ISIGHT优化算法分类

zhengmai0101

ISIGHT中的单目标优化算法大致可分为以下三类：
1数值优化方法
数值优化算法通常假定设计空间是单峰，连续且凸的。在isight中提供的数值优化方法有：
修正的可行方向法（ModifiedMethodofFeasibleDirections）
广义下降梯度法（LargeScaleGeneralizedReducedGradient）
混合整形序列二次规划法（Mixed-IntegerSequentialQuadraticProgramming）
序列二次规划法（SequentialQuadraticProgramming）
多功能优化系统技术（MultifunctionOptimizationSystemTool）
霍克-基维斯直接搜索法（Hooke-jeevesDirectSearchMethod）
修正的可行方法法（MMFD）能够处理设计变量为实型的问题，适用于非线性设计空间但不适用于非连续设计空间。它能很快获得最优设计，可以处理等式以及不等式约束，在最优解处满足约束的精度很高。
广义下降梯度法（LSGRG）基于梯度下降法解决约束的非线性优化问题，这个算法采用的搜索方向，使得在搜索方向细微移动时，可行的约束依然保持它的可行性。
混合整形序列二次规划法（MISQP）是一个基于信赖域的方法，可以解决整型以及离散变量问题。MISQP同其他的序列二次算法相似，假定目标函数以及约束是连续可微的。不同的是，它假定目标函数和约束随整型变量光滑变化。MISQP算法能够保证凸问题的收敛性，对于非凸问题，也具有很好的求解能力。
序列二次规划法（NLPQL）能够处理设计变量为实型的问题，将目标函数以二阶泰勒级数展开，并把约束条件线性化，通过求解二次规划得到下一个设计点，然后根据两个可选的优化函数执行一次线性搜索，该算法很稳定。
多功能优化系统技术（MOST）首先假定设计问题是连续的，采用序列二次规划法得到一个初始值。如果所有设计变量都是实数型的，那么优化终止。如果某些设计变量为整型，MOST会采用分支定限法对最近的一次优化解进行取整，获得两个最相邻的整型值代替该整型变量当前值，产生分支点。在每个分支下，剩余的设计变量依然采用实型优化。最终，违反整型限制的设计变量逐渐减小，从而找到满足要求的最优设计方案。
霍克-基维斯直接搜索法（H-J）采用步长搜索的方法，以一个步长探索开始搜寻局部的最小值，能有效探索设计点周围局部区域，它不要求目标函数连续因为不需要对目标函数求导，只需要评估设计点，更适用于流体力学等领域。
2探索优化方法
探索优化法避免了在局部区域出现最优解的情况。这种方法通常在整个设计空间中搜索全局最优值。iSIGHT中有以下两种：
（1）多岛遗传算法（MIGA）：
在多岛遗传算法中，和其他的遗传算法一样每个设计点都有一个适应度值,这个值是建立在目标函数值和约束罚函数值的基数上。个体如有好的目标函数值，罚函数也就有一个更高的适应度值。多岛遗传法不同于传统遗传算法的最大区别在于每个种群都被分为若干个子种群，也称为岛。分别在各自的子种群中进行传统的遗传算法。一些个体被选出来周期的“迁移”到其他的岛上。这种操作成为“迁移”。有两个参数控制着迁移过程：迁移间隔（每次迁移之后繁殖后代的数目）；迁移率（迁移个体所占的百分比）。
（2）自适应模拟退火算法（ASA）：
自适应模拟退火算法非常适用于用算法简单的编码来解决高度非线性优化问题，尤其是当发现找全局目标值比寻求好的设计方法更为重要的时候。这种方法能够辨别不同的局部最优解。该算法能够以最小的成本就获得最优解。
3Pointer优化专家
Pointer优化器是ISIGHT提供的智能自动化优化专家。Pointer优化器会自动捕捉设计空间的信息，自动组合四种优化算法形成一个最优的优化策略，在一定程度上能降低工程师的使用门槛。
Pointer包括四个方法的组合：线性单纯行法（linearsimplex）、序列二次规划法（NLPQL）、最速下降法（downhillsimple）和遗传算法（geneticalgorithms）。
转载：CAE技术联盟微信官方平台