CN112100893B - 一种用于有限元计算的非连续域的优化方法 - Google Patents
一种用于有限元计算的非连续域的优化方法 Download PDFInfo
- Publication number
- CN112100893B CN112100893B CN202011026817.8A CN202011026817A CN112100893B CN 112100893 B CN112100893 B CN 112100893B CN 202011026817 A CN202011026817 A CN 202011026817A CN 112100893 B CN112100893 B CN 112100893B
- Authority
- CN
- China
- Prior art keywords
- particle
- particle swarm
- particles
- optimization
- subspace
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 title abstract description 17
- 239000002245 particle Substances 0.000 claims abstract description 159
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 238000013461 design Methods 0.000 claims abstract description 39
- 230000035772 mutation Effects 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 3
- 230000002028 premature Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于有限元计算的非连续域的优化方法,用于解决由于有限元计算量大而导致传统算法难以找到最优解的问题,同时也提供了用于非连续域优化的一种方法。本发明方法首先通过拉丁超立方采样与K均值聚类算法对初始设计空间进行辨识,产生k个非连续可行子设计空间用于缩小优化范围,从而为优化算法节省计算资源,随后使用具有竞争机制与变异操作的多种群粒子群算法对非连续子设计空间进行优化。仿真结果表明,与其他算法相比,改进的多种群粒子群算法可提高粒子的全局搜索能力与计算资源的利用率,优化结果的精度得到极大提高。
Description
技术领域
本发明属于最优化算法技术研究领域,具体涉及一种用于有限元计算的非连续域的优化方法。
背景技术
有限元法作为一种强有力的计算方法在诸多工程设计领域得到了广泛应用,如电机设计、汽车、机械制造、船舶及土木等。通过有限元来对结构进行优化已使得产品性能得到提高。然而在实际工程中,大多数都是带有约束的优化问题,并且有限元计算往往面临计算量过大的问题从而导致优化算法很难找到全局最优解。
为减少计算量,胡宸提出基于K均值聚类算法对设计空间识别并对子空间依次优化。(胡宸.面向汽车轻量化设计的数据挖掘技术研究[D].重庆:重庆大学,2018.)。该算法通过K均值算法产生k个簇,利用簇内聚类中心与样本的最远距离作为球半径以此构成k个非连续子空间,然后再依次对每个子空间进行等计算资源的优化。然而用距离确定子空间会使得取值范围大的变量覆盖范围小的变量,并且对子空间的等资源优化会使得在较差子空间消耗过多计算资源,并使得优秀子空间的算法搜索精度降低。
在有约束域的工程优化中,Yongfei Xue(Y.Xue,Y.Wang and D.Shang,"Parameter Optimization of Hydrocracker using Multi-block Kriging Metamodelingwithin Discontinuous Operating Space,"2019 12th Asian Control Conference(ASCC),Kitakyushu-shi,Japan,2019,pp.254-259.)为了提高kriging模型的精度,从有约束的设计空间中得到k个满足约束的子空间,并分别对子空间建模并进行等资源优化,然而同样会造成计算资源浪费。
非连续域优化问题在工程应用中普遍存在,目前的优化算法注重连续区域优化而忽视了非连续的影响,这在具有大计算量的有限元应用领域更值得关注。
发明内容
本发明的目的在于提供一种用于有限元计算的非连续域的优化方法,以解决现有技术存在的问题,本发明能够有效利用计算资源,提高算法的搜索精度。
为达到上述目的,本发明采用如下技术方案:
一种用于有限元计算的非连续域的优化方法,包括以下步骤:
步骤1:通过拉丁超立方采样在q维设计空间中产生n个样本,计算出每个样本的目标函数值并判断约束条件是否满足;
步骤2:通过K均值聚类算法对设计空间进行辨识,对于有约束条件的优化问题,得到满足约束条件的k个簇;对于无约束条件的优化问题,得到适应度值较好的k个簇;
步骤3:根据步骤2所得的k个簇确定k个非连续可行子设计空间的取值范围;
步骤4:使用改进的多种群粒子群优化算法在k个子设计空间中对目标函数进行优化,其中,多种群粒子群算法引入竞争机制。
进一步地,步骤3中k个非连续子设计空间的确定过程为:
对于第i个簇,0<i<=k,首先依据簇内粒子的变量值确定每维度的取值范围,随后依次对第j维度进行范围扩张处理,0<j<=q,在其它维度的范围内,将第j维的范围向两端扩张直至接触不符合约束条件的粒子或其他簇的粒子或初始设计空间的边界。
进一步地,步骤4中改进的多种群粒子群优化算法为:
步骤4.1:设定粒子群的总粒子规模为m,并确定每个子空间中的粒子个数;
步骤4.2:初始化每个子空间中与算法有关的参数,包括粒子数目S、维数D、最大迭代次数MaxIt、惯性权重wa、学习因子c1和c2、粒子的位置范围、粒子的速度范围、粒子群的竞争开启时刻p1、粒子群的竞争周期p2、变异率Pm、竞争失败的损失粒子数b;
步骤4.3:初始化每个子空间中各粒子的位置与速度,计算各粒子的适应值以确定各子空间中粒子的个体最优值及全局最优;
步骤4.4:当粒子群满足竞争条件时,非零粒子群分别所对应的全局最优值进行比较,失败的粒子群减少粒子,获胜的粒子群增加粒子,同时更新每个粒子群的粒子个数;否则,执行步骤4.5;
步骤4.5:当粒子群为参与竞争的失败粒子群,且满足变异条件时执行变异操作;否则,更新惯性权重及粒子群中粒子的位置、速度;
步骤4.6:求解各非零粒子群中粒子所对应的适应值,更新各粒子群所对应的全局最优值及各粒子的个体最优值;
步骤4.7:判断改进的粒子群算法是否收敛或者是否达到最大迭代次数,若是,则输出全局最优解的位置,否则,跳至步骤4.4。
进一步地,所述步骤4.1中,各子空间的粒子个数的确定方法由各空间大小的比值确定,如公式(1)所示:
式中,Vi为各子空间的体积,Si为各子空间的粒子群个数。
进一步地,所述步骤4.4中,粒子群进行竞争所满足的条件为当前粒子群的迭代次数大于竞争开启时刻p1且须为竞争周期p2的整数倍;在每一次的子空间竞争中,失败粒子群每次减小b个粒子,获胜种群增加失败种群所失去的总粒子个数。
进一步地,所述步骤4.5中失败粒子进行变异所满足的变异条件为:随机数rand()<pm;
满足变异条件的失败粒子群中粒子的变异操作如公式(2)所示:
xid k+1=(Md-Sd)*rand()+Sd (2)
式中,i代表粒子的序数,Md为该子空间中第d维的最大值,Sd为该子空间中第d维的最小值,rand()为[0,1]之间的随机数字;
粒子群的速度及位置更新公式为:
vid k+1=wavid k+c1r1(pbid k-xid k)+c2r2(gbd k-xid k) (3)
xid k+1=xid k+vid k+1 (4)
其中:式(3)为速度更新,式(4)为位置更新;i代表粒子的序数,d代表粒子的维数的序数;r1和r2是[0,1]之间的均匀随机数;pb代表个体最优位置,gb代表全局最佳位置;
采用线性递减来对wa做动态调整,如式(5)所示
wa=wmax-(wmax-wmin)*Iter/MaxIt (5)
其中:wmax为最大惯性权重,wmin为最小惯性权重,Iter为当前粒子群的迭代次数,MaxIt为最大迭代次数。
与现有技术相比,本发明具有以下有益的技术效果:
本发明通过引入多种群及变异操作提高算法的全局搜索能力,同时通过竞争策略提高算法的搜索精度,从而在有限计算资源的情况下,提高算法的优化性能,由于实际工程问题多数带有约束条件且计算量大,本发明对此提出了一种可用于非连续域的优化算法以解决工程实际问题。针对Schwefel测试函数的优化,标准PSO算法由于易早熟收敛导致优化结果最差,本发明所提算法通过引入多种群及变异操作使得优化不易陷入局部最优解。其次,由于本发明所提算法引入竞争策略使得优秀粒子群的规模增加,算法的搜索精度优于等资源PSO算法,并且本发明所提算法的方差最低,说明算法稳定。在工程实例车用永磁同步电机的优化中,将优化结果进行比较,由于多种群、变异操作及竞争策略的引入使得本发明所提算法的优化效果最好。优化结果与初始设计相比,损耗降低194.17w,与等资源PSO算法结果比较,损耗降低25.33w,从优化结果的比较中说明本发明的有效性。
附图说明
图1为本发明的用于有限元计算的非连续域的优化算法的流程图。
图2为本发明的引入竞争策略的多种群粒子群算法的流程图。
图3为子空间的确定效果图。
图4为有约束的测试函数的三维图。
图5为测试函数K均值聚类算法的实施效果图。
图6为永磁电机结构示意图。
图7为电机优化中K均值聚类算法的实施效果图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细描述:
参见图1,本发明提供一种用于有限元计算的非连续域的优化算法,首先通过拉丁超立方采样与K均值聚类算法对初始设计空间进行辨识,产生k个非连续可行子设计空间用于缩小优化范围,随后使用具有竞争机制的多种群粒子群算法对非连续子设计空间进行优化。
具体包括以下步骤:
步骤1:通过拉丁超立方采样在q维设计空间中产生n个样本,计算出每个样本的目标函数值并判断约束条件是否满足。
步骤2:通过K均值聚类算法对设计空间进行辨识。对于有约束条件的优化问题,得到满足约束条件的k个簇;对于无约束条件的优化问题,得到适应度值较好的k个簇。
本发明主要针对有约束条件的优化问题,对于无约束条件优化问题k个簇的获取可考虑以下2种方法:1.考虑到簇内的粒子数不易过少,根据采样点函数值通过K聚类算法将种群分为3-4个簇,将最差性能的簇去掉,对余下的簇进行优化。2.将目标函数值纳入约束变量,即将无约束优化问题转变为有约束优化问题,如对于最小值优化问题,设定阈值变量f,当样本点的函数值大于f即视为不可行解,从而将无约束转换为有约束优化问题。
步骤3:根据步骤2所得的k个簇以确定k个非连续可行子设计空间的取值范围。
步骤4:使用改进的多种群粒子群优化算法在k个子设计空间中对目标函数进行优化,其中,多种群粒子群算法引入竞争机制。
在本发明中,步骤3中,k个非连续子设计空间的确定过程为:
对于第i个簇(0<i<=k),首先依据簇内粒子的变量值确定每维度的取值范围,随后依次对第j维度(0<j<=q)进行范围扩张处理:在其它维度的范围内,将第j维的范围向两端扩张直至接触不符合约束条件的粒子或其他簇的粒子或初始设计空间的边界。
参考图2,本发明所述的一种用于有限元计算的非连续域的优化算法包括以下步骤:
步骤4.1:设定粒子群的总粒子规模为m,并确定每个子空间中的粒子个数。
步骤4.2:初始化每个子空间中与算法有关的参数,包括粒子数目S、维数D、最大迭代次数MaxIt、惯性权重wa、学习因子c1和c2、粒子的位置范围、粒子的速度范围、粒子群的竞争开启时刻p1、粒子群的竞争周期p2、变异率Pm、竞争失败的损失粒子数b。
步骤4.3:初始化每个子空间中各粒子的位置与速度,计算各粒子的适应值以确定各子空间中粒子的个体最优值及全局最优。
步骤4.4:当粒子群满足竞争条件时,非零粒子群分别所对应的全局最优值进行比较,失败的粒子群减少粒子,获胜的粒子群增加粒子,同时更新每个粒子群的粒子个数。否则,执行步骤4.5。
步骤4.5:当粒子群为参与竞争的失败粒子群,且满足变异条件时执行变异操作。否则,更新惯性权重及粒子群中粒子的位置、速度。
步骤4.6:求解各非零粒子群中粒子所对应的适应值,更新各粒子群所对应的全局最优值及各粒子的个体最优值。
步骤4.7:判断改进的粒子群算法是否收敛或者是否达到最大迭代次数,若是,则输出全局最优解的位置,否则,跳至步骤4.4。
在本发明中,步骤4.1中,各子空间的粒子个数的确定方法由各空间大小的比值确定,如公式(1)所示:
式中,Vi为各子空间的体积,Si为各子空间的粒子群个数。
在本发明中,步骤4.4中,粒子群进行竞争所满足的条件为当前粒子群的迭代次数大于竞争开启时刻p1且须为竞争周期p2的整数倍。在每一次的子空间竞争中,失败粒子群每次减小b个粒子,获胜种群增加失败种群所失去的总粒子个数。
在本发明中,步骤4.5中,失败粒子进行变异所满足的变异条件为:随机数rand()<pm。
满足变异条件的失败粒子群中粒子的变异操作如公式2所示:
xid k+1=(Md-Sd)*rand()+Sd (2)
式中,i代表粒子的序数,Md为该子空间中第d维的最大值,Sd为该子空间中第d维的最小值,rand()为[0,1]之间的随机数字。
粒子群的速度及位置更新公式为:
vid k+1=wavid k+c1r1(pbid k-xid k)+c2r2(gbd k-xid k) (3)
xid k+1=xid k+vid k+1 (4)
其中:式(3)为速度更新,式(4)为位置更新;i代表粒子的序数,d代表粒子的维数的序数;r1和r2是[0,1]之间的均匀随机数;pb代表个体最优位置,gb代表全局最佳位置。
采用线性递减来对wa做动态调整,如式(5)所示
wa=wmax-(wmax-wmin)*Iter/MaxIt (5)
其中:wmax为最大惯性权重,wmin为最小惯性权重,Iter为当前粒子群的迭代次数,MaxIt为最大迭代次数。
参考图3,通过实例,本发明中所述的子空间的确定方法可以考虑各变量取值范围不同的影响,如果采用半径来确定子空间,较小变量将被忽略,在该维上为初始完整范围。并且本发明所述方法可针对采样点的不足,尽可能扩大有效空间。
参考图4,带约束条件的测试函数Schwefel function很复杂,具有许多的局部最小值,函数表达式如式(6)所示:
s.t.g1(x)=|x1|>=200
g2(x)=|x2|>=200
x1,x2∈[-500,500] (6)
参考图5,测试函数的2维初始设计空间通过拉丁超立方采样产生120个样本点,进而确定4个可行子设计空间的取值范围。其中,可行采样点为菱形,不可行点为实心圆,可行设计空间为矩形内的区域。
本发明所提的改进多种群粒子群优化算法、标准PSO算法、每个子空间等资源优化算法对测试函数Schwefel function优化的比较结果如表1所示。总的粒子数规模是40,粒子的迭代次数为20,测试次数为500次。测试函数最小值为0,考虑实际工程应用中有限元计算量大,所以算法迭代次数即计算资源有限,算法的计算精度分0.1和0.01两种情况,即当优化结果小于0.1或0.01代表优化成功。子空间等资源优化算法针对4个可行子设计空间进行优化,每个子空间10个粒子。标准PSO算法则对全局初始设计空间进行搜索。在此优化问题中,对本发明所提算法,p1取10、p2取1、pm取0.3、b取1。
从表1中可以发现:本发明所提算法的性能最佳,而标准PSO算法的优化结果最差,因为测试函数较为复杂使得标准粒子群算法易早熟收敛,且计算资源有限,所以优化效果很不理想。本发明所提算法和等资源PSO算法属于多种群粒子群优化算法,所以优化结果均值较低,不容易陷入局部最优解。在搜索结果成功次数方面,本发明所提算法的成功次数优于等资源PSO,尤其是在0.01精度下,效果更为明显,这是由于竞争策略的引入使得优秀子空间中粒子群的规模增加,使得算法的搜索精度大大提高,从而极大的利用了计算资源。并且本发明所提算法的方差最低,说明算法稳定。
表1三种优化算法的计算结果
算法 | 均值 | 方差 | 0.1精度 | 0.01精度 |
本发明 | 0.6753 | 76.9407 | 490 | 408 |
标准PSO | 101.8177 | 7484.2513 | 167 | 108 |
等资源PSO | 4.9863 | 564.8571 | 473 | 323 |
参考图5,对于工程实例,本发明针对一台8级48槽的车用内置式永磁同步电机通过2D有限元进行优化以提高电机效率,电机额定转速3000rpm,额定转矩96N。选择定子齿宽、定子槽深、气隙作为优化变量,参数取值如表2所示。优化中电机满足的约束条件包括:1.电机空载转矩脉动低于9.3%。2.电机槽满率低于83%。3.电机外径不超过212mm。4.各变量取值不造成电机结构冲突。
参考图6,电机的3维初始设计空间通过拉丁超立方采样产生100个样本点,进而确定3个可行子设计空间的取值范围。其中,可行采样点为菱形,不可行点为实心圆,可行设计空间为立方体内区域。
通过本发明所提的改进粒子群算法及每个子空间等资源优化算法对电机进行优化,电机性能如表3所示。由于有限元计算量大,总的粒子数规模选择24,粒子的迭代次数为15次。在此优化问题中,对本发明所提算法,p1取值8、p2取值1、pm取值0.3、b取值1。
从表3中可得:针对本发明所提优化算法,优化后的电机效率较初始设计提高了0.61%,损耗降低194.17w。且与等资源PSO算法相比较,本发明的优化效果更好,说明本发明的有效性。
表2电机设计变量及取值范围
参数 | 初始参数 | 取值范围 |
槽深/mm | 25 | 12.5-37.5 |
齿宽/mm | 5 | 2.5-7.5 |
气隙/mm | 0.9 | 0.45-1.35 |
表3电机性能
Claims (6)
1.一种用于有限元计算的非连续域的优化方法,其特征在于,针对车用内置式永磁同步电机,包括以下步骤:
步骤1:通过拉丁超立方采样在由q个电机优化参数组成的q维设计空间中产生n个电机样本,计算出每个电机样本的目标函数值并判断约束条件是否满足;
步骤2:通过K均值聚类算法对设计空间进行辨识,对于有约束条件的电机优化问题,得到满足约束条件的k个簇;对于无约束条件的电机优化问题,得到适应度值较好的k个簇;
步骤3:根据步骤2所得的k个簇确定k个非连续可行子设计空间的取值范围;
步骤4:使用改进的多种群粒子群优化算法在k个子设计空间中对目标函数进行优化,其中,多种群粒子群算法引入竞争机制。
2.根据权利要求1所述的一种用于有限元计算的非连续域的优化方法,其特征在于,步骤3中k个非连续子设计空间的确定过程为:
对于第i个簇,0<i<=k,首先依据簇内粒子的变量值确定每维度的取值范围,随后依次对第j维度进行范围扩张处理,0<j<=q,在其它维度的范围内,将第j维的范围向两端扩张直至接触不符合约束条件的粒子或其他簇的粒子或初始设计空间的边界。
3.根据权利要求1所述的一种用于有限元计算的非连续域的优化方法,其特征在于,步骤4中改进的多种群粒子群优化算法为:
步骤4.1:设定粒子群的总粒子规模为m,并确定每个子空间中的粒子个数;
步骤4.2:初始化每个子空间中与算法有关的参数,包括粒子数目S、维数D、最大迭代次数MaxIt、惯性权重wa、学习因子c1和c2、粒子的位置范围、粒子的速度范围、粒子群的竞争开启时刻p1、粒子群的竞争周期p2、变异率Pm、竞争失败的损失粒子数b;
步骤4.3:初始化每个子空间中各粒子的位置与速度,计算各粒子的适应值以确定各子空间中粒子的个体最优值及全局最优;
步骤4.4:当粒子群满足竞争条件时,非零粒子群分别所对应的全局最优值进行比较,失败的粒子群减少粒子,获胜的粒子群增加粒子,同时更新每个粒子群的粒子个数;否则,执行步骤4.5;
步骤4.5:当粒子群为参与竞争的失败粒子群,且满足变异条件时执行变异操作;否则,更新惯性权重及粒子群中粒子的位置、速度;
步骤4.6:求解各非零粒子群中粒子所对应的适应值,更新各粒子群所对应的全局最优值及各粒子的个体最优值;
步骤4.7:判断改进的粒子群算法是否收敛或者是否达到最大迭代次数,若是,则输出全局最优解的位置,否则,跳至步骤4.4。
4.根据权利要求3所述的一种用于有限元计算的非连续域的优化方法,其特征在于,所述步骤4.1中,各子空间的粒子个数的确定方法由各空间大小的比值确定,如公式(1)所示:
式中,Vi为各子空间的体积,Si为各子空间的粒子群个数。
5.根据权利要求3所述的一种用于有限元计算的非连续域的优化方法,其特征在于,所述步骤4.4中,粒子群进行竞争所满足的条件为当前粒子群的迭代次数大于竞争开启时刻p1且须为竞争周期p2的整数倍;在每一次的子空间竞争中,失败粒子群每次减小b个粒子,获胜种群增加失败种群所失去的总粒子个数。
6.根据权利要求3所述的一种用于有限元计算的非连续域的优化方法,其特征在于,所述步骤4.5中失败粒子进行变异所满足的变异条件为:随机数rand()<pm;
满足变异条件的失败粒子群中粒子的变异操作如公式(2)所示:
xid k+1=(Md-Sd)*rand()+Sd (2)
式中,i代表粒子的序数,Md为该子空间中第d维的最大值,Sd为该子空间中第d维的最小值,rand()为[0,1]之间的随机数字;
粒子群的速度及位置更新公式为:
vid k+1=wavid k+c1r1(pbid k-xid k)+c2r2(gbd k-xid k) (3)
xid k+1=xid k+vid k+1 (4)
其中:式(3)为速度更新,式(4)为位置更新;i代表粒子的序数,d代表粒子的维数的序数;r1和r2是[0,1]之间的均匀随机数;pb代表个体最优位置,gb代表全局最佳位置;
采用线性递减来对wa做动态调整,如式(5)所示
wa=wmax-(wmax-wmin)*Iter/MaxIt (5)
其中:wmax为最大惯性权重,wmin为最小惯性权重,Iter为当前粒子群的迭代次数,MaxIt为最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026817.8A CN112100893B (zh) | 2020-09-25 | 2020-09-25 | 一种用于有限元计算的非连续域的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026817.8A CN112100893B (zh) | 2020-09-25 | 2020-09-25 | 一种用于有限元计算的非连续域的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100893A CN112100893A (zh) | 2020-12-18 |
CN112100893B true CN112100893B (zh) | 2024-04-02 |
Family
ID=73756518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011026817.8A Active CN112100893B (zh) | 2020-09-25 | 2020-09-25 | 一种用于有限元计算的非连续域的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100893B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130246A (zh) * | 2022-07-05 | 2022-09-30 | 北京理工大学 | 不同强化程度柴油机进排气门直径参数化设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101600001B1 (ko) * | 2014-09-22 | 2016-03-14 | 주식회사 져스텍 | 모터의 최적 설계 방법 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN111310883A (zh) * | 2020-01-16 | 2020-06-19 | 东北石油大学 | 一种求解高维优化问题的改进粒子群算法 |
-
2020
- 2020-09-25 CN CN202011026817.8A patent/CN112100893B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101600001B1 (ko) * | 2014-09-22 | 2016-03-14 | 주식회사 져스텍 | 모터의 최적 설계 방법 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN111310883A (zh) * | 2020-01-16 | 2020-06-19 | 东北石油大学 | 一种求解高维优化问题的改进粒子群算法 |
Non-Patent Citations (2)
Title |
---|
基于进化粒子群优化的非线性系统辨识;戴运桃;赵希人;刘利强;;计算机仿真(10);全文 * |
多Agent结构的混沌PSO在无功优化中的应用;唐贤伦;张衡;周家林;邓朔;唐海;;电机与控制学报(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112100893A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Block-wisely supervised neural architecture search with knowledge distillation | |
CN103886396A (zh) | 一种人工鱼群与粒子群混合优化的确定方法 | |
CN104572272A (zh) | 一种任务调度方法、装置及系统 | |
CN108491983B (zh) | 一种多堆燃料电池发电系统大规模机组组合优化方法 | |
CN111309976B (zh) | 一种面向收敛型图应用的GraphX数据缓存方法 | |
CN106845536B (zh) | 一种基于图像缩放的并行聚类方法 | |
CN103793467A (zh) | 一种基于超图和动态规划的大数据实时查询优化方法 | |
CN112100893B (zh) | 一种用于有限元计算的非连续域的优化方法 | |
CN111597230A (zh) | 基于MapReduce的并行密度聚类挖掘方法 | |
Lei et al. | An incremental clustering algorithm based on grid | |
CN108491628B (zh) | 产品设计需求驱动的三维cad装配模型聚类及检索方法 | |
CN113098008A (zh) | 一种基于改进政治优化算法的光储容量优化配置方法 | |
CN104731984A (zh) | R树上溢结点分裂问题的增量式聚类优化求解方法 | |
CN105022852A (zh) | 基于免疫粒子群算法解决产品装配序列规划问题的方法 | |
CN106326188B (zh) | 基于反向学习半径粒子群优化的任务划分系统及其方法 | |
CN111062418A (zh) | 一种基于最小生成树的无参数化聚类算法及系统 | |
CN109711439A (zh) | 一种使用Group算法加速邻居搜索的密度峰大规模游客画像数据聚类方法 | |
CN117311801A (zh) | 一种基于网络化结构特征的微服务拆分方法 | |
CN109635999B (zh) | 一种基于粒子群-细菌觅食的水电站调度方法及系统 | |
CN108614889B (zh) | 基于混合高斯模型的移动对象连续k近邻查询方法及系统 | |
CN114783215B (zh) | 无人机分簇方法、装置和电子设备 | |
AU2020103440A4 (en) | A method for optimizing the convergence performance of data learning with minimal computational steps | |
CN114169100A (zh) | 一种超大变量叶轮机械高效设计优化方法及系统及应用 | |
CN114980216A (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 | |
Bustos et al. | A comparison of different types of Niching Genetic Algorithms for variable selection in solar radiation estimation |
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 |