基于Modelica模型的參數(shù)優(yōu)化及推理求解研究.pdf

1、產(chǎn)品設(shè)計(jì)是一個工程分析和優(yōu)化決策的過程，其中優(yōu)化是目的，仿真是優(yōu)化的手段，建模是仿真和優(yōu)化的基礎(chǔ)。本文主要研究Modelica仿真模型的參數(shù)優(yōu)化方法及推理求解等問題。 針對參數(shù)優(yōu)化中參數(shù)變動后重復(fù)仿真的效率問題，研究了一種分治求解策略，即在仿真模型規(guī)模分解基礎(chǔ)上建立耦合塊依賴圖和序列表，對各耦合塊建立相應(yīng)的求解塊，通過遍歷耦合塊序列表并調(diào)用相應(yīng)求解塊，便可獲得仿真模型的數(shù)值解?？紤]到參數(shù)變動下的重復(fù)仿真，對耦合塊依賴圖進(jìn)行分層處

2、理，生成對應(yīng)于變動參數(shù)集的變動子圖；通過施加虛根節(jié)點(diǎn)將變動子圖轉(zhuǎn)化成最小求解樹結(jié)構(gòu)。因此，對變動參數(shù)集的不同參數(shù)值進(jìn)行重復(fù)仿真只需層次遍歷最小求解樹，再調(diào)用相應(yīng)的求解塊即可。該方法可一定程度上提高復(fù)雜模型的多次仿真求解效率。 在分析多領(lǐng)域物理系統(tǒng)仿真優(yōu)化特點(diǎn)的基礎(chǔ)上，研究了Modelica參數(shù)優(yōu)化建模的關(guān)鍵問題，以及多領(lǐng)域優(yōu)化模型的尋優(yōu)策略和模型參數(shù)實(shí)驗(yàn)技術(shù)?；谀Ｐ偷木幾g信息實(shí)現(xiàn)多實(shí)例、多目標(biāo)啟發(fā)式仿真優(yōu)化建模；并利用Mode

3、lica語言的結(jié)構(gòu)化注解特征研究了仿真優(yōu)化模型的混合表達(dá)，實(shí)現(xiàn)了優(yōu)化信息的可重用性和繼承性。在優(yōu)化算法中引入擬梯度、復(fù)步微分和自動微分三種數(shù)值方法以提高敏度計(jì)算效率和精度。 在相對差分概念的基礎(chǔ)上研究了一種新的通用的混合離散非線性優(yōu)化方法。詳細(xì)闡述了該方法的基本原理、思想和算法描述。該方法的特點(diǎn)是迭代中間設(shè)計(jì)點(diǎn)均是可行離散點(diǎn)，無需鄰域查點(diǎn)和圓整，并且可避免收斂于偽極值點(diǎn)，和現(xiàn)有方法相比具有較強(qiáng)的穩(wěn)健性和通用性。 利用支配

4、關(guān)系的定義證明Pareto適應(yīng)度函數(shù)判斷非支配點(diǎn)的有效性，并在此基礎(chǔ)上結(jié)合序列近似模型技術(shù)和啟發(fā)式搜索算法研究了兩種基于Pareto解集的多目標(biāo)優(yōu)化方法。這兩種方法均可很大程度上有助于降低精確分析次數(shù)。對于Pareto邊界為凸、非凸、非連續(xù)的多目標(biāo)優(yōu)化問題，該方法均能取得較好的Pareto解集。 利用Modelica語言的結(jié)構(gòu)化注解機(jī)制表達(dá)設(shè)計(jì)知識，從而實(shí)現(xiàn)基于知識的建模。根據(jù)部件知識之間的依賴關(guān)系確定推理求解順序。通過知識模型