用多目标进化算法中的神经加速度方法设计一种摩托车车架[外文翻译].rar

附件C：译文

用多目标进化算法中的神经加速度方法设计一种摩托车车架

摘要：设计一个低预算的轻型摩托车车架具有卓越的动态和力学性能是一个复杂的工程问题。这种复杂性部分是由于存在多个设计目标——很大的构造应力和刚度，和用于评估目标的高计算成本的有限元模拟技术，以及对设计变量属性的几何化（离散和连续）。因此，本文提出一种基于真正的联合使用（有限元模拟技术）和近似适应函数的评价基础上的多目标进化算法中的神经加速度方法。提出的这种方法能加速接近由非支配车架设计组成的柏拉图最佳解前缘。MOEA使用了一种复杂的遗传型编码离散和连续设计变量，并且根据变量的类型可运用一种遗传算法。结果表明，这种神经加速MOEAs NN-NSGA II和NN-MicroGA在它们原有的版本NSGA II和MicroGA上改进而来。因此，这种神经加速方法被证明是有效的，且可应用于其他基于有限元分析的工程设计问题。
关键词：多目标进化算法 有限元分析 神经网络 摩托车 工程设计 多目标优化

有限元分析是一种计算机模拟技术，通常用于解决有几个交互组件、复杂的几何结构和在不同的物理现象影响下的一般系统中的工程设计问题。这些复杂的系统没有一种全面的拥有精确技术的物理分析方法解决，但可由一种系统化离散方法即人们熟知的有限元方法解决（1993雷迪）。另一方面，，进化算法（EA）是一种在自然进化的推动下产生的随机搜索程序，用于解决复杂的优化问题。EAs的工作方式是，在较适合的方法有更好的被改进和保留的选择过程中选择一个个体（解决方案）(Michalewicz1996）。由于FE和EA是计算机密集技术，不断提高的计算能力和这两个技术的成熟，使得它们的联合使用以提高工程设计成为可能。例如，沃克和史密斯（2003年）联合使用FE和EA来减小增强型纤维结构的加权总和的质量。同样，安培等人（2004年）用FE和EA对轮胎结构进行优化。最近，吉格和阿曼尼（2005年）应用FE和EA减少大量的复合纤维增强塑料受到的强度和刚性约束。值得注意的是，这些应用已经被当做单一目标优化问题或聚合多目标问题来处理。
各种车架结构优化的相关研究已经进行了好几年。研究一个类似摩托车车架设计问题的法赛尔等人（2003年）提出了单目标进化算法（一种多目标聚合方法），以尽量减少车架质量，同时保持一定的扭转刚度并且在制动时有一定的制动强度。最近，吉村等人（2005年）用一种包括九种低成本目标的多目标方法来处理汽车车身框架的横截面的优化。关于机械工程中的结构优化领域方面好的论文，读者可以参考斋藤等人（2005）。