設(shè)計空間差別處理優(yōu)化方法及其在汽車輕量化設(shè)計中的應(yīng)用

劉念斯 蔡永周 顧紀(jì)超 鄭 顥

廣州汽車集團(tuán)股份有限公司汽車工程研究院，廣州， 511434

0 引言

減少排放、節(jié)省燃料是汽車工業(yè)目前的重要課題。研究表明，每減輕10%的重量，汽車可節(jié)省燃油6%～8%[1-2]，降低排放4%[3]，因此，汽車輕量化設(shè)計成為汽車企業(yè)的重要研究內(nèi)容。

在目前的優(yōu)化方法中，基于元模型的優(yōu)化方法以其計算快速的特點引起了眾多學(xué)者的關(guān)注。在過去的幾十年中，人們開發(fā)了很多優(yōu)秀的基于元模型的全局最優(yōu)化方法，如高效全局最優(yōu)化方法(EGO)[4]、模式搜索采樣方法(MPS)[5]等。這些方法應(yīng)用單一或多個元模型進(jìn)行搜索，取得了很大的成功。然而，工程師通常為實際工程中的問題定義足夠大的設(shè)計空間、盡量多的設(shè)計變量來得到滿意的結(jié)果，而元模型在擬合這類大規(guī)模問題時精度較差。由此，人們試圖通過移除不需要的設(shè)計空間來提高算法的性能。WANG等[6]開發(fā)了自適應(yīng)響應(yīng)面法(ARSM)，此方法可移除部分不需要的空間來提高算法的性能。但是，當(dāng)樣本點較少、元模型精度較差時，空間移除方法可能將全局最優(yōu)一并移除而導(dǎo)致算法無法找到全局最優(yōu)。混合自適應(yīng)元模型方法(HAM)[7]采用多個元模型同時搜索，每隔兩次迭代在構(gòu)建的重點空間內(nèi)搜索一次的方法，似乎能夠解決大規(guī)模問題，然而，在HAM法中每三次迭代僅在重點空間內(nèi)搜索一次，其效率仍有待提高。HAM法每隔兩次迭代才使用固定數(shù)目的10個函數(shù)值最小的昂貴點構(gòu)建重點空間，會導(dǎo)致重點空間縮小過快而降低效率和精度。ZHOU等[8]改進(jìn)了HAM方法，將自移動和縮放策略應(yīng)用于更新重點空間并改進(jìn)搜索策略，提出了一種增強(qiáng)的混合自適應(yīng)方法(E-HAM)，取得了很好的效果。JIE等[9]提出了一種自適應(yīng)元模型優(yōu)化方法(AMGO)，通過增加子優(yōu)化問題來平衡全局和局部搜索，也取得了一定的效果。

本文提出一種設(shè)計空間差別處理方法來對實際工程中具有多變量、大設(shè)計空間的問題進(jìn)行優(yōu)化設(shè)計。

1 設(shè)計空間差別處理優(yōu)化方法

基于元模型的迭代優(yōu)化方法通常起源于少量樣本點構(gòu)造的粗糙元模型。如果根據(jù)從這些元模型得到的信息移除部分設(shè)計空間，則全局最優(yōu)也極有可能隨移除的空間被一同刪除。

本文提出一種設(shè)計空間差別處理(design space differentiation,DSD)方法，此方法首先利用部分昂貴點構(gòu)造一個重點空間，然后采取在重點空間和其他空間內(nèi)應(yīng)用不同的搜索策略進(jìn)行搜索的方式來代替移除空間,在整個迭代過程中不移除任何涉及空間，可有效避免設(shè)計空間移除方法會移除全局最優(yōu)的弱點，其優(yōu)化流程如圖1所示。

圖1 優(yōu)化流程Fig.1 Procedures of the method

DSD方法主要用于解決耗時的大規(guī)模問題，其主要步驟如下。

(1)應(yīng)用拉丁方設(shè)計方法生成10個初始樣本點x1、x2、…、x10，計算其函數(shù)值f(x1)、f(x2)、…、f(x10)，構(gòu)造二階多項式響應(yīng)面。拉丁方設(shè)計是一種空間填充設(shè)計，實現(xiàn)簡單，能夠消除仿真分析中的確定性誤差[10-12]，而二階多項式響應(yīng)面能夠準(zhǔn)確擬合任何平滑曲面的任意局部空間[5]。經(jīng)過大量的測試發(fā)現(xiàn)，10個初始點能夠滿足算法的需要，更多的初始點并不能顯著提高算法的性能。

(2)構(gòu)建重點空間。重點空間的構(gòu)造決定了該算法的性能。初始重點空間要盡量包含足夠大的空間，以保證包含全局最優(yōu)，并且隨著迭代的進(jìn)行要逐漸縮小到全局最優(yōu)附近。本文提出的DSD方法采用一定數(shù)目的具有真實解的昂貴點來構(gòu)建重點空間，其數(shù)目ne隨著迭代的進(jìn)行不斷變化，以保證得到合適的重點空間，其數(shù)目的定義如下：

(1)

其中，me是當(dāng)前昂貴點的數(shù)目，wi是構(gòu)建重點空間的昂貴點占當(dāng)前昂貴點的比例，i為迭代次數(shù)。由于初始點以及每一次迭代所選取的昂貴點的數(shù)目都為10，根據(jù)式(1)，所選擇的構(gòu)建重點空間的樣本點的數(shù)目依次為10、18、24、28、30、30、28、24、18、10。初始樣本點由拉丁方設(shè)計直接得到，能夠保證初始重點空間盡可能布滿整個設(shè)計空間，如圖2所示。構(gòu)造重點空間的樣本點的數(shù)目逐漸增大然后減小，既能保證在優(yōu)化前幾次迭代中包含足夠的空間，又能使重點空間快速縮小，圖

圖2 某優(yōu)化問題第1次迭代得到的重點空間示意圖Fig.2 The first important region in a design optimization

3所示是某優(yōu)化問題第4次迭代得到的重點空間，與第1次迭代相比，重點空間包含全局最小值，而且減小明顯。

圖3 某優(yōu)化問題第4次迭代得到的重點空間示意圖Fig.3 The fourth important region in a design optimization

(3)分別在重點空間和其他空間內(nèi)選取新的昂貴點，其策略如下：

①在重點空間內(nèi)選擇昂貴點。a)應(yīng)用拉丁方設(shè)計在重點空間生成大量樣本點(推薦為104個)[5]，這些點使用元模型計算，稱為廉價點；b)使用二階多項式計算這些樣本點的函數(shù)值；c)選取6個函數(shù)值最小的樣本點作為新的昂貴點。

②在其他空間內(nèi)選擇昂貴點。a)應(yīng)用拉丁方設(shè)計在其他空間生成大量樣本點(推薦為104個);b)使用二階多項式計算這些樣本點的函數(shù)值;c)選取4個函數(shù)值最小的樣本點作為新的昂貴點。

(4)應(yīng)用原始模型計算新的昂貴點的值并檢查收斂條件。如果滿足收斂條件，算法終止，否則重復(fù)步驟(2)至步驟(3)直到結(jié)束。算法采取HAM法中提出的收斂條件[7]:

(2)

式中，ε為設(shè)計者給定的一個較小的數(shù)值；fj為第j個最小的函數(shù)值。

2 算法驗證

本文利用4個應(yīng)用廣泛的標(biāo)準(zhǔn)數(shù)學(xué)函數(shù)算例對DSD方法進(jìn)行驗證，這4個函數(shù)分別是10個變量的Pavinai函數(shù)(PF)和Trid函數(shù)(TF)，以及16個變量的F16函數(shù)和20個變量的Sum Squares函數(shù)(SSF)。

(1)Pavinai 函數(shù)(N=10):

(3)

xi∈[2.1,9.9]

(2)Trid函數(shù)(N=10):

(4)

xi∈[-100,100]

(3)F16函數(shù)(N=16):

(5)

xi,xj∈[-5,5]

(4)Sum Squares函數(shù)(N=20):

(6)

這4個函數(shù)中PF是對數(shù)函數(shù)， F16是高階函數(shù)，而TF和SSF是二階多項式函數(shù)，TF具有較大的設(shè)計空間。這4個函數(shù)各具特點，能夠全面地測試所提出方法的有效性，而且所得到的結(jié)果將與同類算法HAM和遺傳算法(GA)進(jìn)行對比(比較搜索精度和搜索效率)。優(yōu)化對比結(jié)果見表1。每個函數(shù)都運(yùn)算100次以避免不具代表性的結(jié)果，表中min表示算法得到的平均最小值，nit表示所用的平均迭代次數(shù)，nfe表示算法所用的昂貴點的平均數(shù)目。其中min和nit保留一位小數(shù)，nfe只保留整數(shù)部分。

從表1中可以看出，GA在優(yōu)化PF和TF時精度較高，在優(yōu)化F16和SSF時精度較低，最小平均迭代次數(shù)為64，調(diào)用原始模型最小平均次數(shù)為1298次。即如果每次迭代所產(chǎn)生的20個優(yōu)化方案能夠同時計算，對于優(yōu)化一個單個模型計算需要1 h的問題，所用最短時間為64 h，最長為239.8 h。如果不能夠同時計算，則最少需要1298 h。對于HAM，其所得結(jié)果的精度較低，在優(yōu)化TF時則完全找不到最小值，在優(yōu)化PF和F16時所得結(jié)果的精度也難以滿足要求。DSD法在精度和效率上達(dá)到很好的平衡，能夠以很高的效率得到精度

表1 數(shù)學(xué)函數(shù)優(yōu)化結(jié)果(平均值)Tab.1 Results of math functions (mean values)

較高的結(jié)果，對于所優(yōu)化的4個問題，所得到的最小值都接近各自理論最小值。如果單個模型計算時間仍為1 h，則能夠同時計算每次迭代所得到的方案和每次僅能計算一個方案所需的最長時間分別為20.9 h和219 h，與GA相比，節(jié)省了80%以上的計算時間。

3 初始點數(shù)目的討論

為確定初始點的數(shù)目，DSD方法分別應(yīng)用10個和30個初始點對以上4個函數(shù)進(jìn)行優(yōu)化，結(jié)果見表2。從表2中可以看出，初始樣本點從10個增加到30個，其綜合性能并沒有顯著變化。可見，較多的初始樣本點并不能大幅度提高算法性能,因此，初始樣本點的數(shù)目定為10。

4 汽車輕量化設(shè)計

某款車的后車架質(zhì)量為73.65 kg，在設(shè)計過程中已經(jīng)進(jìn)行過一次輕量化設(shè)計，為降低成本，需要對其進(jìn)行進(jìn)一步減重，而公司標(biāo)準(zhǔn)規(guī)定，在放置200 kg貨物時所產(chǎn)生的最大位移d不能超過2.0 mm。優(yōu)化模型為

表2 不同數(shù)目初始點所得到的結(jié)果比較Tab.2 Comparison of the results with different number of initial points

(7)

式中，m為整個系統(tǒng)的質(zhì)量，kg；t1～18為選擇的18個具有減重價值的部件的厚度，在優(yōu)化分析中作為設(shè)計變量。

圖4和圖5是有限模型的加載和約束示意圖。此結(jié)構(gòu)的有限元模型包含43個部件、161 656個單元。

圖4 某款車后車架載荷示意圖Fig.4 An illustration of the Load on the vehicle rear frame

圖5 某款車后車架約束示意圖Fig.5 An illustration of the constraints on the vehicle rear frame

應(yīng)用商業(yè)軟件Nastran對該模型進(jìn)行計算。該模型雖是一個線性問題，但是包含18個設(shè)計變量，具有較大設(shè)計空間，應(yīng)用目前已經(jīng)發(fā)布的基于元模型的優(yōu)化方法計算困難，因此應(yīng)用DSD方法對其進(jìn)行輕量化設(shè)計。優(yōu)化結(jié)果見表3。同時給出應(yīng)用HAM法所得到的結(jié)果，與DSD法進(jìn)行比較。表3中所有結(jié)果均保留兩位小數(shù)。

從表3中可以看出，這個優(yōu)化過程經(jīng)過8次迭代，包括初始點在內(nèi)一共需要90個昂貴點，即調(diào)用有限元模型計算90次，后車架系統(tǒng)的質(zhì)量從73.65 kg減小到65.98 kg，減小了7.67 kg，即整個系統(tǒng)質(zhì)量減小10.4%，施加力所產(chǎn)生的最大位移從2.046 mm減小到1.997 mm，系統(tǒng)的剛度有所增大。而HAM法應(yīng)用35次迭代，調(diào)用仿真模型243次，質(zhì)量減小了3.14 kg，比DSD法少4.53 kg。比較了優(yōu)化前后施加力產(chǎn)生的最大位移，見圖6。

表3 輕量化結(jié)果Tab.3 Results of the lightweight design

(a)優(yōu)化前

(b)HAM法結(jié)果

(c)DSD法結(jié)果圖6 優(yōu)化前后施加力產(chǎn)生的最大位移比較Fig.6 The max. displacement by the load before and after optimization

5 結(jié)論

本文提出一種設(shè)計空間差別處理優(yōu)化方法，此方法對不同的空間采用不同的處理方式，并不移除任何設(shè)計空間，具有傳統(tǒng)的設(shè)計空間移除方法高效的優(yōu)點，同時在一定程度上避免了傳統(tǒng)方法會移除全局最優(yōu)的弱點，是傳統(tǒng)的設(shè)計空間移除方法的改進(jìn)方法。通過4個高維標(biāo)準(zhǔn)函數(shù)算例的驗證以及在汽車輕量化設(shè)計中的應(yīng)用，證明了算法的有效性以及在實際工程中應(yīng)用的潛力。

下一階段的工作將致力于研究基于不同元模型的設(shè)計空間差別處理方法的性能，同時研究將混合元模型策略與設(shè)計空間差別處理策略相結(jié)合，開發(fā)效率更高、應(yīng)用更廣泛的方法。

參考文獻(xiàn)：

[1] JOSEPH C, BENEDY K. Light Metals in Automotive Applications[J]. Light Met. Age.,2000,58(10):34-35.

[2] ZHANG Y, ZHU, P, CHEN G L, et al. Study on Structural Lightweight Design of Automotive Front Side Rail Based on Response Surface Method[J]. Journal of Mechanical Design,2007,129:553-557.

[3] 鄭光泰. 發(fā)動機(jī)鎂質(zhì)油底殼開發(fā)振聲特性研究及優(yōu)化設(shè)計[D]. 杭州:浙江大學(xué),2008.

ZHENG Guangtai. Study and Design Optimizaiton of the Vibration of the Engine Magnesium Oil Pan[D]. Hangzhou: Zhejiang University,2008.

[4] JONES D R, SCHONLAU M, WELCH W. Efficient Global Optimization of Expensive Black-box Functions[J]. Journal of Global Optimization,1998,13:455-492.

[5] WANG L Q, SHAN S, WANG G G. Mode-pursuing Sampling Method for Global Optimization on Expensive Black-box Functions[J]. Engineering Optimization,2004,36(4):419-438.

[6] WANG G G, DONG Z, AITCHISONC P. Adaptive Response Surface Method—a Global Optimization Scheme for Approximation-based Design Problems[J]. Engineering Optimization,2001,33:707-733.

[7] GU J, LI G Y, DONG Z. Hybrid and Adaptive Meta-model-based Global Optimization[J]. Engineering Optimization,2012,44(1):87-104.

[8] ZHOU G, MA Z D, GU J C， et al. An Enhanced Hybrid and Adaptive Meta-model Based Global Optimization Algorithm for Engineering Optimization Problems[J]. Science China Technological Sciences,2016,59(8):1-9.

[9] JIE H, WU Y，DING J. An Adaptive Metamodel-based Global Optimization Algorithm for Black-box Type Problems[J]. Engineering Optimization,2015,47(11):1459-1480.

[10] FANG K T, LI R, SUDJIANTO A. Design and Modeling for Computer Experiments[M]. New York: Taylor & Francis Group, LLC,2006.

[11] STTINBERG H A. Generalized Quota Sampling[J]. Nuclear Science and Engineering,1963,15:142-145.

[12] MCKAY M D, BECKMAN R J, CONOVER W J. A Comparison of Three Methods for Selecting Values of Input Variables in the Analysis of Output from a Computer Code[J]. Technometrics,1979,42(1):55-61.