机构名称：
¥ 1.0
拓扑优化是功能最广泛的结构优化方法之一。但是，为了换取其高水平的设计自由，典型的拓扑优化无法避免存在多个本地Optima的多模态。这项研究的重点是开发无梯度拓扑优化框架，以避免被捕获不良的本地Optima。它的核心是数据驱动的多项性拓扑设计（MFTD）方法，其中通过求解低指标拓扑优化概率生成的设计候选者通过深入的生成模型和高级授权评估进行了更新。作为其关键组件，深层生成模型将原始数据压缩为低维歧管，即潜在空间，并随机将新的设计候选者安排在整个空间上。尽管原始框架是无梯度的，但其随机性可能导致结合变异性和过早收敛性。受到进化算法的流行跨界操作（EAS）的启发，本研究合并了数据驱动的MFTD框架，并提出了一种新的交叉操作，称为潜在交叉。我们将提出的方法应用于2D结构机械的最大应力最小化问题。结果表明，潜在跨界改善了与原始数据驱动的MFTD方法相对的收敛稳定性。此外，优化的设计表现出与使用p-norm测量的常规基于梯度的拓扑优化相当或更好的性能。[doi：10.1115/1.4064979]
使用均质化方法在结构设计中生成最佳拓扑
主要关键词
相关文件推荐
