结构优化设计-基于结构分析技术,在给定的设计空间实现满足使用要求且具有最佳性能或
最低成本的工程结构设计的技术
优化设计的三要素:设计变量;约束条件;目标函数
凸域:基于n维空间的区域s里,如果取任意两点x1和x2,连接这两点的线段也属于s,该
区域称凸域( =αx1+(1-α)x2 )
凸函数:如果函数f(x)定义在n维空间的凸域s上,而且对s中的任意两点x1和x2和任意常
数α,0.0<=α<=1.0,有f[αx1+(1- α)x2]<=αf(x1)+(1- α)f(x2),则f(x)称为s上的凸函数
严格凸函数:上式小于严格成立
凸规划:如果可行域是凸域,目标函数是凸函数,这样构成的数学规划问题为凸规划问题。
准则设计法:依靠工程经验;效率高;缺乏严格数学基础
最优准则法基于库塔克(K-T)条件:需构造迭代求解算法;通用性不强
数学规划方法:有严格的数学基础,有较好的通用性,计算效率要考虑。
结构优化问题的求解布骤
I. 建立优化模型。给定初始设计方案。
II. 结构分析(有限元)
III.优化(收敛性)检验。满足则结束程序,否则继续IV
IV. 灵敏度分析
V. 求解优化问题,修改结构模型,返回II。
优化求解的两大类方法:准则法;数学规划法
准则设计方法:用优化准则代替原来的优化问题
同步失效准则设计的评价:
{优点:简单、方便,特别是独立约束个数n=m时;工程实用;适合于构件设计。
缺点:只能处理简单构件设计;缩小了设计空间,不能保证最优解;若n < m ,可能无解;当n > m时,确定哪些破坏模式应同时发生比较困难。
改进: 为了弥补等式约束代替不等式约束的缺陷,引入松弛因子ψi
σ i (X ) =ψ iσ ip , 0 ≤ψ i ≤1, i =1,2,......n
启发:用准则代替原来的优化问题,准则法的基本思想;如果将桁架的每根杆看作一种可能
的破坏模式,桁架看作一个元件。可以得到满应力准则
满应力方法的缺点:完全无视重量会漏掉最轻设计;中间点一般是不可行设计,对工程实际不利。希望得到可行的中间设计点。
齿形法:采用射线步进行可行性调整,适用于桁架一类刚度与设计变量成正比的结构。
将所有设计变量同时乘以一个常数ξ:Ani =ξA io}
线性函数都是凸函数,线性规划是凸规划。
满应力法的评价:
{优点:简单,概念易于接受,收敛快(特别适合大型结构优化);对于大多数实际工程结构,满应力解往往很接近于最优解;在有位移、频率等约束时,应力比方法(处理应力约束)也可以与其他方法混合使用;应力比方法也同样适用于膜单元,对于梁、板、柱结构,有推广的近似满应力步和射线步来寻求满应力设计;满应力法的基本思想?用一种准则来代替原来的严格的数学规划,在结构优化中得到广泛的应用和推广。
缺点:满应力解可能不是最优解;简单的应力比方法可能产生振荡,不收敛;迭代次数与超静定情况有关,正常结构迭代少,内力重分布严重的结构迭代次数多;}
射线步结合满应力设计的应力比方法:
K-T条件:几何意义:在极值点,目标函数的负梯度应该为所有约束梯度向量的线性组合。
K-T条件静定问题迭代法(单个位移约束,重量最小,面积有下限)
1. 给定初始设计Ak进行结构分析,求得实荷载与虚荷载的内力分布
2. 划分主被动变量Dn,被动变量一律取下限
3. 计算被动设计变量对重量位移贡献:Wp,ujp
4. 计算“最优”重量W*
5. 计算主动变量断面积分布Ak ,
6. 将Ak和面积下限比较,决定新的主被动变量, 将新的主被动变量
划分D’与Dn比较,如果不相同, Dn= D’返回3),否则结束迭代
K-T条件超静定问题迭代法(单个位移约束,重量最小,面积有下限)
1. 给定初始设计,k=0
2. 进行结构分析,求得实荷载与虚荷载内力分布Si,Sjiv,计算:
3. 根据Aik值和的条件,划分主被动变量Dn,被动变量一律取下限
4. 根据迭代公式计算新的主动设计变量值
a) 计算被动设计变量对重量位移贡献:Wp,ujp
b) 计算“最优”重量W*,λk
c) 计算主动变量面积分布Aik+1 ,并和面积下限比较,决定新的主被动变量
d) 将Aik+1的主被动变量划分D’与Dn比较,如果不相同, Dn= D’返回a),否则进入5)
5. 比较|Aik+1-Aik|<ε,则计算结束,否则以Aik+1作为初始设计返回2)
准则法的优缺点: 优点:收敛速度快且与问题规模无关
缺点:迭代算法较难构造
第四章
准则法是从结构力学原理出发,建立一些最优准则,从而寻求用解析形式表达的结构设计参数,或者通过直观的迭代运算决定结构各单元的截面参数
特点:计算量小,通用性差,依赖具体问题
数学规划法是从解极值问题的数学原理出发,运用数学规划中的各种方法,求得一系列设计参数的最优解。它直接针对如下数学模型
特点:通用性好,不依赖具体问题,计算量大
线性规划:单纯形法 二次规划:兰姆克算
无约束非线性规划:无约束最优化算法:
0阶算法:0.618法,单纯形法,Powell法,智能和仿生类算法
一阶算法:最速下降法(梯度法),共轭梯度法,二分法,弦切法
二阶算法:牛顿法及其改进
约束非线性规划算法:1:转化法——罚函数法
2:直接法:(1)与无约束优化算法对应(2)可行方向法(3)最佳矢量法
3:序列近似规划算法(SLP,SQP)
最速下降法的计算步骤:1. 选择初始解x(0)
2. 求出▽f (x(k)), 并取-▽f(x(k))为探索方向
3. 求步长α(k),使函数值有最大下降(一维函数优化)
4. 得到k+1次迭代的变量值
5.判断收敛否?如收敛,停机;否则令k=k+1,返回2
最速下降法的评价:从局部看,最速下降法是目标函数值下降最快的方向,但全局看,相邻两个搜索方向为正交,因此迭代路径出现锯齿现象,收敛速度并不是最快的。
适用范围:前期迭代,或间插步骤,接近最小点时并非有利。
牛顿法的计算步骤:1. 选择初始解x(0);2. 计算▽f (x(k));3. 计算H-1k;4. 进行迭代计算;5.判断收敛否?如收敛,停机;否则令k=k+1,返回2
牛顿法的特点:
1)变量值离最优点接近时,收敛
快,但是较远时,不一定;
2) H-1 不存在,算法无法进行;
3) H-1 存在,但不正定,不能保证下
山方向;
4) 由于步长固定,可能f(x(k+1))>f(x(k))
5) 需要计算H-1 ,计算量大。
改进:
1) 先采用最速下降法,后用牛顿法;
2) 转向最速下降法,用d(k)=-▽f(x(k))
3) 如果(d(k))T▽f(x(k))>0, d(k)= - d(k),
如果(d(k))T ▽f(x(k))=0, 转向最速下
降法;
4) 采用阻尼牛顿法
5)拟牛顿法。
两种罚函数方法的共同特点:
1 方法简单, 易编程
2 对目标函数和约束函数要求不高
3 求一系列无约束优化问题, 计算量大
4 tk不断增大,rk,不断减小, 造成函数病数值求借困难.
外罚函数法:
优点: (1)既能处理不等式,又能处理等式 (2)初始点是任意的,不要求可行
缺点: (1)中间点不可行 (2)导数间断
内罚函数法:
优点: 中间点可行
缺点: (1) 初始点要求可行,对复杂问题难以做到
(2)要控制步长,以免走到可行域外
(3)不能处理等式约束
遗传算法:是模拟自然选择及自然遗传过程的一种搜索最优解的方法。
基本遗传算法的组成:(1)编码(产生初始种群) (2)适应度函数
(3)遗传算子(选择、交叉、变异) (4)运行参数
运行参数:(1)M : 种群规模 (2)T : 遗传运算的终止进化代数
(3)Pc : 交叉概率 (4)Pm : 变异概率