多目的最適化
理论与物理
多目标优化
老师，什么是多目标优化？
同时优化多个目标函数。例如：“最小化质量”且“最大化刚度”。通常这些目标之间存在权衡（降低质量会导致刚度下降）。
帕累托前沿
权衡最优解的集合称为帕累托前沿。帕累托前沿上的解是“在不牺牲其他目标的情况下无法进一步改善任一目标”的最优解。设计者从帕累托前沿中选择偏好的解。
总结
老师，什么是多目标优化？
同时优化多个目标函数。例如：“最小化质量”且“最大化刚度”。通常这些目标之间存在权衡（降低质量会导致刚度下降）。
权衡最优解的集合称为帕累托前沿。帕累托前沿上的解是“在不牺牲其他目标的情况下无法进一步改善任一目标”的最优解。设计者从帕累托前沿中选择偏好的解。
帕累托最优的概念源于19世纪的经济学家
“帕累托最优（Pareto optimality）”的概念由意大利经济学家维尔弗雷多·帕累托于1906年在《Manuale di Economia Politica（经济学手册）》中引入。它指资源分配中“改善某人状况必然恶化他人状况”的均衡状态，将其转用于多目标优化的是1963年Kuhn-Tucker的扩展和1985年Schaffer（VEGA法）。没有帕累托前沿的概念，就无法讨论汽车轻量化与安全性的同时优化。
各项的物理意义
- 惯性项（质量项）：$\rho \ddot{u}$，即“质量×加速度”。您有过急刹车时身体被向前甩出的经历吗？那种“被带走的感觉”正是惯性力。物体越重，越难启动，一旦启动也越难停止。地震时建筑物摇晃，也是因为地面突然移动，而建筑物的质量“被落下”。静力分析中此项设为零，但这是基于“缓慢施力，加速度可忽略”的假设。对于冲击载荷或振动问题，此项绝对不能省略。
- 刚度项（弹性恢复力）：$Ku$ 或 $\nabla \cdot \sigma$。拉弹簧时能感觉到“试图恢复原状的力”吧？那就是胡克定律 $F=kx$，也是刚度项的本质。那么提问——用相同的力拉铁棒和橡皮筋，哪个伸长更多？当然是橡皮筋。这种“难以伸长的程度”就是杨氏模量 $E$，它决定了刚度。常见的误解：“刚度高=强度高”是不对的。刚度是“抵抗变形的能力”，强度是“抵抗破坏的能力”，是不同的概念。
- 外力项（载荷项）：体积力 $f_b$（如重力）和表面力 $f_s$（如压力、接触力）。可以这样理解——桥上卡车的重量是“作用在整个内部上的力”（体积力），轮胎压路面的力是“仅作用在表面上的力”（表面力）。风压、水压、螺栓预紧力…这些都是外力。这里容易犯的错误：弄错载荷方向。本想施加“拉伸”却成了“压缩”——听起来像笑话，但在3D空间中坐标系发生旋转时确实会发生。
- 阻尼项：瑞利阻尼 $C\dot{u} = (\alpha M + \beta K)\dot{u}$。试着弹一下吉他的弦。声音会一直持续吗？不，会逐渐变小。这是因为振动能量通过空气阻力和弦的内部摩擦转化为热能。汽车的减震器也是同样原理——故意吸收振动能量以提高乘坐舒适性。如果阻尼为零会怎样？建筑物在地震后会一直摇晃不停。实际上不会这样，因此设置适当的阻尼很重要。
假设条件与适用范围
量纲分析与单位制
| 变量 | SI单位 | 注意事项·换算备忘 |
|---|---|---|
| 位移 $u$ | m（米） | 输入为mm时，载荷·弹性模量也需统一为MPa/N系 |
| 应力 $\sigma$ | Pa（帕斯卡）= N/m² | MPa = 10⁶ Pa。与屈服应力比较时注意单位制不一致 |
| 应变 $\varepsilon$ | 无量纲（m/m） | 注意工程应变与对数应变的区别（大变形时） |
| 弹性模量 $E$ | Pa | 钢：约210 GPa，铝：约70 GPa。注意温度依赖性 |
| 密度 $\rho$ | kg/m³ | mm系中为tonne/mm³（钢为= 10⁻⁹ tonne/mm³） |
| 力 $F$ | N（牛顿） | mm系用N，m系也用N统一 |
数值解法与实现
多目标优化算法
总结
NSGAII是多目标优化事实上的标准算法
NSGA-II（非支配排序遗传算法 II）由Kalyanmoy Deb（印度理工学院坎普尔分校）于2002年在IEEE Transactions on Evolutionary Computation上发表，截至2024年，其在Google Scholar上的引用次数超过4万次，在整个计算科学领域也位居前列。其计算成本O(MN²)与密度保持机制的结合非常出色，已被optDesign和Cadence的AMS仿真工具作为标准功能搭载。
线性单元（一阶单元）
节点间线性插值。计算成本低，但应力精度低。注意剪切锁定（可通过减缩积分或B-bar法缓解）。
二阶单元（带中间节点）
可表现曲线变形。应力精度大幅提高，但自由度约增加2~3倍。建议：应力评估重要时使用。
完全积分 vs 减缩积分
完全积分：有过约束（锁定）风险。减缩积分：有沙漏模式（零能模式）风险。根据情况选择。
自适应网格
基于误差指标（如ZZ估计量）的自动细化。高效提高应力集中区域的精度。有h法（单元细分）和p法（增加阶次）。
牛顿-拉夫森法
非线性分析的标准方法。每次迭代更新切线刚度矩阵。在收敛半径内具有二阶收敛性，但计算成本高。
修正牛顿-拉夫森法
切线刚度矩阵使用初始值或每隔几次迭代更新。每次迭代成本低，但收敛速度为线性。
收敛判定准则
力残差范数: $||R|| / ||F_{ext}|| < \epsilon$（通常 $\epsilon = 10^{-3}$〜$10^{-6}$）。位移增量范数: $||\Delta u|| / ||u|| < \epsilon$。能量范数: $\Delta u \cdot R < \epsilon$
载荷增量法
不一次性施加全部载荷，而是分小步增加。弧长法（Riks法）可超越载荷-位移关系的极值点进行追踪。
直接法 vs 迭代法的比喻
直接法是“用笔算精确解方程组”的方法——可靠但大规模问题耗时过长。迭代法是“反复猜测逼近正确答案”的方法——最初是粗略答案，但每次迭代精度都会提高。就像查字典时，从第一页开始顺序查找（直接法）不如先估计位置翻开，再前后调整（迭代法）来得高效，原理相同。
网格阶次与精度的关系
一阶单元如同“用直尺近似曲线”——用直线折线表现，精度有限。二阶单元如同“柔性曲线”——能表现曲线变化，即使网格密度相同，精度也显著提高。不过，每个单元的计算成本增加，因此需要根据总体的成本效益来判断。
实践指南
多目标优化实务
汽车轻量化（质量）+碰撞安全（伤害值）、飞机燃油效率（重量）+强度。
实务检查清单
电动方程式的空气动力学优化是3目标同时优化
电动方程式赛车的空气动力学设计中，“下压力最大化·阻力最小化·侧洗流均匀化”的3目标同时优化是标准。Mahindra Racing（电动方程式车队）在2019赛季的车辆开发中，通过耦合SIMOPTICAL与OpenFOAM的基于NSGA-III的多目标CFD优化，运行了200代·1000个评估点，技术报告记载其空气动力学效率较前一赛季改善了7%。
分析流程的比喻
分析流程其实和烹饪非常相似。首先采购食材（准备CAD模型），进行预处理（网格生成），开火烹饪（求解器执行），最后装盘（后处理可视化）。这里有个重要的问题——烹饪中最容易失败的工序是哪里？其实是“预处理”。网格质量差的话，无论使用多么优秀的求解器，结果都会一团糟。
初学者容易陷入的陷阱
您确认过网格收敛性吗？是否认为“计算能运行=结果正确”？这其实是CAE初学者最容易掉入的陷阱。求解器一定会根据给定的网格返回“一个像样的答案”。但如果网格太粗糙，这个答案就会与现实严重偏离。至少用3个级别的网格密度确认结果是否稳定——如果忽略这一点，就会陷入“计算机给出的答案应该正确”的危险误区。
边界条件的思考方式
边界条件的设置，就像考试的“出题”。如果题目出错了呢？无论计算多么精确，答案都是错的。“这个面真的完全固定吗？”“这个载荷真的是均匀分布吗？”——正确建模现实的约束条件，其实是整个分析中最重要的步骤。
软件比较
工具
modeFRONTIER是欧洲汽车行业多目标优化的标准
ESTECO公司（意大利的里雅斯特，1999年创立）的modeFRONTIER在欧洲汽车行业几乎成为多目标优化工具的事实标准。大众·保时捷·奥迪将其作为通用基础设施采用，并与Nastran、ABAQUS、StarCCM等进行多代码耦合优化。2022年，随着收购HEEDS的Altair竞争加剧，但许多用户评价认为，源自欧洲学术界的深厚技术积累是modeFRONTIER的优势。
选型时最重要的3个问题
- “要解决什么问题”：多目标优化所需的物理模型·单元类型是否支持。例如，流体方面是否有LES支持，结构方面接触·大变形的支持能力会成为差异点。
- “谁使用”：新手团队适合GUI完善的工具，有经验者适合脚本驱动的灵活工具。类似于汽车的自动挡（GUI）和手动挡（脚本）的区别。
- “未来扩展到什么程度”：着眼于未来的分析规模扩大（HPC支持）、向其他部门扩展、与其他工具的联动，这样的选择有助于长期降低成本。
尖端技术
多目标优化前沿
多目标贝叶斯优化可将CFD评估成本降低90%
进化算法虽擅长多目标优化，但当一次评估（CFD仿真）耗时数小时时，进行数百至数千次评估并不现实。使用高斯过程代理模型的多目标贝叶斯优化（如MESMO, MOTBO等）
相关主题
なった
詳しく
報告