CN115422663B - 一种基于两阶段进化优化的汽车多胞结构吸能盒设计方法及系统 - Google Patents
一种基于两阶段进化优化的汽车多胞结构吸能盒设计方法及系统 Download PDFInfo
- Publication number
- CN115422663B CN115422663B CN202211206608.0A CN202211206608A CN115422663B CN 115422663 B CN115422663 B CN 115422663B CN 202211206608 A CN202211206608 A CN 202211206608A CN 115422663 B CN115422663 B CN 115422663B
- Authority
- CN
- China
- Prior art keywords
- stage
- individuals
- criterion
- real
- population
- 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
Images
Classifications
-
- 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
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于两阶段进化优化的汽车多胞结构吸能盒设计方法及系统,在给定碰撞场景中,以汽车多胞结构吸能盒薄壁结构厚度为设计变量,以吸能盒的总吸能值及总重量为设计目标,在限定吸能盒所受最大峰值力的约束条件下同时达到轻量化设计和耐撞性提升的目的。本发明能够达到在限定最大峰值力的情况下,同时提升耐撞性和实现轻量化的目的,且优化进程为两个阶段,第一阶段充分利用目标的信息引导种群进化,以保持多样性探索目标空间,并跨越不可行域从各个方向进入可行域,可行域中不同区域的信息均能被收集到;第二阶段再使用可行性优先的约束处理技术,种群能同时进一步开发可行域的不同区域,并从不同方向收敛到最优前沿面。
Description
技术领域
本发明涉及汽车设计领域,具体涉及一种基于两阶段进化优化的汽车多胞结构吸能盒设计方法及系统。
背景技术
当前,随着综合国力的提升,我国汽车工业发展迅速,已占DGP份额30%以上。在汽车保留量不断增加的同时,环保、节能和安全已成为汽车工业发展进一步的考量。在此情景下,轻量化与强耐撞性成为了汽车设计的两大追求,这对汽车吸能盒的设计提出了挑战。
汽车吸能盒是汽车的一个重要吸能部件,位于保险杠后方。它能在发生碰撞时,通过吸收碰撞能量,对汽车起到保护作用。因此,设计优良的吸能盒对汽车的耐撞性有显著的正面作用。目前,在工业界,多胞结构吸能盒由于其卓越的性能而得到广泛应用。
吸能盒的耐撞性可通过在碰撞场景中的总吸能值和所受到的最大峰值力来评估。前者代表吸能盒在一次碰撞中的吸能总值,后者代表发生碰撞时所受的瞬间最大冲击力,前者越大,后者越小,则吸能盒的耐撞性越好。一般而言,吸能盒的耐撞性提升和轻量化设计之间往往存在冲突性。例如,增加薄壁结构的厚度,可以提升多胞结构吸能盒的耐撞性,但这会导致汽车总重量的提升。因此在实际工业设计中,通常将吸能盒的总吸能值和总重量当作两个目标同时优化,并将最大峰值力作为约束,从而一次性获得多个设计方案。
汽车多胞结构吸能盒设计主要包含以下三个特点:
·黑盒:在汽车多胞结构吸能盒设计中,无法用解析表达式来精确描述设计变量与优化目标之间的映射关系,只能通过有限元分析软件来得到一组设计变量对应的目标函数值。
·昂贵:对于吸能盒的总吸能值和所受到的最大峰值力,只能调用有限元分析软件来针对一组设计变量来进行评估,这个评估过程十分耗时,往往需要十几分钟。因此,在实际工业设计中,可用的真实评估次数是十分有限的。
·存在约束条件:由于瞬间最大冲击力直接关系到乘客的安全,吸能盒所受到的最大峰值力一般被要求在一定限度内。
在过去二十年,为了解决这类具有黑盒、昂贵、存在约束条件性质的多目标优化问题,许多进化优化算法使用代理模型来替代部分真实评估,以此来节省真实评估次数从而加速优化。然而,一方面,这些方法没有尝试在前期充分利用目标的信息去探索目标空间,来获取可行域中不同区域的信息,而是直接使用可行性优先的约束处理技术,这可能导致种群收敛至早期探索到的约束违反程度较低的不可行域或局部可行域;另一方面,在进行目标比较时,这些方法都忽略了代理模型的误差,这可能会使实际上较差的解存活下来并进行真实评估,从而浪费计算资源,减缓收敛速度。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种基于两阶段进化优化的汽车多胞结构吸能盒设计方法及系统,来达到更好地提升吸能盒耐撞性,并降低总重量。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于两阶段进化优化的汽车多胞结构吸能盒轻量化设计方法,具体步骤如下:
S1、对多胞结构吸能盒轻量化设计问题构建数学模型;
S2、建立初始种群和真实档案集,判断当前的阶段,其中初始时为第一阶段;
S3、根据真实档案集,为数学模型中的每个目标函数和约束函数分别建立代理模型;
S4、根据当前的阶段选择对应的支配准则,基于初始种群对由代理模型组成的近似优化问题执行进化求解;
S5、根据当前的阶段选择对应的支配准则进行非支配排序,从进化求解的最终种群中选择个体进行真实评估,并放入真实档案集中;
S6、根据当前的阶段选择对应的支配准则进行非支配排序,根据真实档案集更新初始种群;
S7、重复S3~S6步骤直到停止条件满足,根据真实档案集确定最优设计方案;
其中当前的阶段包括第一阶段和第二阶段:若处于第一阶段,当以下两个条件同时满足,则切换至第二阶段,否则仍处于第一阶段:
条件一、真实档案集中存在可行解;
条件二、S5中所选择进行真实评估的个体同时满足以下条件:
a.所选择个体中的可行非支配解都与真实档案集中的可行非支配解互不支配;
b.所选择个体中的不可行非支配解都不被真实档案集中的可行非支配解支配;
第一阶段对应的支配准则为Pareto支配准则或基于概率分布的Pareto支配准则;第二阶段对应的支配准则为:约束Pareto支配准则或基于概率分布的约束Pareto支配准则。
进一步的改进,步骤S1中的数学模型如下:
min:-EA(X),M(X)
S.t.PCF(X)≤PCF0
X=(x1,x2,...,xD)T∈ΩD
Li≤xi≤Ui,(i=1,...,D)
其中,min表示最小化,X为D维设计空间ΩD中的设计向量,由D个待优化的薄壁结构厚度设计变量组成,并且第i个设计变量xi的下限和上限分别是Li和Ui;EA(X)和PCF(X)分别表示在给定碰撞场景中吸能盒的总吸能值及所受最大峰值力;M(X)为吸能盒总重量;PCF0为用户限定的吸能盒在给定碰撞场景下所能承受最大峰值力;T表示矩阵转置运算。
进一步的改进,步骤S2具体实现过程如下:
S2.1、首先对D维设计空间ΩD进行拉丁超立方采样,获得大小为N的初始种群P={Xi|i=1,...,N};然后对其中每个个体调用有限元分析软件进行真实评估,并获得相应的适应度集Q={Yi|i=1,...,N},其中Yi为Xi对应的目标向量,由EA(Xi)、PCF(Xi)和M(Xi)组成;
S2.2、基于初始种群,初始化真实档案集A={{Xi,Yi}|i=1,..,N}。
进一步的改进,基于真实档案集A={{Xi,Yi}|i=1,..,n},n为每个循环时真实档案集中的实际个体数量;步骤S3中所构建代理模型表达式如下:
其中X*表示待评估的个体,和分别表示代理模型的预测均值及不确定度,X*的预测值服从高斯分布r=(k(X*,X1),...,k(X*,Xn))T,Xi为真实档案集中第i个个体,为衡量个体之间相关性的核函数;R是大小为n×n的协方差矩阵,元素Rij=k(Xi,Xj);1T为n×1的元素为1的向量;和θi为代理模型所需训练超参数,采用最大似然法进行求解得到;T表示矩阵转置运算。
进一步的改进,步骤S4中由代理模型构建的近似优化问题如下:
X=(x1,x2,...,xD)T∈ΩD
Li≤xi≤Ui,(i=1,...,D)
进一步的改进,步骤S4中对近似优化问题的进化求解包含以下步骤:
S4.1、父代种群基于遗传算子生成后代种群;
S4.2、父代种群与后代种群合并,并进行非支配排序,其中,在第一阶段根据基于概率分布的Pareto支配准则进行非支配排序,在第二阶段根据基于概率分布的约束Pareto支配准则进行非支配排序;
S4.3、依次选取N个非支配序数低的个体进入下一代种群,直到期望层;如果期望层的个体加入,种群大小超过N,则依次删除期望层中离种群中其余所有个体最近的个体;
S4.4、重复S4.1~S4.3达到预设的代数后,输出最后种群。
进一步的改进,S5步骤具体实现如下:
S5.1、对步骤S4输出的最后种群进行非支配排序,在第一阶段根据基于概率分布的Pareto支配准则进行非支配排序,在第二阶段则根据基于概率分布的约束Pareto支配准则进行非支配排序;
S5.2、依次选取μ个非支配序数低的个体进入下一代种群,直到期望层,μ为用户根据需要所定义参数;如果期望层的个体加入,所选择个体数量超过μ,则依次删除期望层中离真实档案集最近的个体;
S5.3、调用有限元分析软件,对这μ个个体进行真实评估,并放入真实档案集中。
进一步的改进,S6步骤具体实现如下:
S6.1、对真实档案集中的个体进行非支配排序,其中,在第一阶段根据Pareto支配准则进行非支配排序,在第二阶段则根据约束Pareto支配准则进行非支配排序;
S6.2、将真实档案集中的个体按照非支配序数由低到高排列,然后依次选取前N个个体进入下一个初始种群,直到期望层;如果期望层的个体加入,种群大小超过N,则依次删除期望层中离种群中其余所有个体最近的个体。
进一步的改进,Pareto支配准则、基于概率分布的Pareto支配准则、约束Pareto支配准则结合Pareto支配准则和基于概率分布的约束Pareto支配准则分别如下:
1)Pareto支配准则:给定X1和X2,X1和X2对应的目标向量分别为f(X1)=(f1(X1),...,fm(X1))和f(X2)=(f1(X2),...,fm(X2)),m为目标数,fi为第i个目标函数;如果那么认为X1支配X2;表示任意,表示存在;
2)基于概率分布的Pareto支配准则:给定X1和X2,X1和X2对应的代理模型预测的目标向量分别为f(X1)=(f1(X1),...,fm(X1))和f(X2)=(f1(X2),...,fm(X2)),并且fi(X1)服从高斯分布fi(X2)服从高斯分布如果则认为X1支配X2,其中 |P(fi(X1)≤fi(X2))-P(fi(X2)≤fi(X1))|<0.75(i∈{l,...,m});
3)约束Pareto支配准则:给定X1和X2,如果以下三个条件其中一个满足,可以认为X1支配X2:
a.X1为可行解,X2为不可行解;
b.X1和X2都是可行解,但根据Pareto支配准则,X1支配X2;
c.X1和X2都是不可行解,但X1的约束违反程度更小;
4)基于概率分布的约束Pareto支配准则:给定X1和X2,如果以下三个条件其中一个满足,可以认为X1支配X2:
a.X1为可行解,X2为不可行解;
b.X1和X2都是可行解,但根据基于概率分布的Pareto支配准则,X1支配X2;
c.X1和X2都是不可行解,但X1的约束违反程度更小。
一种基于两阶段进化优化的汽车多胞结构吸能盒轻量化设计系统,包括计算机设备;所述计算机设备被配置或编程为用于执行上述基于两阶段进化优化的汽车多胞结构吸能盒轻量化设计方法的步骤。
与现有设计方法相比,本发明有以下优势:
1、S1步骤中,本发明所构建优化问题的数学模型,能够达到在限定最大峰值力的情况下,同时提升耐撞性和实现轻量化的目的。
2、S2步骤中,本发明所构建的真实档案集将所有进行过真实评估的个体储存起来,这些个体能够有效辅助优化进程。
3、S3步骤中,本发明使用所有真实档案集中的个体,能够构建更高精确度的代理模型。此外,所构建的代理模型还能提供关于预测值的不确定度信息。合理利用此不确定度信息,能有效辅助优化进程。
4、S4~S6步骤中,本发明将优化进程分为两个阶段。在第一阶段忽略约束,充分利用目标的信息引导种群进化,这有利于保持多样性探索目标空间,并跨越不可行域从各个方向进入可行域,在此过程中,可行域中不同区域的信息能被收集到;这时,在第二阶段,再使用可行性优先的约束处理技术,种群能同时进一步开发可行域的不同区域,并从不同方向收敛到最优前沿面。
5、S4~S6步骤中,本发明提出的两个阶段转换条件,能够使种群在仅用目标信息进化下无法再获得有用的可行域信息时,及时进入到第二阶段,从而实现计算资源的最大化利用。
6、S4~S6步骤中,本发明使用了一种基于概率分布的Pareto支配准则,通过以概率分布形式插入代理模型提供的不确定度信息进入Pareto支配准则,能够以更高置信度比较相似个体,从而减轻代理模型误差的影响,并提供更高的选择压力,来加速优化收敛。
附图说明
图1为本发明方法流程图;
图2-1为设计方案立体示意图;
图2-2为设计方案俯视示意图;
图3为设计变量示意图;
图4为非支配解的集合对应的HV指标值收敛过程中本发明方法与现有方法的对比图。
具体实施方式
现以图2-1和图2-2所示汽车多胞结构吸能盒方案的设计为例对本发明所提出的方法进行说明。在该实际例中,九个薄壁的厚度作为设计变量,吸能盒的总吸能值及总重量为优化目标,并且吸能盒所受最大峰值力作为约束条件。如图1,实施步骤如下:
步骤1、根据图2-1和2-2所示的吸能盒设计方案,对优化问题进行数学建模:
min:-EA(X),M(X)
S.t.PCF(X)≤400kN
X=(x1,x2,...,x9)T∈Ω9
0.2mm≤xi≤3mm,(i=1,...,9)
其中min表示最小化,X为9维设计空间Ω9中的设计向量,由9个待优化的薄壁结构厚度设计变量组成,并且设计变量的下限和上限分别是0.2mm和3mm;T表示矩阵转置运算;EA(X)和PCF(X)分别表示在给定碰撞场景中吸能盒的总吸能值及所受最大峰值力;M(X)为吸能盒总重量;吸能盒仿真所用材料为AA6060-T4型号铝。
步骤2、建立初始种群和真实档案集,并设置当前为第一阶段:
对设计变量空间Ω9进行拉丁超立方采样,获得大小为50的初始种群P={Xi|i=1,...,50},然后对其中每个个体调用有限元分析软件LSDYNA进行真实评估,并获得相应的适应度集Q={Yi|i=1,...,50},其中Yi为Xi对应的目标向量,由EA(Xi)、PCF(Xi)和M(Xi)组成,最后根据这些个体建立真实档案集A={{Xi,Yi}|i=1,..,50}。
步骤3、基于真实档案集A={{Xi,Yi}|i=1,..,n},n为每个循环时真实档案集中的实际个体数量;为每个目标函数和约束函数建立如下代理模型:
其中X*表示待评估的个体,和分别表示代理模型的预测均值及不确定度,X*的预测值可视为服从高斯分布r=(k(X*,X1),...,k(X*,Xn))T,Xi为真实档案集中第i个个体,为衡量个体之间相关性的核函数;R是大小为n×n的协方差矩阵,元素Rij=k(Xi,Xj);1T为n×1的元素为1的向量;和θi为代理模型所需训练超参数,一般采用最大似然法进行求解;T表示矩阵转置运算。
步骤4、根据步骤3所建代理模型构建近似优化问题,并根据当前的阶段选择对应的支配准则,基于初始种群P对它执行进化求解:
1.近似优化问题表达式如下:
X=(x1,x2,...,x9)T∈Ω9
Li≤xi≤Ui,(i=1,...,9)
2、父代种群基于遗传算子生成后代种群50个个体,并用代理模型评价它们;
3、父代种群与后代种群合并,并进行非支配排序,其中,在第一阶段根据基于概率分布的Pareto支配准则进行非支配排序,在第二阶段则根据基于概率分布的约束Pareto支配准则进行非支配排序;
4、依次选取50个非支配序数低的个体进入下一代种群,直到期望层;如果期望层的个体加入,种群大小超过50,则依次删除期望层中离种群其余个体最近的个体;
5、重复以上三个步骤20次后,输出最后种群中的50个个体。
步骤5、根据当前的阶段选择对应的支配准则进行非支配排序,从进化求解的最终种群中选择个体进行真实评估,并放入真实档案集中:
1、对步骤4中输出的最后种群进行非支配排序,其中,在第一阶段根据基于概率分布的Pareto支配准则进行非支配排序,在第二阶段则根据基于概率分布的约束Pareto支配准则进行非支配排序;
2、依次选取5个非支配序数低的个体进入下一代种群,直到期望层;如果期望层的个体加入,所选择个体数量超过5,则依次删除期望层中离真实档案集最近的个体;
3、调用有限元分析软件LSDYNA,对这5个个体进行真实评估,并放入真实档案集中。若处于第一阶段,如果以下两个条件同时满足,则切换至第二阶段,否则仍处于第一阶段:
条件一、真实档案集中存在可行解;
条件二、在满足第1个条件的情况下,所选择进行真实评估的个体满足以下条件:
a.所选择个体中的可行非支配解都与真实档案集中的可行非支配解互不支配;
b.所选择个体中的不可行非支配解都不被真实档案集中的可行非支配解支配。
步骤6、根据当前的阶段选择对应的支配准则进行非支配排序,根据真实档案集更新初始种群;
1、对真实档案集中的个体进行非支配排序,其中,在第一阶段根据Pareto支配准则进行非支配排序,在第二阶段则根据约束Pareto支配准则进行非支配排序;
2、依次选取50个非支配序数低的个体进入下一个初始种群,直到期望层;如果期望层的个体加入,种群大小超过50,则依次删除期望层中离种群其余个体最近的个体。
步骤7、重复步骤3到步骤6,直到真实评估次数达到了300,最后输出真实档案集中的可行非支配解。
其中,上述步骤所使用的Pareto支配准则、基于概率分布的Pareto支配准则、约束Pareto支配准则结合Pareto支配准则和基于概率分布的约束Pareto支配准则分别如下:
1)Pareto支配准则:给定X1和X2,X1和X2对应的目标向量分别为f(X1)=(f1(X1),...,fm(X1))和f(X2)=(f1(X2),...,fm(X2)),m为目标数,fi为第i个目标函数。如果那么认为X1支配X2。表示任意,表示存在。
2)基于概率分布的Pareto支配准则:给定X1和X2,X1和X2对应的代理模型预测的目标向量分别为f(X1)=(f1(X1),...,fm(X1))和f(X2)=(f1(X2),...,fm(X2)),并且fi(X1)服从高斯分布fi(X2)服从高斯分布如果 则认为X1支配X2,其中 |P(fi(X1)≤fi(X2))-P(fi(X2)≤fi(X1))|<0.75(i∈{l,...,m})。
3)约束Pareto支配准则:给定X1和X2,如果以下三个条件其中一个满足,可以认为X1支配X2:
a.X1为可行解,X2为不可行解;
b.X1和X2都是可行解,但根据Pareto支配准则,X1支配X2;
c.X1和X2都是不可行解,但X1的约束违反程度更小。
4)基于概率分布的约束Pareto支配准则:给定X1和X2,如果以下三个条件其中一个满足,可以认为X1支配X2:
a.X1为可行解,X2为不可行解;
b.X1和X2都是可行解,但根据基于概率分布的Pareto支配准则,X1支配X2;
c.X1和X2都是不可行解,但X1的约束违反程度更小。
本设计采用HV指标来评价真实档案集中非支配个体的质量。HV指标的计算公式如下:
其中,P为真实档案集中非支配个体的集合;F(X)=(f1(X),...,fm(X))T为集中中个体X所对应的m维目标向量,在本设计中,存在两个优化目标,m为2;为用户定义的参考点,本设计参考点取为(1,1)T,并将集合中的非支配个体进行归一化处理来计算HV指标值;VOL(·)表示勒贝格测量。一个集合中的非支配个体收敛性、分布性越好,对应的HV指标值越大。
本设计优化中,真实档案集中非支配解的集合对应的HV指标值收敛过程如图4。可见,相对于单阶段、不考虑代理模型不确定度的几个传统方法,本发明方法能在相同真实评估次数内,获得质量更高的设计方案集合。
本发明方法相对于这些传统方法的优势可以从两方面解释:
1)一方面,这些传统方法没有尝试在前期充分利用目标的信息去探索目标空间,来获取可行域中不同区域的信息,而是直接使用可行性优先的约束处理技术,这可能导致种群收敛至早期探索到的约束违反程度较低的不可行域或局部可行域。而本发明方法将优化进程分为两个阶段。在第一阶段忽略约束,充分利用目标的信息引导种群进化,这有利于保持多样性探索目标空间,并跨越不可行域从各个方向进入可行域,在此过程中,可行域中不同区域的信息能被收集到;这时,在第二阶段,再使用可行性优先的约束处理技术,种群就能同时进一步开发可行域的不同区域,并从不同方向收敛到最优前沿面。
2)在进行目标比较时,这些方法都忽略了代理模型的误差,这可能会使实际上较差的解存活下来并进行真实评估,从而浪费计算资源,减缓收敛速度。而本发明方法使用了一种基于概率分布的Pareto支配准则,通过以概率分布形式插入代理模型提供的不确定度信息进入Pareto支配准则,能够以更高置信度比较相似个体,从而减轻代理模型误差的影响,并提供更高的选择压力,来加速优化收敛。
Claims (9)
1.一种基于两阶段进化优化的汽车多胞结构吸能盒轻量化设计方法,其特征在于,具体步骤如下:
S1、对多胞结构吸能盒轻量化设计问题构建数学模型;数学模型如下:
min:-EA(X),M(X)
S.t.PCF(X)≤PCF0
X=(x1,x2,...,xD)T∈ΩD
Li≤xi≤Ui,(i=1,...,D)
其中,min表示最小化,X为D维设计空间ΩD中的设计向量,由D个待优化的薄壁结构厚度设计变量组成,并且第i个设计变量xi的下限和上限分别是Li和Ui;EA(X)和PCF(X)分别表示在给定碰撞场景中吸能盒的总吸能值及所受最大峰值力;M(X)为吸能盒总重量;PCF0为用户限定的吸能盒在给定碰撞场景下所能承受最大峰值力;T表示矩阵转置运算;
S2、建立初始种群和真实档案集,判断当前的阶段,其中初始时为第一阶段;
S3、根据真实档案集,为数学模型中的每个目标函数和约束函数分别建立代理模型;
S4、根据当前的阶段选择对应的支配准则,基于初始种群对由代理模型组成的近似优化问题执行进化求解;
S5、根据当前的阶段选择对应的支配准则进行非支配排序,从进化求解的最终种群中选择个体进行真实评估,并放入真实档案集中;
S6、根据当前的阶段选择对应的支配准则进行非支配排序,根据真实档案集更新初始种群;
S7、重复S3~S6步骤直到停止条件满足,根据真实档案集确定最优设计方案;
其中当前的阶段包括第一阶段和第二阶段:若处于第一阶段,当以下两个条件同时满足,则切换至第二阶段,否则仍处于第一阶段:
条件一、真实档案集中存在可行解;
条件二、S5中所选择进行真实评估的个体同时满足以下条件:
a.所选择个体中的可行非支配解都与真实档案集中的可行非支配解互不支配;
b.所选择个体中的不可行非支配解都不被真实档案集中的可行非支配解支配;
第一阶段对应的支配准则为Pareto支配准则或基于概率分布的Pareto支配准则;第二阶段对应的支配准则为:约束Pareto支配准则或基于概率分布的约束Pareto支配准则。
2.根据权利要求1所述一种基于两阶段进化优化的汽车多胞结构吸能盒轻量化设计方法,其特征在于,步骤S2具体实现过程如下:
S2.1、首先对D维设计空间ΩD进行拉丁超立方采样,获得大小为N的初始种群P={Xi|i=1,...,N};然后对其中每个个体调用有限元分析软件进行真实评估,并获得相应的适应度集Q={Yi|i=1,...,N},其中Yi为Xi对应的目标向量,由EA(Xi)、PCF(Xi)和M(Xi)组成;
S2.2、基于初始种群,初始化真实档案集A={{Xi,Yi}|i=1,..,N}。
5.根据权利要求4所述基于两阶段进化优化的汽车多胞结构吸能盒轻量化设计方法,其特征在于,步骤S4中对近似优化问题的进化求解包含以下步骤:
S4.1、父代种群基于遗传算子生成后代种群;
S4.2、父代种群与后代种群合并,并进行非支配排序,其中,在第一阶段根据基于概率分布的Pareto支配准则进行非支配排序,在第二阶段根据基于概率分布的约束Pareto支配准则进行非支配排序;
S4.3、依次选取N个非支配序数低的个体进入下一代种群,直到期望层;如果期望层的个体加入,种群大小超过N,则依次删除期望层中离种群中其余所有个体最近的个体;
S4.4、重复S4.1~S4.3达到预设的代数后,输出最后种群。
6.根据权利要求5所述基于两阶段进化优化的汽车多胞结构吸能盒轻量化设计方法,其特征在于,S5步骤具体实现如下:
S5.1、对步骤S4输出的最后种群进行非支配排序,在第一阶段根据基于概率分布的Pareto支配准则进行非支配排序,在第二阶段则根据基于概率分布的约束Pareto支配准则进行非支配排序;
S5.2、依次选取μ个非支配序数低的个体进入下一代种群,直到期望层,μ为用户根据需要所定义参数;如果期望层的个体加入,所选择个体数量超过μ,则依次删除期望层中离真实档案集最近的个体;
S5.3、调用有限元分析软件,对这μ个个体进行真实评估,并放入真实档案集中。
7.根据权利要求6所述基于两阶段进化优化的汽车多胞结构吸能盒轻量化设计方法,其特征在于,S6步骤具体实现如下:
S6.1、对真实档案集中的个体进行非支配排序,其中,在第一阶段根据Pareto支配准则进行非支配排序,在第二阶段则根据约束Pareto支配准则进行非支配排序;
S6.2、将真实档案集中的个体按照非支配序数由低到高排列,然后依次选取前N个个体进入下一个初始种群,直到期望层;如果期望层的个体加入,种群大小超过N,则依次删除期望层中离种群中其余所有个体最近的个体。
8.根据权利要求7所述基于两阶段进化优化的汽车多胞结构吸能盒轻量化设计方法,其特征在于,Pareto支配准则、基于概率分布的Pareto支配准则、约束Pareto支配准则结合Pareto支配准则和基于概率分布的约束Pareto支配准则分别如下:
1)Pareto支配准则:给定X1和X2,X1和X2对应的目标向量分别为f(X1)=(f1(X1),...,fm(X1))和f(X2)=(f1(X2),...,fm(X2)),m为目标数,fi为第i个目标函数;如果那么认为X1支配X2;表示任意,表示存在;
2)基于概率分布的Pareto支配准则:给定X1和X2,X1和X2对应的代理模型预测的目标向量分别为f(X1)=(f1(X1),...,fm(X1))和f(X2)=(f1(X2),...,fm(X2)),并且fi(X1)服从高斯分布fi(X2)服从高斯分布如果and则认为X1支配X2,其中 |P(fi(X1)≤fi(X2))-P(fi(X2)≤fi(X1))|<0.75(i∈{l,...,m});
3)约束Pareto支配准则:给定X1和X2,如果以下三个条件其中一个满足,认为X1支配X2:
a.X1为可行解,X2为不可行解;
b.X1和X2都是可行解,但根据Pareto支配准则,X1支配X2;
c.X1和X2都是不可行解,但X1的约束违反程度更小;
4)基于概率分布的约束Pareto支配准则:给定X1和X2,如果以下三个条件其中一个满足,认为X1支配X2:
a.X1为可行解,X2为不可行解;
b.X1和X2都是可行解,但根据基于概率分布的Pareto支配准则,X1支配X2;
c.X1和X2都是不可行解,但X1的约束违反程度更小。
9.一种基于两阶段进化优化的汽车多胞结构吸能盒轻量化设计系统,其特征在于,包括计算机设备;所述计算机设备被配置或编程为用于执行权利要求1~8任一所述基于两阶段进化优化的汽车多胞结构吸能盒轻量化设计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211206608.0A CN115422663B (zh) | 2022-09-30 | 2022-09-30 | 一种基于两阶段进化优化的汽车多胞结构吸能盒设计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211206608.0A CN115422663B (zh) | 2022-09-30 | 2022-09-30 | 一种基于两阶段进化优化的汽车多胞结构吸能盒设计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115422663A CN115422663A (zh) | 2022-12-02 |
CN115422663B true CN115422663B (zh) | 2023-04-18 |
Family
ID=84205494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211206608.0A Active CN115422663B (zh) | 2022-09-30 | 2022-09-30 | 一种基于两阶段进化优化的汽车多胞结构吸能盒设计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422663B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642211A (zh) * | 2021-07-29 | 2021-11-12 | 南京航空航天大学 | 一种复合材料负泊松比结构吸能盒及其设计方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BRPI0923412A2 (pt) * | 2008-12-16 | 2016-05-24 | Exxonmobil Upstream Res Co | método, e, produto de programa de computador. |
CN110782366B (zh) * | 2019-10-12 | 2022-09-06 | 大连理工大学 | 一种基于情景不确定性的供水管网多目标优化调控方法 |
CN112035116B (zh) * | 2020-08-26 | 2021-07-16 | 大连理工大学 | 多目标编译优化序列选择的代理建模方法 |
CN114595577A (zh) * | 2022-03-08 | 2022-06-07 | 中国人民解放军国防科技大学 | 基于克里金代理模型的分阶段高效约束优化方法和装置 |
-
2022
- 2022-09-30 CN CN202211206608.0A patent/CN115422663B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642211A (zh) * | 2021-07-29 | 2021-11-12 | 南京航空航天大学 | 一种复合材料负泊松比结构吸能盒及其设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115422663A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7756688B2 (en) | Design optimization system and method | |
Giannakoglou et al. | Low-cost genetic optimization based on inexact pre-evaluations and the sensitivity analysis of design parameters | |
CN111292525A (zh) | 基于神经网络的交通流预测方法 | |
Li et al. | A Kriging-based bi-objective constrained optimization method for fuel economy of hydrogen fuel cell vehicle | |
CN116306156B (zh) | 车身优化方法、装置、存储介质及电子设备 | |
CN106055791A (zh) | 基于预估校正算法的飞行器全局气动优化方法 | |
Yu et al. | Design and optimization of press bend forming path for producing aircraft integral panels with compound curvatures | |
CN113836634B (zh) | 一种大差异性气动数据的深度神经网络建模方法 | |
CN114297779A (zh) | 一种飞行器气动力系数快速预测方法、系统及设备 | |
CN111027250B (zh) | 一种基于网格变形技术的异形曲面加筋壳建模方法 | |
Booth et al. | Multi-objective optimization of a multi-cellular aluminum extruded crush rail subjected to dynamic axial and oblique impact loading conditions | |
JP7147479B2 (ja) | 構造体の設計支援方法 | |
CN115495965A (zh) | 复杂航空结构在混合不确定性下时变可靠性的分析方法 | |
CN115422663B (zh) | 一种基于两阶段进化优化的汽车多胞结构吸能盒设计方法及系统 | |
CN115345064A (zh) | 一种融入物理约束的集成深度神经网络气动力建模方法 | |
CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
CN113158514B (zh) | 汽车车身材料结构匹配轻量化设计方法、系统及存储介质 | |
CN113657029A (zh) | 异源数据驱动的飞行器高效近似优化方法 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
CN116628854A (zh) | 一种翼型气动特性预测方法、系统、电子设备及存储介质 | |
Hou et al. | Multilevel optimisation method for vehicle body in conceptual design | |
CN113919080A (zh) | 一种基于机器学习的汽车发动机罩力学性能快速评估方法 | |
CN114329805A (zh) | 基于自适应代理模型的连接件多学科协同设计优化方法 | |
CN114510872A (zh) | 基于自注意力机制dlstm的云服务器老化预测方法 | |
CN113657045A (zh) | 基于多层协同高斯过程的复杂飞行器模型降阶表征方法 |
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 |