МЕТОДЫ «РОЕВОГО» ИНТЕЛЛЕКТА В ЗАДАЧАХ ОПТИМИЗАЦИИ ПАРАМЕТРОВ ТЕХНИЧЕСКИХ СИСТЕМ

Важным этапом процесса решения задач проектирования ракетно-космических и авиационных конструкций является осуществление расчетов по оптимизации их ключевых характеристик. В статье приведены результаты решения четырех прикладных задач условной оптимизации, связанных с проектированием различных технических систем: определения наилучших параметров сварной балки, сосуда высокого давления, редуктора, пружины. Целью каждой задачи является минимизация стоимости или веса конструкции. Целевые функции в практических задачах оптимизации представляют собой нелинейные функции с большим числом переменных и сложным релье-фом поверхностей уровня. Поэтому применение классических методов поиска экстремума неэффективно. Возникает необходимость использования таких методов оптимизации, которые позволяют находить решение, близкое к оптимальному, за приемлемое время с наименьшими затратами вычислительных ресурсов. К таким методам относятся методы «роевого» интеллекта: метод, имитирующий спиральную динамику; метод, имитирующий поиск группой людей; метод стохастической диффузии, относящиеся к метаэвристическим. Методы «роевого» интеллекта сконструированы таким образом, что поиск точки экстремума производится популяцией (стаей), состоящей из агентов. Агенты (частицы) в ходе поиска точки экстремума обмениваются информацией, учитывают свой опыт, а также опыт лидера популяции и соседей, входящих в некоторую окрестность. Для решения перечисленных задач разработан комплекс программ, эффективность которого продемонстрирована результатами решения четырех прикладных задач. Каждая из рассмотренных прикладных задач оптимизации решена всеми тремя выбранными методами. Полученные численные результаты сравнимы с найденными методом частиц в стае. Приведены рекомендации по выбору параметров методов и значений функций штрафа, учитывающих выполнение ограничений типа неравенств.

методы оптимизации, глобальный экстремум, штрафная функция

1. Пантелеев А.В., Метлицкая Д.В., Алешина Е.А. Методы глобальной оптимизации. Метаэвристические стратегии и алгоритмы. М.: Вузовская книга, 2013. 244 с

2. Eberhart R.C., Kennedy J. A new optimizer using particle swarm theory. Proc. 6th Symp. On Micro Machine and Human Science. IEEE Service Center. Piscataway, NY, 1995

3. Floudas C.A., Pardalos P.M. (eds.) Encyclopedia of Optimization. Springer, 2009

4. Tamura K., Yasuda K. Primary study of spiral dynamics inspired optimization. IEEJ Transactions on Electronic Engineering, 2011, vol. 6 (1/2), pp. 132-140

5. Nasir A.N.K., Tokhi M.O., Grani N.M.A., Ismail R.M.T.R. Novel Adaptive spiral dynamics algorithms for global optimization. Proc. 11th pp. 99-104. Int. Conf. on Cybern. Intel. Systems, 2012

6. Omran M.G.H., Moukadem I., Salah Al-Sharhan, Kinawi M. Stochastic Diffusion Search for Continuous Global Optimization. Proc. Int. Conf. on swarm intelligence, ICSI, 2011, id-13

7. Tuba M., Brajevic I., Jovanovic R. Hybrid Seeker Optimization Algorithm for Global Optimization. Appl. Math. Inf. Sci. 2013, vol. 7, no. 3, pp. 867-875

8. Cagnina L.C., Esquivel S.C. Solving Engineering Optimization Problems with the Simple Constrained Particle Swarm Optimizer. Informatica, 2008, no. 32, pp. 319-326

9. Arora J. Introduction to Optimum Design. McGraw-Hill, 1989

10. Пантелеев А.В., Летова Т.А. Методы оптимизации. Практический курс. М.: Логос, 2011. 424 с