ganggouren
01
在上文中《当结构设计遇到遗传算法-应用ANSYS和MATLAB联合优化设计探索（一）》，我们大致介绍了应用MATLAB编制遗传算法程序调用ANSYS进行优化的过程实现，既然是初步自行编制遗传算法程序调用有限元求解器进行优化设计，那么如何检验结果的正确性以及算法的可行性呢？
在ANSYS Workbench 中有一个专门针对优化设计的功能模块Design Explorer （DX），其中多目标优化技术主要是采用DOE（Deisign of Experiments实验设计）法，DOE是根据优化参数的数量，利用蒙特卡罗抽样法，采集优化参数样本点，利用二次插值函数构造设计空间的响应面或曲线。
在workbench中可以将前面编写的APDL文件以TXT或者MAC的文件形式直接输入到DX模块中进行优化设计流程。在这里我们主要介绍DX中的Response Surface Optimization响应面优化法，其中可选用软件内置的MOGA（多目标遗传算法）。
ANSYS Workbench 优化
02
与前文ANSYS APDL联合MATLAB作为对比，下述将采用ANSYS Workbench 中的DX模块针对于上述模型再进行一次优化设计，优化目标、设计变量、控制函数均保持一致。下图参数P12即为我们的优化目标，优化type选择为minimize最小值，需注意这里的constraint是指对优化目标的限制，而非对优化变量的限制，由于对于结构总重量并无限制，所以这里设置为No constraint.
优化目标参数设置
在optimization的设置中，手动调整优化方法为MOGA（多目标遗传算法），与上文自行编制的MATLAB多目标遗传算法形成对比，其余参数尽可能保持一致。
优化算法设置
03
下述为程序运行中所生成的目标函数与样本点的关系图以及各变量对于目标函数的敏感度分析。敏感度分析可以直接表现出定义的各个变量对于最终的优化目标有多大的影响。
样本点
敏感度分析结果
下图为软件输出的优化结果，三颗星代表最优结果，两颗及一颗为次等结果，红叉代表最差结果，即与优化目标相反的——结构总重量最大的结果。与上文的最优结果8.82 E+07相比，ANSYS Workbench的最优结果为7.87 E+07，误差约为11%，在可接受范围内。
优化结果
当然，ANSYS Workbench中还可输出其他的直接优化分析、六sigma分析等等。这里碍于篇幅先暂且不谈。
04
其实，通过MATLAB调用ANSYS和直接应用Workbench进行优化设计所得的结果差异不多。对于优化后结果的好坏评判主要是需要工程师根据自身的实际专业知识与经验进行判定，毕竟算法只是算法、机器只是机器，实际的工程还需要考虑到业主的需求、各专业间的配合和规范的规定等。
那这么说本篇文章的方法到底有什么意义呢？前面已经说了，本文只是在智能算法与结构优化方面的一种探索与尝试。毕竟各行各业都在不断的进行新的尝试与突破，如果不去探索不去尝试，只会故步自封，永远也不会进步。毕竟千年前的人们哪里会想到千年后的后辈们已经去探索火星了呢。
相关阅读
“转自：非解构-公众号”
