现代机械设计与制造读书笔记05--14(2)

5.自学小结

结合对相似理论及相似设计方法的了解学习，联想到“仿生学”这个学科，它也是利用自然界生物与我们所要设计的某些结构之间某方面的相似性来进行仿生设计，例如依据竹节结构的耐稳性对起重机的主梁进行轻量化设计：利用树枝的结构对某些机械的结构进行结构优化。这些都是应用相似理论一种应用。大自然的生物经过上亿年的进化。其结构在一定程度上已经是一种完美的形式，它们对于我们科研设计人员来说是天然的教材，有许多的地方值得我们挖掘理解。对于目前所研究的桥式起重机来说，其结构仍然有些笨重，需要改进优化的地方有很多，我们可以借鉴相似性理论，结合仿生学知识对其进行优化，这也将会是我今后的一个研究方向。

二.最优化设计

“最优化设计”是在现代计算机广泛应用的基础上发展起来的一项新技术，是根据最优化原理和方法，综合各方面的因索，以人机配合方式或用“自动探索”的方式，在计算机上进行的半自动或自动设计，以选出在现有工程条件下的最好设计方案的一种现代设计方法。

实践证明，最优化设计是保证产品具有优良的性能，减轻自重或体积，降低工程造价的一种有效设计方法。同时也可使设计者从大量繁琐和重复的计算工作中解脱出来，使之有更多的精力从事创造性的设计，并大大提高设计效率。最优化设计方法己陆续应用到建筑结构、化工、冶金、铁路、航空、造船，机床、汽车、自动控制系统、电力系统以及电机、电器等工程设计领域，并取得了显著效果。设计上的“最优值”是指在一定条件(各种设计因素)影响下所能得到的最佳设计值。最优值是一个相对的概念。它不同于数学上的极值，但有很多情况下可以用最大值或最小值来表示。

概括起来，最优化设计工作包括以下两部分内容：

1）将设计问题的物理模型转变为数学模型。建立数学模型时要选取设计变量，列出目标函数，给出约束条件。目标函数是设计问题所要求的最优指标与设计变量之间的函数关系式;

2）采用适当的最优化方法，求解数学模型。可归结为在给定的条件(例如约束条件)下求目标函数的极值或最优值问题。

1.建立数学模型

任何一个最优化问题均可归结为如下的描述，即：在满足给定的约束条件(可行域D内)下，选取适当的设计变量X，使其目标函数f(X)达到最优值其数学表达式(数学模型)为：

设计变量：

TnX?[xx...x]12n X?D?E

在满足约束条件：

hv(X)?0 （v?1,2,...,p） gu(X)?0 （u?1,2,...,m）

的条件下，求目标函数

f(X)???1?fj(X)j?1q的最优值。

目标函数的最优值一般可用最小值(或最大值)的形式来体现，因此，最优化设计的数学模型可简化表示为：

n minf(X) X?D?E

p ,.（subject to）hv(X)?0 v?1,2,... st

gu(X)?0 u?1,2,...,m 式（5.1）

当式(5.1 )中的p?0，m?0时，称为无约束最优化问题；否则称为约束最优化问题。机械最优化设计问题多属于约束非线性最优化问题。

（1）设计变量

在设计过程中进行选择并最终必须确定的各项独立参数，称为设计变量。在选择过程中它们是变量，但这些变量一旦确定以后，则设计对象也就完全确定。最优化设计是研究怎样合理地优选这些设计变量值的一种现代设计方法。凡是可以根据设计要求事先给定的，则不是设计变量，而称为设计常量。只有那些需要在设计过程中优选的参数，才可看成是最优化设计过程中的设计变量。

设计变量的数目称为最优化设计的维数，如有n个设计变量，则称为n维设计问题。在

一般的情况下，若有n个设计变量，把第i个设计变量一记为维向量的形式表示成：

xi，则其全部设计变量可用n?x1?????X??xi??[x1??????xn??xixn]T 式（5.2）

在最优化设计中，由各个设计变量的坐标轴所描述的空间就是所谓的“设计空间”。设计空间中的一个点就是一种设计方案。设计空间中的某点k (一种设计方案)是由各设计变量所组成的向量X(k)所决定。另一种设计方案(k?1)点则由另一组设计变量（k?1 )所组成

的向量确定。最优化设计中通常采用的直接探索法，就是在相邻的设计点间作一系列定向的设计移动。由k点到（k?1）点间的典型运动情况由下式给出：

(k?1)?X(k)?a(k)S(k) 式（5.3） X向量S(k)决定移动的方向，标量a(k)决定移动的步长。

（2）目标函数

在设计中，设计者总是希望所设计的产品具有最好的性能指标、最小的质量或最大的经济效益等。在最优化设计中，可将所追求的设计目标(最优指标)用设计变量的函数形式表达出来，这一过程称为建立目标函数。即目标函数是设计中预期要达到的目标，表达为各设计变量的函数表达式：

f(X)?f(x1,x2,...,xn) 式（5.5）

它代表设计的某项最重要的特征。对于泵类液压元件来说，最常见的情况是以重量或是体积最小作为目标函数。

目标函数是设计变量的标量函数，最优化设计的过程就是优选设计变量，使目标函数达到最优值或找出目标函数的最小值(最大值)的过程。

在一个最优化设计中可以只有一个目标函数，称为单目标函数。当在同一设计中要提出多个目标函数时，这种问题称为多目标函数的最优化问题。

目标函数愈多，设计效果愈好，但问题的求解亦愈复杂。对于多目标函数，可以独立地

列出几个目标函数式：

f1(X)?f1(x1,x2,...,xn) f2(X)?f2(x1,x2,...,xn)

fn(X)?fn(x1,x2,...,xn) 式（5.6） 也可以把几个设计变量综合到一起，建立一个综合的目标函数表达式，即：

式中：

f(X)??fj(X)j?1q 式（5.7）

q——最优化设计所追求的目标数目

（3）约束条件

目标函数取决于设计变量，但在很多实际问题中，设计变量取值范围是有限制的或必须满足一定的条件。在最优化设计中，这种对设计变量取值时的限制条件，称为约束条件或设计约束。

约束条件可以用数学等式或不等式来表示。

等式约束对设计变量的约束严格，起着降低设计自由度的作用。其形式为：

hv(X)?0 v?1,2,...,p 式（5.11）

在机械最优化设计中，不等式约束更为普遍。不等式约束的形式为：

gu(X)?0 u?1,2,...,m 式（5.12）

gu(X)?0 u?1,2,...,m 式（5.13）

或： 在上述式中，

hv(X)?0，gu(X)?0为设计变量的约束方程，即设计变量的允许变化

****TX?[xx...x12n]，使范围。最优化设计，即是在设计变量允许范围内找出一组最优化参数

*f(X)f(X)。 目标函数达到最优值

对于等式约束来说，设计变量所代表的设计点必须在式(5.11)所表示的面(或线)上。对不

等式约束来说，其极限情况

gu(X)?0所表示的几何面(线)将设计空间分为两部分:一部分中

的所有点均满足约束条件式(5.12 )或式(5.13 ),这一部分的空间称为设计点的可行域，并以D表示。可行域中的点是设计变量可以选取的，称为可行设计点或简称可行点。另一部分中的所有点均不满足约束条件式(5.12)或式(5.13 )，在这个区域如果选取设计点则违背了约束条件，它就设计的非可行域，该域中的点称为非可行点。如果设计点落到某个约束边界面(或边界线)上，则称边界点，边界点是允许的极限设计方案。最优化设计过程，即寻找可行域内的最优点或最优设计方案。

2.优化方法

一维探索最优化方法

机械结构的最优化设计大都为多维问题，一维问题的情况很少。但是一维问题的最优化方法是优化方法中最基本的方法，在数值方法迭代计算过程中，都要进行一维探索。由于在最优化的大多数方法中，常常要进行一维探索寻求最优步长或最优方向等，因此，一维探索在最优化方法中有很重要的位置。一维探索进行的好坏，往往直接影响到最优化问题的求解速度。

一维探索最优化的方法很多，下面仅介绍本文将采用的进退法。

由单峰函数的性质可知，在极小点左边函数值应一直下降，而在极小点右边函数值一直上升。根据这一特点，可先给定初始点

前进运算：将

a0及初始步长h，求探索区间[a,b]。

f(a0)?f(a0?h)，a0及a0?h代入目标函数进行运算，

若则将步长h增a0?3h。若f(a0?h)?f(a0?3h)，则探索区间可取为：

加2倍，并计算新点

a?a0 ；b?a0?3h

否则将步长再加倍，并且重复上述计算。

hhf(a0)?f(a0?h)，则将步长h缩微4，并从a0点出发，以4为步长反方

后退计算：

a0?hhf(a0)?f(a0?)4。若4，则探索区间可取为：

向探索，这时得到的后退点为

百度搜索“70edu”或“70教育网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，70教育网，提供经典综合文库现代机械设计与制造读书笔记05--14(2)在线全文阅读。