Matlab을 사용하여 엔지니어링 설계에 대한 멀티-부동적 최적화

엔지니어링 설계의 멀티-부동적 최적화

Multi-objective Optimization은 현대 엔지니어링 디자인의 코너스톤이며, 두 개 이상의 충돌 목표가 동시에 만족해야 하는 문제를 해결하는 것입니다. 단일-objective 최적화와 달리, 모든 목표를 완벽하게 만족시키는 독특한 솔루션이 없습니다. 대신, 무역-오프 솔루션 세트는 ]]Pareto Optimization]로 알려진 존재합니다. 이 솔루션은 Pareto가 최소한의 안전에 대한 이해 없이 개선 될 수 없는 경우 최적의 솔루션입니다. ]]].

다중간 문제의 복잡성은 목적과 제약의 수와 함께 스케일을 확장합니다. 전통적인 기온 기반 방법 종종 단일 집계 목표 기능을 요구하거나 무게 조정에 의존하기 때문에 투쟁합니다. 이것은 MATLAB의 전용 멀티 형 알고리즘이 빛, gradient-free 방법 및 전문 목표 달성 접근을 제공하는 곳입니다.

왜 멀티-부압 최적화에 MATLAB Excels

MATLAB는 모델링, 시뮬레이션 및 최적화를 위한 통합, 상호 작용 환경을 제공합니다. 이 광범위한 툴박스는 스크래치에서 저수준 알고리즘을 코드하는 데 필요한 제거를 통해 엔지니어가 문제 정립 및 분석에 초점을 맞추도록 합니다. 주요 장점은 다음과 같습니다.

Built-In Algorithms: 글로벌 최적화 툴박스 및 최적화 툴박스는 유전 알고리즘(]), 패턴 검색(), 목표 달성()과 같은 최첨단 멀티-오브젝티브 해결자를 포함합니다. 이러한 테스트는 물론 잘 처리됩니다.
Flexible Problem Definition: Engineers는 익명 함수, MATLAB 스크립트, 외부 실행 가능한 함수로 객관적이고 제약 함수를 정의할 수 있습니다. 이 유연성은 블랙박스 시뮬레이션, FEM 모델 및 분석 방정식을 수용합니다.
GPU 및 병렬 컴퓨팅 지원: 계산적으로 비싼 시뮬레이션을 위해, MATLAB는 여러 솔루션의 병렬 평가를 지원하며, 극적으로 런타임을 감소시킵니다.
Visualization and Analysis: MATLAB의 플롯 기능을 통해 엔지니어가 Pareto fronts, scatter flutes, trade-off Surfaces, theiding decision-making를 시각화할 수 있습니다.

키 도구 상자 및 기능

멀티-부동작용 작업의 두 가지 기본 도구 상자는 Global Optimization Toolbox] 와 Optimization Toolbox]입니다.

Global Optimization Toolbox:] (다중간 유전 알고리즘) 및 (파레토 앞의 일시 검색). 이들은 비소, 다중간 문제로 설계되었습니다.
Optimization Toolbox:] ]] 를 포함 하 여 목표 배치 문제 및 minimax 문제를 위해. 이들은 부드럽게, 지속적인 기능으로 gradient 기반 및 작업.
Custom Algorithms: MATLAB의 스크립트 환경은 엔지니어가 NSGA-II, MOEA/D, 또는 입자가 변형과 같은 사용자 정의 멀티-부동 알고리즘을 구현할 수 있도록 합니다. 매트릭스 작업과 내장 최적화 기능을 활용함으로써.

MATLAB의 멀티-부대 최적화를 구현하는 단계

MATLAB를 멀티-부대 디자인에 적용한 성공적인 작업 흐름을 따르는 작업 흐름을 따릅니다. 아래는 일반적인 관행과의 대화를 통해 필수 단계입니다.

1. 목표 및 제약 정의

확장자는 각 개체를 제거 할 수 있습니다. 이 기능은, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 정상적인 기능의 경우, 의 경우, 의 경우, 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의 의

function f = objectives(x)
 f(1) = cost(x);
 f(2) = -performance(x); % minimize negative performance to maximize
 f(3) = weight(x);
end

제약 함수는 개별 불평성 제약 과 평등 제약 를 반환한다.

2. 적합한 알고리즘 선택

올바른 해결사 선택은 문제 특성에 따라 달라집니다.

] ] 비-소, 불연성, 또는 매우 비선형적 목적을 위해 사용. 그것은 일반적인 엔지니어링 문제에 가장 강력한.
] ]] 를 사용하면 많은 (≥4) 객관적 알고리즘보다 더 나은 스케일로.
] ]] 각 목표에 대한 우선 순위가 있고 허용 무역을 알고 있을 때.
] ]를 사용하여 목적 중 최악의 경우 탈선을 최소화합니다.

3. Algorithm 옵션을 설정

Pareto 정면의 융합 및 적용을 개선하는 해결자 매개 변수를 조정하십시오. ]의 주요 옵션은 다음과 같습니다.

PopulationSize: Bigr 인구는 디자인 공간을 더 철저하게 탐구하지만 계산 시간을 증가. 일반적인 시작점은 100-200입니다.
MaxGenerations: 이행의 수를 제어합니다. 기본으로 사용해서 Pareto 앞이 안정화되지 않는 경우 증가합니다.
ParetoFraction: Pareto front (default 0.35)에 보관된 인구의 분수. 값은 약간의 엘리트 솔루션에 초점을 둡니다.
CrossoverFraction, MutationFcn, SelectionFcn: 균형 탐험 및 악용에 Tune.

옵션 설정 예:

options = optimoptions('gamultiobj', ...
 'PopulationSize', 200, ...
 'MaxGenerations', 500, ...
 'ParetoFraction', 0.4, ...
 'Display', 'iter');

4. 최적화 및 시각화 결과를 실행

해결자를 실행:

[x, fval, exitflag] = gamultiobj(@objectives, nvars, A, b, Aeq, beq, lb, ub, @constraints, options);

실행 후, Pareto 프론트를 사용하여 또는 :

plot(fval(:,1), fval(:,2), 'o');
xlabel('Cost');
ylabel('Performance');
title('Pareto Front');

세 가지 목적에 대해서는 또는 ]를 사용하십시오. ]를 가진 추가 분석 (Global Optimization Toolbox에서)는 무역 떨어져 강조 할 수 있습니다.

Real-World 엔지니어링 응용 분야

MATLAB의 멀티-부동 최적화는 많은 엔지니어링 분야의 적용을 받고 있습니다. 아래는 세 가지 설명 시나리오입니다.

항공 우주: 무게와 연료 효율 사이 무역 떨어져

항공기 날개의 디자인은 공기역학 효율성을 극대화하면서 구조적 무게를 최소화하는 것을 포함합니다 (짐에 따라 측정되는). 이 목적은 전형적으로 상승을 줄이기 위해 더 얇은 프로파일을 필요로하기 때문에 충돌합니다. 를 사용하여 엔지니어는 날개 차원 (초, 두께, 청소 각도)을 매개 변수화하고 결합 된 구조적 항공동 시뮬레이션을 실행할 수 있습니다. 파레토의 결과는 두 가지 목표 성능과 제약을 충족하는 디자인의 선택에 대한 지침을 보여줍니다.

자동차: 균형 비용과 충돌 안전

자동차 설계에서, 충돌 안전 개선 (에너지 흡수, 여객 격실 무결성)와 제조 비용 충돌을 감소. MATLAB는 FEA 소프트웨어 (예를들면 LS-DYNA를 호출) 통합하고 재료 두께, 보강 및 기하학을 최적화 할 수 있습니다. 멀티-브젝티브 솔버는 낮은 비용 / 낮은 안전에서 높은 비용으로, 엔지니어는 시장 세그먼트를 기반으로하는 것을 선택할 수 있도록 설계 세트를 제공합니다.

토목 공학: 구조 설계에서 여러 부하

건축 구조는 동시에 물자 비용을 극소화하고 바람, 지진 및 중력 짐의 밑에 적재 방위 수용량을 확대할 수 있습니다. MATLAB의 다 구조상 최적화는 분리한 변하기 쉬운 (넓은 크기) 및 지속적인 변하기 쉬운 (소형)를 취급할 수 있습니다. Pareto 정면은 탄력 있는 인프라를 위해 경제적이고 튼튼하고, 긴요한 디자인이 드러납니다.

고급 기술 및 사용자 정의

복잡한 엔지니어링 문제의 경우 표준 해결자 설정이 충분할 수 있습니다. MATLAB는 성능과 솔루션 품질을 향상시키기 위해 고급 기능을 지원합니다.

병렬 컴퓨팅 사용

목표 평가가 비싸면 (예 : 디자인 포인트 당 CFD 시뮬레이션 소요 분), 인구 평가를 병렬화합니다. 옵션 구조에서 를 설정합니다.

options = optimoptions('gamultiobj', 'UseParallel', true);
parpool; % start parallel pool

이 제품은 CPU 코어 또는 클러스터의 피트니스 평가를 배포하고 대규모 최적화를 가능하게합니다.

하이브리드 Approaches

글로벌 탐험 (예, GA)을 지역 정유 (예, ]])과 함께하는 글로벌 탐험 (예, GA)은 Pareto 정면을 날카롭게 할 수 있습니다. 유전 알고리즘이 실행되면 각 Pareto 지점에 대한 기온 기반 개선을 적용합니다.

for i = 1:size(x,1)
 x_refined(i,:) = fmincon(@(x) objectives(x), x(i,:), ...);
end

또는 ]를 사용하여 다른 시작점에서 여러 로컬 검색을 수행 할 수 있습니다.

일반적인 Pitfalls 및 모범 사례

MATLAB의 강력한 도구와 함께, 엔지니어는 일반적인 실수를 방지해야합니다:

Poorly Scaled Objectives: 다른 것보다 훨씬 더 큰 규모를 가지고 있다면, 알고리즘은 더 작은 것을 무시할 수 있습니다. 정상적인 목표 (예를 들어, 범위에 따라 최소 및 분할)을 빼고 Pareto dominance 비교에서 동일한 무게를 보장하기 위해.
Too Many Objectives:] 10개 이상의 객관적인 융합이 드물게 됩니다. 차원 감소 또는 사용 고려 .
소형 인구 크기:소형 인구는 파레토 정면으로 이어진다. 인구의 크기가 결정 변수의 수로 비례를 증가시킨다.
결연:] 비선형 변형은 심각하게 무해한 공간을 제한할 수 있습니다. 항상 최적화 후 제약 만족을 확인합니다.
과태 옵션에 대한 초과 의존: 과태 설정은 일반적이지 않지만 최적의. 문제 어려움을 기반으로 한 Tune 알고리즘 매개 변수.

모범 사례는 다양한 무작위 씨앗과 함께 여러 차례 실행을 수행하고 다양성 메트릭을 추적하고 최적화 진행으로 Pareto 정면을 시각화합니다.

외부 자원 및 더 읽기

이해를 깊게 깊숙히 하기 위해, 이러한 리소스를 탐구:

MathWorks 문서: Multiobjective Optimization – ] 및 에 대한 공식 가이드.
Global Optimization Toolbox 개요:] MathWorks Product Page – 알고리즘과 기능에 대한 세부 사항.
Pareto Front Visualization 기법: Pareto Front Plotting] – 멀티-부형 결과를 위한 고급 도형.
NSGA-II 알고리즘 설명:] 빠른 및 Elitist Multiobjective Genetic Algorithm] – Deb et al. (IEEE, 2002)에 의해 기초 용지.