机械优化设计讲义
- 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)。
《机械优化设计》讲义
刘长毅
第一讲
第一课时:机械优化设计概论
课程的研究对象:根据最优化原理和方法,利用计算机为计算工具,寻求最优设计参数的一种现代设计方法。
目标:本课程目标体系可以分为三大块:理论基础、算法的分析、理解和掌握,算法的设计、实现(编程)能力的培养。将主要是对算法的学习为主,并兼顾培养一定的解决实际问题能力、上机编程调试能力。
首先,几个概念:优化(或最优化原理、方法)、优化设计、机械(工程)优化设计。
现代的优化方法,研究某些数学上定义的问题的,利用计算机为计算工具的最优解。
优化理论本身是一种应用性很强的学科,而工程优化设计(特别是机械优化设计)由于采用计算机作为工具解决工程中的优化问题,可以归入计算机辅助设计(CAD)的研究范畴。
再,优化方法的发展:源头是数学的极值问题,但不是简单的极值问题,计算机算法和运算的引入是关键。
从理论与实践的关系方面,符合实践-理论-实践的过程。优化原理和方法的理论基础归根结底还是来源于实际生产生活当中,特别是工程、管理领域对最优方案的寻找,一旦发展为一种相对独立系统、成熟的理论基础,反过来可以指导工程、管理领域最优方案的寻找(理论本身也在实践应用中不断进步、完善)。
解决优化设计问题的一般步骤:
相关知识:数学方面:微积分、线性代数;计算机方面:编程语言、计算方法;专业领域方面:机械原理、力学等知识
内容:数学基础、一维到多维、无约束到有约束
1.1数学模型
三个基本概念:设计变量、目标函数、约束条件 设计变量:
相对于设计常量(如材料的机械性能)
在设计域中变量是否连续:连续变量、离散变量(齿轮的齿数,)。
设计问题的维数,表征了设计的自由度。每个设计问题的方案(设计点)为设计空间中的一个对应的点。
设计空间:二维(设计平面)、三维(设计空间)、更高维(超设计空间)。 目标函数:
设计变量的函数。 单目标、多目标函数。 等值面的概念:设计目标为常量时形成的曲面(等值线、等值面、超等值面)。几何意义:等值线(等值线的公共中心既是无约束极小点)、等值面。 约束条件:
等式约束(约数个数小于设计问题的维数) 不等式约束
满足约束条件的设计点的集合构成可行域D :可行点、非可行点、边界设计点
几何意义(二维):对于设计空间不满足不等式约束的部分,用阴影表示。 数学模型的一般形式:
寻找一个满足约束条件的设计点,使得目标函数值最小。
标准形式:n p v X h m u X g t s R X X f v u n
<===≥∈,,2,1,0)(,,2,1,0)(..),(min
1.2
优化问题的几何描述
第二章 数学基础和数值迭代法
2.1 函数的方向导数和梯度 一、 函数的方向导数
∑=∂∂=∂∂++∂∂+∂∂=∂∂N
i i
i N
n x X f x X f x X f x X f S
X f 10
02201100cos )(cos )
(cos )(cos )()(θθθθ 二、函数的梯度
⎪
⎪⎪⎪
⎪⎭⎫
⎝
⎛⎪⎪⎭⎫ ⎝
⎛∂∂∂∂∂∂=∂∂=∂∂∑=N n N i i
i x X f x X f x
X f x X f S X f θθθθcos cos cos )()()(cos )()(21211
令T
N N x X f x X f x X f x X f x X f x X f X f ⎪⎪⎭
⎫
⎝⎛∂∂∂∂∂∂=⎪
⎪⎪⎪⎪⎪
⎪
⎪⎭⎫ ⎝⎛∂∂∂∂∂∂=∇)()()
()()()()(21
21
为函数在X 点的梯度,包含函数的一阶导数信息。
[
]f S f S f S f S f S
f T
∇=⎪⎭⎫
⎝⎛∂∂∴∇••∇=•∇=∂∂max
),cos(
即梯度方向是函数变化率最大的方向。
2.2 函数的泰勒展开与黑塞矩阵 一、泰勒展开式
[]
)()()()()()()(*
**!21
***X X X H X X X X X f X f X f T T --+-∇+=
其中黑塞(hessian )矩阵:[]
⎥⎥
⎥⎥⎥⎥⎥⎥
⎦
⎤⎢⎢⎢⎢
⎢⎢⎢⎢⎣⎡∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂=2
*22
*2
1
*22*2
22*2
1
2*21*
2
2
1*
2
2
1*2*
)()()()()
()()()()()(n n n n n x X f x x X f x x X f x x X f x X f x
x X f x x X f x x X f x X f X H
包含函数的二阶导数信息。
2.3 凸集、凸函数、凸规划 一、凸集 ),
10(,21≤≤∀⊂∈∀ααn
E X X D
有D ∈-+21)1(X X αα,则D 为凸集.
凸集的性质:1. 若D 为凸集,λ为实数,则λD 仍为凸集。(凸集的实数积为凸集)
2.若D 、φ均为凸集,则二者的并集(和)为凸集。(凸集的和为凸集)
3.若D 、φ均为凸集,则二者的交集(积)为凸集。(凸集的积为凸集)
二、凸函数
E n
的子集D 为凸集,f 为D 上的函数,),
10(,2
1≤≤∀⊂∈∀ααn E X X D 恒有
)()1()())1((2121X f X f X X f
ααα-+≤-+,则f 为D 上的凸函数。反之为凹函
数。
凸函数的性质:
1. 设f 为D 上的凸函数,λ为实数,则λf 为D 上的凸函数。
2. 设f 1,f 2为D 上的凸函数,则f= f 1+f 2为D 上的凸函数。
3. 若f 在E n 一阶可微,则对2
121,,X X E X X n
≠∈,f 为凸函数的充要条件:
)()()()(12112X X X f X f X f T
-∇+≥
4. 若f 在E n
二阶可微,则对n E X ⊂∈D
,f 为凸函数的充要条件:黑塞矩
阵半正定(若正定,严格凸函数)。
三、凸规划
m u X g t s R X X f u n
,,2,1,0)(..),(min
=≤∈其中目标函数、不等式约束均为凸函数,则称该问题为凸规划。 凸规划的性质:
1. 集合)}()(|{0
X f X f X ≤=ϕ为凸集。
2. 可行域为凸集。 3. 任何局部最优解即为全域最优解。
4. 若目标函数可微,则最优解的充要条件:0)()(**≥-∇X X X f T
2.4 无约束优化的极值条件
1.一阶导数(梯度)为零。
2.二阶导数(黑塞矩阵)正定(极小点),或负定(极大点)。
2.5 有约束优化的极值条件(Kuhn-Tucker 条件)