基于动力学演化样本的代理模型优化方法
来源:用户上传
作者:
摘要： 为提高代理模型的精度，将动力学演化样本生成方法引入代理模型优化设计。采用拉丁超立方抽样得到初始样本点集，基于动力学演化计算生成均匀性更佳的样本点集，并用于Kriging代理模型构造，结合遗传算法给出一套基于动力学演化的代理模型优化方法。通过经典测试函数和某实际机床横梁的优化分析，证明演化后点集在代理模型构建和模型全局寻优上的优越性。
关键词： 动力学演化; Kriging模型; 遗传算法; 机床横梁; 优化; 样本集
中图分类号： TP391.99;TB115.1
文献标志码： B
Surrogate model optimization method
based on dynamic evolution sample
HU Zhaohui1， DENG Jin2， LI Zaican2， WU Feng1，2b， ZHONG Wanxie1，2b
（1. Department of Engineering Mechanics， Dalian University of Technology， Dalian 116024， Liaoning， China;
2. a. Yunnan Provincial Key Laboratory of Mechatronics Application Technology; b. ZHONG Wanxie Academician
Workstation， Yunnan Machinery Research and Design Institute Co.， Ltd.， Kunming 650031， China）
Abstract： To improve the accuracy of the surrogate model， the dynamic evolution sample generation method is introduced into surrogate model optimization design. The initial sample point set is obtained by Latin hypercube sampling， and the sample point set with better uniformity is generated based on the dynamic evolution calculation， which is used to construct Kriging surrogate model. Combined with genetic algorithm， an optimization method of surrogate model based on the dynamic evolution is proposed. The superiority of the evolved point set in the surrogate model construction and the model global optimization is proved by the classical test functions and the optimization analysis of an actual machine tool beam.
Key words： dynamic evolution; Kriging model; genetic algorithm; machine tool beam; optimization; sample set
0 引 言
在工业装备结构优化设计时，直接利用有限元仿真难以达到高效、快速设计的要求，利用代理模型进行高效优化是当下的研究热点之一。[1]在利用代理模型进行优化时，为在设计空间中建立全局高精度代理模型，采样方法尤为重要。随机采样方法得到的样本点集分布极不均匀，所构造的代理模型的精度很差。目前，学者大多采用均匀性分布较好的样本点集，如拉丁超立方抽样，以及基于数论理论的Hammersely点集、Sobol点集和Halton点集等。[2-4]然而，这些c集存在明显缺点：高维点集在低维投影时，投影点常出现聚集现象，分布不再均匀。样本的均匀性对代理模型的精度具有显著影响，采用均匀性好的样本点集，往往可以用很少的样本数得到精度更好的代理模型，从而实现更高效的优化设计。
实际上，均匀性好的样本点集在优化设计、随机模拟、试验设计等诸多问题中都有重要的应用价值，如何生成均匀性更好的样本点集一直是研究热点。文献[5]将点集模拟为星系的动力学演化，并证明“最小距离最大化”原则等价于力学分析中的最小势能原理。基于最小势能原理，文献[5]提出一种基于动力学演化模型优化的采样方法。相较于其他点集，动力演化点集的均匀性更好，可以为构造高精度代理模型和优化设计提供均匀样本，已经成功用于随机问题分析。然而，动力学演化样本生成方法是否适用于代理模型和优化设计，还值得进一步研究。
本文将动力学演化样本生成方法引入到代理模型优化设计中，通过拉丁超立方抽样得到初始样本点集，基于动力学演化计算生成均匀性更好的样本点集，并用于代理模型的构造，采用遗传算法得到最优解，从而给出一套基于动力学演化的代理模型优化方法。通过经典测试函数和某实际机床的优化分析，研究所提出的基于动力学演化的代理模型优化方法的性能。
1 基于动力学演化样本的代理模型优化
1.1 代理模型优化
基于代理模型优化方法的计算步骤通常为：（1）在设计变量空间选取样本;（2）基于各样本，采用有限元仿真计算得到响应值;（3）根据样本和响应值，生成代理模型;（4）采用优化算法寻找代理模型的最优解。在这4个基本步骤中，影响优化结果的主要因素有3个，即样本、代理模型和优化算法，本文代理模型和优化算法分别选择经典的Kriging模型[6]和遗传算法[7]，主要研究样本生成。
nlc202210271846
结合动力学演化方法生成样本：首先基于拉丁超立方采样生成初始样本，然后基于动力学演化方法[5]对该样本进行优化，得到更为均匀的样本分布，以期提高代理模型的精度，进而提高优化结果。
1.2 动力学演化方法
假设采样空间为立方体Ω=[0，1]s，其中样本点集为Ps，n={x1，x2，…，xn}，每个点视为一个质量为m的星体，点与点之间存在相互作用力，整个点集的作用量和Lagrange函数为
S=∫t0Ldτ
L=12mni=1sk=1x・2ik-G1≤i<j≤n1dij
（1）
式中：G为引力常数;dij为点xi与点xj之间的欧氏距离。
根据Hamilton变分原理[8]可得
mx・・ik+fik=0， 1≤i≤n，1≤k≤s
（2）
其中：
fik=-Gxik-xjkd3min，dmin=min1≤i<j≤n dij
0，其他
（3）
为追求静态解，可给每个星体施加一个人为的阻尼力，于是式（2）可表示为
mx・・ik+cx・ik+fik=0， 1≤i≤n，1≤k≤s （4）
求解上述方程，可以得到最K势能最小的点集。数值计算可采用中心差分法[9]。给定初始点集
P（0）s，n={x1（0），x2（0），…，xn（0）}，初始条件为
xik（0）=x（0）ik且x・ik（0）=0，则中心差分法的迭代格式可表示为
mx（j+1）ik+x（j-1）ik-2x（j）ikΔt2+cx（j+1）ik-x（j-1）ik2Δt+f（j）ik=0
（5）
式中：上标（j）中的j表示在时间t=j×Δt处的值。
整理式（5）得
x（j+1）ik=A1x（j）ik-A2x（j-1）ik-f（j）ikA0，
A0=mΔt2+c2Δt，A1=2mΔt2，A2=mΔt2-c2Δt
（6）
式（6）演化迭代过程中涉及的演化参数选择和点出界处理等，均可参考文献[5]的相应说明。此处以拉丁超立方抽样方法生成100个二维样本点集，其样本点分布见图1（a）。以该样本点集为初始点集，假定初始速度为0，根据式（5）进行演化计算，最终得到势能最小的样本点集，其分布见图1（b）。演化后的点集要比演化前的点集均匀得多。
2 测试算例
为方便论述，将基于拉丁超立方抽样的Kriging代理模型简记为LK模型，将基于动力学演化技术对拉丁超立方样本进行优化并构建的Kriging代理模型简记为DLK模型。
2.1 数学函数测试
选择二维情况下优化测试常用的4个解析数学函数（见式（7）），比较拉丁超立方点集及其演化点集在构建代理模型时的精度，并结合遗传算法，对比代理模型全局最优解与函数全局最优解的精度。
y1（x1，x2）=26.214 42i=1x2i
y2（x1，x2）=2i=1xii+1
y3（x1，x2）=（10x1+20x2-7）2+ （20x1+10x2-5）2
y4（x1，x2）=-10-41+2i=1sin（10xi）
e100-10x21+x22π0.1
（7）
为比较演化前、后代理模型的精度，上述4个函数的样本数均选100。为测试所构建的LK模型和DLK模型的精度，在优化变量定义域内随机生成200个点集，将均方根误差ERMSE和相对平均绝对误差ERAAE作为误差评判标准，其定义分别为
ERMSE=Ni=1（yi-i）2N
（8）
ERAAE=Ni=1yi-iNNi=1（yi-）2N-1
（9）
式中：i为通过代理模型得到的预测值;yi为真实值;N为测试点数量。LK模型和DKL模型的均方根误差及相对平均绝对误差见表1。
由表1可知，对于均方根误差和相对平均误差而言，DLK模型的结果均显著好于LK模型的结果。这表明，经过动力学演化后的样本可以显著提高Kriging代理模型的精度。
采用遗传算法对得到的LK模型和DLK模型进行全局寻优，得到的结果见表2。
由表2可知，对于所研究的4个测试函数，DLK模型的优化精度均好于LK模型的优化精度，其中在函数y4上表现得尤为明显。因此，使用动力学演化的样本不仅能构建精度更好的代理模型，而且在寻找全局最优解方面也更为有效。
2.2 机床横梁优化实例
选用某龙门铣床横梁，其结构模型见图2。横梁材料为HT250铸铁，密度为ρ=7 200 kg/m3，弹性模量E=66.2 GPa，泊松比μ=0.27。机床横梁需要与立柱滑块等进行装配，外部尺寸无法作为设计变量，因此将结构上3个孔洞尺寸作为设计变量，分别为顶部圆孔直径80 mm≤D1≤160 mm，背部圆角正方形孔洞边长425 mm≤D1≤485 mm和侧面圆角矩形孔洞长度220 mm≤D1≤280 mm。优化目标为在使得横梁最大应力尽可能小的情况下提升机床横梁的整体刚度[10]。
采用10个样本，分别生成该横梁最大应力的LK和DLK计算模型，并采用遗传算法进行全局优化，优化后得到3个变量的最优值，将之代入有限元软件，计算得到最大应力值。2个模型的计算结果对比见表3。DLK模型优化得到的最大应力明显小于LK模型优化得到的最大应力，再次表明使用动力学演化的样本可以找到更优的设计解。
nlc202210271846
3 结束语
首先，将动力学演化样本生成方法引入代理模型优化设计，通过拉丁超立方抽样得到初始样本点集;然后，基于动力学演化计算，生成更均匀的样本点集，并用于代理模型构造;最后，基于遗传算法得到最优解，从而给出一套基于动力学演化的代理模型优化方法。通过函数测试和机床横梁优化实例，证明演化后样本集在代理模型构建和模型全局寻优方面的优越性。
参考文献：
[1] 穆雪峰， 姚卫星， 余雄庆， 等. 多学科设计优化中常用代理模型的研究[J]. 计算力学学报， 2005（5）： 608-612.
[2] NIEDERREITER H. Low-discrepancy and low-dispersion sequences[J]. Journal of Number Theory， 1988， 30（1）： 51-70. DOI： 10.1016/0022-314X（88）90025-X.
[3] SOBOL I M. On quasi-Monte Carlo integrations[J]. Mathematics and Computers in Simulation， 1998， 47（2-5）： 103-112. DOI： 10.1016/S0378-4754（98）00096-2.
[4] HALTON J H . On efficiency of certain quasi-random sequences of points in evaluating multi-dimensional integrals[J]. Numerische Mathematik， 1960， 2（1）： 84-90. DOI： 10.1007/BF01386213.
[5] WU F， ZHAO Y L， ZHAO K， et al. Relationship between low-discrepancy sequence and static solution to multi-bodies problem[EB/OL]. （2021-10-08）[2022-05-10]. https：//arxiv.org/abs/2110.03918.
[6] 吴从雨， 姚卫星. 机翼柱面梳状接头设计和参数优化[J]. 计算机辅助工程， 2015， 24（1）： 37-41. DOI： 10.13340/j.cae.2015.01.008.
[7] HOLLAND J H. Adaptation in natural and artificial systems： An introductory analysis with applications to biology， control， and artificial intelligence[M]. A Bradford Book Press， 1992.
[8] 吴迪光. 变分法[M]. 北京： 高等教育出版社， 1987.
[9] 袁东锦. 计算方法： 数值分析[M]. 南京： 南京师范大学出版社， 2004.
[10] 冯海兵， 宋德庄， 吴凤和， 等. 大跨距龙门木工机床横梁高刚度轻量化设计[J]. 制造技术与机床， 2021（8）： 127-131. DOI： 10.19287/j.cnki.1005-2402.2021.08.010.
（辑 武晓英）
nlc202210271846
转载注明来源:https://www.xzbu.com/8/view-15441562.htm
