李偉平，竇現(xiàn)東，王振興，柳 超

( 湖南大學(xué) 汽車車身先進(jìn)設(shè)計(jì)制造國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410082)

工程優(yōu)化問(wèn)題中，對(duì)于基于真實(shí)模型的嵌套優(yōu)化，每次計(jì)算目標(biāo)函數(shù)值都要調(diào)用費(fèi)時(shí)的仿真計(jì)算模型，其計(jì)算代價(jià)不可小視.而利用近似模型可以有效地解決這一問(wèn)題[1]，即通過(guò)對(duì)近似模型的求優(yōu)近似得到真實(shí)模型的優(yōu)化值.

目前廣泛應(yīng)用的一些近似方法，如響應(yīng)面法、Kriging插值、人工神經(jīng)網(wǎng)絡(luò)等，在處理較低維問(wèn)題時(shí)有很好的效果.而對(duì)于工程中復(fù)雜的高維非線性模型，隨著維數(shù)和非線性程度的增加，構(gòu)造近似模型所需的樣本點(diǎn)數(shù)量和計(jì)算花費(fèi)呈指數(shù)增長(zhǎng)，使解決此類問(wèn)題的計(jì)算效率大大降低[2].針對(duì)這一問(wèn)題，Sobol證明了可積函數(shù)可以分解為不同維數(shù)函數(shù)的疊加理論[3].該理論表明，對(duì)于任意一個(gè)可以積分的函數(shù)，在其積分空間內(nèi)存在唯一的、可以擴(kuò)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(shù)，并包含一個(gè)層級(jí)結(jié)構(gòu).高維模型可以將計(jì)算時(shí)間隨非線性程度和維數(shù)增加按指數(shù)增長(zhǎng)的隱函數(shù)，轉(zhuǎn)化為可以忽略高階耦合項(xiàng)的多項(xiàng)式函數(shù)，并揭示了每個(gè)設(shè)計(jì)變量對(duì)近似函數(shù)的貢獻(xiàn)量，大大減少了計(jì)算時(shí)間.同時(shí)反映了輸入變量之間固有的線性或非線性關(guān)系及其相關(guān)性，在近似高維非線性問(wèn)題時(shí)非常有效.由此，一系列不同特性的高維模型開(kāi)始發(fā)展起來(lái)，被研究和應(yīng)用于不同的領(lǐng)域.其中，Shan等提出了基于徑向基的高維模型(RBF-HDMR)[4],湯龍等提出了基于Kriging的高維模型(Kriging-HDMR)[5].

本文采用誤差反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network,BPNN)與中心切面高維模型(Cut-HDMR[6])方法相結(jié)合的BPNN-HDMR.BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞是S型函數(shù)，它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射.對(duì)于非線性問(wèn)題，在精度表達(dá)上具有一定優(yōu)勢(shì).Cut-HDMR方法是用過(guò)指定點(diǎn)的特定的直線、平面和超平面上的信息來(lái)建立模型，計(jì)算效率高，方便易行.

1 高維模型(HDMR)基本理論

設(shè)待求問(wèn)題的設(shè)計(jì)變量可行域?yàn)锳n(n維實(shí)數(shù)空間)，那么多元函數(shù)f(x)∈R與輸入變量x∈An之間的映射關(guān)系可以用HDMR[6-7]來(lái)表示為：

(1)

其中f0為函數(shù)在中心點(diǎn)的函數(shù)值，后面依次為不同階耦合項(xiàng)對(duì)近似函數(shù)的貢獻(xiàn)量.

為了方便計(jì)算，本文引入Cut-HDMR.與其他類型的高維模型相比，Cut-HDMR用少量簡(jiǎn)單的算術(shù)運(yùn)算來(lái)表達(dá)計(jì)算花費(fèi)高昂的真實(shí)模型，并達(dá)到了其他類型高維模型相似的精度，計(jì)算效率高.Cut-HDMR展開(kāi)式的各分項(xiàng)表達(dá)請(qǐng)參考文獻(xiàn)[6].

2 BPNN-HDMR

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，它由一個(gè)輸入層、一個(gè)輸出層和至少一層隱含層組成[8].該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)向前傳遞，誤差反向傳播.在前向傳遞中，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層.每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài).如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出.因此，BP網(wǎng)絡(luò)可以看作是解決函數(shù)逼近的工具.

本文中，隱層神經(jīng)元的傳遞函數(shù)采用雙曲正切S型函數(shù)h，它類似于一個(gè)平滑的階梯函數(shù)：

h(x)=(ex-e-x)/(ex+e-x)

(2)

(3)

假設(shè)wi(k)為W(k)中的任意元素.調(diào)整wi(k)對(duì)誤差Ek的影響直接取決于偏導(dǎo)數(shù)(?Ek)/[?wi(k)].BP算法的作用在于如何評(píng)價(jià)(?Ek)/[?wi(k)].詳細(xì)內(nèi)容可參考文獻(xiàn)[9].這樣，wi(k)就向著減小誤差Ek的方向調(diào)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(shí)，則：

(5)

其中假設(shè)Ek>0.由式(5)可知，對(duì)于同樣的輸入?yún)?shù)x1,x2,…,xk，更新后的神經(jīng)網(wǎng)絡(luò)的輸出更接近于真實(shí)函數(shù)輸出值.

Hecht-Nielsen[9]研究了分層神經(jīng)網(wǎng)絡(luò)近似非線性函數(shù)的能力.他在文獻(xiàn)[9]中表明，在確定的條件下，對(duì)于任意ε>0，存在一個(gè)三層神經(jīng)網(wǎng)絡(luò)(包含一個(gè)輸入層，一個(gè)輸出層和一個(gè)非線性隱含層)可以在均方誤差精確度ε范圍內(nèi)近似函數(shù)f.因此，BP神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于工程實(shí)際中的大多數(shù)情況.

2.2 BPNN-HDMR的構(gòu)建

對(duì)大多數(shù)工程問(wèn)題而言，非耦合項(xiàng)和低階耦合項(xiàng)對(duì)響應(yīng)函數(shù)影響較大.為此，BPNN-HDMR方法只考慮到一階耦合項(xiàng)，表達(dá)式如下：

(6)

高維模型的一般構(gòu)建流程[4-5]如下：

1)選取各設(shè)計(jì)變量中心位置的點(diǎn)x0=[x10,x20,…,xn0]作為中心點(diǎn)，計(jì)算得到f0.

6)將上面構(gòu)建的各階BPNN近似函數(shù)代入式(6)就得到了高維模型近似響應(yīng)函數(shù).

本文高維模型構(gòu)建時(shí)的精確度準(zhǔn)則和收斂準(zhǔn)則都是通過(guò)相對(duì)誤差來(lái)定義的.精確度準(zhǔn)則主要用于輸入變量之間耦合性的識(shí)別，所允許的相對(duì)誤差一般不超過(guò)10-4.由于本文方法具有較高精確度，所以本文針對(duì)測(cè)試函數(shù)收斂準(zhǔn)則所允許的相對(duì)誤差均取0.001；而對(duì)于工程問(wèn)題，考慮到計(jì)算效率和一般工程要求的5%的近似精度，設(shè)置的相對(duì)誤差均取0.01.通過(guò)以上設(shè)置，在樣本點(diǎn)數(shù)一定時(shí)，由于本文方法將BP神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)逼近能力與高維模型的層級(jí)結(jié)構(gòu)理論相結(jié)合，所以本文近似模型方法在近似非線性問(wèn)題時(shí)較傳統(tǒng)方法具有更高的精度，建模效率也有所提高.

3 數(shù)值算例

3.1 評(píng)價(jià)指標(biāo)

為了測(cè)試近似模型近似效果，采用3種比較常用的評(píng)價(jià)指標(biāo)，R2(Rsquare),相對(duì)平均絕對(duì)誤差(relative average absolute error,RAAE)和相對(duì)最大絕對(duì)誤差(relative maximum absolute error,RMAE).這些指標(biāo)反映了BPNN-HDMR在新樣本點(diǎn)上的預(yù)測(cè)能力,其具體表達(dá)式請(qǐng)參考文獻(xiàn)[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(gè)局部指標(biāo)，描述了設(shè)計(jì)空間中某個(gè)局部區(qū)域的誤差，其值越小越好.

3.2 函數(shù)算例

首先選擇一個(gè)高維非線性測(cè)試函數(shù)：

xi∈[0,1]

(7)

采用相同數(shù)量的訓(xùn)練樣本點(diǎn)(計(jì)算費(fèi)用相同)，分別采用BPNN，BPNN-HDMR和Kriging 3種方法進(jìn)行建模并比較它們的精度，計(jì)算結(jié)果如表1所示(表中數(shù)據(jù)是計(jì)算100次的平均值).

表1 BPNN，BPNN-HDMR和Kriging方法比較

分析表中數(shù)據(jù)，對(duì)于同一測(cè)試函數(shù)，3種近似方法中，BPNN-HDMR方法的R2值最接近1，RAAE和RMAE也都最小.由對(duì)比可知，對(duì)于高維非線性問(wèn)題，基于同樣數(shù)量的一組訓(xùn)練樣本，采用BPNN-HDMR方法得到的近似模型精度更高.

其次，增加高維非線性測(cè)試函數(shù)式(7)的維數(shù)

0≤xi≤1

(8)

來(lái)測(cè)試BPNN-HDMR方法的效率.式(8)中，維數(shù)d分別取d=10,30,50等不同值，假設(shè)每一維的訓(xùn)練樣本點(diǎn)數(shù)為9(經(jīng)測(cè)試，基本可以滿足精度要求)，表2中列出了各階HDMR計(jì)算費(fèi)用的比較.

表2 各階HDMR建模費(fèi)用的比較

4 工程應(yīng)用

為了驗(yàn)證BPNN-HDMR在處理工程實(shí)際問(wèn)題時(shí)的可行性，本文以某礦用自卸車全駕駛室式翻車保護(hù)裝置(ROPS)的優(yōu)化設(shè)計(jì)為例.根據(jù)標(biāo)準(zhǔn)ISO 3471：2008[13]對(duì)ROPS進(jìn)行非線性有限元分析，確保ROPS滿足標(biāo)準(zhǔn)ISO 3164:1992[14].通過(guò)仿真分析得到ROPS的變形量，為進(jìn)一步優(yōu)化打下基礎(chǔ).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

ROPS框架采用殼單元模擬，焊接使用剛性殼單元模擬為一個(gè)載荷變換器[15].焊接連接處網(wǎng)格局部加密，計(jì)算時(shí)假設(shè)焊縫與母材材料特性相同(實(shí)際中焊縫一般不先破壞).單元大小設(shè)定為20 mm，其中四邊形單元54 951個(gè)，三角形單元1 389個(gè)，單元類型分別為S4R和S3R.本文ROPS材料為進(jìn)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(yīng)力應(yīng)變曲線.依據(jù)標(biāo)準(zhǔn)ISO 3471：2008進(jìn)行載荷和約束的施加.其中，約束ROPS底部與車架連接處3個(gè)平動(dòng)方向的自由度(UX，UY，UZ)，F(xiàn)C為側(cè)向力加載，F(xiàn)V為垂向力加載，F(xiàn)L為縱向力加載.標(biāo)準(zhǔn)撓曲極限量(Deflection-limiting volume ,DLV)與ROPS的側(cè)向間距為200 mm，垂向間距為110 mm，縱向間距為320 mm.分析時(shí)考慮幾何非線性和材料非線性.

4.1 優(yōu)化變量的選取

本文優(yōu)化的ROPS主要由一些不同厚度的矩形管和加強(qiáng)筋焊接而成.考慮對(duì)稱性和加工可行性，對(duì)稱的選取ROPS不同部位的矩形管厚度作為設(shè)計(jì)變量.各設(shè)計(jì)變量選取見(jiàn)圖1，取值范圍如表3所示．

表3 各優(yōu)化變量取值范圍

4.2 目標(biāo)函數(shù)的建立

通過(guò)非線性有限元分析可知，由于要考慮ROPS側(cè)向吸能問(wèn)題，ROPS側(cè)向變形最接近DLV，因此側(cè)向變形為危險(xiǎn)工況.根據(jù)企業(yè)要求，本文選取側(cè)向變形作為一個(gè)優(yōu)化目標(biāo)，以垂向和縱向變形為約束.因此以ROPS側(cè)向變形最小和ROPS質(zhì)量最小建立多目標(biāo)優(yōu)化問(wèn)題，ROPS的多目標(biāo)優(yōu)化模型可以描述為：

(9)

式(9)中UC為ROPS的側(cè)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(zhì)量.

4.3 近似模型的構(gòu)建

本文采用BPNN-HDMR構(gòu)建ROPS變形量和質(zhì)量響應(yīng)近似模型.對(duì)每個(gè)設(shè)計(jì)變量在其取值范圍內(nèi)等間距取點(diǎn)，取點(diǎn)數(shù)量根據(jù)構(gòu)建近似模型時(shí)是否達(dá)到預(yù)先設(shè)定的精度決定，通過(guò)ABAQUS計(jì)算獲得樣本點(diǎn)處的真實(shí)響應(yīng)值.首先構(gòu)建一階項(xiàng)，然后進(jìn)行精度判斷.在設(shè)計(jì)變量空間，采用拉丁超立方實(shí)驗(yàn)設(shè)計(jì)方法，選擇10個(gè)采樣點(diǎn).分別對(duì)真實(shí)模型和近似模型進(jìn)行計(jì)算，并計(jì)算兩者的相對(duì)誤差.如果相對(duì)誤差滿足給定精度要求(設(shè)定為5%)，則構(gòu)建近似模型成功，若精度不滿足要求，則繼續(xù)構(gòu)建高階項(xiàng).

通過(guò)計(jì)算，本文所求近似模型只需計(jì)算到一階項(xiàng)，就可以得到比較精確的近似結(jié)果，可以省略高階耦合項(xiàng).構(gòu)建過(guò)程中只需56個(gè)樣本點(diǎn)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(shè)計(jì)域內(nèi)的精確程度，在設(shè)計(jì)域內(nèi)采用拉丁超立方實(shí)驗(yàn)設(shè)計(jì)方法隨機(jī)生成10個(gè)測(cè)試樣本點(diǎn)，用它們分別對(duì)BPNN，BPNN-HDMR和Kriging模型進(jìn)行精度測(cè)試，并以側(cè)向變形響應(yīng)精度為例，測(cè)試結(jié)果如表4所示.

表4 采用BPNN，BPNN-HDMR和Kriging方法所得側(cè)向變形近似模型的比較

由表4中數(shù)據(jù)可知，BPNN-HDMR解決此類工程問(wèn)題具有高效準(zhǔn)確的優(yōu)點(diǎn).同時(shí)，可以看出BPNN和Kriging方法在構(gòu)建高維非線性有限元模型時(shí)的局限性，本文需要增加采樣點(diǎn)數(shù)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(shí)有限元模型的計(jì)算次數(shù)，而真實(shí)非線性有限元模型一次計(jì)算要數(shù)小時(shí)，導(dǎo)致計(jì)算花費(fèi)大大增加.

4.4 優(yōu)化過(guò)程及結(jié)果分析

本文采用基于Pareto概念的多目標(biāo)優(yōu)化遺傳算法，該方法是求解多目標(biāo)問(wèn)題非劣最優(yōu)解的有效途徑之一[16].在基于Pareto最優(yōu)概念的遺傳算法中，NSGA-Ⅱ[17-18]是最有效的.因此，本文采用NSGA-Ⅱ，在近似模型的基礎(chǔ)上對(duì)ROPS進(jìn)行多目標(biāo)優(yōu)化.

初始種群設(shè)為100，最大迭代次數(shù)設(shè)為200，交叉概率0.9，變異概率0.1.收斂規(guī)則為：達(dá)到最大迭代次數(shù)作為終止條件.得到Pareto最優(yōu)解集如圖2所示．

圖2中星號(hào)表示多目標(biāo)優(yōu)化非劣解.在優(yōu)化解集中取有代表性的10組解，多目標(biāo)優(yōu)化的Pareto最優(yōu)解集見(jiàn)表5.ROPS優(yōu)化前側(cè)向變形和質(zhì)量如表6所示.對(duì)比表6與表5中第4組和第6組數(shù)據(jù)可以看出，在質(zhì)量相當(dāng)?shù)那闆r下，優(yōu)化后的側(cè)向變形大約減小了26.7 mm,在側(cè)向變形相當(dāng)?shù)那闆r下，優(yōu)化后的質(zhì)量大約減小了75.1 kg.因此，通過(guò)多目標(biāo)優(yōu)化，ROPS的質(zhì)量和變形情況明顯改善.同時(shí)，根據(jù)得到的Pareto最優(yōu)解集，可以根據(jù)設(shè)計(jì)者經(jīng)驗(yàn)和需求，高效率地實(shí)現(xiàn)ROPS各矩形管厚度的選取，以滿足不同性能需要.

把優(yōu)化結(jié)果代入有限元計(jì)算模型驗(yàn)證，計(jì)算結(jié)果如表7所示.

由ABAQUS計(jì)算驗(yàn)證可知，所選優(yōu)化解都符合標(biāo)準(zhǔn)ISO 3164:1992的要求.這也證明了本文所提方法在工程優(yōu)化實(shí)際應(yīng)用中的可行性和有效性.同時(shí)，由于模型簡(jiǎn)化掉了一些蒙皮和附屬部件，以及真實(shí)情況下車架也有一部分吸能作用，所以本文的分析結(jié)果是偏向安全的.

側(cè)向變形/mm

表5 雙目標(biāo)優(yōu)化的Pareto最優(yōu)解

表6 ROPS側(cè)向變形優(yōu)化前數(shù)據(jù)

表7 優(yōu)化后的響應(yīng)值A(chǔ)BAQUS計(jì)算驗(yàn)證

5 結(jié) 論

本文提出的BPNN-HDMR建模方法，很好地利用了BP神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)逼近能力與高維模型的層級(jí)結(jié)構(gòu)理論，并能夠反映輸入變量之間固有的線性關(guān)系和耦合性.尤其對(duì)于高維問(wèn)題，它可以將構(gòu)造模型計(jì)算花費(fèi)由維數(shù)的指數(shù)級(jí)增長(zhǎng)降解為多項(xiàng)式級(jí)，有效地解決了高維建模問(wèn)題，且與傳統(tǒng)算法相比，具有更高的精度.通過(guò)數(shù)值算例和工程優(yōu)化問(wèn)題的對(duì)比，驗(yàn)證了BPNN-HDMR近似方法的精度和效率.另外，該算法對(duì)于高度非線性問(wèn)題精確的數(shù)學(xué)建模還需進(jìn)一步發(fā)展和完善，BP神經(jīng)網(wǎng)絡(luò)的計(jì)算效率也有待進(jìn)一步提高.同時(shí)，本文所采用的結(jié)構(gòu)分析與優(yōu)化方法在工程領(lǐng)域的其他方面也可以廣泛應(yīng)用，具有一定的理論和工程實(shí)際意義.

[1]穆雪峰.多學(xué)科設(shè)計(jì)優(yōu)化代理模型技術(shù)的研究和應(yīng)用[D].南京：南京航空航天大學(xué)航空宇航學(xué)院，2004.

MU Xue-feng.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(qū)間數(shù)優(yōu)化方法及其應(yīng)用[J].計(jì)算力學(xué)學(xué)報(bào)，2010，27(3):451-456.

ZHAO Zi-heng,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 Song-qing,WANG G Gary.Metamodeling for high dimensional simulation-based design problems[J].Journal of Mechanical Design,2010,132:051009.

[5]湯龍，李光耀，王琥.Kriging-HDMR非線性近似模型方法[J].力學(xué)學(xué)報(bào)，2011，43(4):780-784.

TANG Long,LI Guang-yao,WANG Hu.Kriging-HDMR 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 high-dimensional model representations[J].Journal of Mathematical Chemistry,1999,25(2/3):197-233.

[7]LI G,WANG S W,ROSENTHAL C,etal.High dimensional model representations generated from low dimensional data samples.I.Mp-Cut-HDMR[J].Journal of Mathematical Chemistry,2001,30(1): 1-30.

[8]CHEN Fu-chang .Back-propagation neural networks for nonlinear self tuning adaptive control[J].Control Systems Magazine,IEEE April,1990,10(3): 44-48.

[9]HECHT-NIELSEN R.Theory of the back-propagation 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(jī)械工程中的神經(jīng)網(wǎng)絡(luò)方法[M].北京：機(jī)械工業(yè)出版社，2003: 39-51.

XIE Qing-sheng,YIN Jian,LUO Yan-ke,etal.Neural network method in mechanical engineering [M].Beijing:China Machine Press,2003:39-51.(In Chinese)

[11]曾喆昭，李仁發(fā).高階多通帶濾波器優(yōu)化設(shè)計(jì)研究[J].電子學(xué)報(bào),2002,30(1):87-89.

ZENG Zhe-zhao,LI Ren-fa.Study on the optimum design of the high-order multi-band-pass filters [J].Acta Electronica Sinica,2002,30(1):87-89.(In Chinese)

[12]張德豐.MATLAB 神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2012:49-75.

ZHANG De-feng． MATLAB neural network application design [M].Beijing:China Machine Press,2012:49-75.(In Chinese)

[13]ISO 3471:2008 Earth-moving machinery-roll-over protective structures-laboratory tests and performance requirements[S].British: Standards Policy and Strategy Committee,2009.

[14]ISO 3164: 1992 Earth-moving machinery —Laboratory evaluation of roll-over and falling-object protective structures-specifications for deflection-limiting volume[S].British: The Authority of the Standards Board,1992．

[15]周傳月.MSC.Fatigue疲勞分析應(yīng)用與實(shí)例[M].北京:科學(xué)出版社，2005:86-91.

ZHOU Chuan-yue.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(biāo)優(yōu)化的演化算法[J].計(jì)算機(jī)學(xué)報(bào),2003,26(8):997-1003.

XIE Tao,CHEN Huo-wang,KANG Li-shan.Evolutionary algorithms of multi-objective optimization problems [J].Chinese Journal of Computers,2003,26(8):997-1003.(In Chinese)

[17]DEB K,PRATAP A,AGARWAL S,etal.A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II,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(yīng)面法和NSGA-Ⅱ算法的麥弗遜懸架優(yōu)化[J].湖南大學(xué)學(xué)報(bào):自然科學(xué)版,2011,38(6):27-32.

LI Wei-ping,WANG Shi-dong,ZHOU Bin,etal.Macpherson suspension parameter optimization based on response surface method and NSGA-Ⅱ algorithm [J].Journal of Hunan University:Natural Sciences,2011,38(6):27-32.(In Chinese)