用moeas方法設(shè)計摩托車車架[外文翻譯].doc
約19頁DOC格式手機打開展開
用moeas方法設(shè)計摩托車車架[外文翻譯],用moeas方法設(shè)計摩托車車架作者：jorge e. rodríguez andrés l. medaglia carlos a. coello coello出自：© springer science+business media, llc 2008內(nèi)容為原文部分摘選翻譯內(nèi)容摘要：設(shè)計一個低預(yù)算的輕便摩托車...
內(nèi)容介紹
此文檔由會員 qs_f5t2xd 發(fā)布
用MOEAs方法設(shè)計摩托車車架
作者：Jorge E. Rodríguez • Andrés L. Medaglia •
Carlos A. Coello Coello
出自：© Springer Science+Business Media, LLC 2008
內(nèi)容為原文部分摘選翻譯
內(nèi)容摘要：設(shè)計一個低預(yù)算的輕便摩托車車架如果考慮它的動態(tài)性能和力學性能則是一項很復(fù)雜的工程問題。這種復(fù)雜性部分是由于存在多種設(shè)計目標，質(zhì)量，構(gòu)造應(yīng)力和剛度，高計算量的有限元模擬來評價目標的變量以及幾何性質(zhì)（離散和連續(xù)）。因此，本文提出了一種多目標戰(zhàn)略化的進化算法（MOEAs），結(jié)合實際使用（有限元模擬）和近似健身功能評價。所提議的方法為非支配框架設(shè)計。擬定的經(jīng)濟使用混合離散和連續(xù)設(shè)計變量，以及一套適用于根據(jù)類型的變量。結(jié)果表明，所提出的MOEAs方法，神經(jīng)網(wǎng)絡(luò)NSGA II和神經(jīng)網(wǎng)絡(luò)microGA,改進績效原有對口，NSGA II和microGA.因此，這種neuroac-celeration方法被證明是有效的，也可能適用于其它的鐵基工程設(shè)計問題。
關(guān)鍵詞：多目標進化算法.有限元分析.神經(jīng)網(wǎng)絡(luò).摩托車.工程設(shè)計.多目標優(yōu)化
有限元分析（FEA）是計算機仿真技術(shù)經(jīng)常用來解決工程設(shè)計中常見問題的一種系統(tǒng)，特別在復(fù)雜幾何形狀的狀態(tài)下以及不同的物理現(xiàn)象。這些復(fù)雜的系統(tǒng)卻無法進行徹底的分析和準確的物理技術(shù)，但管理的手段以及有系統(tǒng)的離散方法稱為有限元方法（姆雷迪1993年）。另一方面，進化算法的隨機啟發(fā)搜索程序被用來解決復(fù)雜的優(yōu)化問題。在不斷變化的環(huán)境因素下如鉗工就有更好的機會去繁殖和生存（米凱1996年）。即使計算機和技術(shù)都成熟了，但跡象表明了有限元和EA結(jié)合使用的趨勢。例如，沃克和史密斯結(jié)合有限元和EA以盡量減少加權(quán)總和的質(zhì)量和纖維強化結(jié)構(gòu)。同樣，安倍等人使用有限元和EA的結(jié)構(gòu)優(yōu)化從而建設(shè)一個輪胎。最近，吉格和Ermanni應(yīng)用有限元和EA，以盡量減少大規(guī)模的復(fù)合纖維增強塑料輪軸受強度和剛度的限制。值得指出的是，這些應(yīng)用已經(jīng)解決的問題有單目標優(yōu)化問題和聚集若干目標的優(yōu)化問題。
在過去幾年里進行了很多有關(guān)結(jié)構(gòu)優(yōu)化框架的研究。法澤爾等人從事類似的摩托車車架設(shè)計問題，提出了單目標進化算法（一多聚集的辦法），以盡量減少畫面質(zhì)量，同時保持一個特定的Tor-siona剛度和強度約束某些制動。最近，吉村等人處理的橫截面形狀優(yōu)化的自動機機構(gòu)內(nèi)使用的多目標方法計算，涉及到了9個低成本的目標。為工程學讀者在結(jié)構(gòu)優(yōu)化領(lǐng)域一種好方法。
為了解決前面提到的問題，本研究擴展了一套決策工具為研究提供了一些方向。第一，它的做法在一些性質(zhì)問題的使用后銜接的不錯。也就是說，它不是聚集幾個目標之一，它可以讓決策者選擇一套非支配所得設(shè)計相結(jié)合的國家最先進的主觀進化算法（MOEAs）和Fe。因此，它推出的近似帕累托邊界。第二，因為單一的健身功能評價和MOEAs需要大量的功能評價的收斂性，提出的算法集成近似健身功能的評價經(jīng)濟部利用神經(jīng)網(wǎng)絡(luò)。第三，都存在離散和連續(xù)設(shè)計變量構(gòu)成挑戰(zhàn)的代表性解決方案和遺傳算子的經(jīng)濟性。因此，該算法結(jié)合了混合離散和連續(xù)變量以及一套遺傳經(jīng)營的相應(yīng)類型的變量。第四，它擴大了面向?qū)ο蟮目蚣躂GA（Medaglia和古鐵雷斯2006年）和莫-JGA（Medaglia等。2006年），以便迅速執(zhí)行擬議的算法和改變本地最先進的MOEAs.。最后，結(jié)果MOEAs比較產(chǎn)生的對口，NSGA II（德布等。2002年）和MicroGA(Coello和托斯卡諾。2005年)，并通過廣泛使用的聚集方式，其主要優(yōu)勢在于它易于編碼和計算效率（羅德里格斯等人。2005年）
作者：Jorge E. Rodríguez • Andrés L. Medaglia •
Carlos A. Coello Coello
出自：© Springer Science+Business Media, LLC 2008
內(nèi)容為原文部分摘選翻譯
內(nèi)容摘要：設(shè)計一個低預(yù)算的輕便摩托車車架如果考慮它的動態(tài)性能和力學性能則是一項很復(fù)雜的工程問題。這種復(fù)雜性部分是由于存在多種設(shè)計目標，質(zhì)量，構(gòu)造應(yīng)力和剛度，高計算量的有限元模擬來評價目標的變量以及幾何性質(zhì)（離散和連續(xù)）。因此，本文提出了一種多目標戰(zhàn)略化的進化算法（MOEAs），結(jié)合實際使用（有限元模擬）和近似健身功能評價。所提議的方法為非支配框架設(shè)計。擬定的經(jīng)濟使用混合離散和連續(xù)設(shè)計變量，以及一套適用于根據(jù)類型的變量。結(jié)果表明，所提出的MOEAs方法，神經(jīng)網(wǎng)絡(luò)NSGA II和神經(jīng)網(wǎng)絡(luò)microGA,改進績效原有對口，NSGA II和microGA.因此，這種neuroac-celeration方法被證明是有效的，也可能適用于其它的鐵基工程設(shè)計問題。
關(guān)鍵詞：多目標進化算法.有限元分析.神經(jīng)網(wǎng)絡(luò).摩托車.工程設(shè)計.多目標優(yōu)化
有限元分析（FEA）是計算機仿真技術(shù)經(jīng)常用來解決工程設(shè)計中常見問題的一種系統(tǒng)，特別在復(fù)雜幾何形狀的狀態(tài)下以及不同的物理現(xiàn)象。這些復(fù)雜的系統(tǒng)卻無法進行徹底的分析和準確的物理技術(shù)，但管理的手段以及有系統(tǒng)的離散方法稱為有限元方法（姆雷迪1993年）。另一方面，進化算法的隨機啟發(fā)搜索程序被用來解決復(fù)雜的優(yōu)化問題。在不斷變化的環(huán)境因素下如鉗工就有更好的機會去繁殖和生存（米凱1996年）。即使計算機和技術(shù)都成熟了，但跡象表明了有限元和EA結(jié)合使用的趨勢。例如，沃克和史密斯結(jié)合有限元和EA以盡量減少加權(quán)總和的質(zhì)量和纖維強化結(jié)構(gòu)。同樣，安倍等人使用有限元和EA的結(jié)構(gòu)優(yōu)化從而建設(shè)一個輪胎。最近，吉格和Ermanni應(yīng)用有限元和EA，以盡量減少大規(guī)模的復(fù)合纖維增強塑料輪軸受強度和剛度的限制。值得指出的是，這些應(yīng)用已經(jīng)解決的問題有單目標優(yōu)化問題和聚集若干目標的優(yōu)化問題。
在過去幾年里進行了很多有關(guān)結(jié)構(gòu)優(yōu)化框架的研究。法澤爾等人從事類似的摩托車車架設(shè)計問題，提出了單目標進化算法（一多聚集的辦法），以盡量減少畫面質(zhì)量，同時保持一個特定的Tor-siona剛度和強度約束某些制動。最近，吉村等人處理的橫截面形狀優(yōu)化的自動機機構(gòu)內(nèi)使用的多目標方法計算，涉及到了9個低成本的目標。為工程學讀者在結(jié)構(gòu)優(yōu)化領(lǐng)域一種好方法。
為了解決前面提到的問題，本研究擴展了一套決策工具為研究提供了一些方向。第一，它的做法在一些性質(zhì)問題的使用后銜接的不錯。也就是說，它不是聚集幾個目標之一，它可以讓決策者選擇一套非支配所得設(shè)計相結(jié)合的國家最先進的主觀進化算法（MOEAs）和Fe。因此，它推出的近似帕累托邊界。第二，因為單一的健身功能評價和MOEAs需要大量的功能評價的收斂性，提出的算法集成近似健身功能的評價經(jīng)濟部利用神經(jīng)網(wǎng)絡(luò)。第三，都存在離散和連續(xù)設(shè)計變量構(gòu)成挑戰(zhàn)的代表性解決方案和遺傳算子的經(jīng)濟性。因此，該算法結(jié)合了混合離散和連續(xù)變量以及一套遺傳經(jīng)營的相應(yīng)類型的變量。第四，它擴大了面向?qū)ο蟮目蚣躂GA（Medaglia和古鐵雷斯2006年）和莫-JGA（Medaglia等。2006年），以便迅速執(zhí)行擬議的算法和改變本地最先進的MOEAs.。最后，結(jié)果MOEAs比較產(chǎn)生的對口，NSGA II（德布等。2002年）和MicroGA(Coello和托斯卡諾。2005年)，并通過廣泛使用的聚集方式，其主要優(yōu)勢在于它易于編碼和計算效率（羅德里格斯等人。2005年）
