SiPESC.OPT的简介

SiPESC.OPT是用于解决航空航天、车辆、船舶等行业领域内多学科设计优化的软件。SiPESC.OPT针对工程领域内复杂任务求解，提供了多种通用优化算法，包括梯度类算法、智能启发式算法等两大类。其中梯度类算法有BFGS、SLP（序列线性规划算法）、SQP（序列二次规划算法）、MMA（移动渐近算法）、GCMMA（全局收敛移动渐近算法）等；单目标智能启发式算法有GA（遗传算法）、SA（模拟退火算法）、ACO（蚁群算法），MIGA（多岛遗传算法）；多目标智能启发式算法有NSGA2（非支配排序遗传算法）、MOPSO（多目标粒子群优化算法）、MOEAD（多目标进化算法基于分解）等

SiPESC.OPT支持通过拖拉拽的GUI界面和Python脚本两种方式搭建多学科优化设计任务流程。iPESC.OPT同时提供丰富的辅助设计工具，用于快速搭建优化任务流程。软件集成方面，提供包括：LocalApplication、Python、JavaScript、Cmd、UG、CATIA、SolidWorks、Pro/e、ANSYSWorkbench、Nastran、ABAQUS、HyperWorks、Matlab、Excel、CFX、AMESim、VirtualLab、Mulitiple等软件快速集成的计算盒子工具，工作同时支持通过脚本和GUI配置软件交互和执行。

目前SiPESC.OPT软件GUI界面如下所示：

公众号将推出一系列软件集成案例以展示SiPESC.OPT的实用性。本期将展示集成多岛遗传算法求解流程。

多岛遗传算法原理

智能优化算法（如遗传算法、粒子群优化、蚁群算法等）相对于一般梯度类算法（如梯度下降法），具有一系列独特的优点，在某些类型的优化问题求解过程中，智能优化算法求解在效率和精度上表现更为出色。智能优化算法相比梯度类算法的一些主要优点：

a) 避免目标函数梯度求导，适用于目标函数不可导、难以求导或梯度难以计算的优化问题。

b) 采取随机搜索和多点同时搜索策略，提高了寻求全局最优解概率，适用于解决具有多个局部最优解的复杂优化问题。

c) 对于初始解的选择不太敏感，迭代过程中，能够自适应地调整搜索策略，提高了解决复杂问题的鲁棒性。

d) 支持并行计算，适用于大规模问题求解。

多岛遗传算法具有传统智能优化搜索算法的优点，同时，相对于传统遗传算法的不足：早熟收敛问题，多岛遗传算法做了一些改善：

1，引入多个岛屿（种群部落）同时进行优化搜索，并且不同种群赋以不同的控制参数；

2，各个种群之间通过移民算子进行联系；

3，通过人工选择算子保存各种群每个进化代中的最优个体形成精华种群，并作为判断算法收敛的依据；

多岛遗传算法流程图：

算例求解

算例1：BOHACHEVSKY 函数

(函数来源于算法测试网站

https://www.sfu.ca/~ssurjano/goldpr.html)

优化目标：

其中， , 的取值范围[-100,100]。解析解： =0.0， =0.0，O=0.0。

该算法设置迭代步数20，岛屿个数10，每个岛屿种群数80，目标迭代历史图：

从上图中，可发现，目标值在10步时已经开始收敛，此时最优值为O= 4.07494e-08。

算例2：DROP-WAVE函数

（函数来源于算法测试网站

https://www.sfu.ca/~ssurjano/goldpr.html）

其中， , 的取值范围[-5.12,5.12]。解析解： =0.0， =0.0，O=-1.0。

该算法设置迭代步数15，岛屿个数10，每个岛屿种群数80，目标迭代历史图：

从上图中，可发现，目标值在7步时已经开始收敛，此时最优值为O= -0.935825。

算例3：HOLDER TABLE函数

（函数来源于算法测试网站

https://www.sfu.ca/~ssurjano/goldpr.html）

其中， , 的取值范围[-10.0,10.0]。解析解： =-8.05502， =9.66459，O=-19.2085。

该算法设置迭代步数15，岛屿个数10，每个岛屿种群数80，目标迭代历史图：

从上图中，可发现，目标值在7步时已经开始收敛，此时最优值为O= -19.1755。

多学科优化设计搭建流程脚本显示：

算例总结

本文算例求解基于多岛遗传算法，对比了此算法和解析的求解结果，显示了在求解复杂系统的多学科设计优化过程中，多岛遗传算法在求解效率和精度上的可靠性。