乘坐舒适性整体优化方式的比较[外文翻译].doc
约15页DOC格式手机打开展开
乘坐舒适性整体优化方式的比较[外文翻译],附件c：译文 乘坐舒适性整体优化方式的比较p.eriksson and j.s.arora摘要：本文提出一个应用于工程优化方面的整体优化算法的比较，三种运用连续随机变量的整齐优化算法：区域消除法、图像放大法和受控随机搜索。图像放大法和受控随机搜索在以前的乘坐舒适性优化问题中已经有所应用。每种算法都要执行三次，所有目标函...
内容介绍
此文档由会员 qs_f5t2xd 发布
附件C：译文
乘坐舒适性整体优化方式的比较
P.Eriksson and J.S.Arora
摘要：本文提出一个应用于工程优化方面的整体优化算法的比较，三种运用连续随机变量的整齐优化算法：区域消除法、图像放大法和受控随机搜索。图像放大法和受控随机搜索在以前的乘坐舒适性优化问题中已经有所应用。每种算法都要执行三次，所有目标函数值取其最佳平均值和有效值。图像放大法的结果，结果适当修正后，是目标函数最有效的结果并能找出整体最佳参数。每个设计变量被赋予一套离散数值和两种优化算法，例如：应用于乘坐舒适性离散分析的遗传算法和模拟退火法，结果显示，遗传算法比模拟退火法在个别优化问题中更有效。
关键字：全局优化，乘坐舒适性，有限元，公共汽车，独立动力单元。
1 前言
一个普通的非线性系统优化问题可以定义为：
用一个n维向量代替设计自变量找到一个最简目标函数：
f(x) = f(x1, x2, . . . , xn), (1)
列出所有等式和不等式约束条件：
hj(x) = 0, j= 1 to p , (2)
gi(x) ≤ 0, i= 1 to m, (3)
简化系统变量边界条件：
xil ≤ xi ≤ xiu, i= 1 to n , (4)
有几种优化算法方法已经发展成熟，可以解决这些问题。大多数算法是设计来找到一个局部最优参数x∗，这个x∗是邻近所有X中最符合f(x∗) ≤ f(x)的。一个代表例子就是二维线性方程组，这种算法在很多优化问题中都表现得非常稳定和高效。尽管如此，许多优化问题都有几个局部最优参数并致力于找到在整个设计范围内可能的那个最优参数，例如定义为全局最优参数的xg∗，在所有可能的x范围内中满足f(xg∗) ≤ f(x)。
全局最优参数通常比局部最优参数更难找（而且更费时）。在没有合适的数学方法能找到全局最优参数之前，对照局部最优参数的方法，通常要在全部可能的设计范围内搜索以找到精确的全局最优参数。有的方法能找到一个近似全局最优参数而不用在全部范围内搜索，例如遗传算法，模拟退火法，图像放大法和受控
乘坐舒适性整体优化方式的比较
P.Eriksson and J.S.Arora
摘要：本文提出一个应用于工程优化方面的整体优化算法的比较，三种运用连续随机变量的整齐优化算法：区域消除法、图像放大法和受控随机搜索。图像放大法和受控随机搜索在以前的乘坐舒适性优化问题中已经有所应用。每种算法都要执行三次，所有目标函数值取其最佳平均值和有效值。图像放大法的结果，结果适当修正后，是目标函数最有效的结果并能找出整体最佳参数。每个设计变量被赋予一套离散数值和两种优化算法，例如：应用于乘坐舒适性离散分析的遗传算法和模拟退火法，结果显示，遗传算法比模拟退火法在个别优化问题中更有效。
关键字：全局优化，乘坐舒适性，有限元，公共汽车，独立动力单元。
1 前言
一个普通的非线性系统优化问题可以定义为：
用一个n维向量代替设计自变量找到一个最简目标函数：
f(x) = f(x1, x2, . . . , xn), (1)
列出所有等式和不等式约束条件：
hj(x) = 0, j= 1 to p , (2)
gi(x) ≤ 0, i= 1 to m, (3)
简化系统变量边界条件：
xil ≤ xi ≤ xiu, i= 1 to n , (4)
有几种优化算法方法已经发展成熟，可以解决这些问题。大多数算法是设计来找到一个局部最优参数x∗，这个x∗是邻近所有X中最符合f(x∗) ≤ f(x)的。一个代表例子就是二维线性方程组，这种算法在很多优化问题中都表现得非常稳定和高效。尽管如此，许多优化问题都有几个局部最优参数并致力于找到在整个设计范围内可能的那个最优参数，例如定义为全局最优参数的xg∗，在所有可能的x范围内中满足f(xg∗) ≤ f(x)。
全局最优参数通常比局部最优参数更难找（而且更费时）。在没有合适的数学方法能找到全局最优参数之前，对照局部最优参数的方法，通常要在全部可能的设计范围内搜索以找到精确的全局最优参数。有的方法能找到一个近似全局最优参数而不用在全部范围内搜索，例如遗传算法，模拟退火法，图像放大法和受控
