基于机器学习的MMC拓扑优化参数整定策略
数值分析
2019-10-17 v1 数值分析
摘要
基于移动可变形组件（MMC）的拓扑优化方法是一种显式算法，因为实体的边界由其函数显式描述。与其他基于像素或节点点的算法相比，它通过拓扑描述函数（TDF）的参数优化进行优化。然而，优化结果部分取决于移动渐近线方法（MMA）相关参数的选择，该方法是MMC拓扑优化的优化器。实践中，这些参数根据经验整定，可行解可能不易获得，甚至由于参数设置不当导致解不可行。为解决这些问题，本研究提出了一种基于机器学习（ML）的参数整定策略。将基于极端随机树（ET）的图像分类器集成到优化框架中，并与粒子群优化（PSO）算法结合形成闭环。这使得优化过程免于手动参数调整，并在设计域内获得合理的解。本研究通过两个经典案例展示了所提方法的效率。
引用
@article{arxiv.1910.07227,
title = {Machine Learning based parameter tuning strategy for MMC based topology optimization},
author = {Xinchao Jiang and Hu Wang and Yu Li and Kangjia Mo},
journal= {arXiv preprint arXiv:1910.07227},
year = {2019}
}
备注
25 pages,13 figures,8 tables