论文部分内容阅读
在解决实际工程优化问题时，会遇到大量昂贵的“黑箱”优化问题，这些问题的求解往往需要进行时间成本高昂的实验或者仿真，这将严重影响产品开发的进度，所以能够减少实验或仿真次数的基于代理模型的进化算法（SAEA）已然成为研究热点。然而，代理模型在进化算法中的运用仍然存在求解效率低下的问题，为了进一步提高SAEA的求解效率、减少其计算时间，本文将对其进行深入研究。主要的研究内容包括以下三个方面： 首先，针对现有SAEA中仅利用代理模型的预测能力来预测进化算法中个体响应值而没有充分利用所建立的代理模型的现状，本文提出了利用Kriging代理模型基于EI准则的全局搜索能力搜索具有潜力的新位置，从而辅助粒子群优化算法搜索过程的算法（EGOAPSO）。同时，为了提高模型精度、减少代理模型的建模时间，本文采用了适应于粒子群优化算法中粒子迁移特点的建模区域确定策略，并运用到EGOAPSO算法中。 其次，为了进一步加快EGOAPSO的求解效率与求解精度，在上述提出的EGOAPSO算法的基础上，本文提出了基于双层多个代理模型粒子群优化算法（TLMPSO）。在全局层面上，该算法建立多个代理模型并利用各自基于EI准则的全局搜索能力进行全局搜索，这一定程度上能够弥补单个Kriging模型精度不足时可能提供不准确信息的不足；同时，在局部层面上，该算法建立局部RBF模型在当前最优值附近进行局部搜索，实现对当前最优值的修正。 最后，本文详细介绍了全回转推进器驱动轴的静力学分析和疲劳寿命分析过程，并建立了该驱动轴以疲劳寿命最大化为目标、6个关键尺寸和总质量为约束的结构优化设计模型，同时也给出了该优化设计模型基于TLMPSO算法的求解流程。通过对该驱动轴优化前后疲劳寿命的分析对比，验证了本文提出的基于代理模型的离子群优化算法在求解实际工程优化问题时的可行性与有效性。