CN111881931A - 面向汽车车身轻量化结构设计中求解响应不连续昂贵优化问题的实现方法及装置 - Google Patents

面向汽车车身轻量化结构设计中求解响应不连续昂贵优化问题的实现方法及装置 Download PDF

Info

Publication number
CN111881931A
CN111881931A CN202010524685.5A CN202010524685A CN111881931A CN 111881931 A CN111881931 A CN 111881931A CN 202010524685 A CN202010524685 A CN 202010524685A CN 111881931 A CN111881931 A CN 111881931A
Authority
CN
China
Prior art keywords
sub
region
samples
sample set
design
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010524685.5A
Other languages
English (en)
Other versions
CN111881931B (zh
Inventor
王勇
林剑清
刘角
孙光永
庞通
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Central South University
Original Assignee
Hunan University
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University, Central South University filed Critical Hunan University
Priority to CN202010524685.5A priority Critical patent/CN111881931B/zh
Publication of CN111881931A publication Critical patent/CN111881931A/zh
Application granted granted Critical
Publication of CN111881931B publication Critical patent/CN111881931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种面向汽车车身轻量化结构设计中求解响应不连续昂贵优化问题的实现方法及装置。通过区域划分策略，通过对结构设计中响应不连续的定位，将初始带有响应不连续的设计域划分成若干个响应连续的子区域。然后针对每一个子区域，分别使用差分进化算法作为搜索引擎生成子代种群并使用代理模型对生成的子代种群进行模型评价找到较有前途的方案。最后，再通过一个局部代理模型辅助搜索得到更优的方案。本发明解决了在汽车车身轻量化结构设计中由于响应不连续现象的存在导致代理模型的模型精度降低以及优化算法无法进一步优化的问题，对汽车车身轻量化结构设计具有重要意义。

Description

面向汽车车身轻量化结构设计中求解响应不连续昂贵优化问 题的实现方法及装置
技术领域
本发明属于汽车轻量化领域和进化计算领域，具体涉及一种面向汽车车身轻量化结构设计中求解响应不连续昂贵优化问题的实现方法及装置。
背景技术
汽车轻量化是指在保证其防撞性能不变或者提高的前提下，有目标的减少车身自身的质量。在汽车轻量化领域中，不同结构设计对轻量化有着极大的影响。结构设计优化问题通常需要消耗大量计算资源去评价解的质量，例如，一次汽车结构碰撞仿真需要长达数个小时，这一类问题一直是汽车轻量化领域的最为热点的问题之一。同时，在这类问题中，还存在着许多响应不连续现象，响应不连续是指设计变量在某一个值上其响应发生突变，导致函数不连续。在汽车轻量化结构设计的碰撞实验中，由于结构的尺寸变化经常会引起不同状态的形变，那么引起两种不同形变的设计变量处往往会出现响应不连续现象，响应不连续现象的存在给优化增加了极大的难度。想要求解该类问题必须克服巨大的计算资源带来的挑战以及响应不连续现象所带来的负面影响。
为了克服巨大的计算资源带来的挑战，代理模型辅助的进化算法被认为是用于求解结构优化问题的较好方法。进化算法是一类基于种群的启发式搜索方法，进化算法不需要梯度信息，也不需要解析的目标函数，因此可以有效求解优化问题。然而进化算法求解过程需要大量的评价次数，这导致其无法直接用于求解结构优化问题。因此引入代理模型来代替部分计算昂贵的实际评估。由于代理模型的计算开销比直接使用计算真实函数评估要小得多，因此可以显著降低计算成本。目前有许多优秀的代理模型辅助的进化算法，例如基于主动学习的代理模型辅助的粒子群算法(CALSAPSO)等。
然而现有的代理模型辅助的进化算法通常假设近似函数是连续的，而且常用代理模型通常有以下假设：在一个度量空间中，两个观测点的函数值与其距离是相关的，两个观测点的距离越近，则其函数值也越相近。但在响应不连续问题中，这种假设在响应不连续区域不成立。因为在响应不连续两侧，即使很接近的两个点，其函数值相差很大。因此，在响应不连续区域，其函数是不符合上述假设的，现有的算法的模型在响应不连续区域不能精准地预测，建立的模型如果不准确，那么最终将导致无法找到最优解或陷入局部最优。因此整体来说，现有算法无法有效地求解响应不连续的结构优化问题。在汽车轻量化领域和进化计算领域中，目前关于求解响应不连续的结构优化问题的工作和研究几乎没有。
发明内容
本发明的目的是为了克服汽车车身轻量化结构设计中响应不连续现象的存在对模型精度的影响以及对优化造成困难，提出了一种基于区域划分的代理模型辅助的进化算法用于求解汽车车身轻量化结构设计中响应不连续昂贵优化问题的方法，包括以下步骤：
步骤1：以汽车车身结构的各个尺寸作为设计变量，以设计变量对应的范围形成设计域，以所对应结构的比吸能作为目标函数值；然后基于设计域对应的范围，通过拉丁超立方抽样方式在范围内生成150个样本点作为初始数据，进行真实目标函数评价即有限元分析后保存到样本集，样本集中每一个样本代表一个设计方案；
步骤2：针对样本集中当前全部样本在设计域中对应的位置，结合DBSCAN聚类算法和支持向量机算法作为区域划分策略，将原本为响应不连续的设计域在不连续处进行划分，形成多个响应连续的子区域；
步骤3：对于每一个子区域，通过该子区域的样本构建Kriging代理模型，同时使用差分进化算法DE/rand/1/bin算子生成处于该子区域的子代，并将这些子代基于期望提升准则进行Kriging代理模型评价，然后选择每个子区域对应的最有前途的子代即期望提升最大的子代，最后对比其他子区域，选择对于全局而言最有前途的个体并对其进行真实昂贵评价，并将该解加入到样本集中；
步骤4：选择距离样本集最优解最近且处于同一子区域内的若干个样本作为父代种群，使用进化算法生成子代，同时根据这若干个样本构建RBF代理模型，对生成的子代进行RBF代理模型评价，选择代理模型评价目标函数最优的个体并进行真实昂贵评价，同时将该个体保存到样本集中；然后返回步骤2循环执行直到达到预设次数；
步骤5：选择样本集中目标函数值最优的解作为最终结构设计方案。
所述的方法，步骤2中，所述的将原问题中带有响应不连续的初始设计域划分成多个响应连续的子区域包括以下步骤：
对样本集中的样本进行自适应参数的DBSCAN密度聚类，以将处于响应不连续两侧的样本区分开，对于聚类后的每一类样本，使用该类样本和其他样本分别作为正负样本训练支持向量机，得到对应的判别模型作为不同子区域的划分边界，进而实现区域划分将带有响应不连续的设计域划分成多个函数连续的子区域。
所述的方法，步骤3包括以下步骤：对于每一个子区域，利用该子区域中目标函数值最优的50个样本作为父代种群，使用进化算法DE/rand/1/bin算子生成在该子区域的子代，如果子区域内样本不足50个就选择该子区域的全部样本，同时通过该子区域的全部样本建立Kriging代理模型，并将这些子代基于期望提升准则进行Kriging代理模型评价，选择每个子区域对应的最有前途即期望提升最大的子代，然后从中挑选出全局而言的最有前途的个体并对其进行真实昂贵评价，同时将该个体保存到样本集中。
所述的方法，所述的步骤4中，选择距离样本集最优解最近且处于同一子区域内的若干个样本作为父代种群，是选择与样本集最优解处于同一子区域内的，且与样本集最优解距离最近的前50个样本，当子区域内样本不足50个时，则选择该子区域的全部样本。
本发明同时提供了一种面向汽车车身轻量化结构设计中响应不连续昂贵优化问题的装置，包括：
设计域样本初始化模块：用于以汽车车身结构的各个尺寸作为设计变量，以设计变量对应的范围形成设计域，以所对应结构的比吸能作为目标函数值；然后基于设计域对应的范围，通过拉丁超立方抽样方式在范围内生成150个样本点作为初始数据，进行真实目标函数评价即有限元分析后保存到样本集，样本集中每一个样本代表一个设计方案；
子区域划分模块：用于针对样本集中当前全部样本在设计域中对应的位置，结合DBSCAN聚类算法和支持向量机算法作为区域划分策略，将原本为响应不连续的设计域在不连续处进行划分，形成多个响应连续的子区域；
差分进化算法模块：用于对于每一个子区域，通过该子区域的样本构建Kriging代理模型，同时使用差分进化算法DE/rand/1/bin算子生成处于该子区域的子代，并将这些子代基于期望提升准则进行Kriging代理模型评价，然后选择每个子区域对应的最有前途的子代即期望提升最大的子代，最后对比其他子区域，选择对于全局而言最有前途的个体并对其进行真实昂贵评价，并将该解加入到样本集中；
RBF代理模型模块：用于选择距离样本集最优解最近且处于同一子区域内的若干个样本作为父代种群，使用进化算法生成子代，同时根据这若干个样本构建RBF代理模型，对生成的子代进行RBF代理模型评价，选择代理模型评价目标函数最优的个体并进行真实昂贵评价，同时将该个体保存到样本集中；然后由子区域划分模块重新划分并执行直到达到预设次数；
结构设计方案选择模块：用于选择样本集中目标函数值最优的解作为最终结构设计方案。
所述的装置，子区域划分模块中，所述的将原问题中带有响应不连续的初始设计域划分成多个响应连续的子区域为：
对样本集中的样本进行自适应参数的DBSCAN密度聚类，以将处于响应不连续两侧的样本区分开，对于聚类后的每一类样本，使用该类样本和其他样本分别作为正负样本训练支持向量机，得到对应的判别模型作为不同子区域的划分边界，进而实现区域划分将带有响应不连续的设计域划分成多个函数连续的子区域。
所述的装置，所述的差分进化算法模块是用于：对于每一个子区域，利用该子区域中目标函数值最优的50个样本作为父代种群，使用进化算法DE/rand/1/bin算子生成在该子区域的子代，如果子区域内样本不足50个就选择该子区域的全部样本，同时通过该子区域的全部样本建立Kriging代理模型，并将这些子代基于期望提升准则进行Kriging代理模型评价，选择每个子区域对应的最有前途即期望提升最大的子代，然后从中挑选出全局而言的最有前途的个体并对其进行真实昂贵评价，同时将该个体保存到样本集中。
所述的装置，所述的RBF代理模型模块中，选择距离样本集最优解最近且处于同一子区域内的若干个样本作为父代种群，是选择与样本集最优解处于同一子区域内的，且与样本集最优解距离最近的前50个样本，当子区域内样本不足50个时，则选择该子区域的全部样本。
一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如前任一所述的方法。
一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如前任一所述的方法。
本发明的技术效果在于，通过基于区域划分的代理模型辅助的进化算法将带响应不连续的初始设计域划分成若干个函数连续的子区域，区域分割可以有效避免响应不连续带来的负面影响，帮助后续提高代理模型的精度，全局代理辅助搜索部分可以快速定位较有前途的区域，局部代理辅助搜索部分可以加速收敛，能够帮助找到到更优的结构设计方案，相对于现有的代理模型辅助的进化算法，该发明其搜索性能和收敛性能大幅提升，可以更好地用于求解响应不连续的结构优化问题。对汽车车身轻量化结构设计具有重要意义。
附图说明
图1为汽车轻量化结构设计中响应不连续现象的实例；
图2为区域划分策略的示意图；
图3为普通方法与基于区域划分的拟合对比示意图。
具体实施方式
下面结合附图对本发明的实施方式作进一步的说明。
本实施例针对汽车车身轻量化结构设计中响应不连续昂贵优化问题，首先设计了一种全新的区域划分策略，通过对结构设计中响应不连续的定位，将初始带有响应不连续的设计域划分成若干个响应连续的子区域。然后针对每一个子区域，分别使用差分进化算法作为搜索引擎生成子代种群并使用代理模型对生成的子代种群进行模型评价找到较有前途的方案。最后，再通过一个局部代理模型辅助搜索得到更优的方案。
图一所示为汽车轻量化结构设计中响应不连续的一个例子。可以看到当结构中的某一个设计变量发生改变时，该结构受碰撞时产生了不同的形变。两种不同的形变就导致了响应(比吸能)的不连续。为了有效处理该类问题，本实施例提出了用于求解汽车车身轻量化结构设计中响应不连续昂贵优化问题的方法。其包括以下步骤：
步骤1：以汽车车身结构的各个尺寸作为设计变量，以设计变量对应的范围形成设计域，以所对应结构的比吸能作为目标函数值。比吸能表示结构单位质量所吸收的能量，比吸能越大，说明该结构越好。首先在设计域所对应的范围中通过拉丁超立方抽样方式随机得到150个初始数据，进行真实昂贵评价后加入样本集。然后设计一个基于数据的区域划分方法将带有响应不连续的设计域划分成多个函数连续的子区域。该区域划分方法能够克服响应不连续现象带来的不良影响。为了更好地说明区域划分方法，以下通过具体实施例来说明区域划分的工作原理，其具体操作如下：
1)首先在区域划分这个方法中，首先需要定义目标决策距离，记为ODD。假设(p1，y1)和(p2，y2)是该策略中保留的两个解决方案，则它们的ODD计算如下：
Figure BDA0002533378240000091
其中，ODD同时考虑了决策空间和目标函数空间中两个解的差异，可以更有效判断两个解是否位于同一连续子区域中。
2)如图2(a)所示，f1(x)是一个一维响应不连续函数。假设A、B、C、D、E、F、G、H、I为函数上的九个采样点，根据ODD使用聚类算法可以将这些样本点进行聚类，聚类结果为图2(a)标注所示，可以看到，通过聚类，每一类的数据都处于连续函数上。
3)从图2(a)中所示的聚类结果，我们使用支持向量机训练不同类别的样本，训练所得的模型即可表示为不同类别间的划分线，即可得到若干个子区域，即子区域I，子区域II和子区域III，分别如图2(b)，图2(c)和图2(d)所示，我们通过该区域划分方法，将响应不连续划分成若干个连续的子区域。
为了更好地说明区域划分方法的作用，我们进行了对上述例子进行了拟合对比实验，其结果如图3所示。图3(a)所示为没使用区域划分方法直接进行拟合，图3(b)所示为使用区域划分方法进行分别对每个子区域进行拟合，可以直观地看到，使用区域划分方法的拟合效果比直接没有使用区域划分方法好很多。
步骤2：基于步骤1中区域划分方法，对于每一个子区域，利用该子区域的最优的50个样本作为父代样本使用进化算法生成在该子区域的子代(如果不足50个就选择该子区域的全部样本)，同时通过该子区域的样本建立Kriging代理模型，进行基于代理模型辅助的搜索，并得到每个子区域对应的期望最高的个体作为最有前途的子代，即期望提升最大的子代，然后从中挑选出全局而言的最有前途的个体并对其进行真实昂贵评价，同时将该个体保存到样本集中。该步骤不仅可以提高代理模型的精度，还可以快速定位较有前途的区域。
步骤3中，基于步骤2中的基于区域划分的代理模型全局寻优，选择距离样本集最优解最近的同一子区域的50个样本作为父代种群使用进化算法生成子代(如果不足50个就选择该子区域的全部样本)，为了保证局部搜索的有效性，我们需要在该最优解所在的子区域生成子代进行搜索。令xbest表示目前最有前途解，利用进化算法算子在其附近生成一些列的子代，我们认为与xbest处于同一子区域的为合法子代，利用这些合法子代进行搜索可以保证局部搜索的有效性，同时根据上述选择出来的样本建立RBF代理模型，对生成的子代进行RBF代理模型评价，选择代理模型评价函数值最优的个体并进行真实昂贵评价，同时将该个体保存到样本集中。直到真实昂贵评价次数达到设定次数，否则针对目前样本集中所有样本在设计域中的对应位置，回到基于数据的区域划分方法来重新划分子区域后循环执行。
在真实昂贵评价次数达到设定次数后，最终选择样本集中目标函数值最优的解作为最终结构设计方案。
本实施例中，同时提供了一种面向汽车车身轻量化结构设计中响应不连续昂贵优化问题的装置，包括：
设计域样本初始化模块：用于以汽车车身结构的各个尺寸作为设计变量，以设计变量对应的范围形成设计域，以所对应结构的比吸能作为目标函数值；然后基于设计域对应的范围，通过拉丁超立方抽样方式在范围内生成150个样本点作为初始数据，进行真实目标函数评价即有限元分析后保存到样本集，样本集中每一个样本代表一个设计方案；
子区域划分模块：用于针对样本集中当前全部样本在设计域中对应的位置，结合DBSCAN聚类算法和支持向量机算法作为区域划分策略，将原本为响应不连续的设计域在不连续处进行划分，形成多个响应连续的子区域；
差分进化算法模块：用于对于每一个子区域，通过该子区域的样本构建Kriging代理模型，同时使用差分进化算法DE/rand/1/bin算子生成处于该子区域的子代，并将这些子代基于期望提升准则进行Kriging代理模型评价，然后选择每个子区域对应的最有前途的子代即期望提升最大的子代，最后对比其他子区域，选择对于全局而言最有前途的个体并对其进行真实昂贵评价，并将该解加入到样本集中；
RBF代理模型模块：用于选择距离样本集最优解最近且处于同一子区域内的若干个样本作为父代种群，使用进化算法生成子代，同时根据这若干个样本构建RBF代理模型，对生成的子代进行RBF代理模型评价，选择代理模型评价目标函数最优的个体并进行真实昂贵评价，同时将该个体保存到样本集中；然后由子区域划分模块重新划分并执行直到达到预设次数；
结构设计方案选择模块：用于选择样本集中目标函数值最优的解作为最终结构设计方案。
所述的装置，子区域划分模块中，所述的将原问题中带有响应不连续的初始设计域划分成多个响应连续的子区域为：
对样本集中的样本进行自适应参数的DBSCAN密度聚类，以将处于响应不连续两侧的样本区分开，对于聚类后的每一类样本，使用该类样本和其他样本分别作为正负样本训练支持向量机，得到对应的判别模型作为不同子区域的划分边界，进而实现区域划分将带有响应不连续的设计域划分成多个函数连续的子区域。
所述的装置，所述的差分进化算法模块是用于：对于每一个子区域，利用该子区域中目标函数值最优的50个样本作为父代种群，使用进化算法DE/rand/1/bin算子生成在该子区域的子代，如果子区域内样本不足50个就选择该子区域的全部样本，同时通过该子区域的全部样本建立Kriging代理模型，并将这些子代基于期望提升准则进行Kriging代理模型评价，选择每个子区域对应的最有前途即期望提升最大的子代，然后从中挑选出全局而言的最有前途的个体并对其进行真实昂贵评价，同时将该个体保存到样本集中。
所述的装置，所述的RBF代理模型模块中，选择距离样本集最优解最近且处于同一子区域内的若干个样本作为父代种群，是选择与样本集最优解处于同一子区域内的，且与样本集最优解距离最近的前50个样本，当子区域内样本不足50个时，则选择该子区域的全部样本。
根据本发明的实施例，本发明还提供了一种电子设备和一种计算机可读介质。
其中电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现前述的方法。
具体使用中，用户能够通过作为终端设备的电子设备并基于网络来与同样作为电子设备的服务器进行交互，实现接收或发送消息等功能。终端设备一般是设有显示装置、基于人机界面来使用的各种电子设备，包括但不限于智能手机、平板电脑、笔记本电脑和台式电脑等。其中终端设备上根据需要可安装各种具体的应用软件，包括但不限于网页浏览器软件、即时通信软件、社交平台软件、购物软件等。
服务器是用于提供各种服务的网络服务端，如对收到的从终端设备传输过来的结构设计方案提供相应计算服务的后台服务器。以实现对接收到的结构设计方案来进行最佳方案的选择，并将最终的方案选择结果返回至终端设备。
本实施例所提供的结构设计方案选择方法一般由服务器执行，在实际运用中，在满足必要条件下，终端设备亦可直接执行结构设计方案选择，相应地，结构设计方案选择装置可设置于服务器，同样在满足必要条件下，结构设计方案选择装置也可设置于终端设备中。
类似的，本发明的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的结构设计方案选择方法。

Claims (10)

1.一种面向汽车车身轻量化结构设计中响应不连续昂贵优化问题的方法，其特征在于，包括以下步骤：
步骤1：以汽车车身结构的各个尺寸作为设计变量，以设计变量对应的范围形成设计域，以所对应结构的比吸能作为目标函数值；然后基于设计域对应的范围，通过拉丁超立方抽样方式在范围内生成150个样本点作为初始数据，进行真实目标函数评价即有限元分析后保存到样本集，样本集中每一个样本代表一个设计方案；
步骤2：针对样本集中当前全部样本在设计域中对应的位置，结合DBSCAN聚类算法和支持向量机算法作为区域划分策略，将原本为响应不连续的设计域在不连续处进行划分，形成多个响应连续的子区域；
步骤3：对于每一个子区域，通过该子区域的样本构建Kriging代理模型，同时使用差分进化算法DE/rand/1/bin算子生成处于该子区域的子代，并将这些子代基于期望提升准则进行Kriging代理模型评价，然后选择每个子区域对应的最有前途的子代即期望提升最大的子代，最后对比其他子区域，选择对于全局而言最有前途的个体并对其进行真实昂贵评价，并将该解加入到样本集中；
步骤4：选择距离样本集最优解最近且处于同一子区域内的若干个样本作为父代种群，使用进化算法生成子代，同时根据这若干个样本构建RBF代理模型，对生成的子代进行RBF代理模型评价，选择代理模型评价目标函数最优的个体并进行真实昂贵评价，同时将该个体保存到样本集中；然后返回步骤2循环执行直到达到预设次数；
步骤5：选择样本集中目标函数值最优的解作为最终结构设计方案。
2.根据权利要求1所述的方法，其特征在于，步骤2中，所述的将原问题中带有响应不连续的初始设计域划分成多个响应连续的子区域包括以下步骤：
对样本集中的样本进行自适应参数的DBSCAN密度聚类，以将处于响应不连续两侧的样本区分开，对于聚类后的每一类样本，使用该类样本和其他样本分别作为正负样本训练支持向量机，得到对应的判别模型作为不同子区域的划分边界，进而实现区域划分将带有响应不连续的设计域划分成多个函数连续的子区域。
3.根据权利要求1所述的方法，其特征在于，步骤3包括以下步骤：对于每一个子区域，利用该子区域中目标函数值最优的50个样本作为父代种群，使用进化算法DE/rand/1/bin算子生成在该子区域的子代，如果子区域内样本不足50个就选择该子区域的全部样本，同时通过该子区域的全部样本建立Kriging代理模型，并将这些子代基于期望提升准则进行Kriging代理模型评价，选择每个子区域对应的最有前途即期望提升最大的子代，然后从中挑选出全局而言的最有前途的个体并对其进行真实昂贵评价，同时将该个体保存到样本集中。
4.根据权利要求1所述的方法，其特征在于，所述的步骤4中，选择距离样本集最优解最近且处于同一子区域内的若干个样本作为父代种群，是选择与样本集最优解处于同一子区域内的，且与样本集最优解距离最近的前50个样本，当子区域内样本不足50个时，则选择该子区域的全部样本。
5.一种面向汽车车身轻量化结构设计中响应不连续昂贵优化问题的装置，其特征在于，包括：
设计域样本初始化模块：用于以汽车车身结构的各个尺寸作为设计变量，以设计变量对应的范围形成设计域，以所对应结构的比吸能作为目标函数值；然后基于设计域对应的范围，通过拉丁超立方抽样方式在范围内生成150个样本点作为初始数据，进行真实目标函数评价即有限元分析后保存到样本集，样本集中每一个样本代表一个设计方案；
子区域划分模块：用于针对样本集中当前全部样本在设计域中对应的位置，结合DBSCAN聚类算法和支持向量机算法作为区域划分策略，将原本为响应不连续的设计域在不连续处进行划分，形成多个响应连续的子区域；
差分进化算法模块：用于对于每一个子区域，通过该子区域的样本构建Kriging代理模型，同时使用差分进化算法DE/rand/1/bin算子生成处于该子区域的子代，并将这些子代基于期望提升准则进行Kriging代理模型评价，然后选择每个子区域对应的最有前途的子代即期望提升最大的子代，最后对比其他子区域，选择对于全局而言最有前途的个体并对其进行真实昂贵评价，并将该解加入到样本集中；
RBF代理模型模块：用于选择距离样本集最优解最近且处于同一子区域内的若干个样本作为父代种群，使用进化算法生成子代，同时根据这若干个样本构建RBF代理模型，对生成的子代进行RBF代理模型评价，选择代理模型评价目标函数最优的个体并进行真实昂贵评价，同时将该个体保存到样本集中；然后由子区域划分模块重新划分并执行直到达到预设次数；
结构设计方案选择模块：用于选择样本集中目标函数值最优的解作为最终结构设计方案。
6.根据权利要求5所述的装置，其特征在于，子区域划分模块中，所述的将原问题中带有响应不连续的初始设计域划分成多个响应连续的子区域为：
对样本集中的样本进行自适应参数的DBSCAN密度聚类，以将处于响应不连续两侧的样本区分开，对于聚类后的每一类样本，使用该类样本和其他样本分别作为正负样本训练支持向量机，得到对应的判别模型作为不同子区域的划分边界，进而实现区域划分将带有响应不连续的设计域划分成多个函数连续的子区域。
7.根据权利要求5所述的装置，其特征在于，所述的差分进化算法模块是用于：对于每一个子区域，利用该子区域中目标函数值最优的50个样本作为父代种群，使用进化算法DE/rand/1/bin算子生成在该子区域的子代，如果子区域内样本不足50个就选择该子区域的全部样本，同时通过该子区域的全部样本建立Kriging代理模型，并将这些子代基于期望提升准则进行Kriging代理模型评价，选择每个子区域对应的最有前途即期望提升最大的子代，然后从中挑选出全局而言的最有前途的个体并对其进行真实昂贵评价，同时将该个体保存到样本集中。
8.根据权利要求5所述的装置，其特征在于，所述的RBF代理模型模块中，选择距离样本集最优解最近且处于同一子区域内的若干个样本作为父代种群，是选择与样本集最优解处于同一子区域内的，且与样本集最优解距离最近的前50个样本，当子区域内样本不足50个时，则选择该子区域的全部样本。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202010524685.5A 2020-06-10 2020-06-10 面向汽车车身轻量化结构设计中求解响应不连续昂贵优化问题的实现方法及装置 Active CN111881931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010524685.5A CN111881931B (zh) 2020-06-10 2020-06-10 面向汽车车身轻量化结构设计中求解响应不连续昂贵优化问题的实现方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010524685.5A CN111881931B (zh) 2020-06-10 2020-06-10 面向汽车车身轻量化结构设计中求解响应不连续昂贵优化问题的实现方法及装置

Publications (2)

Publication Number Publication Date
CN111881931A true CN111881931A (zh) 2020-11-03
CN111881931B CN111881931B (zh) 2024-02-23

Family

ID=73157802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010524685.5A Active CN111881931B (zh) 2020-06-10 2020-06-10 面向汽车车身轻量化结构设计中求解响应不连续昂贵优化问题的实现方法及装置

Country Status (1)

Country Link
CN (1) CN111881931B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158514A (zh) * 2021-03-31 2021-07-23 中南大学 汽车车身材料结构匹配轻量化设计方法、系统及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1758255A (zh) * 2005-11-03 2006-04-12 上海交通大学 基于响应面法的轿车车身零件轻量化方法
CN105653768A (zh) * 2015-12-25 2016-06-08 上海交通大学 基于粒子群优化算法的轿车车身轻量化结构的实现方法
CN107563094A (zh) * 2017-09-21 2018-01-09 上海交通大学 三维机织碳纤维复合材料汽车翼子板优化方法
CN107856746A (zh) * 2017-11-06 2018-03-30 奇昊汽车系统（苏州）有限公司 钢塑混合汽车仪表板支架总成及汽车
CN108268728A (zh) * 2018-01-22 2018-07-10 上海交通大学 基于两步式改进粒子群优化算法的汽车尾门结构优化方法
CN110569692A (zh) * 2018-08-16 2019-12-13 阿里巴巴集团控股有限公司 多车识别方法、装置及设备
CN111191819A (zh) * 2019-12-12 2020-05-22 同济大学 一种轨道交通多列车速度曲线轨迹协调优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1758255A (zh) * 2005-11-03 2006-04-12 上海交通大学 基于响应面法的轿车车身零件轻量化方法
CN105653768A (zh) * 2015-12-25 2016-06-08 上海交通大学 基于粒子群优化算法的轿车车身轻量化结构的实现方法
CN107563094A (zh) * 2017-09-21 2018-01-09 上海交通大学 三维机织碳纤维复合材料汽车翼子板优化方法
CN107856746A (zh) * 2017-11-06 2018-03-30 奇昊汽车系统（苏州）有限公司 钢塑混合汽车仪表板支架总成及汽车
CN108268728A (zh) * 2018-01-22 2018-07-10 上海交通大学 基于两步式改进粒子群优化算法的汽车尾门结构优化方法
CN110569692A (zh) * 2018-08-16 2019-12-13 阿里巴巴集团控股有限公司 多车识别方法、装置及设备
CN111191819A (zh) * 2019-12-12 2020-05-22 同济大学 一种轨道交通多列车速度曲线轨迹协调优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FENG XIONG 等: "Structure-material integrated multi-objective lightweight design of the front end structure of automobile body", 《STRUCTURAL AND MULTIDISCIPLINARY OPTIMIZATION》, vol. 57, no. 2, pages 829 - 847, XP036394915, DOI: 10.1007/s00158-017-1778-1 *
段利斌: "汽车变厚度前纵梁的轻量化和耐撞性设计方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 06, pages 035 - 5 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158514A (zh) * 2021-03-31 2021-07-23 中南大学 汽车车身材料结构匹配轻量化设计方法、系统及存储介质

Also Published As

Publication number Publication date
CN111881931B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
WO2020117991A1 (en) Generating integrated circuit floorplans using neural networks
Wang et al. Multi-user web service selection based on multi-QoS prediction
WO2021143883A1 (zh) 神经网络的自适应搜索方法及装置
US20110208730A1 (en) Context-aware searching
US20220051058A1 (en) Unmanned driving behavior decision-making and model training
US20220114313A1 (en) Method and apparatus for determining quantum circuit, and storage medium
Dong et al. Prior-guided one-shot neural architecture search
CN113807399A (zh) 一种神经网络训练方法、检测方法以及装置
CN114520743A (zh) 一种网络异常流量检测方法、系统及可存储介质
WO2022100607A1 (zh) 一种神经网络结构确定方法及其装置
CN111881931A (zh) 面向汽车车身轻量化结构设计中求解响应不连续昂贵优化问题的实现方法及装置
Lu et al. Tformer: A transmission-friendly vit model for iot devices
US20220383036A1 (en) Clustering data using neural networks based on normalized cuts
CN114944204A (zh) 用于管理分子预测的方法、装置、设备和介质
KR20230147293A (ko) 데이터 증강 방법 및 그 시스템
CN111737491A (zh) 一种交互过程的控制方法、装置、存储介质及设备
Cuzzocrea Multidimensional Clustering over Big Data: Models, Issues, Analysis, Emerging Trends
US11978144B2 (en) Resolving garment collisions using neural networks
CN111310971B (zh) 一种o2o商业模式的前景分析方法、装置及设备
CN114880775B (zh) 一种基于主动学习Kriging模型的可行域搜索方法及装置
WO2023071841A1 (zh) 图像处理方法、图像检测模型评估方法及装置
CN117011858A (zh) 一种卷面评分方法、装置、电子设备及存储介质
Dong et al. ETNAS: An energy consumption task-driven neural architecture search
Garavagno et al. An Affordable Hardware-aware Neural Architecture Search for Deploying Convolutional Neural Networks on Ultra-low-power Computing Platforms
CN116681709A (zh) 一种图像实例分割方法、系统、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant