附件C：譯文

用多目標進化算法中的神經(jīng)加速度方法設計一種摩托車車架

摘要：設計一個低預算的輕型摩托車車架具有卓越的動態(tài)和力學性能是一個復雜的工程問題。這種復雜性部分是由于存在多個設計目標——很大的構造應力和剛度，和用于評估目標的高計算成本的有限元模擬技術，以及對設計變量屬性的幾何化（離散和連續(xù)）。因此，本文提出一種基于真正的聯(lián)合使用（有限元模擬技術）和近似適應函數(shù)的評價基礎上的多目標進化算法中的神經(jīng)加速度方法。提出的這種方法能加速接近由非支配車架設計組成的柏拉圖最佳解前緣。MOEA使用了一種復雜的遺傳型編碼離散和連續(xù)設計變量，并且根據(jù)變量的類型可運用一種遺傳算法。結果表明，這種神經(jīng)加速MOEAs NN-NSGA II和NN-MicroGA在它們原有的版本NSGA II和MicroGA上改進而來。因此，這種神經(jīng)加速方法被證明是有效的，且可應用于其他基于有限元分析的工程設計問題。
關鍵詞：多目標進化算法 有限元分析 神經(jīng)網(wǎng)絡 摩托車 工程設計 多目標優(yōu)化

有限元分析是一種計算機模擬技術，通常用于解決有幾個交互組件、復雜的幾何結構和在不同的物理現(xiàn)象影響下的一般系統(tǒng)中的工程設計問題。這些復雜的系統(tǒng)沒有一種全面的擁有精確技術的物理分析方法解決，但可由一種系統(tǒng)化離散方法即人們熟知的有限元方法解決（1993雷迪）。另一方面，，進化算法（EA）是一種在自然進化的推動下產(chǎn)生的隨機搜索程序，用于解決復雜的優(yōu)化問題。EAs的工作方式是，在較適合的方法有更好的被改進和保留的選擇過程中選擇一個個體（解決方案）(Michalewicz1996）。由于FE和EA是計算機密集技術，不斷提高的計算能力和這兩個技術的成熟，使得它們的聯(lián)合使用以提高工程設計成為可能。例如，沃克和史密斯（2003年）聯(lián)合使用FE和EA來減小增強型纖維結構的加權總和的質量。同樣，安培等人（2004年）用FE和EA對輪胎結構進行優(yōu)化。最近，吉格和阿曼尼（2005年）應用FE和EA減少大量的復合纖維增強塑料受到的強度和剛性約束。值得注意的是，這些應用已經(jīng)被當做單一目標優(yōu)化問題或聚合多目標問題來處理。
各種車架結構優(yōu)化的相關研究已經(jīng)進行了好幾年。研究一個類似摩托車車架設計問題的法賽爾等人（2003年）提出了單目標進化算法（一種多目標聚合方法），以盡量減少車架質量，同時保持一定的扭轉剛度并且在制動時有一定的制動強度。最近，吉村等人（2005年）用一種包括九種低成本目標的多目標方法來處理汽車車身框架的橫截面的優(yōu)化。關于機械工程中的結構優(yōu)化領域方面好的論文，讀者可以參考齋藤等人（2005）。