用moeas方法设计摩托车车架[外文翻译].doc
约19页DOC格式手机打开展开
用moeas方法设计摩托车车架[外文翻译],用moeas方法设计摩托车车架作者：jorge e. rodríguez andrés l. medaglia carlos a. coello coello出自：© springer science+business media, llc 2008内容为原文部分摘选翻译内容摘要：设计一个低预算的轻便摩托车...
内容介绍
此文档由会员 qs_f5t2xd 发布
用MOEAs方法设计摩托车车架
作者：Jorge E. Rodríguez • Andrés L. Medaglia •
Carlos A. Coello Coello
出自：© Springer Science+Business Media, LLC 2008
内容为原文部分摘选翻译
内容摘要：设计一个低预算的轻便摩托车车架如果考虑它的动态性能和力学性能则是一项很复杂的工程问题。这种复杂性部分是由于存在多种设计目标，质量，构造应力和刚度，高计算量的有限元模拟来评价目标的变量以及几何性质（离散和连续）。因此，本文提出了一种多目标战略化的进化算法（MOEAs），结合实际使用（有限元模拟）和近似健身功能评价。所提议的方法为非支配框架设计。拟定的经济使用混合离散和连续设计变量，以及一套适用于根据类型的变量。结果表明，所提出的MOEAs方法，神经网络NSGA II和神经网络microGA,改进绩效原有对口，NSGA II和microGA.因此，这种neuroac-celeration方法被证明是有效的，也可能适用于其它的铁基工程设计问题。
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（FEA）是计算机仿真技术经常用来解决工程设计中常见问题的一种系统，特别在复杂几何形状的状态下以及不同的物理现象。这些复杂的系统却无法进行彻底的分析和准确的物理技术，但管理的手段以及有系统的离散方法称为有限元方法（姆雷迪1993年）。另一方面，进化算法的随机启发搜索程序被用来解决复杂的优化问题。在不断变化的环境因素下如钳工就有更好的机会去繁殖和生存（米凯1996年）。即使计算机和技术都成熟了，但迹象表明了有限元和EA结合使用的趋势。例如，沃克和史密斯结合有限元和EA以尽量减少加权总和的质量和纤维强化结构。同样，安倍等人使用有限元和EA的结构优化从而建设一个轮胎。最近，吉格和Ermanni应用有限元和EA，以尽量减少大规模的复合纤维增强塑料轮轴受强度和刚度的限制。值得指出的是，这些应用已经解决的问题有单目标优化问题和聚集若干目标的优化问题。
在过去几年里进行了很多有关结构优化框架的研究。法泽尔等人从事类似的摩托车车架设计问题，提出了单目标进化算法（一多聚集的办法），以尽量减少画面质量，同时保持一个特定的Tor-siona刚度和强度约束某些制动。最近，吉村等人处理的横截面形状优化的自动机机构内使用的多目标方法计算，涉及到了9个低成本的目标。为工程学读者在结构优化领域一种好方法。
为了解决前面提到的问题，本研究扩展了一套决策工具为研究提供了一些方向。第一，它的做法在一些性质问题的使用后衔接的不错。也就是说，它不是聚集几个目标之一，它可以让决策者选择一套非支配所得设计相结合的国家最先进的主观进化算法（MOEAs）和Fe。因此，它推出的近似帕累托边界。第二，因为单一的健身功能评价和MOEAs需要大量的功能评价的收敛性，提出的算法集成近似健身功能的评价经济部利用神经网络。第三，都存在离散和连续设计变量构成挑战的代表性解决方案和遗传算子的经济性。因此，该算法结合了混合离散和连续变量以及一套遗传经营的相应类型的变量。第四，它扩大了面向对象的框架JGA（Medaglia和古铁雷斯2006年）和莫-JGA（Medaglia等。2006年），以便迅速执行拟议的算法和改变本地最先进的MOEAs.。最后，结果MOEAs比较产生的对口，NSGA II（德布等。2002年）和MicroGA(Coello和托斯卡诺。2005年)，并通过广泛使用的聚集方式，其主要优势在于它易于编码和计算效率（罗德里格斯等人。2005年）
作者：Jorge E. Rodríguez • Andrés L. Medaglia •
Carlos A. Coello Coello
出自：© Springer Science+Business Media, LLC 2008
内容为原文部分摘选翻译
内容摘要：设计一个低预算的轻便摩托车车架如果考虑它的动态性能和力学性能则是一项很复杂的工程问题。这种复杂性部分是由于存在多种设计目标，质量，构造应力和刚度，高计算量的有限元模拟来评价目标的变量以及几何性质（离散和连续）。因此，本文提出了一种多目标战略化的进化算法（MOEAs），结合实际使用（有限元模拟）和近似健身功能评价。所提议的方法为非支配框架设计。拟定的经济使用混合离散和连续设计变量，以及一套适用于根据类型的变量。结果表明，所提出的MOEAs方法，神经网络NSGA II和神经网络microGA,改进绩效原有对口，NSGA II和microGA.因此，这种neuroac-celeration方法被证明是有效的，也可能适用于其它的铁基工程设计问题。
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（FEA）是计算机仿真技术经常用来解决工程设计中常见问题的一种系统，特别在复杂几何形状的状态下以及不同的物理现象。这些复杂的系统却无法进行彻底的分析和准确的物理技术，但管理的手段以及有系统的离散方法称为有限元方法（姆雷迪1993年）。另一方面，进化算法的随机启发搜索程序被用来解决复杂的优化问题。在不断变化的环境因素下如钳工就有更好的机会去繁殖和生存（米凯1996年）。即使计算机和技术都成熟了，但迹象表明了有限元和EA结合使用的趋势。例如，沃克和史密斯结合有限元和EA以尽量减少加权总和的质量和纤维强化结构。同样，安倍等人使用有限元和EA的结构优化从而建设一个轮胎。最近，吉格和Ermanni应用有限元和EA，以尽量减少大规模的复合纤维增强塑料轮轴受强度和刚度的限制。值得指出的是，这些应用已经解决的问题有单目标优化问题和聚集若干目标的优化问题。
在过去几年里进行了很多有关结构优化框架的研究。法泽尔等人从事类似的摩托车车架设计问题，提出了单目标进化算法（一多聚集的办法），以尽量减少画面质量，同时保持一个特定的Tor-siona刚度和强度约束某些制动。最近，吉村等人处理的横截面形状优化的自动机机构内使用的多目标方法计算，涉及到了9个低成本的目标。为工程学读者在结构优化领域一种好方法。
为了解决前面提到的问题，本研究扩展了一套决策工具为研究提供了一些方向。第一，它的做法在一些性质问题的使用后衔接的不错。也就是说，它不是聚集几个目标之一，它可以让决策者选择一套非支配所得设计相结合的国家最先进的主观进化算法（MOEAs）和Fe。因此，它推出的近似帕累托边界。第二，因为单一的健身功能评价和MOEAs需要大量的功能评价的收敛性，提出的算法集成近似健身功能的评价经济部利用神经网络。第三，都存在离散和连续设计变量构成挑战的代表性解决方案和遗传算子的经济性。因此，该算法结合了混合离散和连续变量以及一套遗传经营的相应类型的变量。第四，它扩大了面向对象的框架JGA（Medaglia和古铁雷斯2006年）和莫-JGA（Medaglia等。2006年），以便迅速执行拟议的算法和改变本地最先进的MOEAs.。最后，结果MOEAs比较产生的对口，NSGA II（德布等。2002年）和MicroGA(Coello和托斯卡诺。2005年)，并通过广泛使用的聚集方式，其主要优势在于它易于编码和计算效率（罗德里格斯等人。2005年）
