WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 10 | 11 || 13 |

4.2. Особенности построения оптимальной структуры математических моделей конструкторско-технологического проектирования При проектировании самолетов значительное число задач относится к оптимизационному классу, а технологический процесс авиационного производства формально можно представить как упорядоченное множество элементов структурной модели, каждый элемент которой выполняет определенную функцию (работу) и находится в конструктивной, функциональной, информационной связи с другими элементами. При этом можно выделить два основных их типа.

Первый тип представляет собой случаи, в которых цель процесса оптимизации может быть выражена как функция F определенного числа переменных (проектных параметров) В этом случае F называется целевой функцией, а ее аргументы параметрами или управлениями.

Можно предположить, что п параметров принадлежат ^-мерному евклидову пространству, в котором расстояние р между двумя точками Х'=-(х '_„х '^ и X"=(xi"...,х"п) определяется следующем уравнением Переменные х, могут быть интерпретированны как компоненты вектора J^ в й-мерной поверхности управления. В этом смысле вектор Х называют вектором управления. С изменением вектора Х меняется целевая функция, образуя поверхность в ( п+} )-мерном евклидиане, называемую целевой поверхностью или поверхностью отклика.

На практике в большинстве случаев на отдельные параметры или (и) их комбинацию априори накладывается ряд ограничений.

В зависимости от постановки оптимизационной задачи, вида целевой функции, наличия и вида ограничений применяют те или иные методы оптимизации.

4.3.Методы оптимизации проектных решений Методы оптимизации можно разделить на аналитические и численные.

Аналитические методы, базирующиеся на классическом математическом анализе, включают в себя дифференциальное и вариационное исчисления, метод множителей Лагранжа. В зависимости от вида функции цели и ограничений подразделяются на классический метод дифференцирования, линейное, квадратичное, выпуклое и динамическое программирование.

Аналитические методы находят применение при решении классических задач и задач с ограничениями в виде уравнений.

Для решения задач без ограничений используют методы исследования производной функции. Путем приравнивания производной нулю отыскиваются точки экстремума, а затем исследуются точки с помощью второй производной для отыскания максимума.

Рекурсивные методы относятся к методам, позволяющим определить одну переменную за одну расчетную операцию. Решение всей задачи осуществляется путем поочередного определения переменных. Наиболее распространенным среди этих методов является динамическое программирование.

Итерационные методы объединяют наибольшую группу методов поиска оптимумов. К ним относятся способы расчета функции цели в одной или нескольких вероятностных точках для определения «лучшей» точки. Расчет выполняют до тех пор, пока не приблизятся к назначенному критерию на расстояние, меньшее некоторого заданного значения.

Эти методы позволяют устанавливать только локальные оптимумы, однако они могут применяться в случаях, когда оптимизацию проводят в различных исходных точках.

Стохастические методы оптимизации (методы случайного поиска решений) включают процедуры накопления и обработки информации, в которые сознательно вводится элемент случайности. Преимущества этих методов заключаются в их простоте, надежности, достаточной точности и легкости программирования.

Для использование классических методов определения экстремумов функций и функционалов - дифференциального и вариационного исчисле- при условии (4.16), определяют вектор допустимых направлений У, вдоль которого целевая функция имеет наибольшую скорость убывания. Величину шага h" вдоль выбранного направления можно определить, решая задачу однопараметрической минимизации вида 2. Метод проектного градиента является модификацией метода возможных направлений. В отличие от п.1 в этом методе при попадании точки л в район ограничения допустимое направление поиска 5^ определяется не с помощью решения задачи (4.17), а проектированием антиградиента - VF(A*) на многогранник, являющийся линейной аппроксимацией допустимого множества вблизи точки л*. Это позволяет учитывать ограничения, как в виде неравенств, так и равенств.

3. Метод аппроксимирующего линейного программирования заключается в сведении задачи нелинейного программирования к задаче линейного программирования путем замены нелинейной целевой функции и функции ограничений последовательностью аппроксимирующих линейных функций. В одних алгоритмах эта цель достигается путем использования линейной интерполяции нелинейных функций, в других - их разложением в ряд Тейлора в окрестности точки л*.

4. Метод штрафных функций заключается в том, что задача условной оптимизации сводится к эквивалентной задаче безусловной оптимизации путем преобразования целевой функции. Новая целевая функция F\X) образуется путем добавления к целевой функции F(X) функции штрафа, составленной из ограничивающих условий таким образом, что приближение к границе допустимой области приводит к резкому увеличению новой целевой функции, то есть нарушение ограничений штрафуется ухудшением F'(X).

В зависимости от того, находится ли решение задачи на безусловный экстремум внутри или вне исходной допустимой области, различают два типа алгоритмов решения задач методом штрафных функций - алгоритм внутренней штрафной функции и алгоритм внешней штрафной функции. В первом случае поиск оптимума должен начинаться из допустимой области и его траектория полностью будет лежать внутри этой области. Это достигается при образовании новой целевой функции, например, вида где ЯрЮ - весовой коэффициент.

При приближении к границе допустимой области изнутри какой-либо из элементов вектора ограничений стремится к нулю, а следовательно, функция штрафа приближается к бесконечности. Недостатками этого алгоритма являются необходимость выбора исходной точки внутри области существования, а также его неприменимость при ограничениях в виде равенств.

Во втором случае поиск может начинаться из любой точки, в том числе находящейся вне допустимой области. При этом функция выбирается таким образом, чтобы значения новой целевой функции в допустимой области точно или приближенно равнялись значениям исходной целевой функции, а вне ее - существенно превосходили значениям F(X). Возможный вид такой новой целевой функции Величина штрафа зависит от выбора весового коэффициента Rk. чем он больше, тем ближе F(X} к F\X), тем точнее решение. Однако необходимо иметь в виду, что увеличение Rk ведет к росту роли ошибок счета и, что самое важное, к усложнению поиска экстремума. Это связано с тем, что введение штрафа «искривляет» целевую функцию, образуя двухсторонний «овраг» при ограничениях в виде равенств и односторонний «утес» для ограничений в виде неравенств. Вследствие этого формулировка ограничений в виде неравенств предпочтительна при решении задачи методом штрафных функций.

В силу указанных причин рассмотренный метод обычно применяется для получения приближенных решений при небольших значениях весовых коэффициентов Rk.

Рассмотренные выше методы оптимизации применяют при исследовании детерминированных (неслучайных) функций и процессов, однако в практике проектирования приходится решать оптимизационные задачи, в которых необходимо учитывать случайные факторы. Такие задачи решают методами стохастического программирования.

В практике проектирования самолетов могут иметь место задачи оптимизации одновременно по нескольким показателям качества. Например, перед проектировщиком поставлена задача получить наилучшие значения для нескольких характеристик самолета, например, максимизировать дальность полета, минимизировать потребную длину взлетнопосадочной полосы и взлетную массу самолета. Как правило, эти характеристики, выбираемые в качестве критериев, противоречивы и оптимизация по каждому из них привела бы к разным значениям проектных параметров X. В тех случаях, когда не удается найти обобщенный показатель качества, включающий в себя указанные частные показатели, возникает задача многокритериальной (векторной) оптимизации. Для многокритериальной задачи в общем случае решение не является оптимальным ни для одного из частных случаев. В то же время оно является компромиссным для вектооного коитеоия Такое решение называется областью компромиссов или областью решений, оптимальных по Парето. Для определения минимума по Парето необходимо перейти от задачи векторной оптимизации к задачи нелинейной оптимизации со специально сконструированной скалярной целевой функцией, решив предварительно задачу свертывания векторного критерия оптимальности.

Способы свертывания векторного критерия оптимальности зависят от информации о степени сравниваемое™ частных критериев оптимальности.

4.4. Некоторые рекомендации по выбору и реализации методов оптимизации при решении проектных задач Когда поставлена оптимизационная задача перед инженеромпроектировщиком встает проблема выбора метода, по возможности однозначно определяющего порядок операций, приводящих к решению. Кратко описанные выше и некоторые другие численные методы оптимизации, оформленные в виде стандартных процедур и хранящиеся в базе данных ЭВМ современных проектно-конструкторских организаций, являются достоянием любого инженера-проектировщика. Необходимо среди имеющихся в информационной базе методов выбрать наиболее приемлемый для решения конкретной проектной задачи и затем состыковать программу с моделью. Разумеется, уже сама постановка проектной задачи на основе инженерного анализа или функционально-стоимостной инженерии позволяет отбросить некоторые методы как неприемлемые. Методы решения различны для задач с любой нелинейностью и с малым числом переменных и задач с резко выраженной нелинейностью с малым и большим числом переменных; задач с одним экстремумом и со многими локальными экстремумами. Концепция применения программ оптимизации по принципу «черного ящика» может привести к результатам решения, весьма далеких от оптимальных.

В развитых системах автоматизированного проектирования, таких как CATIA, CIMATRON, CADDS-5.UNIGRAphics и других имеется специальная система (или подсистема) оптимизации, представляющая собой сложный программный комплекс (набор взаимоувязанных файлов с правилами обмена данными по используемым методам оптимизации и процедурами производ- ства расчетов). Комплекс включает в себя комбинацию различных методов поиска экстремума, объединенных специальной программой - эмулятором, осуществляющей переход к различным методам в зависимости от поведения целевой функции на различных шагах итерации.

Такой программно-технический комплекс призван обеспечить возможность эффективного использования алгоритмов оптимизации, включенных в систему, путем реализации процессов адаптации поиска, предусматривающих своевременную смену алгоритмов при решении проектной задачи. Он обеспечивает работу как в автоматическом, так и в интерактивном режиме, позволяя пользователю вносить оперативные изменения и в модель, и в исходные данные, а также использовать различные эмпирические приемы, ускоряющие сходимость. Управляющий язык программно-машинного комплекса составляется (подбирается) так, что позволяет использовать мнемонику и смысловые конструкции при формировании заданий проектирования и работе с системой пользователей, не владеющих языками программирования. Структура обобщения (укрупнения) такого комплекса представлена на рис.4.7. " Опыт применения программ оптимизации показал, что их подключение к модели параметрического анализа самолета не требует их существенной доработки, тем более, если используются такие современные программные продукты как CATIA, CIMATRON, CADDS-5 и UNIGRAphics и технический комплекс в виде графстанции типа RS/6000-42T. Если доработки и имеют место, то они связаны в основном с необходимостью нормализовать варьируемые параметры, ограничения и целевую функцию. Нормализация облегчает проблему поиска экстремума, так как при выборе направления и величины шага необходимо оценивать расстояния, то есть нужно вводить ту или иную норму в пространстве параметров. Эта операция требует, чтобы все параметры имели одну размерность или вообще были безразмерными.

Кроме того, нормализация приводит к подобию различные задачи оптимизации, облегчает анализ результатов оптимизации, позволяя сравнивать относительный «вклад» в изменение критерия каждой переменной.

В нормализованном виде все переменные имеют порядок единицы.

Рассмотрим следующий алгоритм нормализации:

В этих соотношениях символ Д означает равенство по определению, а индексы «В» и <<Н» — верхний и нижний пределы изменения параметров соответственно.

Целевую функцию также можно нормализовать, используя для этого ее значение в начальной точке расчета, задаваемой вектором входных параметров Х^ или, что эквивалентно, Х. Значение нормализованной целевой функции будет равно Процедура нормализации требует от проектировщика хорошего понимания физической сути решаемой задачи, знания пределов изменения проектных переменных и порядка значений целевой функции. Обычно это не представляет сложной проблемы для опытного проектировщика. При современных достижениях в области математического программирования может быть решена практически любая задача оптимизации нелинейных систем с несколькими сотнями переменных и ограничений.

4.5. Оптимизация технологических процессов и выбор критериев оптимальности При разработке оптимального технологического процесса наиболее важным является обоснование цели и оценка эффективности технологических операций или ее отдельных элементов, например, режимов резания [12].

Под основной целью технологического процесса или в авиастроении (в машиностроении) обычно понимается обеспечение заданных характеристик качества изделия наиболее производительным путем при минимальных затратах. В этом случае оптимальность операции можно определить как меру ее соответствия поставленной цели. Чем эффективнее операция, тем выше ее производительность и экономичность. То же можно сказать и о технологическом процессе в целом.

В задачах, которые встречаются в условиях оптимизации технологических процессов (ТП), критерии оптимальности могут быть различными, однако все они должны удовлетворять определенным требованиям:

1. Обладать достаточной полнотой описания объекта;

2. Иметь определенный физический смысл;

3. Быть количественными и выражаться однозначно некоторым числом;

4. Иметь простой математический вид;

5. Определяться с допустимой точностью.

Pages:     | 1 |   ...   | 10 | 11 || 13 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.