[发明专利]用于基于多目标进化算法的工程设计优化的方法和系统

说明书

技术领域

本发明涉及工程设计优化，更具体地说，涉及用于基于多目标进化算法(Multi-objection evolutionary algorithm，MOEA)的工程设计优化中的性能评估和终止标准。

背景技术

今天，计算机辅助工程(CAE)已经被用于在各种任务中为工程师提供支持，例如，分析、模拟、设计、制造等。在传统的工程设计程序中，CAE分析(例如，有限元分析(FEA)、有限差分析、无网格分析、计算流体动力学(CFD)分析、减少噪声-震动-刺耳声(NVH)的模态分析等)已经被用于评估响应(例如，压力、位移等)。使用汽车设计作为例子，使用FEA分析汽车的特殊版本或者设计，以获得由于某些负荷条件引起的响应。接下来通过基于特定目标和约束、修改某些参数或设计变量(例如，钢壳的厚度、框架的位置等)，工程师将会试图改善汽车设计。执行另一次FEA以反映这些改变，直至已经实现了“最佳”设计。但是，这个方法通常取决于工程师的学识或者基于反复试验方法。

此外，如在任何工程问题或方案中经常出现的，这些目标和约束通常以非线性方式彼此冲突和相互影响并以非线性方式与设计变量冲突和相互影响。因此，不清楚如何修改它们以实现“最佳的”设计或者平衡。在进行多学科优化的情况下，这种情况会变得更加复杂，多学科优化需要进行几种不同的CAE分析(例如，FEA、CFD和NVH)以满足一组相互冲突的目标。为了解决这个问题，使用了被称为设计优化的用于确定“最佳”设计的系统方法。

这种采用一个以上的目标函数的系统优化被称为多目标优化。与单目标优化问题(SOP)相反的是，多目标优化问题(MOP)不会产生单个最优解。相反地，它会得到一组最优解，这一组最优解表示目标之间的不同平衡。这些解被称为Pareto最优解或者Pareto最优解组。Pareto最优解组的设计目标函数空间表示是Pareto最优前沿(POF)。找出Pareto最优解的一个最通用的方法是将多目标优化问题转化成单目标优化问题，然后找出单个平衡解。有许多将MOP转换成SOP的方法，也就是，加权和方法、逆效应函数、目标规划、ε约束方法等。将MOP转化为SOP的这种现有技术方法的缺陷是每次优化模拟都会得到单个平衡解，在出现完全不同的平衡解的情况下，多次模拟无法结束。

最近，有一种工程设计优化方法是基于基因算法(GA)或者演化算法的。基因算法已经被证明可以有效地解决多目标优化问题，因为它们可以在单次数值模拟中得到一组不同的平衡解。但是其缺点是基因算法要求成千上万次的模拟，以收敛到全局POF。这在计算成本方面变成了更大的问题，特别是当对每个设计选择方案的评估要求进行复杂的、耗时的FEA时(例如，汽车碰撞模拟、NVH的模态分析等)。

为了减少计算成本，某些现有技术的方法已经致力于研发更有效的算法(例如，微基因算法、基于Pareto解的高效全局优化(ParEGO))，改善现有算法的效率，采用局部搜索算法与基因算法的组合，或者使用近似模型来进行适应度评估。但是这些方法没有考虑到以下事实：与工业问题中的评估设计的计算成本相比，由优化算法导致的计算开支是很小的。相反，ad hoc(对等)解已经被用于对演化代(generation)的最大数量或者设计目标函数评估的最大数量设置了界限。因此，期望有一种改进的方法和系统，更加高效和有效地执行基于MOEA的工程设计优化。

发明内容

这部分的目的是总结本发明的某些方面，并简洁介绍一些优选的实施例。这部分以及摘要和标题中的简化或省略是为了避免使这部分的目的不清楚。这样的简化或省略并不用于限制本发明的范围。

本发明公开了一种对产品(例如汽车、蜂窝电话等)进行基于多目标进化算法(MOEA)的工程设计优化的系统和方法。特别地，本发明公开了一种用于监控基于MOEA的优化的进程并表现基于MOEA的优化的性能的档案。此外，使用档案的更新历史来生成性能优化度量或者指示器。优化性能度量用作优化的当前状态的指示器。最后，使用从优化性能度量得到的测量值(例如，关于优化性能指示器的效用函数)来生成针对基于MOEA优化的停止或者终止标准。