一类是层次系统(Hierarchic System) ； 另一类是非层次系统(Non-hierarchic System)。层次系统特点是子系统之间信息流程具有顺序性，子系统之间没有耦合关系，它是一种“ 树” 结构。非层次系统的特点是子系统之间没有等级关系， 子系统之间信息流是“ 耦合” 在一起，它是一种“ 网” 结构，也称为耦合系统。 现实中的复杂工程系统往往属于非分层系统。非分层系统的设计优化问题， 是目前 MDO 研究领域的热点。

多学科设计优化问题，在数学形式上可简单地表达为: 寻找: x

10

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库多学科设计优化( MDO) 机电毕业设计（论文）(2)在线全文阅读。