iSIGHT 优化设计—Optimization 1 概述 1.1 传统劳动密集型的人工设计 1.2 iSIGHT 智能软件机器人驱动的设计优化 1.3 优化问题特征 （1）约束 （2）线性 （3）非线性 （4）多峰性 （5）离散取值 （6）组合问题 （7）优化问题按特征分类 对优化设计的研究不断证实，没有任何单一的优化技术可以适用于所有设计问题。实际上，单一的优化技术甚至可能无法很好地解决一个设计问题。不同优化技术的组合最有可能发现最优设计。优化设计极大地依赖于起始点的选择，设计空间本身的性质（如线形、非线形、连续、离散、变量数、约束等等）。 iSIGHT 就此问题提供两种解决方案。 第一，iSIGHT 提供完备的优化工具集，用户可交互式选用并可针对特定问题进行定制。 第二，也是更重要的，iSIGHT 提供一种多学科优化操作模式，以便把所有的优化算法有机组合起来，解决复杂的优化设计问题。 2 优化算法概述 iSIGHT 包含的优化方法可以分为四大类：数值优化、全局探索法、启发式优化法和多目标多准则优化算法。 数值优化（如爬山法）一般假设设计空间是单峰的，凸起的和连续的，本质上是一种局部优化技术。全局探索技术则避免了局限于局部区域，一般通过评估整个设计空间的设计点来寻找全局最优。启发式技术是按用户定义的参数特性和交叉影响方向寻找最优方案。多目标优化则需要权衡，iSIGHT 正是提供了一种易于使用的多目标准则权衡分析框架。另外自iSIGHT v9.0 开始新增加了Pointer 优化器，它是GA、MPQL、N-M 单纯形法以及线性单纯形法的组合。iSIGHT 包含的具体算法按分类列表如下: 2 .1 数值方法 iSIGHT 纳入了十二种数值优化算法。其中八种是直接法，在数学搜索过程中直接处理约束条件。而Exterior Penalty 方法和Hooke-Jeeves 方法是罚函数法，它们通过在目标函数中引入罚函数将约束问题转化为无约束问题。 2 .2 全局探索法 iSIGHT 全局探索法包括遗传算法和模拟退火算法，它们不受凸（凹）面性、光滑性或设计空间连续性的限制。 在iSIGHT 遗传算法中，初始设计种群通过选 择 、杂 交、突 变 等 遗传操 作 得到进化，新的设计种群根据适者生存的法则从上一代种群中挑选出来。具有批量评估功能的遗传算法会收集受扰动的种群子集，集中地成组传送给iSIGHT 进行评估，而不是一次一个的评估，从而极大地提高了评估种群的效率，比如多岛遗传算法。 与其他遗传算法一样，多岛遗传算法也是根据目标函数...
