BPNNHDMR非線性近似模型方法及應用
2014-08-08 13:53:59李偉平竇現東王振興柳超
湖南大學學報·自然科學版 2014年5期
關鍵詞：結構優化
李偉平+竇現東+王振興+柳超
文章編號：16742974(2014)05003207
收稿日期：20130719
基金項目：國家高新技術研究發展計劃（863計劃）資助項目（2012AA111802）
作者簡介：李偉平（1971-），男，湖南邵陽人，湖南大學副教授，博士
通訊聯系人，Email: lwpzlbb@yeah.cn
摘 要： 提出基于誤差反向傳播神經網絡（Back Propagation Neural Network, BPNN)的高維模型表示（high dimensional model representation, HDMR)方法，即BPNNHDMR方法.BPNNHDMR方法的顯著優勢是將BP神經網絡的非線性函數逼近能力與高維模型的層級結構理論相結合來構建近似模型，并能夠揭示輸入變量之間固有的線性或非線性關系及其相關性，將構造模型復雜度由指數級增長降階為多項式級，有效地解決了高維建模問題.通過測試和對比驗證了該算法的效率和建模能力，并將該算法應用于礦用自卸車安全駕駛室翻車保護裝置（RollOver Protective Structure, ROPS)的優化設計.通過優化結果驗證了所提方法的可行性和有效性.
關鍵詞：近似模型;高維模型;誤差反向傳播神經網絡;非線性;結構優化
中圖分類號：U463.4 文獻標識碼：A
BPNNHDMR Nonlinear Metamodeling Technique
and Its Application
LI Weiping, DOU Xiandong, WANG Zhenxing, LIU Chao
（State Key Laboratory of Advanced Designed and Manufacture for Vehicle Body,
Hunan Univ, Changsha, Hunan 410082,China）
Abstract:This paper proposed a new highdimension model representation (HDMR) based on back propagation neural network (BPNN), which is called BPNNHDMR. The most remarkable advantage of this method lies in its ability to integrate the nonlinear function approximation capability of BP neural network and the hierarchy structure theory of high dimensional model to build an approximation model. Moreover, this method can reveal the inherent linearity or nonlinearity relationship as well as correlation with respect to input variables. The problem of modeling high dimension model is effectively tackled by reducing the computation cost from exponential growing to polynomial. Testing and comparative analysis confirm the efficiency and capability of BPNNHDMR for high dimension nonlinear problems. Furthermore, the algorithm was applied to optimize the ROPS of Mining Dump Truck's Safety Cab. The optimized results verify the feasibility and effectiveness of the method proposed.
Key words: metamodel; high dimensional model representation（HDMR）; back propagation neural network(BPNN); nonlinearity; structural optimization
工程優化問題中，對于基于真實模型的嵌套優化，每次計算目標函數值都要調用費時的仿真計算模型，其計算代價不可小視.而利用近似模型可以有效地解決這一問題[1]，即通過對近似模型的求優近似得到真實模型的優化值.
目前廣泛應用的一些近似方法，如響應面法、Kriging插值、人工神經網絡等，在處理較低維問題時有很好的效果.而對于工程中復雜的高維非線性模型，隨著維數和非線性程度的增加，構造近似模型所需的樣本點數量和計算花費呈指數增長，使解決此類問題的計算效率大大降低[2] .針對這一問題，Sobol證明了可積函數可以分解為不同維數函數的疊加理論[3].該理論表明，對于任意一個可以積分的函數，在其積分空間內存在唯一的、可以擴展的高維模型(High Dimensional Model Representation，HDMR).這一模型是精確的，有確定的階數，并包含一個層級結構.高維模型可以將計算時間隨非線性程度和維數增加按指數增長的隱函數，轉化為可以忽略高階耦合項的多項式函數，并揭示了每個設計變量對近似函數的貢獻量，大大減少了計算時間.同時反映了輸入變量之間固有的線性或非線性關系及其相關性，在近似高維非線性問題時非常有效.由此，一系列不同特性的高維模型開始發展起來，被研究和應用于不同的領域.其中，Shan等提出了基于徑向基的高維模型（RBFHDMR)[4],湯龍等提出了基于Kriging的高維模型（KrigingHDMR)[5].
本文采用誤差反向傳播神經網絡（Back Propagation Neural Network, BPNN)與中心切面高維模型（CutHDMR[6]）方法相結合的BPNNHDMR.BP神經網絡是一種多層前饋型神經網絡，其神經元的傳遞是S型函數，它可以實現從輸入到輸出的任意非線性映射.對于非線性問題，在精度表達上具有一定優勢.CutHDMR方法是用過指定點的特定的直線、平面和超平面上的信息來建立模型，計算效率高，方便易行.
1 高維模型（HDMR）基本理論
設待求問題的設計變量可行域為An(n維實數空間)，那么多元函數f(x)∈R與輸入變量x∈An之間的映射關系可以用HDMR[6-7]來表示為：
f(x)=f0+∑ni=1fi(xi)+∑1≤i
其中f0為函數在中心點的函數值，后面依次為不同階耦合項對近似函數的貢獻量.
為了方便計算，本文引入CutHDMR.與其他類型的高維模型相比，CutHDMR用少量簡單的算術運算來表達計算花費高昂的真實模型，并達到了其他類型高維模型相似的精度，計算效率高.CutHDMR展開式的各分項表達請參考文獻[6].
2 BPNNHDMR
2.1 BP神經網絡
BP網絡是一種多層前饋型神經網絡，它由一個輸入層、一個輸出層和至少一層隱含層組成[8].該網絡的主要特點是信號向前傳遞，誤差反向傳播.在前向傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層.每一層的神經元狀態只影響下一層神經元狀態.如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出.因此，BP網絡可以看作是解決函數逼近的工具.
本文中，隱層神經元的傳遞函數采用雙曲正切S型函數h，它類似于一個平滑的階梯函數：
h(x)=(ex－e－x)/(ex+e－x) （2）
考慮一個分層神經網絡(x,W)，其中x是輸入矢量，W是可變權系數矢量.在這里要訓練(x,W)來近似函數f:［a,b］R→R，其中f(［a,b］)是一個有界集.在區間[a, b]中隨機選取xk作為神經網絡的輸入，(xk,Wk)為網絡的輸出，f(xk)為在區間f(［a,b］)中的期望輸出值.神經網絡的任務是調整網絡中的可變權系數來減小誤差Ek，Ek定義為:
Ek=12［xk,W(k)］－f(xk)2(3)
假設wi(k)為W(k)中的任意元素.調整wi(k)對誤差Ek的影響直接取決于偏導數(Ek)/［wi(k)］.BP算法的作用在于如何評價(Ek)/［wi(k)］.詳細內容可參考文獻[9].這樣，wi(k)就向著減小誤差Ek的方向調整：
wi(k+1)=wi(k)－μ(Ek)/［wi(k)］，
wi(k)∈W(k)(4)
其中μ為常量，是指定的更新率.可以看出，如果μ足夠小時，則：
{［xk,W(k+1)］－f(xk)}2<
{［xk,W(k)］－f(xk)}2(5)
其中假設Ek>0.由式(5)可知，對于同樣的輸入參數x1,x2,…,xk，更新后的神經網絡的輸出更接近于真實函數輸出值.
HechtNielsen[9]研究了分層神經網絡近似非線性函數的能力.他在文獻[9]中表明，在確定的條件下，對于任意ε>0，存在一個三層神經網絡（包含一個輸入層，一個輸出層和一個非線性隱含層）可以在均方誤差精確度ε范圍內近似函數f.因此，BP神經網絡可以應用于工程實際中的大多數情況.
2.2 BPNNHDMR的構建
對大多數工程問題而言，非耦合項和低階耦合項對響應函數影響較大.為此，BPNNHDMR方法只考慮到一階耦合項，表達式如下：
f(x)≈f0+∑ni=1i(xi)+∑1≤i 式中帶頂標^的項表示BPNN近似項，∑ni=1i(xi),∑1≤i 高維模型的一般構建流程[4-5]如下： 1）選取各設計變量中心位置的點x0=［x10,x20,…,xn0］作為中心點，計算得到f0. 2）在每個變量xi（［x10,x20,…,xi,…，xn0］）的取值區間上為非耦合項fi(xi)=f(［x10,…,xi,…，xn0］T)－f0布點.選取xi取值區間上下界的兩個端點，并計算這兩點的函數值，用BPNN構建近似函數i(xi). 3）檢驗i(xi)的線性關系，如果(x0)－f0f0≤10－3，則認為i(xi)是線性的，程序終止；否則，繼續采樣和xi上下界三個點構建一個新的i(xi)，看i(xi)是否滿足給定的精度要求，如果滿足，則程序終止；否則，繼續采樣構建一個新的近似函數i(xi)，直至滿足精度要求.循環執行第2步和第3步直到所有的非耦合項構造完畢. 4）判斷模型中是否存在一階耦合項.創建新檢驗點(xi,xj,xij0)=［x10,x20,…,xi,…,xj,…,xn0］，不失一般性，選取構造非耦合項時用的采樣點分量的上下界中的一個作為新樣本的第i維分量.在精確度準則所允許的誤差范圍內，若f0+∑ni=1fi(xi)=f0+∑ni=1i(xi)，就認為不存在一階耦合項，程序終止；否則轉入第5步. 5）識別相互耦合的變量.構造新樣本點［x10,…,xei,…，xej,…，xn0］T(1≤i 6）將上面構建的各階BPNN近似函數代入式（6）就得到了高維模型近似響應函數. 在用BP神經網絡構建近似模型過程中，一般隱含層結點數取2P+1[10] (P為輸入結點數），由于本文樣本數據準確，對于非耦合項和一階耦合項我們選擇的隱結點數分別為3和5.根據文獻[11]，只有當學習率為0<η<43N+1時，神經網絡算法是收斂的，這里η為學習率，N為神經網絡訓練樣本點數.同時，本文中神經網絡最大訓練步數設定為100次，訓練目標為0.000 04，單隱含層.其他更多BPNN具體參數設置和程序設計請參看文獻[10]和[12]. 本文高維模型構建時的精確度準則和收斂準則都是通過相對誤差來定義的.精確度準則主要用于輸入變量之間耦合性的識別，所允許的相對誤差一般不超過10-4.由于本文方法具有較高精確度，所以本文針對測試函數收斂準則所允許的相對誤差均取0.001；而對于工程問題，考慮到計算效率和一般工程要求的5%的近似精度，設置的相對誤差均取0.01.通過以上設置，在樣本點數一定時，由于本文方法將BP神經網絡的非線性函數逼近能力與高維模型的層級結構理論相結合，所以本文近似模型方法在近似非線性問題時較傳統方法具有更高的精度，建模效率也有所提高. 3 數值算例 3.1 評價指標 為了測試近似模型近似效果，采用3種比較常用的評價指標，R2(R square),相對平均絕對誤差（relative average absolute error, RAAE)和相對最大絕對誤差（relative maximum absolute error, RMAE）.這些指標反映了BPNNHDMR在新樣本點上的預測能力,其具體表達式請參考文獻[4].其中，R2是從整體上反映近似模型的精度，其值越接近1越好；RAAE也是從整體上反映近似模型的精度，其值越小越好；RMAE是一個局部指標，描述了設計空間中某個局部區域的誤差，其值越小越好.
3.2 函數算例
首先選擇一個高維非線性測試函數：
f(x)=∑9i=1［(x2i)(x2i+1+1）+(x2i+1)（x2i+1)］,
xi∈［0,1］(7)
采用相同數量的訓練樣本點（計算費用相同），分別采用BPNN，BPNNHDMR和Kriging 3種方法進行建模并比較它們的精度，計算結果如表1所示（表中數據是計算100次的平均值）.
表1 BPNN，BPNNHDMR和Kriging方法比較
Tab.1 Comparison between BPNN, BPNNHDMR
and Kriging algorithm
方法
R2
RAAE
RMAE
BPNN
0.886 0
0.221 6
0.225 1
BPNNHDMR
0.993 9
0.058 2
0.049 5
Kriging
0.326 4
2.975 8
0.836 6
分析表中數據，對于同一測試函數，3種近似方法中，BPNNHDMR方法的R2值最接近1，RAAE和RMAE也都最小.由對比可知，對于高維非線性問題，基于同樣數量的一組訓練樣本，采用BPNNHDMR方法得到的近似模型精度更高.
其次，增加高維非線性測試函數式(7)的維數
f(x)=∑d-1i=1［(x2i)(x2i+1+1)+(x2i+1)(x2i+1)］,
0≤xi≤1(8)
來測試BPNNHDMR方法的效率.式(8)中，維數d分別取d=10,30,50等不同值，假設每一維的訓練樣本點數為9（經測試，基本可以滿足精度要求），表2中列出了各階HDMR計算費用的比較.
表2 各階HDMR建模費用的比較
Tab.2 Comparison of modeling cost among variousorder
HDMRs for the study problem
維數
BPNNHDMR
高維模型二階項全部
展開（多項式級增長）
全因子設計sd
（指數級增長）
10
172
2 961
3.486 8×109
30
532
28 081
4.239 1×1028
50
892
78 801
5.153 8×1047
4 工程應用
為了驗證BPNNHDMR在處理工程實際問題時的可行性，本文以某礦用自卸車全駕駛室式翻車保護裝置（ROPS)的優化設計為例.根據標準ISO 3471：2008[13]對ROPS進行非線性有限元分析，確保ROPS滿足標準ISO 3164:1992[14].通過仿真分析得到ROPS的變形量，為進一步優化打下基礎.安全駕駛室ROPS的有限元模型如圖1所示.
圖1 ROPS加載分析模型
Fig.1 Loads and constraints of the ROPS model
ROPS框架采用殼單元模擬，焊接使用剛性殼單元模擬為一個載荷變換器[15].焊接連接處網格局部加密，計算時假設焊縫與母材材料特性相同（實際中焊縫一般不先破壞）.單元大小設定為20 mm，其中四邊形單元54 951個，三角形單元1 389個，單元類型分別為S4R和S3R.本文ROPS材料為進口鋼板A710，屈服極限為690 MPa，斷裂極限為792 MPa，材料模型選擇金屬塑性材料模型，定義材料的應力應變曲線.依據標準ISO 3471：2008進行載荷和約束的施加.其中，約束ROPS底部與車架連接處3個平動方向的自由度（UX，UY，UZ)，FC為側向力加載，FV為垂向力加載，FL為縱向力加載.標準撓曲極限量（Deflectionlimiting volume ,DLV）與ROPS的側向間距為200 mm，垂向間距為110 mm，縱向間距為320 mm.分析時考慮幾何非線性和材料非線性.
4.1 優化變量的選取
本文優化的ROPS主要由一些不同厚度的矩形管和加強筋焊接而成.考慮對稱性和加工可行性，對稱的選取ROPS不同部位的矩形管厚度作為設
計變量.各設計變量選取見圖1，取值范圍如表3所示．
表3 各優化變量取值范圍
Tab.3 Range of optimization variablesmm
參數
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
取值范圍
[8,12]
[6,14]
[8,12]
[6,14]
[6,10]
[6,10]
[5,7]
[5,7]
[6,10]
[6,10]
4.2 目標函數的建立
通過非線性有限元分析可知，由于要考慮ROPS側向吸能問題，ROPS側向變形最接近DLV，因此側向變形為危險工況.根據企業要求，本文選取側向變形作為一個優化目標，以垂向和縱向變形為約束.因此以ROPS側向變形最小和ROPS質量最小建立多目標優化問題，ROPS的多目標優化模型可以描述為：
min XUC(X)min Xm(X)s.t.UV(X) 式(9)中UC為ROPS的側向變形量；UV為ROPS的垂直變形量；UL為ROPS的縱向變形量；B1，B2分別為ROPS垂向和縱向的最大允許變形量；m為ROPS的總質量. 4.3 近似模型的構建 本文采用BPNNHDMR構建ROPS變形量和質量響應近似模型.對每個設計變量在其取值范圍內等間距取點，取點數量根據構建近似模型時是否達到預先設定的精度決定，通過ABAQUS計算獲得樣本點處的真實響應值.首先構建一階項，然后進行精度判斷.在設計變量空間，采用拉丁超立方實驗設計方法，選擇10個采樣點.分別對真實模型和近似模型進行計算，并計算兩者的相對誤差.如果相對誤差滿足給定精度要求（設定為5%），則構建近似模型成功，若精度不滿足要求，則繼續構建高階項. 通過計算，本文所求近似模型只需計算到一階項，就可以得到比較精確的近似結果，可以省略高階耦合項.構建過程中只需56個樣本點即得到滿足工程要求的近似模型. 為了客觀、全面地反映所建近似模型在設計域內的精確程度，在設計域內采用拉丁超立方實驗設計方法隨機生成10個測試樣本點，用它們分別對BPNN，BPNNHDMR和Kriging模型進行精度測試，并以側向變形響應精度為例，測試結果如表4所示. 表4 采用BPNN，BPNNHDMR和Kriging 方法所得側向變形近似模型的比較 Tab.4 Comparison of the lateral deformation between BPNN, BPNNHDMR and Kriging algorithm
方法
樣本點數
R2
RAAE
BPNN
56
0.603 3
0.298 9
BPNNHDMR
56
0.984 0
0.085 1
Kriging
56
0.238 3
0.716 7
由表4中數據可知，BPNNHDMR解決此類工程問題具有高效準確的優點.同時，可以看出BPNN和Kriging方法在構建高維非線性有限元模型時的局限性，本文需要增加采樣點數量才能用這兩種方法獲得比較精確的近似模型，這樣就增加了真實有限元模型的計算次數，而真實非線性有限元模型一次計算要數小時，導致計算花費大大增加.
4.4 優化過程及結果分析
本文采用基于Pareto概念的多目標優化遺傳算法，該方法是求解多目標問題非劣最優解的有效途徑之一 [16].在基于Pareto最優概念的遺傳算法中，NSGAⅡ[17-18]是最有效的.因此，本文采用NSGAⅡ，在近似模型的基礎上對ROPS進行多目標優化.
初始種群設為100，最大迭代次數設為200，交叉概率0.9，變異概率0.1.收斂規則為：達到最大迭代次數作為終止條件.得到Pareto最優解集如圖2所示．
圖2中星號表示多目標優化非劣解.在優化解集中取有代表性的10組解，多目標優化的Pareto最優解集見表5.ROPS優化前側向變形和質量如表6所示.對比表6與表5中第4組和第6組數據可以看出，在質量相當的情況下，優化后的側向變形大約減小了26.7 mm,在側向變形相當的情況下，優化后的質量大約減小了75.1 kg.因此，通過多目標優化，ROPS的質量和變形情況明顯改善.同時，根據得到的Pareto最優解集，可以根據設計者經驗和需求，高效率地實現ROPS各矩形管厚度的選取，以滿足不同性能需要.
把優化結果代入有限元計算模型驗證，計算結果如表7所示.
由ABAQUS計算驗證可知，所選優化解都符合標準ISO 3164:1992的要求.這也證明了本文所提方法在工程優化實際應用中的可行性和有效性.同時，由于模型簡化掉了一些蒙皮和附屬部件，以及真實情況下車架也有一部分吸能作用，所以本文的分析結果是偏向安全的.
側向變形/mm
圖2 多目標優化的Pareto最優解集
Fig.2 Feasible Pareto optimal solutions
表5 雙目標優化的Pareto最優解
Tab.5 The Pareto optimal solutions of twoobjective uncertain optimization
Pareto解
x1
/mm
x2
/mm
x3
/mm
x4
/mm
x5
/mm
x6
/mm
x7
/mm
x8
/mm
x9
/mm
x10
/mm
質量
/kg
側向變形
/mm
1
12.0
6.0
12.0
13.2
10.0
6.7
9.9
5.8
7.0
9.8
1 508.5
88.0
2
11.9
6.0
11.5
10.3
10.0
6.6
9.8
5.8
6.8
9.9
1 453.1
94.5
3
11.8
6.0
10.7
10.6
10.0
6.5
9.6
5.9
6.6
9.9
1 421.2
100.9
4
12.0
8.4
8.5
10.1
10.0
6.9
7.8
6.4
5.0
9.9
1 347.9
116.4
5
11.0
8.5
8.0
9.6
9.3
6.4
7.5
6.4
5.0
9.5
1 284.3
136.5
6
9.9
6.0
9.4
8.6
9.5
7.0
9.0
6.0
5.0
7.5
1 269.8
143.9
7
9.6
6.2
8.8
6.3
9.3
7.7
6.4
5.3
5.4
7.1
1 215.1
152.6
8
10.3
6.0
8.9
6.8
7.6
6.5
6.9
5.3
5.1
8.3
1 188.2
164.2
9
10.0
6.1
8.7
6.0
7.5
6.5
7.0
5.6
5.2
8.6
1 168.5
171.5
10
10.0
6.0
8.0
6.3
6.7
6.5
7.2
5.3
5.0
8.3
1 125.0
186.3
表6 ROPS側向變形優化前數據
Tab.6 Finite element analysis results of ROPS before optimized
變量
x1
/mm
x2
/mm
x3
/mm
x4
/mm
x5
/mm
x6
/mm
x7
/mm
x8
/mm
x9
/mm
x10
/mm
質量
/kg
側向變形
/mm
初始值
10
10
10
10
8
8
8
6
6
8
1 344.9
143.1
表7 優化后的響應值ABAQUS計算驗證
Tab.7 Check the optimization results
by ABAQUS calculation mm
優化后最大
側向變形量
ABAQUS
計算的側向
最大變形
ABAQUS
計算的垂向
最大變形
ABAQUS
計算的縱向
最大變形
解一
88.0
92.22
35.70
33.64
解二
94.5
98.99
34.77
35.85
解三
100.9
102.9
36.47
39.74
解四
116.4
112.8
46.09
51.62
解五
136.5
134.1
60.10
68.26
解六
143.9
142.9
62.63
74.29
解七
152.6
159.0
73.41
88.32
解八
164.2
167.1
69.32
82.35
解九
171.5
174.0
70.30
85.04
解十
186.3
192.1
78.05
100.6
5 結 論
本文提出的BPNNHDMR建模方法，很好地利用了BP神經網絡的非線性函數逼近能力與高維模型的層級結構理論，并能夠反映輸入變量之間固有的線性關系和耦合性.尤其對于高維問題，它可以將構造模型計算花費由維數的指數級增長降解為多項式級，有效地解決了高維建模問題，且與傳統算法相比，具有更高的精度.通過數值算例和工程優化問題的對比，驗證了BPNNHDMR近似方法的精度和效率.另外，該算法對于高度非線性問題精確的數學建模還需進一步發展和完善，BP神經網絡的計算效率也有待進一步提高.
同時，本文所采用的結構分析與優化方法在工程領域的其他方面也可以廣泛應用，具有一定的理論和工程實際意義.
參考文獻
［1］ 穆雪峰. 多學科設計優化代理模型技術的研究和應用[D].南京：南京航空航天大學航空宇航學院，2004.
MU Xuefeng. The research and application of multidiscipline design optimization surrogate model technology[D]. Nanjing: College of Aerospace Engineering, Nanjing University of Aeronautics and Astronautics, 2004.(In Chinese)
［2］ 趙子衡，韓旭，姜潮.基于近似模型的非線性區間數優化方法及其應用[J].計算力學學報，2010，27（3）:451-456.
ZHAO Ziheng, HAN Xu, JIANG Chao. Approximation model based nonlinear interval number optimization method and its application [J]. Chinese Journal of Computational Mechanics, 2010, 27(3):451-456. (In Chinese)
［3］ SOBOL I M. Sensitivity estimates for nonlinear mathematical models [J]. Mathematical Modeling & Computational Experiment, 1993, 1(4): 407-414.
［4］ SHAN Songqing,WANG G Gary. Metamodeling for high dimensional simulationbased design problems[J]. Journal of Mechanical Design, 2010, 132:051009.
［5］ 湯龍，李光耀，王琥. KrigingHDMR非線性近似模型方法[J].力學學報，2011，43（4）:780-784.
TANG Long, LI Guangyao, WANG Hu. KrigingHDMR metamodeling technique for nonlinear problems [J]. Chinese Journal of Theoretical and Applied Mechanics, 2011, 43(4):780-784. (In Chinese)
［6］ RABITZ H, AL1S F. General foundations of highdimensional model representations[J]. Journal of Mathematical Chemistry,1999,25(2/3):197-233.
［7］ LI G, WANG S W, ROSENTHAL C, et al. High dimensional model representations generated from low dimensional data samples. I. MpCutHDMR[J]. Journal of Mathematical Chemistry, 2001,30(1): 1-30.
［8］ CHEN Fuchang .Backpropagation neural networks for nonlinear self tuning adaptive control[J]. Control Systems Magazine, IEEE April, 1990, 10(3): 44-48.
［9］ HECHTNIELSEN R.Theory of the backpropagation neural network[C]//Proc IEEE 2002 Intl Conf Neural Networks.Califormia:International Toint Conference in Nemal Networks, 2002.
［10］謝慶生，尹健，羅延科,等.機械工程中的神經網絡方法[M].北京：機械工業出版社，2003: 39-51.
XIE Qingsheng, YIN Jian, LUO Yanke,et al. Neural network method in mechanical engineering [M].Beijing:China Machine Press, 2003:39-51. (In Chinese)
［11］曾喆昭，李仁發.高階多通帶濾波器優化設計研究[J].電子學報,2002,30(1):87-89.
ZENG Zhezhao, LI Renfa. Study on the optimum design of the highorder multibandpass filters [J].Acta Electronica Sinica, 2002, 30(1):87-89. (In Chinese)
［12］張德豐. MATLAB 神經網絡應用設計[M]. 北京：機械工業出版社，2012:49-75.
ZHANG Defeng． MATLAB neural network application design [M]. Beijing:China Machine Press, 2012:49-75. (In Chinese)
［13］ISO 3471:2008 Earthmoving machineryrollover protective structureslaboratory tests and performance requirements[S]. British: Standards Policy and Strategy Committee,2009.
［14］ISO 3164: 1992Earthmoving machinery —Laboratory evaluation of rollover and fallingobject protective structuresspecifications for deflectionlimiting volume[S]. British: The Authority of the Standards Board, 1992．
［15］周傳月. MSC.Fatigue疲勞分析應用與實例[M]. 北京:科學出版社，2005:86-91.
ZHOU Chuanyue. Fatigue analysis of application and examples with MSC.Fatigue[M]. Beijing:Science Press, 2005:86-91. (In Chinese)
［16］謝濤，陳火旺，康立山.多目標優化的演化算法[J].計算機學報,2003,26(8):997-1003.
XIE Tao, CHEN Huowang, KANG Lishan. Evolutionary algorithms of multiobjective optimization problems [J].Chinese Journal of Computers, 2003, 26(8):997-1003. (In Chinese)
［17］DEB K, PRATAP A, AGARWAL S, et al. A fast elitist nondominated sorting genetic algorithm for multiobjective optimization: NSGAII,Kan GAL Report No.200001[R]. Kanpur: Indian Istitute of Technology, 2000.
［18］李偉平,王世東,周兵,等. 基于響應面法和NSGAⅡ算法的麥弗遜懸架優化[J]. 湖南大學學報:自然科學版, 2011,38(6):27-32.
LI Weiping, WANG Shidong, ZHOU Bin, et al. Macpherson suspension parameter optimization based on response surface method and NSGAⅡ algorithm [J]. Journal of Hunan University:Natural Sciences, 2011,38(6):27-32. (In Chinese)
同時，本文所采用的結構分析與優化方法在工程領域的其他方面也可以廣泛應用，具有一定的理論和工程實際意義.
參考文獻
［1］ 穆雪峰. 多學科設計優化代理模型技術的研究和應用[D].南京：南京航空航天大學航空宇航學院，2004.
MU Xuefeng. The research and application of multidiscipline design optimization surrogate model technology[D]. Nanjing: College of Aerospace Engineering, Nanjing University of Aeronautics and Astronautics, 2004.(In Chinese)
［2］ 趙子衡，韓旭，姜潮.基于近似模型的非線性區間數優化方法及其應用[J].計算力學學報，2010，27（3）:451-456.
ZHAO Ziheng, HAN Xu, JIANG Chao. Approximation model based nonlinear interval number optimization method and its application [J]. Chinese Journal of Computational Mechanics, 2010, 27(3):451-456. (In Chinese)
［3］ SOBOL I M. Sensitivity estimates for nonlinear mathematical models [J]. Mathematical Modeling & Computational Experiment, 1993, 1(4): 407-414.
［4］ SHAN Songqing,WANG G Gary. Metamodeling for high dimensional simulationbased design problems[J]. Journal of Mechanical Design, 2010, 132:051009.
［5］ 湯龍，李光耀，王琥. KrigingHDMR非線性近似模型方法[J].力學學報，2011，43（4）:780-784.
TANG Long, LI Guangyao, WANG Hu. KrigingHDMR metamodeling technique for nonlinear problems [J]. Chinese Journal of Theoretical and Applied Mechanics, 2011, 43(4):780-784. (In Chinese)
［6］ RABITZ H, AL1S F. General foundations of highdimensional model representations[J]. Journal of Mathematical Chemistry,1999,25(2/3):197-233.
［7］ LI G, WANG S W, ROSENTHAL C, et al. High dimensional model representations generated from low dimensional data samples. I. MpCutHDMR[J]. Journal of Mathematical Chemistry, 2001,30(1): 1-30.
［8］ CHEN Fuchang .Backpropagation neural networks for nonlinear self tuning adaptive control[J]. Control Systems Magazine, IEEE April, 1990, 10(3): 44-48.
［9］ HECHTNIELSEN R.Theory of the backpropagation neural network[C]//Proc IEEE 2002 Intl Conf Neural Networks.Califormia:International Toint Conference in Nemal Networks, 2002.
［10］謝慶生，尹健，羅延科,等.機械工程中的神經網絡方法[M].北京：機械工業出版社，2003: 39-51.
XIE Qingsheng, YIN Jian, LUO Yanke,et al. Neural network method in mechanical engineering [M].Beijing:China Machine Press, 2003:39-51. (In Chinese)
［11］曾喆昭，李仁發.高階多通帶濾波器優化設計研究[J].電子學報,2002,30(1):87-89.
ZENG Zhezhao, LI Renfa. Study on the optimum design of the highorder multibandpass filters [J].Acta Electronica Sinica, 2002, 30(1):87-89. (In Chinese)
［12］張德豐. MATLAB 神經網絡應用設計[M]. 北京：機械工業出版社，2012:49-75.
ZHANG Defeng． MATLAB neural network application design [M]. Beijing:China Machine Press, 2012:49-75. (In Chinese)
［13］ISO 3471:2008 Earthmoving machineryrollover protective structureslaboratory tests and performance requirements[S]. British: Standards Policy and Strategy Committee,2009.
［14］ISO 3164: 1992Earthmoving machinery —Laboratory evaluation of rollover and fallingobject protective structuresspecifications for deflectionlimiting volume[S]. British: The Authority of the Standards Board, 1992．
［15］周傳月. MSC.Fatigue疲勞分析應用與實例[M]. 北京:科學出版社，2005:86-91.
ZHOU Chuanyue. Fatigue analysis of application and examples with MSC.Fatigue[M]. Beijing:Science Press, 2005:86-91. (In Chinese)
［16］謝濤，陳火旺，康立山.多目標優化的演化算法[J].計算機學報,2003,26(8):997-1003.
XIE Tao, CHEN Huowang, KANG Lishan. Evolutionary algorithms of multiobjective optimization problems [J].Chinese Journal of Computers, 2003, 26(8):997-1003. (In Chinese)
［17］DEB K, PRATAP A, AGARWAL S, et al. A fast elitist nondominated sorting genetic algorithm for multiobjective optimization: NSGAII,Kan GAL Report No.200001[R]. Kanpur: Indian Istitute of Technology, 2000.
［18］李偉平,王世東,周兵,等. 基于響應面法和NSGAⅡ算法的麥弗遜懸架優化[J]. 湖南大學學報:自然科學版, 2011,38(6):27-32.
LI Weiping, WANG Shidong, ZHOU Bin, et al. Macpherson suspension parameter optimization based on response surface method and NSGAⅡ algorithm [J]. Journal of Hunan University:Natural Sciences, 2011,38(6):27-32. (In Chinese)
同時，本文所采用的結構分析與優化方法在工程領域的其他方面也可以廣泛應用，具有一定的理論和工程實際意義.
參考文獻
［1］ 穆雪峰. 多學科設計優化代理模型技術的研究和應用[D].南京：南京航空航天大學航空宇航學院，2004.
MU Xuefeng. The research and application of multidiscipline design optimization surrogate model technology[D]. Nanjing: College of Aerospace Engineering, Nanjing University of Aeronautics and Astronautics, 2004.(In Chinese)
［2］ 趙子衡，韓旭，姜潮.基于近似模型的非線性區間數優化方法及其應用[J].計算力學學報，2010，27（3）:451-456.
ZHAO Ziheng, HAN Xu, JIANG Chao. Approximation model based nonlinear interval number optimization method and its application [J]. Chinese Journal of Computational Mechanics, 2010, 27(3):451-456. (In Chinese)
［3］ SOBOL I M. Sensitivity estimates for nonlinear mathematical models [J]. Mathematical Modeling & Computational Experiment, 1993, 1(4): 407-414.
［4］ SHAN Songqing,WANG G Gary. Metamodeling for high dimensional simulationbased design problems[J]. Journal of Mechanical Design, 2010, 132:051009.
［5］ 湯龍，李光耀，王琥. KrigingHDMR非線性近似模型方法[J].力學學報，2011，43（4）:780-784.
TANG Long, LI Guangyao, WANG Hu. KrigingHDMR metamodeling technique for nonlinear problems [J]. Chinese Journal of Theoretical and Applied Mechanics, 2011, 43(4):780-784. (In Chinese)
［6］ RABITZ H, AL1S F. General foundations of highdimensional model representations[J]. Journal of Mathematical Chemistry,1999,25(2/3):197-233.
［7］ LI G, WANG S W, ROSENTHAL C, et al. High dimensional model representations generated from low dimensional data samples. I. MpCutHDMR[J]. Journal of Mathematical Chemistry, 2001,30(1): 1-30.
［8］ CHEN Fuchang .Backpropagation neural networks for nonlinear self tuning adaptive control[J]. Control Systems Magazine, IEEE April, 1990, 10(3): 44-48.
［9］ HECHTNIELSEN R.Theory of the backpropagation neural network[C]//Proc IEEE 2002 Intl Conf Neural Networks.Califormia:International Toint Conference in Nemal Networks, 2002.
［10］謝慶生，尹健，羅延科,等.機械工程中的神經網絡方法[M].北京：機械工業出版社，2003: 39-51.
XIE Qingsheng, YIN Jian, LUO Yanke,et al. Neural network method in mechanical engineering [M].Beijing:China Machine Press, 2003:39-51. (In Chinese)
［11］曾喆昭，李仁發.高階多通帶濾波器優化設計研究[J].電子學報,2002,30(1):87-89.
ZENG Zhezhao, LI Renfa. Study on the optimum design of the highorder multibandpass filters [J].Acta Electronica Sinica, 2002, 30(1):87-89. (In Chinese)
［12］張德豐. MATLAB 神經網絡應用設計[M]. 北京：機械工業出版社，2012:49-75.
ZHANG Defeng． MATLAB neural network application design [M]. Beijing:China Machine Press, 2012:49-75. (In Chinese)
［13］ISO 3471:2008 Earthmoving machineryrollover protective structureslaboratory tests and performance requirements[S]. British: Standards Policy and Strategy Committee,2009.
［14］ISO 3164: 1992Earthmoving machinery —Laboratory evaluation of rollover and fallingobject protective structuresspecifications for deflectionlimiting volume[S]. British: The Authority of the Standards Board, 1992．
［15］周傳月. MSC.Fatigue疲勞分析應用與實例[M]. 北京:科學出版社，2005:86-91.
ZHOU Chuanyue. Fatigue analysis of application and examples with MSC.Fatigue[M]. Beijing:Science Press, 2005:86-91. (In Chinese)
［16］謝濤，陳火旺，康立山.多目標優化的演化算法[J].計算機學報,2003,26(8):997-1003.
XIE Tao, CHEN Huowang, KANG Lishan. Evolutionary algorithms of multiobjective optimization problems [J].Chinese Journal of Computers, 2003, 26(8):997-1003. (In Chinese)
［17］DEB K, PRATAP A, AGARWAL S, et al. A fast elitist nondominated sorting genetic algorithm for multiobjective optimization: NSGAII,Kan GAL Report No.200001[R]. Kanpur: Indian Istitute of Technology, 2000.
［18］李偉平,王世東,周兵,等. 基于響應面法和NSGAⅡ算法的麥弗遜懸架優化[J]. 湖南大學學報:自然科學版, 2011,38(6):27-32.
LI Weiping, WANG Shidong, ZHOU Bin, et al. Macpherson suspension parameter optimization based on response surface method and NSGAⅡ algorithm [J]. Journal of Hunan University:Natural Sciences, 2011,38(6):27-32. (In Chinese)
猜你喜歡
現代商貿工業(2016年5期)2016-12-26 18:14:17
商業經濟(2016年3期)2016-12-23 13:33:51
電子技術與軟件工程(2016年20期)2016-12-21 11:32:35
價值工程(2016年32期)2016-12-20 20:30:37
中國高新技術企業(2016年30期)2016-12-20 03:40:28
旅游世界·旅游發展研究(2016年3期)2016-12-12 14:00:28
科技視界(2016年18期)2016-11-03 20:33:59
中國科技博覽(2016年18期)2016-10-19 10:38:31
中國市場(2016年33期)2016-10-18 14:10:51
中國市場(2016年33期)2016-10-18 14:03:59
