此示例显示如何检查梁的强度和成本之间的权衡。一些出版物将此示例用作各种多目标算法的测试问题,包括Deb等人[1]和Ray and Liew[2]。
有关此示例的视频概述,请参阅多目标优化的Pareto集.
以下草图改编自Ray和Liew[2]。
此草图表示焊接在基板上的梁。梁支撑荷载金宝appP远处L从底物。梁被焊接到基材上,上面和下面的焊缝,每个长度L厚度H.梁的横截面为矩形,宽度为B和高度T. 梁的材料是钢。
这两个目标是梁的制造成本和梁端在施加荷载下的挠度P.负载P固定在6000磅,距离L固定在14英寸。
设计变量包括:
x (1) =H,焊缝的厚度
x(2)=L,焊缝的长度
x(3)=T,梁的高度
x(4)=B,梁的宽度
光束的制造成本与光束中材料的数量成正比, ,加上焊缝中材料的数量, .使用引用文献中的比例常数,第一个目标是
梁的挠度与挠度成正比P与之成反比 . 同样,使用引用论文中的比例常数,第二个目标是
哪里 和 .
这个问题有几个限制。
焊缝厚度不能超过梁宽度。在符号中,x(1)<=x(4)。在工具箱语法中:
Aineq = [1, 0, 0, 1];bineq = 0;
剪切应力 焊缝上的压力不得超过13600 psi。要计算剪切应力,首先计算初步表达式:
总之,焊缝上的剪切应力具有约束 <= 13600.
法向应力 焊接压力不能超过30,000 psi。法向应力是 .
垂直方向的屈曲载荷能力必须超过6000磅的应用载荷。使用杨氏模量的值 psi和 psi,屈曲荷载约束为 .从数值上看,这就是不等式 .
变量的边界是0.125 <=x(1) <= 5, 0.1 <=x(2) <= 10, 0.1 <=x(3) <= 10,和0.125 <=x(4) <= 5。在工具箱的语法:
lb=[0.125,0.1,0.1,0.125];ub=[5,10,10,5];
目标函数出现在本例末尾的函数中objval (x)
. 非线性约束出现在函数的本例末尾非LCON(x)
.
帕累托研究
解决方案您可以通过以下几种方式优化此问题:
设置最大挠度,并在满足最大挠度约束的设计上找到单个目标的最小制造成本。
设定最大制造成本,并在满足制造成本约束的设计上找到一个单目标最小偏差。
解决一个多目标问题,可视化两个目标之间的权衡。
为了使用多目标方法,可以提供有关问题的更多信息,设置目标函数和非线性约束函数。
fun=@objval;nlcon=@nonlcon;
使用方法解决问题帕累托研究
与“psplotparetof”
绘图功能。要减少诊断显示信息量,请设置显示
选择“关”
.
opts_ps=最佳选项(“paretosearch”,“显示”,“关”,“PlotFcn”,“psplotparetof”);rng默认的%为了再现性[x_ps1 fval_ps1, ~, psoutput1] = paretosearch (Aineq有趣,4日,bineq,[],[],磅,乌兰巴托,nlcon, opts_ps);
disp (“总功能数:”+ psoutput1.funccount);
函数总数:1870
为了更平滑的帕累托前端,尝试使用更多的点。
npts=160;%默认为60opts_ps.ParetoSetSize=npts;[x_ps2,fval_ps2,~,pOutput2]=帕累托搜索(乐趣,4,Aineq,bineq,[],[],[],[],lb,ub,nlcon,opts_ps);
disp (“总功能数:”+psoutput2.funccount);
函数总数:6254
此解决方案看起来像一条更平滑的曲线,但它的目标2范围较小。当使用160个帕累托点(而不是60个)时,解算器的函数求值次数是原来的三倍。
gamultiobj
解决方案若要查看解算器是否有所不同,请尝试gamultiobj
解决问题的人。按照前面的解决方案设置等价选项。因为gamultiobj
解算器将不到一半的解保留在最佳帕累托前沿,使用的点是以前的两倍。金宝搏官方网站
opts_ga = optimoptions (“gamultiobj”,“显示”,“关”,“PlotFcn”,“gaplotpareto”,“人口规模”,2*npts);[x_ga1,fval_ga1,~,gaoutput1]=gamultiobj(乐趣,4,Aineq,bineq,[],[],[],[],lb,ub,nlcon,opts_ga);
disp (“总功能数:”+gaoutput1.funcount);
总功能数:38401
gamultiobj
需要数以万计的函数求值,而帕累托研究
只需要数千美元。
这个gamultiobj
解决方案似乎与实际情况不同帕累托研究
解决方案,但由于绘制的比例不同,很难区分。使用相同的比例在同一绘图上绘制两个解决方案。金宝搏官方网站
fps2=sortrows(fval_ps2,1,“上升”); 数字保持在情节(fps2 (: 1) fps2 (:, 2),“r-”)fga=sortrows(fval_ga1,1,“上升”);绘图(fga(:,1),fga(:,2),“b——”)xlim([0,40])ylim([0,1e-2])图例(“paretosearch”,“gamultiobj”)xlabel“成本”ylabel“偏差”持有从
这个gamultiobj
在绘图的最右边部分,解决方案更好,而帕累托研究
解决方案最好在最左边的部分。帕累托研究
使用更少的函数求值来获得其解决方案。
通常,当问题没有非线性约束时,帕累托研究
至少和gamultiobj
。但是,生成的Pareto集可能具有不同的范围。在这种情况下,非线性约束的存在会导致帕累托研究
解决方案在部分范围内精度较低。
的主要优点之一帕累托研究
它通常需要更少的函数求值。
为了帮助解算器找到更好的解,请从最小化单个目标函数的解的点开始。金宝搏官方网站这个精选索引
函数返回单个目标objval
函数。使用fmincon
找到单目标最优解。然后用这些解作为多目标搜索的初始点。金宝搏官方网站
x0 = 0(2、4);X0f = (lb + ub)/2;opts_fmc = optimoptions (“fmincon”,“显示”,“关”,“MaxFunctionEvaluations”,1e4);x0(1,:)=fmincon(@(x)pickindex(x,1),x0f,Aineq,bineq,[],[],lb,ub,@非LCON,opts_fmc);x0(2,:)=fmincon(@(x)pickindex(x,2),x0f,Aineq,bineq,[],[],lb,ub,@非LCON,opts_fmc);
检查单目标优化。
: objval (x0 (1))
ans=1×22.3810 - 0.0158
objval(x0(2,:))
ans=1×276.7188 0.0004
最小成本为2.381,其偏差为0.158。最小偏差为0.0004,其成本为76.7253。绘制的曲线在其范围的末端附近非常陡峭,这意味着如果成本略高于其最小值,则偏差会小得多,如果偏差略高于其最小值,则成本会小得多。
开始帕累托研究
由于稍后将在同一绘图上绘制解决方案,请删除金宝搏官方网站帕累托研究
绘图功能。
opts_ps.InitialPoints=x0;opts_ps.PlotFcn=[];[x_psx0,fval_ps1x0,~,psoutput1x0]=paretosearch(乐趣,4,Aineq,bineq,[],[],lb,ub,nlcon,opts_ps);disp(“总功能数:”+ psoutput1x0.funccount);
功能总数:4839
开始ga
从相同的初始点,并删除其绘图功能。
opts_ga。InitialPopulationMatrix = x0;opts_ga。PLotFcn = []; [~,fval_ga,~,gaoutput] = gamultiobj(fun,4,Aineq,bineq,[],[],lb,ub,nlcon,opts_ga); disp(“总功能数:”+ gaoutput.funccount);
功能总数:37441
在相同的坐标轴上画金宝搏官方网站出解。
fps = sortrows (fval_ps1x0 1“上升”); 数字保持在绘图(fps(:,1),fps(:,2),“r-”)fga=sortrows(fval_ga,1,“上升”);绘图(fga(:,1),fga(:,2),“b——”)xlim([0,40])ylim([0,1e-2])图例(“paretosearch”,“gamultiobj”)xlabel“成本”ylabel“偏差”持有从
从单一目标的解决方案开始金宝搏官方网站gamultiobj
解决方案略优于帕累托研究
整个标绘范围的解。然而,gamultiobj
实现其解决方案所需的函数求值次数几乎是原来的十倍。
gamultiobj
可以调用混合函数福格拉坦
自动尝试获得更精确的解决方案。查看混合功能是否改善了解决方案。
选择杂交=“fgoalattain”[xgah,fval_gah,~,gaoutputh]=gamultiobj(乐趣,4,Aineq,bineq,[],[],[],[],lb,ub,nlcon,opts_ga);disp(“总功能数:”+高乌特普特函数计数);
函数总数:57478
fgah=sortrows(fval_gah,1,“上升”); 数字保持在绘图(fps(:,1),fps(:,2),“r-”)情节(fga (: 1) fga (:, 2),“b——”)地块(fgah(:,1),fgah(:,2),“g -”)xlim([0,40])ylim([0,1e-2])图例(“paretosearch”,“gamultiobj”,“gamultiobj / fgoalattain”)xlabel“成本”ylabel“偏差”持有从
混合动力功能使车辆性能略有改善gamultiobj
解决方案,主要在情节的最左边。
福格拉坦
手动的帕累托研究
解决方案点虽然帕累托研究
没有内置的混合动力功能,可以提高帕累托研究
通过运行解决方案福格拉坦
从帕累托研究
点的解决方案。建立一个目标和重量福格拉坦
通过使用相同的设置福格拉坦
如中所述gamultiobj混合函数.
Fmax = max (fval_ps1x0);nobj =元素个数(Fmax);Fmin = min (fval_ps1x0);w = sum((Fmax - fval_ps1x0))。/(1 + Fmax - Fmin),2);p = w.*((Fmax - fval_ps1x0). x0);/(1 + Fmax - Fmin));xnew = 0(大小(x_psx0));nsol =大小(xnew, 1);fvalnew = 0 (nsol nobj);opts_fg = optimoptions (“fgoalattain”,“显示”,“关”);nfv = 0;对于ii=1:nsol[xnew(ii,:),fvalnew(ii,:),~,~,output]=fgoalattain(fun,x_psx0(ii,:),fval_ps1x0(ii,:),p(ii,:),...Aineq bineq,[][],磅,乌兰巴托,nlcon, opts_fg);nfv = nfv + output.funcCount;终止disp (“fgoalattain函数计数:”+ nfv)
fgoalattain函数计数:14049
fnew = sortrows (fvalnew 1“上升”); 数字保持在绘图(fps(:,1),fps(:,2),“r-”)情节(fga (: 1) fga (:, 2),“b——”)地块(fgah(:,1),fgah(:,2),“g -”)图(fnew(:,1),fnew(:,2),“k.-”)xlim([0,40])ylim([0,1e-2])图例(“paretosearch”,“gamultiobj”,“gamultiobj / fgoalattain”,“paretosearch / fgoalattain”)xlabel“成本”ylabel“偏差”
的结合帕累托研究
和福格拉坦
创建最精确的帕累托面。放大以查看。
xlim([3.64 13.69])ylim([0.00121 0.00442])保持从
即使有额外的福格拉坦
计算时,组合的总函数计数小于gamultiobj
只有解决方案。
fprintf(" gamultiobj单独的函数总数是%d.\n"+...“对于paretosearch和fgoalattain,它是%d。\n”,...gaoutput.FUNCOUNT,nfv+psoutput1x0.FUNCOUNT)
仅gamultiobj的函数总数为37441,paretosearch和fgoalattain的函数总数为18888。
绘制的点显示功能空间中的最佳值。要确定哪些参数达到这些功能值,请找到梁的尺寸和焊缝的尺寸,以获得特定的成本/挠度点。例如,图帕累托研究
然后福格拉坦
显示的点的成本约为6,偏转约为3.5e–3。确定实现这些点的梁和焊缝的尺寸。
whichgood=find(fvalnew(:,1)<=6&fvalnew(:,2)<=3.5e-3);goodpoints=table(xnew(whichgood,:),fvalnew(whichgood,:),“VariableNames”, {“参数”“目标”})
goodpoints =4×2表UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU0032892 0.65077 1.4751 10 0.70999 5.976 0.0030919
四组参数的成本小于6,挠度小于3.5e–3:
焊缝厚度略高于0.6
焊缝长度约1.5
梁高10(上限)
波束宽度在0.63和0.71之间
函数[Cineq,测查]= nonlconσ(x) = 5.04 e5。/ (x(:, 3)。^ 2。* x (:, 4));P_c = 64746.022 * (1 - 0.028236 * x(:, 3))。* x(:, 3)。* x(:, 4)。^ 3;tp = 6 e3. /√(2)/ (x(: 1)。* x (:, 2));tpp = 6 e3. /√(2). * (14 + 0.5 * x(:, 2))。* sqrt (0.25 * (x(:, 2)。^ 2 + (x (: 1) + x (:, 3)) ^ 2)) / (x(: 1)。* x(:, 2)。* (x(:, 2)。^2 / 12 + 0.25*(x(:,1) + x(:,3)).^2);τ=√tp。^ 2 + tpp。^ 2 + (x(:, 2)。* tp。* tpp)。/ sqrt (0.25 * (x(:, 2)。^2 + (x(:,1) + x(:,3)).^2));Cineq = [tau - 13600,sigma - 3e4,6e3 - P_c];测查= [];终止函数F = objval f1 (x) = 1.10471 * x(: 1)。^ 2。* x(:, 2) + 0.04811 *(:, 3)。* x(:, 4)。* (14.0 + x (:, 2));f2 = 2.1952. / (x(:, 3)。^ 3。* x (:, 4));F = (f1、f2);终止函数z=pickindex(x,k)z=objval(x);%评估两个目标z=z(k);回报率目标终止
[1] Deb, Kalyanmoy, J. Sundar, Udaya Bhaskara Rao N, Shamik Chaudhuri。基于参考点的进化算法多目标优化《国际计算智能研究杂志》,第2卷,第3期,2006年,第273-286页。可在https://www.softcomputing.net/ijcir/vol2-issu3-paper4.pdf
[2] Ray, T.和K. M. Liew。多目标优化设计的群体隐喻.工程优化342002,第141-153页。