【正文】 第六章 UG/PROE建模一．實驗?zāi)康耐ㄟ^本次實驗，讓同學(xué)們用UG或者PROE建立圖形模型，鍛煉同學(xué)們動手能力，同時應(yīng)用UG/PROE軟件的能力，同樣地，由于是自己設(shè)計，可以鍛煉同學(xué)們的創(chuàng)新和想象能力。5) 最優(yōu)化方法程序設(shè)計研究中，一方面努力提高方法程序的求解能力和各個方法程序之間的互換性，研制方法程序包、程序庫等；另一方面大力改善優(yōu)化設(shè)計求解環(huán)境，開展了優(yōu)化設(shè)計集成環(huán)境的研究，這為設(shè)計者提供了輔助建模工具、優(yōu)化設(shè)計前后處理模塊、可視化模塊、接口模塊等。2) ⑵針對難以處理性態(tài)不好的問題、難以求得全局最優(yōu)解等弱點，發(fā)展了一批新的方法，如模擬退火法、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)法、模糊算法、小波變換法、分形幾何法、有混合遺傳基因優(yōu)化方法、混沌優(yōu)化方法、多態(tài)蟻群優(yōu)化方法、動態(tài)蟻群優(yōu)化方法。選擇合適的優(yōu)化設(shè)計方法是解決某個具體優(yōu)化設(shè)計問題的前提，而對優(yōu)化設(shè)計方法進行分析、比較和評判是其關(guān)鍵，是指導(dǎo)設(shè)計者進行優(yōu)化設(shè)計方法選擇決策的依據(jù)。機械優(yōu)化是靠科學(xué)推導(dǎo)和定量的數(shù)值計算來確定最優(yōu)的設(shè)計方案，因而可靠性高。盡可能選用計算過程中謂用函數(shù)值次數(shù)少的優(yōu)化方法。正確選擇優(yōu)化算依賴于實踐經(jīng)驗和技巧，并遵循以下幾個原則?？傊恳环N優(yōu)化設(shè)計方法都是針對某一類問題而產(chǎn)生的，都有各自的特點，都有各自的應(yīng)用領(lǐng)域，不能絕對地用“好”或“不好”來評價。7）初始條件敏感性，指初始條件對能否收斂到最優(yōu)的影響程度% 如果即使從一個不好的初始點出發(fā)也能夠收斂到最優(yōu)解，則說明其初始條件敏感性低。5）穩(wěn)定性，指方法的求解穩(wěn)定性。2）精度。 在現(xiàn)實優(yōu)化設(shè)計中，存在大量的模糊因素或模糊對象，而傳統(tǒng)優(yōu)化設(shè)計方法在建立模型時將模糊因素精確化，甚至忽略不計，往往影響了優(yōu)化設(shè)計的結(jié)果。GA與傳統(tǒng)優(yōu)化設(shè)計方法不同，它是一種啟發(fā)式的搜索算法，通過群體中個體的多樣性實現(xiàn)對解空間的多點同時搜索，可以有效實現(xiàn)全局最優(yōu)解[2]?；蛘邔⒎蔷€性約束優(yōu)化設(shè)計問題轉(zhuǎn)化為線性規(guī)劃問題。直接法的基礎(chǔ)思想是構(gòu)造—迭代過程，使每次迭代點都在可行域中，且一步步降低目標函數(shù)值，直到求得最優(yōu)解。目標函數(shù)不可導(dǎo)N5。 沒有約束函數(shù)的優(yōu)化設(shè)計問題為無約束化問題! 無約束優(yōu)化設(shè)計方法很多，根據(jù)在尋優(yōu)過程中是否利用目標函數(shù)的性態(tài)（如可微性）分為直接法和間接法。其基本思想是，根據(jù)各分目標的重要性，選擇時設(shè)計方案的優(yōu)劣影響最大的目標作為主要目標，建立目標函數(shù)，而將其余目標按照一定的原則化為輔助的約束條件，然后對主要目標函數(shù)求約束優(yōu)化解。多目標問題的優(yōu)化過程要比單目標的優(yōu)化過程復(fù)雜的多，特別是當設(shè)計目標之間相互對立時，求對各設(shè)計目標都滿意的方案就更加困準。缺點：理論上講，只有當（外點法）或（內(nèi)點法）時，算法才能收斂，因此收斂速都慢。特點：1) 內(nèi)點懲罰函數(shù)法簡稱為內(nèi)點法，只能用來求解具有不等式約束的優(yōu)化問題。對于以下的約束優(yōu)化問題：. . 中的不等式和等式約束函數(shù)經(jīng)過加權(quán)轉(zhuǎn)化后，和遠目標函數(shù)結(jié)合形成新的目標函數(shù)——懲罰函數(shù)求解該新目標函數(shù)的無約束極小值，以期得到原問題的約束最優(yōu)解。⑵可以有效地處理具有等式約束的約束優(yōu)化問題。由于在新目標函數(shù)中包含了各種約束條件，在求極值的過程中還將改變加權(quán)因子的大小?；舅悸罚杭s束優(yōu)化問題中的約束函數(shù)進行特殊的加權(quán)處理后，和目標函數(shù)結(jié)合起來，構(gòu)成一個新的目標函數(shù)，即將原約束優(yōu)化問題轉(zhuǎn)化為一個或一系列的無約束優(yōu)化問題。其典型策略是,從可行點出發(fā),沿著下降的可行方向進行搜索,求出使目標函數(shù)值下降的新的可行點。由于可行搜索方向是從許多隨機方向中選擇的使目標函數(shù)下降最快的方向，加之步長還可以靈活變動，所以此算法的收斂速度比較快。然后，將起始點移至x，即令223。⑷原理簡單，方法實用。每次迭代計算均按以下基本迭代格式進行直接解法的特點是： ⑴由于整個求解過程在可行域內(nèi)進行，因此，迭代計算不論何時終止，都可以獲得一個比初始點好的設(shè)計點。約束優(yōu)化方法根據(jù)求解方式的不同，可分為直接解法和間接解法。對變尺度法改進為DFP算法，該算法是無約束優(yōu)化方法中最有效的方法之一，因為它不單純是利用向量傳遞信息，還采用矩陣來傳遞信息。共軛梯度法是共軛方向法中的一種，因為在該方向中的每一個共軛向量都是依賴于迭代點處的負梯度而夠造出來的，所以稱作共軛梯度法，又稱為旋轉(zhuǎn)梯度法。算法：其中——f(x)在處的海賽矩陣，該迭代方法稱為牛頓方法。 算法：由于梯度法是以負梯度方向作為搜索方向，所以稱為梯度法，又稱為最速下降法。2）按維數(shù)，可分為一維優(yōu)化設(shè)計方法和多維優(yōu)化設(shè)計方法。圖1 工程優(yōu)化設(shè)計計算流程圖第二章優(yōu)化設(shè)計方法的分類優(yōu)化設(shè)計的類別很多，從不同的角度出發(fā)，可以得出不同的分類。其中，最關(guān)鍵的是兩個方面的工作是首先將優(yōu)化設(shè)計問題抽象成優(yōu)化設(shè)計數(shù)學(xué)模型，通常簡稱它為優(yōu)化建模；然后選用優(yōu)化計算方法及其程序在計算機上求出這個模型的最優(yōu)解，通常簡稱它為優(yōu)化計算。在機械產(chǎn)品優(yōu)化設(shè)計中，不應(yīng)片面強調(diào)高性能，而忽視了生產(chǎn)的經(jīng)濟教益。在此基礎(chǔ)上構(gòu)造初步數(shù)學(xué)模型(設(shè)計變量和約束條件取少一些)．經(jīng)計算后與試驗結(jié)果作比較，逐步地進行修改和完善：(1)設(shè)計變量的確定：在機械優(yōu)化設(shè)計中涉及的參數(shù)很多，可以先把他們?nèi)苛谐鰜?，然后再逐個分析，確定獨立變量和非獨立變量。設(shè)計優(yōu)化問題中有n個設(shè)計變量為 （1）要求在可行區(qū)域內(nèi)尋找晟優(yōu)