合工大机械优化设计课程实践报告
2011-陈飞-《机械优化设计》课程实践报告

合肥工业大学《机械优化设计》课程实践研究报告班级:机械设计制造及其自动化11-5班学号: 20110538 姓名:陈飞授课老师:王卫荣日期: 2014年 4月18日研究报告目录机械优化设计研究报告概述 (3)1、λ=0.618的证明、一维搜索程序 (3)1.1 证明0.618法 (3)1.2 用0.618法求函数最小值 (4)1.2.1 求f(x)=cosx最小值 (4)1.2.2 求f(x)=(x-2)2+3最小值 (6)2、单位矩阵程序 (8)3、连杆机构问题 (9)3.1 问题描述 (9)3.2 编写程序 (10)3.3利用Fortran编译器生成可执行程序 (11)3.4 输出结果及分析 (13)4、工程问题实例 (16)4.1工程问题描述 (16)4.2 数学模型的建立 (16)4.3 程序编制 (18)4.4 优化结果和最终设计参数 (19)5、课程实践心得体会 (21)机械优化设计研究报告概述优化设计是20世纪60年代初发展起来的一门新学科,它是将最优化原理和计算技术应用与设计领域,为工程设计提供一种重要的科学设计方法。
利用这种新的设计方法,人们就可以从众多的设计方案中找出最佳设计方案,从而大大提高设计质量和效率。
因此优化设计是现代设计理论和方法的一个重要领域,它已广泛应用于各个工业部门。
优化方法的应用领域很多,发展也很迅速。
近几年来发展起来的计算机辅助设计(CAD),在引入优化设计方法后,使得在设计过程中既能够不断选择设计参数并评选出最优设计方案,又可以加快设计速度,缩短设计周期。
在科学技术发展要求机械产品更新周期日益缩短的今天,把优化设计方法与计算机辅助设计结合起来,使设计过程完全自动化,已成为设计方法的一个重要发展趋势。
通过本学期的课程学习,我们已经掌握了一些常用的优化方法的原理和计算过程的理论知识。
本次实践是巩固学到的理论知识的绝佳方法,通过实践,学生可以将理论知识运用到具体问题当中,培养分析问题和解决问题的能力。
合工大机械实习报告

为了更好地将理论知识与实践相结合,提高自身的动手能力和综合素质,我在2023年的暑假期间参加了合肥工业大学组织的机械实习。
本次实习为期一个月,主要在一家知名机械制造企业进行,通过实际操作和现场学习,我对机械制造工艺、机械设计原理、生产管理等方面有了更深入的了解。
二、实习单位简介实习单位位于我国东部沿海地区,是一家集科研、生产、销售为一体的大型机械制造企业。
公司主要生产各类机械设备、零部件及自动化生产线,产品广泛应用于国内外市场。
实习期间,我主要在公司的机械加工车间、装配车间和研发部门进行学习和实践。
三、实习内容1. 机械加工工艺学习在机械加工车间,我学习了各种机械加工工艺,如车削、铣削、刨削、磨削等。
通过实际操作,我掌握了机床的操作方法、刀具的选择和使用、加工参数的调整等技能。
同时,我还了解了各种加工设备的性能、特点和应用范围。
2. 机械设计原理学习在研发部门,我学习了机械设计原理,包括机械运动学、动力学、材料力学、机械强度学等。
通过参与项目设计,我了解了机械设计的基本流程、设计方法及设计规范。
3. 生产管理学习在装配车间,我学习了生产管理的相关知识,如生产计划、物料管理、质量管理、安全管理等。
通过参与生产调度和现场管理,我了解了企业生产管理的实际运作。
4. 现场实习在实习期间,我还参与了以下现场实习:(1)参观生产线:了解了公司主要产品的生产流程、工艺路线及设备布局。
(2)参与产品组装:学习了各种零部件的组装方法、装配工艺及装配质量控制。
(3)参与设备维护:了解了设备的日常维护、保养及故障排除方法。
1. 技能提升通过本次实习,我的动手能力得到了显著提升。
我学会了机床操作、刀具选择、加工参数调整等技能,为今后的工作打下了坚实的基础。
2. 知识拓展在实习过程中,我不仅巩固了所学理论知识,还学习了新的知识和技能。
我对机械制造工艺、机械设计原理、生产管理等方面有了更深入的了解。
3. 综合素质提高实习期间,我学会了与他人沟通、协作,提高了自己的组织协调能力。
机械优化设计实验报告

《机械优化设计》课程实验报告M a t l a b优化工具箱一、实验目的和要求熟悉Matlab7.0软件的界面和基本功能,了解Matlab优化工具箱的常用算法;使用Matlab优化工具箱的f m i n u n c/f m i n s e a r c h函数求解多变量非线性无约束优化问题;使用Matlab优化工具箱的f m i n c o n函数求解多变量非线性约束优化问题。
二、实验设备和软件台式计算机,Matlab7.0软件。
三、实验内容求解下列优化问题的最优解。
要求:(1)编写求解优化问题的M文件,(2)在命令窗口输入求解优化问题的命令,并得出计算结果。
1、标量优化问题1) f=x2-10x+362) f=x4-5x3+4x2-6x+603) f=(x+1)(x-2)22、多变量非线性无约束优化问题1) f=4(x1-5) 2+( x2-6) 2初始点:x0=[8,9]T;2) f=(x12+x2-11)2+( x1+ x22-7)2初始点:x0=[1,1]T;3) f=[1.5- x1(1- x2)]2+[2.25- x1(1- x22)]2+[2.625- x1(1- x23)]2初始点:x0=[2,0.2]T;4) f=( x12+12 x2-1)2+(49 x1+49 x2+84 x1+2324 x2-681)2初始点:x0=[1,1]T;5) f=( x1+10 x2)2+5(x3- x4)2+( x2-2 x3)4+10(x1- x4)4初始点:x0=[3,-1,0,1]T;3、多变量非线性约束优化问题1) f=( x1-2)2+( x2-1)2g1= x12-x2≤0g2= x1+x2-2≤0初始点:x0=[3,3]T;2) f= x23[( x1-3)2-9]/273≤0g1=x2-x1/3≤0g2=-x1+x2/3≤0g3=x1+x2/3-6≤0g4=-x1≤0g5=-x2≤0初始点:x0=[1,5]T;3) f=1000- x12-2x2 2-x32-x1x2-x1x3g1=-x1≤0g2=-x2≤0g3=-x3≤0g4=x12+x22+x3 2-25=0g5=8x1+14x2+7x3-56=0初始点:x0=[2,2,2]T4)f=100(x2-x12)2+(1-x1)2+90(x4-x32)2+(1-x3)2+10[(x2-1)2+(x4-1)2]+19.8(x2-1)(x4-1)-10≤x1≤10-10≤x2≤10-10≤x3≤10-10≤0x4≤10初始点:x0=[-3,-1,-3,-1]T;四、M文件、在命令窗口输入的求解命令清单及计算结果记录>>1、(1)目标函数的M文件function f=fun1(x)f=x^2-10*x+36调用求解命令x0=0;options=optimset('LargeScale','off');lb=-10;ub=10;[x,fval]=fminbnd(@fun1,lb,ub,options)或{ x0=0; [x,fval]=fminbnd(@fun1,-10,10)} x =5.0000fval =11.00002、(2)目标函数的M文件function f=fun2(x)f=x^4-5*x^3+4*x^2-6*x+60调用求解命令x0=0;options=optimset('LargeScale','off');lb=0;ub=10;[x,fval]=fminbnd(@fun2,lb,ub,options)x =3.2796fval =22.65902、(3)目标函数的M文件function f=fun3(x)f=(x+1)*(x-2)^2调用求解命令> x0=0;options=optimset('LargeScale','off');lb=0;ub=10;[x,fval]=fminbnd(@fun3,lb,ub,options)x =2.0000fval =1.9953e-0113(1)目标函数的M文件function f=fun4(x)f=4*(x(1)-5)^2+(x(2)-6)^2调用求解命令x0=[8,9];options=optimset('LargeScale','off');[x,fval]=fminunc(@fun4,x0,options)Optimization terminated: relative infinity-norm of gradient less than options.TolFun. x =5.00006.0000fval =1.7876e-0123(2)目标函数的M文件function f=fun5(x)f=(x(1)^2+x(2)-11)^2+(x(1)+x(2)^2-7)^2调用求解命令>> x0=[1,1];options=optimset('LargeScale','off');[x,fval]=fminunc(@fun5,x0,options)Optimization terminated: relative infinity-norm of gradient less than options.TolFun. x =3.0000 2.0000fval =5.2125e-0123(3)目标函数的M文件function f=fun6(x)f=[1.5-x(1)*(1-x(2))]^2+[2.25-x(1)*(1-x(2)^2)]^2+[2.625-x(1)*(1-x(2)^3)]^2调用求解命令x0=[2,0.2];options=optimset('LargeScale','off');[x,fval]=fminunc(@fun6,x0,options)Optimization terminated: relative infinity-norm of gradient less than options.TolFun. x =3.0000 0.5000fval =3.9195e-0143(4)目标函数的M文件function f=fun7(x)f=(x(1)^2+12*x(2)-1)^2+(49*x(1)+49*x(2)+84*x(1)+2324*x(2)-681)^2调用求解命令x0=[1,1];options=optimset('LargeScale','off');[x,fval]=fminunc(@fun7,x0,options)Optimization terminated: relative infinity-norm of gradient less than options.TolFun. x =0.9570 0.2333fval =7.37643(5)目标函数的M文件function f=fun8(x)f=(x(1)+10*x(2))^2+5*(x(3)-x(4))^2+(x(2)-2*x(3))^4+10*(x(1)-x(4))^4调用求解命令>> x0=[3,-1,0,1];options=optimset('LargeScale','off');[x,fval]=fminunc(@fun8,x0,options)Optimization terminated: relative infinity-norm of gradient less than options.TolFun.x =0.0015 -0.0002 -0.0031 -0.0031fval =6.3890e-009三、3、(1)目标函数的M文件function f=fun9(x)f=(x(1)-2)^2+(x(2)-1)^2约束函数的M文件function [c,cep]=con1(x)c=[x(1)^2-x(2);x(1)+x(2)-2];cep=[]当前窗口条用求解命令x0=[3,3];options=optimset('LargeScale','off');[x,fval]=fmincon(@fun9,x0,[],[],[],[],[],[],@con1,options)Optimization terminated: first-order optimality measure less than options.TolFun and maximum constraint violation is less than options.TolCon.Active inequalities (to within options.TolCon = 1e-006):lower upper ineqlin ineqnonlin12x =1.0000 1.0000fval =1.00003、(2)目标函数的M文件function f=fun10(x)f=x(2)^3*[(x(1)-3)^2-9]/27*3^(1/2)约束函数的M文件function [c,cep]=con2(x)c=[x(2)-x(1)/3^(1/2);-x(1)+x(2)/3^(1/2);x(1)+x(2)/3^(1/2)-6];cep=[]当前窗口条用求解命令x0=[1,5];lb=[0,0];options=optimset('LargeScale','off');[x,fval]=fmincon(@fun10,x0,[],[],[],[],lb,ub,@con2,options)Optimization terminated: first-order optimality measure lessthan options.TolFun and maximum constraint violation is lessthan options.TolCon.Active inequalities (to within options.TolCon = 1e-006):lower upper ineqlin ineqnonlin13x =4.5000 2.5981fval =-7.59383、(3)目标函数的M文件function f=fun11(x)f=1000-x(1)^2-2*x(2)^2-x(3)^2-x(1)*x(2)-x(1)*x(3)约束函数的M文件function [c,cep]=con3(x)c=[];cep=[x(1)^2+x(2)^2+x(3)^2-25;8*x(1)+14*x(2)+7*x(3)-56];当前窗口条用求解命令x0=[2,2,2];lb=[0,0,0];ub=[];options=optimset('LargeScale','off');[x,fval]=fmincon(@fun11,x0,[],[],[],[],lb,ub,@con3,options)Optimization terminated: first-order optimality measure lessthan options.TolFun and maximum constraint violation is lessthan options.TolCon.No active inequalitiesx =3.5121 0.2170 3.5522fval =961.71523、(4)目标函数的M文件function f=fun12(x)f=100*(x(2)-x(1)^2)^2+(1-x(1))^2+90*(x(4)-x(3)^2)^2+(1-x(3))^2+10*[(x(2)-1) ^2+(x(4)-1)^2]+19.8*(x(2)-1)*(x(4)-1)约束函数的M文件function [c,cep]=con4(x)cep=[];当前窗口条用求解命令x0=[-3,-1,-3,-1,];lb=[-10,-10,-10,-10];ub=[10,10,10,10];options=optimset('LargeScale','off');[x,fval]=fmincon(@fun12,x0,[],[],[],[],lb,ub,@con4,options)Optimization terminated: Magnitude of directional derivative in searchdirection less than 2*options.TolFun and maximum constraint violationis less than options.TolCon.No active inequalitiesx =1.0001 1.0002 0.9999 0.9997fval =2.3989e-007五、质疑和建议对于一维标量优化问题搜索,在当前窗口中调用求解命令时,[x,fval]=fminbnd(@fun1,lb,ub,options)可以改成[x,fval]=fminbnd(@fun1,-10,10)如下:function f=fun1(x)f=x^2-10*x+36调用求解命令x0=0;options=optimset('LargeScale','off');lb=-10;ub=10;[x,fval]=fminbnd(@fun1,lb,ub,options)或{ x0=0; [x,fval]=fminbnd(@fun1,-10,10)}x =5.0000fval =11.0000。
机械优化设计上机实践报告【精编版】

机械优化设计上机实践报告【精编版】机械优化设计上机实践报告班级:机械(茅以升)101姓名:学号: 1004010510成绩:指导教师: 张迎辉日期: 2013.11.201 《一维搜索方法》上机实践报告1、写出所选择的一维搜索算法的基本过程、原理(可附流程图说明)。
(一)进退法1. 算法原理进退法是用来确定搜索区间(包含极小值点的区间)的算法,其理论依据是:()f x 为单谷函数(只有一个极值点),且[,]a b 为其极小值点的一个搜索区间,对于任意12,[,]x x a b ∈,如果()()12f x f x <,则2[,]a x 为极小值的搜索区间,如果()()12f x f x >,则1[,]x b 为极小值的搜索区间。
因此,在给定初始点0x ,及初始搜索步长h 的情况下,首先以初始步长向前搜索一步,计算()0f x h +。
(1) 如果()()00f x f x h <+则可知搜索区间为0[,]xx h +%,其中x %待求,为确定x %,后退一步计算0()f x h λ-,λ为缩小系数,且01λ<<,直接找到合适的*λ,使得()*00()f x h f x λ->,从而确定搜索区间*00[,]x h x h λ-+。
(2) 如果()()00f x f x h >+则可知搜索区间为0[,]x x %,其中x %待求,为确定x %,前进一步计算0()f x h λ+,λ为放大系数,且1λ>,知道找到合适的*λ,使得()*00()f x h f x h λ+<+,从而确定搜索区间*00[,]x x h λ+。
2. 算法步骤用进退法求一维无约束问题min (),f x x R ∈的搜索区间(包含极小值点的区间)的基本算法步骤如下:(1) 给定初始点(0)x ,初始步长0h ,令0h h =,(1)(0)x x =,0k =;(2) 令(4)(1)x x h =+,置1k k =+;(3) 若()()(4)(1)f x f x <,则转步骤(4),否则转步骤(5);(4) 令(2)(1)(1)(4),x x x x ==,()()(2)(1)f x f x =,()()(1)(4)f x f x =,令2h h =,转步骤(2);(5) 若1k =,则转步骤(6)否则转步骤(7);(6) 令h h =-,(2)(4)x x =,()()(2)(4)f x f x =,转步骤(2);(7) 令(3)(2)(2)(1)(1)(4),,x x x x x x ===,停止计算,极小值点包含于区间(1)(3)(3)(1)[,][,]x x x x 或(二)黄金分割法1、黄金分割法基本思路:黄金分割法适用于[a ,b]区间上的任何单股函数求极小值问题,对函数除要求“单谷”外不做其他要求,甚至可以不连续。
机械优化设计实验报告

机械优化设计实验报告机械优化设计实验报告引言机械优化设计是一门重要的工程学科,旨在通过优化设计方法,提高机械系统的性能和效率。
本实验旨在通过对某一机械系统的优化设计,探索并验证优化设计的有效性和可行性。
实验目的本实验的主要目的是通过对某一机械系统进行优化设计,提高其性能和效率。
具体而言,我们将通过改变材料、几何形状等参数,寻找最佳设计方案,并通过实验验证其优化效果。
实验方法1. 确定优化目标:首先,我们需要明确机械系统的优化目标,例如提高系统的强度、降低系统的重量等。
2. 确定设计变量:根据机械系统的特点,确定需要进行优化的设计变量,例如材料的选择、零件的几何形状等。
3. 建立数学模型:根据机械系统的结构和运行原理,建立数学模型,用于优化设计的计算和分析。
4. 优化设计:使用优化算法,例如遗传算法、粒子群算法等,对机械系统进行优化设计,得到最佳设计方案。
5. 实验验证:根据最佳设计方案,制作实际样品,并进行实验验证,比较实验结果与模型计算结果的一致性。
实验结果经过优化设计和实验验证,我们得到了以下结果:1. 材料优化:通过对不同材料的比较,我们发现材料A具有更好的强度和耐久性,因此在最佳设计方案中选择了材料A。
2. 几何形状优化:通过对不同几何形状的比较,我们发现几何形状B具有更好的流体动力学性能,因此在最佳设计方案中采用了几何形状B。
3. 性能提升:通过与原设计方案进行对比,我们发现最佳设计方案在强度和效率方面都有显著提升,验证了优化设计的有效性。
讨论与分析通过本实验,我们可以得出以下结论:1. 机械优化设计可以显著提高机械系统的性能和效率,为工程设计提供了有力的支持。
2. 优化设计需要综合考虑多个因素,如材料、几何形状等,以达到最佳设计效果。
3. 优化设计的结果需要通过实验验证,以确保其可行性和有效性。
结论本实验通过对某一机械系统的优化设计,验证了机械优化设计的有效性和可行性。
通过改变材料、几何形状等参数,我们成功提高了机械系统的性能和效率。
机械优化设计实验报告

一、实验目的本次实验旨在通过计算机编程,加深对机械优化设计方法的理解,掌握常用的优化算法,并能够利用计算机解决实际问题。
二、实验内容1. 黄金分割法(1)实验原理黄金分割法是一种常用的优化算法,适用于一元函数的极值求解。
其基本原理是:在给定初始区间内,通过迭代计算,逐步缩小搜索区间,直到满足收敛条件。
(2)实验步骤① 设计实验程序,实现黄金分割法的基本算法。
② 编写函数,用于计算一元函数的值。
③ 设置初始区间和收敛精度。
④ 迭代计算,更新搜索区间。
⑤ 判断是否满足收敛条件,若满足则输出结果,否则继续迭代。
(3)实验结果通过编程实现黄金分割法,求解函数f(x) = x^3 - 6x^2 + 9x + 1在区间[0, 10]内的极小值。
实验结果显示,该函数在区间[0, 10]内的极小值为1,且收敛精度达到0.001。
2. 牛顿法(1)实验原理牛顿法是一种求解非线性方程组的优化算法,其基本原理是:利用函数的导数信息,逐步逼近函数的极值点。
(2)实验步骤① 设计实验程序,实现牛顿法的基本算法。
② 编写函数,用于计算一元函数及其导数。
③ 设置初始值和收敛精度。
④ 迭代计算,更新函数的近似值。
⑤ 判断是否满足收敛条件,若满足则输出结果,否则继续迭代。
(3)实验结果通过编程实现牛顿法,求解函数f(x) = x^3 - 6x^2 + 9x + 1在区间[0, 10]内的极小值。
实验结果显示,该函数在区间[0, 10]内的极小值为1,且收敛精度达到0.001。
3. 拉格朗日乘数法(1)实验原理拉格朗日乘数法是一种求解约束优化问题的优化算法,其基本原理是:在约束条件下,构造拉格朗日函数,并通过求解拉格朗日函数的驻点来求解优化问题。
(2)实验步骤① 设计实验程序,实现拉格朗日乘数法的基本算法。
② 编写函数,用于计算目标函数、约束函数及其导数。
③ 设置初始值和收敛精度。
④ 迭代计算,更新拉格朗日乘数和约束变量的近似值。
机械优化设计上机实践报告

机械优化设计上机实践报告本次机械优化设计上机实践报告是由学生在机械专业课程的学习中所完成的一项任务,旨在通过实践操作提高学生的机械设计和优化能力。
本次实践任务分为两个部分,第一部分是机械零件的设计,第二部分是该零件的优化设计。
一、机械零件设计在机械零件设计的部分,我们需要使用软件来实现。
首先,我们需要通过建立一个零部件的三维模型,然后通过在模型上进行绘制,来完成机械零件的设计。
在实践过程中,我们学习了许多机械零件设计的基本操作。
比如,怎样用不同的工具来创建不同的几何形状的零件。
同时我们还学习了常用的切削工具和块状建模工具。
这些工具让我们能够在短时间内完成复杂的机械零件的建模操作。
我们也学会了如何使用装配工具,通过将不同的零部件组合成装配体,从而使业主更直观地看到最终的产品形态。
二、机械优化设计经过机械零件设计的部分后,我们就开始了机械零件的优化设计。
因为在设计过程中,我们不仅需要考虑性能问题,还要考虑到材料成本和制造工艺等实际因素。
机械优化设计就是在保证零部件符合需要的功能的前提下,通过对材料和几何形状的优化,提高了零部件的机械性能和制造效率。
在实践过程中,我们首先需要了解机械零件的功能和作用,然后参考相关的设计标准和规范,确定重点优化对象。
我们还需要收集和分析机械零件在使用中的各种受力情况,然后确定机械零件的性能参数和指标,然后对机械零件的机械性能和材料利用率进行计算和分析。
经过机械优化设计的部分后,我们已经对完成的机械零件进行了大量的优化操作。
我们优化了零部件的材料选取、几何形状、工艺流程等方面,使机械零件的机械性能得到进一步提升,同时也降低了制造成本,实现了性价比的优化。
总结通过本次机械优化设计研讨实践,我们更好地理解和掌握了机械零件的设计和优化方法。
我们学会了如何使用专业设计软件,更好地了解了机械零件的实际构造和特性。
我们也学会了机械优化设计的思维方式,明确了优化设计需要考虑的各方面因素,能够更好地满足机械零件使用的实际要求。
(完整word版)机械优化设计实验报告(word文档良心出品)

《机械优化设计》实验报告目录1.进退法确定初始区间 (3)1.1 进退法基本思路 (3)1.2 进退法程序框图 (3)1.3 题目 (3)1.4 源程序代码及运行结果 (3)2.黄金分割法 (4)2.2黄金分割法流程图 (4)2.3 题目 (5)2.4 源程序代码及结果 (5)3.牛顿型法 (5)3.1牛顿型法基本思路 (6)3.2 阻尼牛顿法的流程图 (6)3.3 题目 (6)3.4 源程序代码及结果 (6)4.鲍威尔法 (7)4.1 鲍威尔法基本思路 (7)4.2 鲍威尔法流程图 (7)4.3 题目 (8)4.4 源程序代码及结果 (8)5. 复合形法 (15)5.1 复合行法基本思想 (15)5.3 源程序代码及结果 (15)6. 外点惩罚函数法 (23)6.1解题思路: (23)6.2 流程框图 (23)6.3 题目 (23)6.4 源程序代码及结果 (23)7.机械设计实际问题分析 (29)7.2计算过程如下 (29)7.3 源程序编写 (30)8.报告总结 (32)1.进退法确定初始区间1.1 进退法基本思路:按照一定的规则试算若干个点,比较其函数值的大小,直至找到函数值按“高-低-高”变化的单峰区间。
1.2 进退法程序框图1.3 题目:用进退法求解函数()2710=-+的搜索区间f x x x1.4 源程序代码及运行结果#include <stdio.h>#include <math.h>main(){float h,h0,y1,y2,y3,a1=0,a2,a3,fa2,fa3;scanf("h0=%f,y1=%f",&h0,&y1);h=h0;a2=h;y2=a2*a2-7*a2+10;if (y2>y1){h=-h;a3=a1;y3=y1;loop:a1=a2;y1=y2;a2=a3;y2=y3;}a3=a2+2*h;y3=a3*a3-7*a3+10;if (y3<y2){goto loop;}elseprintf("a1=%f,a2=%f,a3=%f,y1=%f,y2=%f,y3=%f\n",a1,a2,a3,y1,y2,y3);} 搜索区间为0 62.黄金分割法2.1黄金分割法基本思路:通过不断的缩短单峰区间的长度来搜索极小点的一种有效方法。
- 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)。
合肥工业大学《机械优化设计》课程实践研究报告班级:机械设计制造及其自动化12-3班学号:姓名:授课教师:王卫荣日期: 2015年 11 月 14 日目录一、一维搜索程序作业 (3)1.λ=0.618的证明 (3)2.编写0.618法程序并计算 (4)二、单位矩阵程序作业 (6)三、连杆机构问题和自选工程优化问题 (7)1.连杆机构问题 (7)2.自选工程优化问题 (14)四、课程实践心得体会 (18)一、一维搜索程序作业1.λ=0.618的证明黄金分割法,又称作0.618法,适用于[a,b] 区间上的任何单谷函数求极小值问题。
黄金分割法是建立在区间消去法原理基础上的试探方法,即在搜索区间[a,b] 内适当插入两点α1、α2,并计算其函数值。
α1、α2 将区间分成三段。
应用函数的单谷性质,通过函数值大小的比较,删去其中一段,使搜索区间得以缩短。
然后再在保留下来的区间上做同样的位置,如此迭代下去,使搜索区间无限缩小,从而得到极小点的数值近似值。
黄金分割法要求插入点α1、α2 的位置相对于区间[a,b] 两端点具有对称性,即图1-1 黄金分割法α1 = b –λ ( b – a )α2 = a + λ ( b – a ) (3-1) 其中,λ为待定常数。
下面证明λ = 0.618。
除对称性要求外,黄金分割法还要求保留下来的区间内再插入一点所形成的区间新三段,与原来区间的三段具有相同的比例分布。
设原有区间[a,b] 长度为1如图1-1 所示,保留下来的区间[a,b] 长度为λ,区间缩短率为λ。
为了保持相同的比例分布,新插入点α3应在λ ( 1 –λ ) 位置上,α1在元区间的1 –λ位置应相当于在保留区间的λ²位置。
故有1 –λ = λ²即λ² + λ– 1 = 0取方程正数解得若保留下来的区间为[α1,b] ,根据插入点的对称性,也能推得同样的λ的值。
2.编写0.618法程序并计算(1)0.618法程序:#include <stdio.h>#include <math.h>float m=0.618;float fun(float t){float y;y=cos(t);return y;}main(){ float a,b,eps;printf("\min=");scanf("%f",&a); %输入函数下限%printf("\max=");scanf("%f",&b); %输入函数上限%float t1,t2,t,f1,f2,min;printf("eps=");scanf("%f",&eps); %输入精度%while((b-a)/b>=eps){ t1=a+(1-m)*(b-a);t2=a+m*(b-a);f1=fun(t1);f2=fun(t2);if(f1>=f2){ a=t1;t1=t2;f1=f2;t2=a+m*(b-a);f2=fun(t2); }else{ b=t2;t2=t1;f2=f1;t1=a+(1-m)*(b-a);f1=fun(t1);}}t=(a+b)/2;min=fun(t);printf("最优点t=%f\n",t); %输出最优点t% printf("最优值f= %f\n",min);} %输出最优值f%(2)计算:1.a=0,b=2π,Y= cos(t)2.a=0,b=10,y=(t-2)*(t-2)+3二、单位矩阵程序作业编写生成单位矩阵的程序:程序文本#include <stdio.h>void main(void){int a[100][100];int N,i,j;printf("请输入所要输出矩阵的阶数(最多100阶):");scanf("%d",&N);printf("输出的矩阵阶数为%d\n",N);printf(" N "); /*****制作表头*****/ for(i=0;i<N;i++) /*****横行序号*****/printf("%3d",i+1);printf("\n");for(i=0;i<N+1;i++)printf("---"); /*****分割线*****/ printf("\n");for(i=0;i<100;i++) /*****数组赋值*****/ for(j=0;j<100;j++){if(i==j)a[i][j]=1;elsea[i][j]=0;}for(i=0;i<N;i++) /*****输出所需数组*****/ {printf("%2d:",i+1); /*****纵列序号*****/for(j=0;j<N;j++){printf("%3d",a[i][j]);}printf("\n");}}结果显示从键盘输入9,显示9阶单位矩阵,结果如下三、连杆机构问题和自选工程优化问题1.连杆机构问题:问题描述:图1现优化一曲柄连杆机构,如图1所示,已知曲柄长度L1为44mm,机架长度L4为220mm,,要求当曲柄的转角在[φ0,φ0+π/2 ]时,对应的摇杆的输出角为Ψi,且两者满足对应函数关系Ψi=Ψ0+ ( φ0 - φi )2,φ0和Ψ0分别对应于四连杆在初始位置时曲柄和摇杆的位置角。
要求机构传动角的范围是[π/4 ,3π/4 ],优化该问题使得从动件的一系列实际输出角与期望实现函数Ψ=f(φ)的值的平方偏差之和最小。
模型建立1、设计变量曲柄摇杆机构按照原动件和从动件的对应关系可知其有5个独立参数,对于图1分别为曲柄长度L1,连杆长度L2,摇杆长度L3,机架长度L4,曲柄初始角φ0和摇杆的初始角Ψ0,由于L1和L4已知,且由图1的几何关系知:所以φ0和Ψ0已不再是独立参数,而是杆长的函数。
经上分析独立变量只有L2和L3。
因此,选择连杆长度L2和摇杆长度L3作为设计变量。
即:X = [L2 L3]T = [X1 X2]T2、目标函数图2图3由上面图2和图3中机构的几何关系可得如下的运动规律:S为角度区间的分段数;Ψsi为机构的实际输出角,计算式为:Ψsi =根据图中的角度关系求得:所以根据本机构设计问题,以机构实际输出角Ψsi与理论输出角Ψi的平方偏差最小原则来建立目标函数。
优化目标函数表达式:3、约束条件根据已知条件,该机构的约束条件有两方面:一是传动运动过程中的传动角应大于45度且小于135度;二是保证四杆机构满足曲柄存在条件。
(1)保证传动角约束图4图5根据图4和图5中机构处于最大传动角和最小传动角时的连杆几何关系,由余弦定理知将L2=X1,L3=X2,L1=44,L4=220代入上面两式得(2)、曲柄存在条件由机械原理的知识可知,曲柄存在的条件为:将已知的杆长和设计变量代入上述条件得:经分析上述杆长条件不起约束作用,实际起作用的约束只g1(X)和g2(X),所以最终的数学模型为:优化设计1、程序运行结果Command Window:Workspace:根据程序运行结果可知,exitflag的值为1,说明目标函数收敛到局部最优解,优化效果较为理想,此时目标函数f的值为0.0121rad2,连杆的长度为181.5602mm,摇杆的长度为102.4337mm。
2、结果分析当曲柄在[φ0,φ0+ ]范围内转动时,摇杆输出角与期望实现函数Ψ=f(φ)的平方偏差值之和最小为0.0121rad2,最优点位于约束条件g2(X)=0上。
2.自选工程优化问题(1)问题描述:设计一个压缩圆柱螺旋弹簧,要求其质量最小。
弹簧材料为65Mn ,最大工作载荷为max 40F N =,最小工作载荷为0,载荷变化频率25r f Hz =,弹簧寿命为410h ,弹簧钢丝直径d 的取值范围为1-4mm ,中径2D 的取值范围为10-30mm ,工作圈数n 不应小于4.5圈,弹簧旋绕比C 不应小于4,弹簧一端固定,一端自由,工作温度为50℃,弹簧变形量不小于10mm 。
(2)数学模型的建立 设计变量本题优化目标是使弹簧质量最小,圆柱螺旋弹簧的质量可以表示为:2122()4M n n D d πρπ=+式中,γ-弹簧材料的密度,对于钢材ρ=637.810/;kg mm -⨯n -工作圈数;2n -死圈数,常取2n =1.5-2.5,现取2n =2;2D -弹簧中径(mm ); d -弹簧钢丝直径(mm ); 将d ,n ,D2作为设计变量,即 =目标函数将已知参数代入公式,进行整理后得到问题的目标函数为42213()0.19245710(2)f x M x x x -==⨯+约束条件根据弹簧性能和结构上的要求,可写出问题的约束条件:(1)强度条件 2.860.86113()350163.00g x x x -=-≥ (2)刚度条件 2432123()0.41010.00g x x x x --=⨯-≥(3)稳定性条件 2433321123() 3.7( 1.5)0.44100g x x x x x x x --=-+-⨯≥ (4)不发生共振现象,要求 6124123()0.356103750g x x x x --=⨯-≥ (5)弹簧旋绕比的限制 1531() 4.00g x x x -=-≥ (6)对2,,d n D 的限制1.0 4.0d ≤≤且应取标准值,即1.0,1.2,1.6,2.0,2.5,3.0,3.5,4.0mm ,等。
4.550n ≤≤ 21030D ≤≤ 建立优化模型由上可知,该压缩圆柱螺旋弹簧的优化设计是一个三维的约束优化问题,其数学模型为:42213min ()0.19245710(2)f x M x x x -==⨯+(计算时系数无影响可舍去)2.860.8611324321232433321123612412315316171829()350163.00()0.41010.00() 3.7( 1.5)0.44100()0.356103750() 4.00()10()40() 4.50()50g x x x g x x x x g x x x x x x x g x x x x g x x x g x x g x x g x x g x x --------=-≥=⨯-≥=-+-⨯≥=⨯-≥=-≥=-≥=-≥=-≥=-21031130()100()300g x x g x x ⎧⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪≥⎪⎪=-≥⎪⎪=-≥⎩ (3)程序编制并运行结果从上面的分析,以重量最轻为目标的汽门弹簧的优化设计问题共有3个设计变量,11个约束条件。