一种SA-BESO联合拓扑优化方法技术

本发明专利技术公开了一种SA

【技术实现步骤摘要】
一种SA
‑
BESO联合拓扑优化方法


[0001]本专利技术涉及结构拓扑优化领域，尤其涉及一种SA
‑
BESO联合拓扑优化方法。

技术介绍

[0002]目前，结构拓扑优化已广泛应用于相关
，如航空航天、汽车制造、建筑设计、增材制造，成为了当前学术界研究的热点区域，越来越多的结构拓扑优化方法被相继提出，如变密度法、水平集拓扑优化方法、优化准则法、渐进结构优化法、拓扑导数法、比例
‑
积分
‑
微分控制算法、特征驱动法和智能算法等。
[0003]结构拓扑优化设计具有设计变量多、目标性能与约束条件为设计变量的非线性、非单调隐式函数的特征，求解的全局性和计算效率值得商榷。其中，渐进结构优化法(Evolutionary Structural Optimization，ESO)概念简单，方便理解，通过不断减少结构体积提高计算效率，适用于求解变量较多、目标函数比较复杂的问题，但容易陷入局部最优解。智能优化算法主要包括了遗传算法、离散粒子群算法、退火模拟算法(Simulated Annealing Algorithm,SA)等，这些算法的求解过程与目标适应度有关而与求解问题的复杂性以及模型本身无关，它具有较强的全局搜索优化的能力，但存在结构分析次数较多，收敛速度缓慢的问题。因此将渐进结构优化与相关智能算法的结合成为了结构拓扑优化求解极具潜力的研究思路。
[0004]目前已有研究将双向渐进结构优化法(BESO)与遗传算法或与离散粒子群优化算法相结合，实现了结构拓扑优化，并有效提高了求解质量并增大问题的求解规模。但是，遗传算法与离散粒子群优化对随机更新解仅仅进行了体积约束和收敛性判断，忽略了解对目标函数的影响，在结构拓扑优化过程中降低了求解结果的全局最优性。
[0005]综上所述，现有技术中将BESO与遗传算法或与离散粒子群优化算法相结合进行结构拓扑优化过程中，没有考虑遗传算法或与离散粒子群优化算法对目标函数的影响，导致降低了求解结果的全局最优性。

技术实现思路

[0006]本专利技术提供了一种SA
‑
BESO联合拓扑优化方法，本专利技术在对结构模型的拓扑优化过程中引入了SA算法，提高了求解结果的全局最优性。
[0007]为了解决上述技术问题，本专利技术实施例提供了一种SA
‑
BESO联合拓扑优化方法，包括以下步骤：
[0008]S1：获取第i结构模型，对SA
‑
BESO参数进行初始化；其中，i∈N*；
[0009]S2：将第i结构模型划分为多个第i结构单元，对所述第i结构单元进行分析，得到第i结构数据；
[0010]S3：基于所述SA
‑
BESO参数以及所述第i结构数据计算所述第i结构模型的目标函数，得到第i计算结果；
[0011]S4：计算每个所述第i结构单元的第i灵敏度，根据所述第i灵敏度对所述第i结构
单元进行更新，得到第i+1结构模型以及更新次数；
[0012]S5：令i＝i+1，重新执行步骤S2
‑
S4，基于所述第i
‑
1计算结果、所述第i计算结果、所述更新次数以及SA算法，求解出最优解。
[0013]优选的，所述第i结构模型以结构柔顺度最小值为所述目标函数，以体积约束为约束条件，并且在结构拓扑优化过程中，所述第i结构模型具有受力等载荷条件。
[0014]优选的，基于所述约束条件以及所述受力等载荷条件对第i结构单元进行有限元分析，得到第i结构数据。
[0015]优选的，在步骤S4中，计算每个所述第i结构单元的第i灵敏度的具体过程为：
[0016]计算每个所述第i结构单元的第i初始灵敏度，对每个所述第i结构单元第i初始灵敏度进行过滤，得到每个所述第i结构单元的第i灵敏度。
[0017]优选的，在步骤S4中，根据所述第i灵敏度对所述第i结构单元进行更新的具体过程为：
[0018]根据所述第i灵敏度制定随机更新原则以及增删原则，基于所述随机更新原则以及所述增删原则对所述第i结构单元进行更新。
[0019]优选的，基于所述第i
‑
1计算结果、所述第i计算结果、所述更新次数以及SA算法，求解出最优解的具体过程为：
[0020]基于所述第i
‑
1计算结果以及所述第i计算结果计算所述目标函数的增量；
[0021]判断第i结构单元的更新次数是否符合预设的条件，若满足预设的条件，判断第i计算结果是否符合预设的终止条件，若符合预设的终止条件，则以第i计算结果作为最优解；若不符合预设的终止条件，对所述SA
‑
BESO参数进行调整，基于所述增量的大小以及SA算法，重新对第i计算结果进行更新；
[0022]若不满足预设的条件，基于所述增量的大小以及SA算法，重新对第i计算结果进行更新。
[0023]优选的，重新对第i计算结果进行更新的具体过程为：
[0024]判断所述增量的正负值，若所述增量为正，则计算接受第i计算结果的概率，若概率大于预设的阈值，令i＝i+1,重新执行步骤S2
‑
S5，若概率小于预设的阈值，则令i＝i+1,令第i
‑
1结构模型为第i结构模型，重新执行步骤S2
‑
S5；
[0025]若所述增量为负，则令i＝i+1,重新执行步骤S2
‑
S5。
[0026]相比于现有技术，本专利技术实施例具有如下有益效果：
[0027]本专利技术实施例提供的一种SA
‑
BESO联合拓扑优化方法，通过将结构模型划分为多个结构单元并求解出初始解，之后根据灵敏度对结构单元进行更新，得到新的结构模型，在对新的结构模型进行求解得到新的计算结果，根据新的计算结果、初始解和SA算法求解出最优解。本专利技术实施例在对结构模型进行结构拓扑优化的过程中，将SA和BESO算法相结合，通过BESO算法的不断对结构模型的结构进行更新，并在求解出最优解的过程中引入了SA算法，提高求解的全局最优性。
附图说明
[0028]图1：为本专利技术实施例提供的一种SA
‑
BESO联合拓扑优化方法的方法流程图。
[0029]图2：为本专利技术实施例提供的一种SA
‑
BESO联合拓扑优化方法的方法流程图。
[0030]图3：为本专利技术实施例提供的一种SA
‑
BESO联合拓扑优化方法的方法流程图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0032]实施例一
[0033]请参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SA
‑
BESO联合拓扑优化方法，其特征在于，包括以下步骤：S1：获取第i结构模型，对SA
‑
BESO参数进行初始化；其中，i∈N*；S2：将第i结构模型划分为多个第i结构单元，对所述第i结构单元进行分析，得到第i结构数据；S3：基于所述SA
‑
BESO参数以及所述第i结构数据计算所述第i结构模型的目标函数，得到第i计算结果；S4：计算每个所述第i结构单元的第i灵敏度，根据所述第i灵敏度对所述第i结构单元进行更新，得到第i+1结构模型以及更新次数；S5：令i＝i+1，重新执行步骤S2
‑
S4，基于所述第i
‑
1计算结果、所述第i计算结果、所述更新次数以及SA算法，求解出最优解。2.根据权利要求1所述的一种SA
‑
BESO联合拓扑优化方法，其特征在于，所述第i结构模型以结构柔顺度最小值为所述目标函数，以体积约束为约束条件，并且在结构拓扑优化过程中，所述第i结构模型具有受力等载荷条件。3.根据权利要求2所述的一种SA
‑
BESO联合拓扑优化方法，其特征在于，基于所述约束条件以及所述受力等载荷条件对第i结构单元进行有限元分析，得到第i结构数据。4.根据权利要求1所述的一种SA
‑
BESO联合拓扑优化方法，其特征在于，在步骤S4中，计算每个所述第i结构单元的第i灵敏度的具体过程为：计算每个所述第i结构单元的第i初始灵敏度，对每个所述第i结构单元第i初始灵敏度进行过滤，得到每个所述第i结构单元的第i灵敏度。5.根据权利要求4所述的一种SA
...

【专利技术属性】
技术研发人员：张岐良，张卉，陈洪波，
申请(专利权)人：中山大学，
类型：发明
国别省市：