The 12 reference contexts in paper S. Krasnovskaya V., V. Naprasnikov V., С. Красновская В., В. Напрасников В. (2016) “ОБЗОР ВОЗМОЖНОСТЕЙ ОПТИМИЗАЦИОННЫХ АЛГОРИТМОВ ПРИ МОДЕЛИРОВАНИИ КОНСТРУКЦИЙ КОМПРЕССОРНО-КОНДЕНСАТОРНЫХ АГРЕГАТОВ МЕТОДОМ КОНЕЧНЫХ ЭЛЕМЕНТОВ // OVERVIEW OF OPTIMIZATION ALGORITHMS AT FINITE ELEMENTS MODELING OF CONDENSING UNITS DESIGN” / spz:neicon:vestift:y:2016:i:2:p:92-98

  1. Start
    2627
    Prefix
    индивидуумов, каждый из которых представляет собой поисковую точку в пространстве допустимых решений данной задачи Важнейшим частным случаем эволюционных методов являются генетические методы и алгоритмы. Генетические алгоритмы (ГА) основаны на поиске лучших решений с помощью наследования и усиления полезных свойств множества объектов определенного приложения в процессе имитации их эволюции
    Exact
    [1–3]
    Suffix
    . Общая постановка задачи многокритериальной минимизации. Многокритериальная оптимизация позволяет расчетным путем найти наиболее эффективное сочетание параметров изделия прежде, чем изготавливать опытные экземпляры.
    (check this in PDF content)

  2. Start
    4519
    Prefix
    Недоминируемые решения обозначаются как .ab Задача многокритериальной оптимизации является задачей нахождения глобального оптимального по Парето множества решений. В настоящее время известен ряд методов многокритериальной оптимизации, опирающихся на нелинейное программирование, генетические алгоритмы и т. д.
    Exact
    [4, 5]
    Suffix
    . Методы решения задач многокритериальной оптимизации. Одним из основных подходов к решению задач многокритериальной оптимизации и принятия решений является определение набора точек оптимальных по Парето решений.
    (check this in PDF content)

  3. Start
    5378
    Prefix
    Одними из основных алгоритмов многокритериального эволюционного поиска на основе обработки множества Парето являются такие алгоритмы, как NSGA, NSGA-II, MOGA, NPGA, NPGA-II, PESA, PESA-II, SPEA, SPEA-II, PAES
    Exact
    [6–9]
    Suffix
    . В табл. 1, 2 приведены основные особенности некоторых многокритериальных эволюционных алгоритмов [10]. Т а б л и ц а 1. Достоинства и недостатки многокритериальных эволюционных алгоритмов АлгоритмДостоинстваНедостатки NSGAБыстрая сходимостьПроблемы параметра размера ниши NSGA-II Единственный параметр.
    (check this in PDF content)

  4. Start
    5483
    Prefix
    Одними из основных алгоритмов многокритериального эволюционного поиска на основе обработки множества Парето являются такие алгоритмы, как NSGA, NSGA-II, MOGA, NPGA, NPGA-II, PESA, PESA-II, SPEA, SPEA-II, PAES [6–9]. В табл. 1, 2 приведены основные особенности некоторых многокритериальных эволюционных алгоритмов
    Exact
    [10]
    Suffix
    . Т а б л и ц а 1. Достоинства и недостатки многокритериальных эволюционных алгоритмов АлгоритмДостоинстваНедостатки NSGAБыстрая сходимостьПроблемы параметра размера ниши NSGA-II Единственный параметр.
    (check this in PDF content)

  5. Start
    7827
    Prefix
    Большинство многокритериальных ГА не требуют от пользователя установки приоритетов, масштабов и весов для целей оптимизации, поэтому подход на основе ГА стал самым популярным эвристическим подходом к решению задач многокритериальной оптимизации и проектирования
    Exact
    [11]
    Suffix
    . Методы оптимизации в среде ANSYS Workbench. В среде ANSYS Workbench также существуют средства для проведения оптимизации конструкций – модуль DesignXplorer. Отличительной особенностью его работы является возможность использования параметрических размеров из CAD-систем в качестве входных управляемых переменных в том случае, если решатель ANSYS в расчетном модуле DesignSimulation или CFD-решатель
    (check this in PDF content)

  6. Start
    8332
    Prefix
    Отличительной особенностью его работы является возможность использования параметрических размеров из CAD-систем в качестве входных управляемых переменных в том случае, если решатель ANSYS в расчетном модуле DesignSimulation или CFD-решатель ANSYS CFX работает с геометрической моделью CAD-системы в режиме двухсторонней ассоциативной связи
    Exact
    [12]
    Suffix
    . Если задача содержит большое число входных параметров или несколько целевых функций, можно провести оптимизацию в среде ANSYS Workbench с помощью дополнительно устанавливаемого модуля optiSLang [13].
    (check this in PDF content)

  7. Start
    8533
    Prefix
    в том случае, если решатель ANSYS в расчетном модуле DesignSimulation или CFD-решатель ANSYS CFX работает с геометрической моделью CAD-системы в режиме двухсторонней ассоциативной связи [12]. Если задача содержит большое число входных параметров или несколько целевых функций, можно провести оптимизацию в среде ANSYS Workbench с помощью дополнительно устанавливаемого модуля optiSLang
    Exact
    [13]
    Suffix
    . Поддерживая двухстороннюю ассоциативную связь с CAD-системами, он позволяет проводить многокритериальную оптимизацию с учетом разброса значений входных управляемых переменных при использовании генетических алгоритмов оптимизации, эволюционных стратегий и адаптивных методов.
    (check this in PDF content)

  8. Start
    8940
    Prefix
    двухстороннюю ассоциативную связь с CAD-системами, он позволяет проводить многокритериальную оптимизацию с учетом разброса значений входных управляемых переменных при использовании генетических алгоритмов оптимизации, эволюционных стратегий и адаптивных методов. Для оптимизации конструкции в модуле DesignXplorer расчетной среды ANSYS Workbench 14.5 реализован ряд методов и алгоритмов
    Exact
    [14]
    Suffix
    : Screening (ShiftedHammersley Sampling Method) – смещенный метод Хаммерсли (скрининг, экранирование); MOGA (Multi-Objective Genetic Algorithm) – многокритериальный генетический алгоритм [15, 16]; NLPQL (Nonlinear Programmingby Quadratic Lagrangian) – нелинейное программирование методом квадратичной функции Лагранжа [17]; MISQP (Mixed-Integer Sequential Quadratic Programming) – частично-
    (check this in PDF content)

  9. Start
    9131
    Prefix
    Для оптимизации конструкции в модуле DesignXplorer расчетной среды ANSYS Workbench 14.5 реализован ряд методов и алгоритмов [14]: Screening (ShiftedHammersley Sampling Method) – смещенный метод Хаммерсли (скрининг, экранирование); MOGA (Multi-Objective Genetic Algorithm) – многокритериальный генетический алгоритм
    Exact
    [15, 16]
    Suffix
    ; NLPQL (Nonlinear Programmingby Quadratic Lagrangian) – нелинейное программирование методом квадратичной функции Лагранжа [17]; MISQP (Mixed-Integer Sequential Quadratic Programming) – частично-целочисленное последо- (Mixed-Integer Sequential Quadratic Programming) – частично-целочисленное последо-Mixed-Integer Sequential Quadratic Programming) – частично-целочисленное последо--Integer Seq
    (check this in PDF content)

  10. Start
    9267
    Prefix
    среды ANSYS Workbench 14.5 реализован ряд методов и алгоритмов [14]: Screening (ShiftedHammersley Sampling Method) – смещенный метод Хаммерсли (скрининг, экранирование); MOGA (Multi-Objective Genetic Algorithm) – многокритериальный генетический алгоритм [15, 16]; NLPQL (Nonlinear Programmingby Quadratic Lagrangian) – нелинейное программирование методом квадратичной функции Лагранжа
    Exact
    [17]
    Suffix
    ; MISQP (Mixed-Integer Sequential Quadratic Programming) – частично-целочисленное последо- (Mixed-Integer Sequential Quadratic Programming) – частично-целочисленное последо-Mixed-Integer Sequential Quadratic Programming) – частично-целочисленное последо--Integer Sequential Quadratic Programming) – частично-целочисленное последо-Integer Sequential Quadratic Programming) – частично-целочисленное пос
    (check this in PDF content)

  11. Start
    9750
    Prefix
    последо- (Mixed-Integer Sequential Quadratic Programming) – частично-целочисленное последо-Mixed-Integer Sequential Quadratic Programming) – частично-целочисленное последо--Integer Sequential Quadratic Programming) – частично-целочисленное последо-Integer Sequential Quadratic Programming) – частично-целочисленное последо-) – частично-целочисленное последовательное квадратичное программирование
    Exact
    [18]
    Suffix
    ; Adaptive Single-Objective – адаптивный однокритериальный алгоритм; Adaptive Multiple-Objective – адаптивный многокритериальный алгоритм. Основные характеристики методов и алгоритмов представлены в табл. 3.
    (check this in PDF content)

  12. Start
    12284
    Prefix
    При анализе конструкции рам компрессорно-конденсаторных агрегатов встает вопрос о допустимой степени упрощения модели. Рациональная упрощенная конечно-элементная модель рамы компрессорно-конденсаторного агрегата
    Exact
    [19]
    Suffix
    представлена на рис. 2. Для облегчения создания конечно-элементной модели на основе подготовленной геометрической модели определялись элементы конструкции, существенно не влияющие на распределение частот собственных колебаний компрессорно-конденсаторного агрегата.
    (check this in PDF content)