结构力学计算软件_结构力学中的优化分析(2) —— 优化方法

引言

前文介绍了优化方法的基本概念，通常将优化分为三类：

• 基于撒点的算法
• 基于梯度的算法
• 启发式算法

蒙特遇见卡罗：结构力学中的优化分析(1) —— 优化方法基本概念​zhuanlan.zhihu.com

本文将对其展开介绍，同时简要介绍对于约束的处理和多目标优化。

撒点算法

这类方法比较容易理解，即：选择一系列数据点，求出对应的函数值，然后在这些函数值中通过比较大小取出最值以及对应的自变量取值，或对数据进行拟合，分析趋势。

这类方法最极端的就是穷举法，或将定义域划分成若干区间，分别进行遍历计算。

遍历算法的优点是不会陷入局部极值，一般情况下都可以得到最值；但是缺点也是显而易见的，那就是效率太低。

因此，撒点法主要研究如何进行高效率的撒点，通常采用随机或类随机的方法实现撒点。此外，正交试验也可以看作是一种类撒点方法。

基于撒点的方法严格说来并不是一种优化算法，它没有设计一种“寻优”的策略，效率也相对较低，对于规模较小的优化问题效果较好；但对于规模稍大的优化问题，该算法往往无法得到较高精度的优化结果。

然而撒点的方法可靠性高，不容易陷入局部极值，这在优化分析中是非常重要的。

基于撒点法的以上特点，通常此法可以作为优化问题的第一步“粗搜索”，作为后续介绍优化算法的粗略尝试，划定求解范围，同时可以给出后续搜索的“起点”或初值。

梯度算法

由于遍历的效率较低，我们需要考虑设计一套策略，可以较快的搜索到最优解。基于梯度方法的大概原理如下：

• 给定一个初始值，同时计算对应的目标函数值；
• 给定一个前进的步长，为了更快的接近目标，依据一定规则选择目标函数下降可能较快的方向，即梯度大的方向；
• 不断重复以上操作，直到离目标足够的近(误差足够接受)，即最优搜索完成。

这里提一句，基于“最速下降法”即“梯度下降法”，同时结合了“向后传播”的思想，使得神经网络的训练得以实现，在机器学习中得到了较为广泛的运用，名声大噪。

基于梯度的方法有很多，不同算法适用于不同的问题，但原理上大多都是基于梯度计算每次“前进”的方向和速度，最终“到达”目的地。

该方法有一个较大的缺陷，即“搜索”过程是基于梯度的(类似于导数)，本质上是一种局部线性化(差商替代微分)，容易陷入局部极值解。

基于梯度的方法理论在凸分析中相对比较完善，但对于非凸集中的寻找全局最优有一定的问题；结合撒点法，首先在整个定义域中随机选取一定数量的起始点和区间，再在这些点和区间上分别进行梯度算法，可以在一定程度上改善陷入局部极值的问题。

启发式算法

对于非凸集的全局优化，梯度方法存在一定困难；此外，还有一些更恶劣的问题：

• 函数可导性差
• 函数不连续
• 局部震荡剧烈
• ……

对于这类问题，基于梯度的算法几乎无能为力，而启发式算法则可能可以得到相对比较满意的结果。

启发式算法的种类非常多，目前大多以仿生或模拟自然为基础，构造进化和退化的演化过程，实现优化。主要有：退火算法、遗传算法、蚁群算法等。启发式算法理论相对比较复杂，本篇不做详细的讨论。

启发式算法理论上可以解决强非线性优化问题，也不会落入局部极值解。但是该方法可解释性较差，结果不可预知；可能会得到非常好的结果，同时也可能得到非常不好的结果，在应用过程中应该特别注意。

约束问题

前面的讨论均未涉及约束带来的问题，约束使得自变量的取值空间受到限制，给问题带来了额外的困难。

所幸的是，通过引入广义拉格朗日函数，可将约束条件转化为新的目标函数的一部分：

有最优解的必要条件成为KKT(Karush-Kuhn-Tucker)条件；如果是凸优化问题，则KKT条件为有最优解的充要条件：

多目标优化

我们知道，一个优化问题只能有一个目标函数，因此多目标优化理论上不可能同时成立，常见的有通过“帕累托最优”定义；通常还有其他的处理方法，如加权构造新的目标函数，或将一些目标转换为约束条件。

最后

优化方法的基础暂时介绍到这里，后续若有机会，笔者会对其中几个有趣的专题做详细介绍。

下一篇将介绍优化方法在结构优化中的应用。

蒙特遇见卡罗：结构力学中的优化分析(3) —— 结构优化分析​zhuanlan.zhihu.com

-完-

公众号同步更新：数联科技工作室

公众号内有更多内容！