复合材料格栅结构优化设计中的计算智能技术

针对复合材料格栅结构优化设计多变量、多约束、连续和离散混合变量、高度非线性的难点,提出了用进化神经网络来实现结构设计参数(输入)与结构响应参数(输出)的全局非线性映射关系,以此来代替优化过程中的有限元计算,以提高优化效率.以遗传算法为优化求解器,神经网络屈曲稳定性响应面为主要约束,对复合材料格栅加筋结构进行优化.结果表明,在相同样本数的情况下,进化神经网络可获得比BP网络更高精度的映射模型,具有很强的泛化能力.该方法可以为解决大型复合材料结构优化问题提供一条高效途径.      

进化神经网络在复合材料格栅结构设计中的应用

根据Kolmogorov多层神经网络映射存在定理,利用进化神经网络来实现结构设计参数(输入)与结构响应参数(输出)的全局非线性映射关系,以此来代替实际结构优化过程中存在的大量有限元计算,从而提高优化效率。以遗传算法为优化求解器,神经网络屈曲稳定性响应面为主要约束,对复合材料格栅加筋结构的优化问题进行了分析研究。算例表明,在相同(有限元)样本数据的情况下,进化神经网络通过自适应调节网络结构和权值,可获得比BP神经网络更高精度的映射模型,具有很强的泛化能力。该方法可为解决大型复合材料结构优化设计提供一条高效途径。     

利用遗传算法和神经网络响应面来实现复合材料结构优化设计

运用正交试验设计选择设计样本，建立神经网络响应面，以代替复合材料结构优化中的大量的有限元分析；将神经网络响应面作为目标函数或者约束条件，加上其他常规约束条件进行优化模型的建立，再应用遗传算法（GA）进行优化，这可以实现设计分析与设计优化的分离。以复合材料帽型加筋板的重量优化问题为例，建立了重量响应面目标函数、强度和翘曲稳定性响应面约束条件；并通过NASTRAN进行有限元计算，以获取用于响应面训练的样本点数据。研究表明，该方法能以较少的结构分析次数，取得高精度的响应面近似模型，从而使优化效率大为提高。神经网络响应面能够获得与传统响应面同等，甚至更好的精度。