CN114818249A - 多目标概念设计方案生成方法 - Google Patents
多目标概念设计方案生成方法 Download PDFInfo
- Publication number
- CN114818249A CN114818249A CN202210099023.7A CN202210099023A CN114818249A CN 114818249 A CN114818249 A CN 114818249A CN 202210099023 A CN202210099023 A CN 202210099023A CN 114818249 A CN114818249 A CN 114818249A
- Authority
- CN
- China
- Prior art keywords
- objective
- attribute
- function
- similarity
- value
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 3
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 36
- 239000002245 particle Substances 0.000 claims description 24
- NUFBIAUZAMHTSP-UHFFFAOYSA-N 3-(n-morpholino)-2-hydroxypropanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CN1CCOCC1 NUFBIAUZAMHTSP-UHFFFAOYSA-N 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012938 design process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
-
- 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)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及多目标概念设计方案生成方法。本申请所述的多目标概念设计方案生成方法包括步骤:将设计要求进行功能分解,以解构为多个功能元素;将所得的多个功能元素构造为形态学矩阵,以找到功能元素对应的原理解;对多个所述原理解进行综合,得到原理解集合;对所述原理解集合进行多目标优化处理,得到最优解集合。本申请所述的多目标概念设计方案生成方法具有综合考虑多目标的优化,以得到最优成本下的方案的优点。
Description
技术领域
本申请涉及概念设计方法,特别是涉及多目标概念设计方案生成方法。
背景技术
在产品概念设计过程中,一个优化问题通常包含不同的目标。对于多目标的分析,是一种整合每个概念设计组件,以选择最佳方案的方法。多标准决策(MCDM,Multi-Criteria Decision Making)是多目标问题分析技术之一,且为最常用分析技术之一。MCDM理论已被用于构建各种方法和工具,可以帮助设计人员制定决策和策略。多目标优化方法是基于MCDM理论的著名方法之一(例如多目标粒子群优化);为了构造最优方案,多目标优化方法最终将产生帕累托边界和非支配子集。然而,现有的相关技术没有考虑成本和产出功能实现方面。因此,现有的产品概念设计中,工业流程单独分析时,功能实现的各个方面,缺乏对多目标的考虑成本和产出的相关生成方法;因而使得现有技术中,成本和产出的控制不佳。
发明内容
基于此,本申请的目的在于,提供多目标概念设计方案生成方法,其具有优化多目标下的成本控制,以得到最优方案的优点。
本申请的一方面,提供一种多目标概念设计方案生成方法,包括步骤:
将设计要求进行功能分解,以解构为多个功能元素;
将所得的多个功能元素构造为形态学矩阵,以找到功能元素对应的原理解;
对多个所述原理解进行综合,得到原理解集合;
对所述原理解集合进行多目标优化处理,得到最优解集合;
其中,所述多目标优化处理,包括对功能元对应原理解进行优化计算,以及对方案空间进行优化计算;
所述对功能元对应原理解进行优化计算,包括对功能元对应原理解,进行功能实施期望性能计算,以及进行功能实施成本计算,综合得到概念方案的方案空间。
本申请所述的多目标概念设计方案生成方法,能够全面评估功能实施的各个方面,包括成本和产出,最终目标是为研发提供一个强有力的工具,以从各项方案或者各个概念中,发现其中的高价值的功能。本申请所述的多目标概念设计方案生成方法,基于功能实现,生成了最佳的多目标概念框架;此外,还给出了具体的概念和计算方法,来明确功能实现的成本和产出。
进一步地,所述对功能元对应原理解,进行功能实施期望性能计算,包括步骤:
识别功能元素,并识别功能元素对应的原理解;
通过函元素标记行,通过原则解标记列,创建性能矩阵;
对所述性能矩阵中的各行和各列分配面板点。
进一步地,所述进行功能实施成本计算,包括步骤:
计算各个属性之间的属性相似度;
根据属性相似度,计算整个方案空间内的方案的方案相似度;
根据所述方案相似度,确定实施成本。
其中,所述属性相似度的计算,根据属性的值的类型对应的计算方法进行。
进一步地,所述根据属性的值的类型对应的计算方法进行,包括:
若属性的类型是数值类型,则使用欧氏距离计算所述属性相似度;
若属性值是布尔型,则使用下式计算所述属性相似度,
若属性值是个集合,则使用Jacaard系数计算所述属性相似度;
若属性值是模糊的,则按程度将模糊值转化为连续的数值,再将连续的数值进行计算;
若属性是个范围,则用下式计算所述属性相似度,其中,ak(FSi)的取值范围是<lik,hik>, ak(FSj)的取值范围是<ljk,hjk>,
进一步地,所述方案相似度的计算式为
式中,qk表示属性k的权重,Asim(ak(FSi),ak(FSj))则表示FSi和FSj之间的在属性k上的相似度值。
进一步地,所述根据所述方案相似度,确定实施成本,包括:
当所选方案与数据库中的一个项目相同时,使用该项目的最低成本为C=α;
当所选方案与数据库中的每一项目均显著不同时,使用该方案的最高成本为C=αβ;
式中,C为代价估价值,α为相似度的相似代价转换系数,β为校正系数。
进一步地,所述对方案空间进行优化计算,包括:构建多目标模型,通过MOPSO算法进行求解,以优化功能实施期望性能和功能实施成本;使得功能实施期望性能最大化,且功能实施成本最小化。
进一步地,所述构建多目标模型,包括:
F(x)=[maxF(P),minF(C)];
式中,定义xij(i=1,2,…,m,j=1,2…,n)是一个0-1的变量,若第i个功能单元所对应的第 j个原理解被选中,则xij=1,否则xij=0;
式中,定义yij(i=1,2,…,m,j=1,2,…,n)是一个数值型变量,若第i个功能单元与第j个原理解所对应的期望性能值;
式中,定义zij(i=1,2,…,m,j=1,2,…,n)是一个数值型变量,若第i个功能单元与第j个原理解所对应的成本值;
约束条件为:xij=0或1,yij≥0,zij≥0。
进一步地,所述通过MOPSO算法进行求解,包括步骤:
初始化粒子群的位置和速度;
假设集合Si为储存第i个粒子非支配解的集合;
假设集合A为储存每次迭代的粒子群非支配解,以及集合B为总迭代的粒子群非支配解;
评估每个粒子群的自由度;
更新速度更新函数,更新位置更新函数;
更新每个粒子的Si;
更新集合A和集合B;
判断是否满足终止条件,若是,则终止;若否,则跳转至所述评估每个粒子群的自由度。
进一步地,所述速度更新函数的计算式为
vid=w*vid+c1*Rand()*(pid-xid)+c2*Rand()*(pgd-xid);
所述位置更新函数的计算式为
xid=xid+vid。
为了更好地理解和实施,下面结合附图详细说明本申请。
附图说明
图1为本申请示例性的多目标概念设计方案生成方法的流程图;
图2为本申请示例性的多目标处理的流程图;
图3为本申请示例性的对功能元对应原理解进行优化计算的流程图;
图4为本申请另一示例性的多目标概念设计方案生成方法的流程图。
图5为本申请示例性的离心式压缩机的功能元素分解示意图;
图6为本申请示例性的离心式压缩机的功能元素分解(英文)示意图;
图7为本申请示例性的离心式压缩机的功能元素与相关原理解(英文)的关系示意图;
图8为本申请示例性的MOPSO获得的帕累托边界示意图;
图9为本申请示例性的离心压缩机功能的FIDP与FIC的比率参数ζ的示例图。
具体实施方式
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
产品设计过程有四个阶段:(i)任务描述,(ii)概念设计,(iii)实施设计,和(iv)详细设计。概念设计作为产品开发的最重要阶段,决定了产品性能和成本等主要产品方面。在接下来的阶段,很难消除概念设计选择错误。因此,概念设计是开发最佳概念方案的关键步骤。在当今的产品概念设计过程中,多样化的需求要求产品概念设计满足各种目标的局限性。因此,多目标优化被用来产生最好的概念方案。
多目标概念设计,应该建立在已经提供的一些基本的产品设计过程模型之上。通过将预期功能,划分为可以转化为可接受的功能解决方案,对应的合理且独立的功能元。根据相关研究,概念设计的基本任务包括构建功能模型(将所需功能分解为功能元素并建立功能结构),寻找合适的原理方案,综合到产品设计方案中,选择最佳方案。
基于上述问题以及发明构思,进行了相应的改进,以降低成本,并找到相应的成本最低的设计方案。
请参阅图1-图4,本申请示例性的一种多目标概念设计方案生成方法,包括步骤:
S10、将设计要求进行功能分解,以解构为多个功能元素。
S20、将所得的多个功能元素构造为形态学矩阵,以找到功能元素对应的原理解。
S30、对多个所述原理解进行综合,得到原理解集合。
S40、对所述原理解集合进行多目标优化处理,得到最优解集合。
进一步的,步骤S40中,所述多目标优化处理,包括S41、对功能元对应原理解进行优化计算,以及S42、对方案空间进行优化计算。
进一步的,步骤S41中,所述对功能元对应原理解进行优化计算,包括:S411、对功能元对应原理解,进行功能实施期望性能(FIDP,function implementation desiredperformance) 计算,以及S412、对功能元对应原理解,进行功能实施成本(FIC,functionimplementation cost) 计算;S413、将功能试试期望性能的计算结果,和功能实施成本的计算结果,综合得到概念方案的方案空间。
在一些优选实施例中,所述对功能元对应原理解,进行功能实施期望性能计算,包括步骤:
识别功能元素,并识别功能元素对应的原理解;
通过函元素标记行,通过原则解标记列,创建性能矩阵;
对所述性能矩阵中的各行和各列分配面板点。
在一些优选实施例中,所述进行功能实施成本计算,包括步骤:
定义,概念设计过程定义为三元组(FS,A,R),FS={FS11,FS12,…,FSij}。A={a1,a2,…,an}表示属性的集合,其中,an描述了FS的第n个方面,R表示FS的属性A的值,并且R=(Aj(FSi)) 用第i个FS描述第j个属性的值;
计算各个属性之间的属性相似度Asim;
根据属性相似度Asim,计算整个方案空间内的方案的方案(FS)相似度FSsim;若属性的值类型不同,使用对应的计算方法计算Asim和FSsim;
根据所述方案相似度,确定实施成本。
其中,所述属性相似度的计算,根据属性的值的类型对应的计算方法进行。
在一些优选实施例中,所述根据属性的值的类型对应的计算方法进行,包括:
若属性的类型是数值类型,则使用欧氏距离计算所述属性相似度;
Δ=|ak(FSi)-ak(FSj)|;
式中:Δ和β为过程参数,Asim(ak(FSi),ak(FSj))则表示FSi和FSj之间的在属性k中的相似度值,下同;
若属性值是布尔型,则使用下式计算所述属性相似度,
若属性值是个集合,则使用Jacaard系数计算所述属性相似度;计算式为
若属性值是模糊的,则按程度将模糊值转化为连续的数值,再将连续的数值进行计算;
若属性是个范围,则用下式计算所述属性相似度,其中,ak(FSi)的取值范围是<lik,hik>, ak(FSj)的取值范围是<ljk,hjk>,
此外,FSi和FSj之间的相似度FSsim(FSi,FSj)的计算如公式为
在一些优选实施例中,所述方案相似度的计算式为
式中,Asim(ak(FSi),ak(FSj))则表示FSi和FSj之间的在属性k中的相似度值,FSsim则表示FSi和FSj之间整体相似度;
在一些优选实施例中,所述根据所述方案相似度,确定实施成本,包括:
当所选方案与数据库中的一个项目相同时,使用该项目的最低成本为C=α;
当所选方案与数据库中的每一项目均显著不同时,使用该方案的最高成本为C=αβ;
或者使用公式计算:C=αβ[1-FSsim];
式中,C为代价估价值,α为相似度的相似代价转换系数,β为校正系数。
成本估算公式(CEF)是一种参数估算方法,它使用简单的数学关系将产品成本与多个参数联系起来。CEF通常限制在两个到五个参数之间,可以在早期使用。下面显示了两个经典的CEF示例。
示例一、基于可变部分的重要性,Klasmeier认为产品成本可以满足一般成本估计函数。如下式所示:
示例二、Cavalieri等人提出了一种新的CEF来估算一种制动盘的成本。该模型中作为参数的成本值,计算式如下:
在一些优选实施例中,所述对方案空间进行优化计算,包括:构建多目标模型,通过 MOPSO算法进行求解,以优化功能实施期望性能和功能实施成本;使得功能实施期望性能最大化,且功能实施成本最小化。
在一些优选实施例中,所述构建多目标模型,包括:
F(x)=[maxF(P),minF(C)];
式中,定义,xij(i=1,2,…,m,j=1,2…,n)是一个0-1的变量,如果第i个功能元素和第j 个原理解对应选择,xij=1;否则,xij=0;
定义,yij(i=1,2,…,m,j=1,2,…,n)是一个数值变量,yij是第i个功能元素和第j个原理解的实施期望性能;
定义,zij(i=1,2,…,m,j=1,2,…,n)是一个数值变量,zij是第i个功能元素和第j个原理解的功能实施成本的估计值;
模型中的约束条件为:
在一些优选实施例中,所述通过MOPSO算法进行求解,包括步骤:
初始化粒子群的位置和速度;
假设集合Si为储存第i个粒子非支配解的集合;
假设集合A为储存每次迭代的粒子群非支配解,以及集合B为总迭代的粒子群非支配解;
评估每个粒子群的自由度;
更新速度更新函数,更新位置更新函数;
更新每个粒子的Si;
更新集合A和集合B;
判断是否满足终止条件,若是,则终止;若否,则跳转至所述评估每个粒子群的自由度。
在一些优选实施例中,所述速度更新函数的计算式为
vid=w*vid+c1*Rand()*(pid-xid)+c2*Rand()*(pgd-xid);
所述位置更新函数的计算式为
xid=xid+vid;
式中,xid为粒子位置系数,vid为粒子速度系数
在本申请中,MOPSO算法具有元启发式迭代优化的作用,可以较好的解决多目标优化问题。本申请的MOPSO算法中,优化的两个目标函数是最大化FIDP和最小化FIC。与单目标相比,本申请的多目标优化方法,可以获得分布良好且多样化的解决方案集,以在所有目标中找到最佳权衡。本身轻重,MOPSO算法,由于其形式简洁、收敛速度快、参数灵活等优点,在求解多目标优化问题方面具有良好的性能,较好的解决了本案的多目标计算的问题,并且达到较好的优化效果。
本申请所述的多目标概念设计方案生成方法,能够全面评估功能实施的各个方面,包括成本和产出,最终目标是为研发提供一个强有力的工具,以从各项方案或者各个概念中,发现其中的高价值的功能。本申请所述的多目标概念设计方案生成方法,基于功能实现,生成了最佳的多目标概念框架;此外,还给出了具体的概念和计算方法,来明确功能实现的成本和产出。
参阅上述内容,以离心压缩机为例进行补充说明。
离心压缩机概念设计方案的生成过程验证了所提方法的可行性和有效性。
参阅图1-图4,并结合图5和图6,构建函数模型是多目标设计方法的初始阶段。基于离心压缩机的主要部件,总体设计要求可以分解为许多合理分离的功能元件。参阅现有技术的离心压缩机的功能结构,其中功能元件采用匹配原理解决方案实现。本申请对离心式压缩机的九个部件进行了检查。提出了以下10个基本功能组件:FE1(叶轮叶片弯曲形式)、FE2(叶轮叶片类型)、FE3(叶轮叶片形状)、FE4(叶轮结构)、FE5(叶轮构造技术)、FE6(联轴器),FE7(外壳),FE8(图表),FE9(轴封)、FE10(轴承)。
接着是寻找功能元素FE的适当原理解PS。使用形态矩阵,研究了许多主解。在现有资源的限制下,可以发现相关主解。形态矩阵可以帮助设计师快速生成创意设计概念。然而,这种方法存在一个挑战:大量备选方案使得方案空间太大,而无法选择最佳方案。下一步是根据不同的设计目标从众多竞争者中选择最佳方案。
该离心压缩机的FIDP的矩阵示例如下,赋值根据专家经验填充:
该离心压缩机中的FP成本(耦合)示例表:
该离心压缩机的FIC矩阵示例:
由于方案空间太大,需要进行优化。优化问题的目标是最大化FIDP并最小化FIC。在多目标优化模型中,考虑总体和存储库大小为200,最大生成量为2000。为了解决多目标优化问题并获得帕累托前沿,对MOPSO算法进行了编码,并在MATLAB R2016b软件环境中运行,在所有候选方案中计算出优势方案。经过计算,帕累托前沿有36个非最优解。为了简化表达式,FEi=j表示xij=1,这意味着选择第i个函数元的第j个原理解以形成最优方案。
假设所有概念方案选择的可能性都是相等的。因此,可以确定离心式压缩机FIC和FIDP 的概率加权平均值。如下图表中显示了,如何使用公式计算离心式压缩机的FIDP,即P(4.08、 3.73、3.86、3.99、3.58、3.07、2.93、2.87、1.78、2.56)。以及离心式压缩机的FIC;通过使用公式获得,即C(2.49,2.09,1.43,3.71,3.47,2.31,2.96,4.23,4.87,6.07)。在这些非显性方案中,nij表示从第j个函数元素中选取的第i个原理解的数量。如下图表中显示了离心式压缩机的平均FIC和FIDP值,以及描述了FIDP与FIC比率指标。FIDP与FIC比率的排名可以如下:FI3>FI2>FI1>FI6>FI4>FI5>FI7>FI8>FI10>FI9。
计算式如下:
并结合得到的图8所示MOPSO获得的帕累托边界示例图。
最佳方案的成本和期望性能示例表
最优解示例表(部分)
并得到图9所示离心压缩机功能的FIDP与FIC的比率参数ζ。
所提供的案例研究(离心压缩机)是一个很好的例子,说明了多目标方法对功能实施决策的好处。上述案例得出了一些快速的分析和结论。计算FIDP与FIC的比率参数ζ,以指示功能实现的效果,0<ζ<1。值得注意的是,参数的计算过程与价值工程(VE)中计算价值系数的过程类似。然而,本文的基础理论不是VE,而是产品设计科学。
可以从上述表中了解到,最高的ζ对应于FE3(叶轮叶片形状)。最低值ζ与FE9(轴密封)和FE10(轴承)相关。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (10)
1.一种多目标概念设计方案生成方法,其特征在于,包括步骤:
将设计要求进行功能分解,以解构为多个功能元素;
将所得的多个功能元素构造为形态学矩阵,以找到功能元素对应的原理解;
对多个所述原理解进行综合,得到原理解集合;
对所述原理解集合进行多目标优化处理,得到最优解集合;
其中,所述多目标优化处理,包括对功能元对应原理解进行优化计算,以及对方案空间进行优化计算;
所述对功能元对应原理解进行优化计算,包括对功能元对应原理解,进行功能实施期望性能计算,以及进行功能实施成本计算,综合得到概念方案的方案空间。
2.根据权利要求1所述的多目标概念设计方案生成方法,其特征在于,所述对功能元对应原理解,进行功能实施期望性能计算,包括步骤:
识别功能元素,并识别功能元素对应的原理解;
通过函元素标记行,通过原则解标记列,创建性能矩阵;
对所述性能矩阵中的各行和各列分配面板点。
3.根据权利要求1所述的多目标概念设计方案生成方法,其特征在于,所述进行功能实施成本计算,包括步骤:
计算各个属性之间的属性相似度;
根据属性相似度,计算整个方案空间内的方案的方案相似度;
根据所述方案相似度,确定实施成本。
其中,所述属性相似度的计算,根据属性的值的类型对应的计算方法进行。
6.根据权利要求4或5所述的多目标概念设计方案生成方法,其特征在于,所述根据所述方案相似度,确定实施成本,包括:
当所选方案与数据库中的一个项目相同时,使用该项目的最低成本为C=α;
当所选方案与数据库中的每一项目均显著不同时,使用该方案的最高成本为C=αβ;
式中,C为代价估价值,α为相似度的相似代价转换系数,β为校正系数。
7.根据权利要求6所述的多目标概念设计方案生成方法,其特征在于,所述对方案空间进行优化计算,包括:构建多目标模型,通过MOPSO算法进行求解,以优化功能实施期望性能和功能实施成本;使得功能实施期望性能最大化,且功能实施成本最小化。
9.根据权利要求7所述的多目标概念设计方案生成方法,其特征在于,所述通过MOPSO算法进行求解,包括步骤:
初始化粒子群的位置和速度;
假设集合Si为储存第i个粒子非支配解的集合;
假设集合A为储存每次迭代的粒子群非支配解,以及集合B为总迭代的粒子群非支配解;
评估每个粒子群的自由度;
更新速度更新函数,更新位置更新函数;
更新每个粒子的Si;
更新集合A和集合B;
判断是否满足终止条件,若是,则终止;若否,则跳转至所述评估每个粒子群的自由度。
10.根据权利要求9所述的多目标概念设计方案生成方法,其特征在于,所述速度更新函数的计算式为
vid=w*vid+c1*Rand()*(pid-xid)+c2*Rand()*(pgd-xid);
所述位置更新函数的计算式为
xid=xid+vid。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210099023.7A CN114818249A (zh) | 2022-01-25 | 2022-01-25 | 多目标概念设计方案生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210099023.7A CN114818249A (zh) | 2022-01-25 | 2022-01-25 | 多目标概念设计方案生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818249A true CN114818249A (zh) | 2022-07-29 |
Family
ID=82527858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210099023.7A Pending CN114818249A (zh) | 2022-01-25 | 2022-01-25 | 多目标概念设计方案生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818249A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002097727A1 (en) * | 2001-05-28 | 2002-12-05 | Zenya Koono | Automatic knowledge creating method, automatic knowledge creating system, automatic knowledge creating program, automatic designing method and automatic designing system |
US20110078100A1 (en) * | 2009-09-29 | 2011-03-31 | Livermore Software Technology Corporation | Methods and systems for multi-objective evolutionary algorithm based engineering desgin optimization |
EP3674960A1 (en) * | 2018-12-31 | 2020-07-01 | Palo Alto Research Center Incorporated | Method and system for hierarchical multi-scale part design with the aid of a digital computer |
CN111738523A (zh) * | 2020-06-29 | 2020-10-02 | 山东财经大学 | 一种基于多目标花粉算法的研发资源优化配置方法 |
CN113064579A (zh) * | 2021-03-24 | 2021-07-02 | 浙江大学 | 一种基于异构语言信息的系统设计方法 |
-
2022
- 2022-01-25 CN CN202210099023.7A patent/CN114818249A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002097727A1 (en) * | 2001-05-28 | 2002-12-05 | Zenya Koono | Automatic knowledge creating method, automatic knowledge creating system, automatic knowledge creating program, automatic designing method and automatic designing system |
US20110078100A1 (en) * | 2009-09-29 | 2011-03-31 | Livermore Software Technology Corporation | Methods and systems for multi-objective evolutionary algorithm based engineering desgin optimization |
EP3674960A1 (en) * | 2018-12-31 | 2020-07-01 | Palo Alto Research Center Incorporated | Method and system for hierarchical multi-scale part design with the aid of a digital computer |
CN111738523A (zh) * | 2020-06-29 | 2020-10-02 | 山东财经大学 | 一种基于多目标花粉算法的研发资源优化配置方法 |
CN113064579A (zh) * | 2021-03-24 | 2021-07-02 | 浙江大学 | 一种基于异构语言信息的系统设计方法 |
Non-Patent Citations (3)
Title |
---|
SHAOFEI JIANG: "Conceptual design conceptual scheme optimization based on integrated design objectives", 《CONCURRENT ENGINEERING》, 28 April 2018 (2018-04-28) * |
李从东: "复杂产品设计变更传播路径的多目标优选", 《计算机集成制造系统》, 13 January 2020 (2020-01-13), pages 842 - 856 * |
杨涛;杨育;张东东;: "考虑客户需求偏好的产品创新概念设计方案生成", 计算机集成制造系统, no. 04, 15 April 2015 (2015-04-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mayr et al. | The evolution of boosting algorithms | |
Man et al. | Genetic algorithms: concepts and designs | |
Michalewicz et al. | GENOCOP: a genetic algorithm for numerical optimization problems with linear constraints | |
Purshouse | On the evolutionary optimisation of many objectives | |
Hassan et al. | A hybrid of multiobjective Evolutionary Algorithm and HMM-Fuzzy model for time series prediction | |
CN110533150B (zh) | 基于支持向量机回归模型的测试生成与重用系统及方法 | |
Zhen et al. | Two-stage data-driven evolutionary optimization for high-dimensional expensive problems | |
CN111815409B (zh) | 面向“互联网+”环境机械产品个性化设计模式匹配方法 | |
Feng et al. | Variable coded hierarchical fuzzy classification model using DNA coding and evolutionary programming | |
CN108764280A (zh) | 一种基于症状向量的医学数据处理方法和系统 | |
Kannan et al. | Particle swarm optimization for minimizing assembly variation in selective assembly | |
Safari et al. | A high-dimensional model representation guided PSO methodology with application on compressor airfoil shape optimization | |
Liu et al. | Learning to learn evolutionary algorithm: A learnable differential evolution | |
CN114818249A (zh) | 多目标概念设计方案生成方法 | |
Calçada et al. | Comparison of GA and PSO performance in parameter estimation of microbial growth models: A case-study using experimental data | |
CN109074348A (zh) | 用于对输入数据集进行迭代聚类的设备和迭代方法 | |
Chattopadhyay et al. | Feature selection using differential evolution with binary mutation scheme | |
US8700541B2 (en) | Modeling method of neuro-fuzzy system | |
Duta et al. | Evolutionary programming in disassembly decision making | |
Agrawal et al. | Automatic disassembly sequence planning and optimization | |
CN114970036A (zh) | 一种二维叶片叶型参数化设计方法、装置及可存储介质 | |
Cai et al. | Positional independence and recombination in cartesian genetic programming | |
Zhang et al. | Multi-objective evolutionary for object detection mobile architectures search | |
Quagliarella et al. | GAs for aerodynamic shape design II: multiobjective optimization and multi-criteria design | |
Langer | Extended evolutionary algorithms for multiobjective and discrete design optimization of structures |
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 |