附件C：譯文

用多目標(biāo)進化算法中的神經(jīng)加速度方法設(shè)計一種摩托車車架

摘要：設(shè)計一個低預(yù)算的輕型摩托車車架具有卓越的動態(tài)和力學(xué)性能是一個復(fù)雜的工程問題。這種復(fù)雜性部分是由于存在多個設(shè)計目標(biāo)——很大的構(gòu)造應(yīng)力和剛度，和用于評估目標(biāo)的高計算成本的有限元模擬技術(shù)，以及對設(shè)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(shù)）和近似適應(yīng)函數(shù)的評價基礎(chǔ)上的多目標(biāo)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(shè)計組成的柏拉圖最佳解前緣。MOEA使用了一種復(fù)雜的遺傳型編碼離散和連續(xù)設(shè)計變量，并且根據(jù)變量的類型可運用一種遺傳算法。結(jié)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(yīng)用于其他基于有限元分析的工程設(shè)計問題。
關(guān)鍵詞：多目標(biāo)進化算法 有限元分析 神經(jīng)網(wǎng)絡(luò) 摩托車 工程設(shè)計 多目標(biāo)優(yōu)化

有限元分析是一種計算機模擬技術(shù)，通常用于解決有幾個交互組件、復(fù)雜的幾何結(jié)構(gòu)和在不同的物理現(xiàn)象影響下的一般系統(tǒng)中的工程設(shè)計問題。這些復(fù)雜的系統(tǒng)沒有一種全面的擁有精確技術(shù)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(fù)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(shù)，不斷提高的計算能力和這兩個技術(shù)的成熟，使得它們的聯(lián)合使用以提高工程設(shè)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(jié)構(gòu)的加權(quán)總和的質(zhì)量。同樣，安培等人（2004年）用FE和EA對輪胎結(jié)構(gòu)進行優(yōu)化。最近，吉格和阿曼尼（2005年）應(yīng)用FE和EA減少大量的復(fù)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(yīng)用已經(jīng)被當(dāng)做單一目標(biāo)優(yōu)化問題或聚合多目標(biāo)問題來處理。
各種車架結(jié)構(gòu)優(yōu)化的相關(guān)研究已經(jīng)進行了好幾年。研究一個類似摩托車車架設(shè)計問題的法賽爾等人（2003年）提出了單目標(biāo)進化算法（一種多目標(biāo)聚合方法），以盡量減少車架質(zhì)量，同時保持一定的扭轉(zhuǎn)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(biāo)的多目標(biāo)方法來處理汽車車身框架的橫截面的優(yōu)化。關(guān)于機械工程中的結(jié)構(gòu)優(yōu)化領(lǐng)域方面好的論文，讀者可以參考齋藤等人（2005）。