The 19 references with 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
Норенков, И. П. Основы автоматизированного проектирования: учеб. для вузов: 4-е изд., перераб. и доп. / И. П. Норенков. - М.: Изд-во МГТУ им. Н. Э. Баумана, 2009.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

2
Норенков, И. П. Эволюционные методы для решения задач проектирования и логистики: учеб. пособие / И. П. Норенков. - М.: Изд-во МГТУ им. Н. Э. Баумана, 2009.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

3
Эволюционные методы моделирования и оптимизации сложных систем: конспект лекций / Е. С. Семенкин [и др.]. - Красноярск: СФУ, 2007.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

4
Liu, G. P. Multiobjective Optimization and Control: Research Studies Press Ltd / G. P. Lui [et al.]. - Baldock, Hertford-Baldock, Hertfordshire, England, 2003.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

5
Зеленков, Ю. А. Метод многокритериальной оптимизации на основе приближенных моделей исследуемого объекта./ Ю. А. Зеленков // Вычислительные методы и программирование. - 2010. - Т. 11, No 2. - С. 92–102.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

6
Fonseca, C. M. Genetic algorithms for multi-objective optimization: Formulation, discussion and generalization / C. M. Fonseca, P. J. Fleming // Proc. of the 5th Intern. Conf. on Genetic Algorithms. - 1993. - Р. 416-423.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

7
Fonseca, C. M. Multiobjective optimization and multiple constraint handling with evolutionary algorithms–Part II: Application example / C. M. Fonseca, P. J. Fleming // IEEE Trans. Syst., Man, Cybern. - 1998. - Vol. 28, N 1. - Р. 38-47.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

8
Deb, K. Multi-objective genetic algorithms: Problem difficulties and construction of test Functions. / K. Deb // Evolu- / K. Deb // Evolu-/ K. Deb // Evolu- Evolu-Evolutionary Computation. - 1999. - Vol. 7, N 3. - Р. 205-230.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

9
Deb, K. A Fast Elitist Non-dominated Sorting Genetic Algorithm for Multi-objective Optimisation: NSGA-II. / K. Deb // IEEE Transactions on Evolutionary Computation. - 2002. - Vol. 6, N 2. - P. 182-197.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

10
Konak, A. Multi-objective optimization using genetic algorithms: A tutorial. / A. Konak, D. W. Coit, A. E. Smith // Reliability Engineering and System Safety. - 2006.— Vol. 91, N 9. - P. 992-1007.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

11
Гожий, А. П. Многокритериальные эволюционные методы и алгоритмы в задачах принятия решений сценарного планирования / А. П. Гожий // Системные технологии. - 2012. - Т. 2, No 79. - С. 20-28.
Total in-text references: 1
  1. In-text reference with the coordinate 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

12
Ansys.com – Официальный сайт компании ANSYS.
Total in-text references: 1
  1. In-text reference with the coordinate 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].

13
Brochure optiSLanginside ANSYS Workbench.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

14
ANSYS Help, Design Exploration User Guide.
Total in-text references: 1
  1. In-text reference with the coordinate 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-

15
Azarm, S. Comparison of two multiobjective optimization techniques with and withingenetic algorithms / S. Azarm, B. J. Reynolds, S. Narayanan // ASME Design Engineering Technical Conferences. - 1999, DETC99/DAC-8584.
Total in-text references: 1
  1. In-text reference with the coordinate 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

16
Kurpati A. Constraint handling improvements for multiobjectivegeneticalgorithms / A. Kurpati, S. Azarm and J.Wu // Struct Multidisc Optim. - 2002. - Vol. 23. - P. 204-213.
Total in-text references: 1
  1. In-text reference with the coordinate 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

17
Wierzbicki, A. P. A Quadratic Approximation Method Based on Augmented Lagrangian Functions for Nonconvex Nonlinear Programming Problems / A. P. Wierzbicki // IIASA Working Paper WP-78-061.
Total in-text references: 1
  1. In-text reference with the coordinate 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

18
Exler, O. A trust region SQP algorithm for mixed integer nonlinear programming / O.Exler, K. Schittkowksi // Opti- / O.Exler, K. Schittkowksi // Opti-/ O.Exler, K. Schittkowksi // Opti- Schittkowksi // Opti-Schittkowksi // Opti- // Opti-// Optimization Letters. - 2007. - Vol. 1, N 3. - P. 269-280.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

19
Напрасников, В. В. Влияние упрощающих предположений в конечно-элементных моделях компрессорноконденсаторных агрегатов на спектр собственных частот / В. В. Напрасников, С. В. Красновская // Системный анализ и прикладная математика. - 2014. - No 1-3. - С. 51-55. Поступила в редакцию 20.03.2015
Total in-text references: 1
  1. In-text reference with the coordinate 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.