CN102063525B - 一种实用的多学科设计优化模型自动生成方法 - Google Patents
一种实用的多学科设计优化模型自动生成方法 Download PDFInfo
- Publication number
- CN102063525B CN102063525B CN201010585024.XA CN201010585024A CN102063525B CN 102063525 B CN102063525 B CN 102063525B CN 201010585024 A CN201010585024 A CN 201010585024A CN 102063525 B CN102063525 B CN 102063525B
- Authority
- CN
- China
- Prior art keywords
- matrix
- function
- task
- variable
- optimization model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种实用的多学科设计优化模型自动生成方法,包括以下步骤:一,根据产品设计要求,建立产品整体优化模型;二,根据整体优化模型中函数与优化变量之间的包含关系,填充“相关性”矩阵D;三,根据产品整体优化模型中函数与函数之间的包含关系,填充“耦合性”矩阵C,四:根据产品整体优化模型中计算各函数所需的时间,填充“时间”矩阵T,步骤五:根据上述矩阵,利用遗传算法进行任务自动划分,得到一个主任务与多个子任务;步骤六:从上述任务划分方案中生成MDO模型。该方法支持利用计算机自动生成MDO模型,避免了对设计者经验的过分依赖,可以获得最合理的MDO模型,且该方法还具有简单实用、适用范围广等特点。
Description
(一)技术领域:
本发明提供一种实用的多学科设计优化模型自动生成方法,尤其能够处理多学科设计优化模型中的耦合变量以及具有随机性的可靠性函数,属于复杂产品多学科设计优化与可靠性设计的交叉技术领域。
(二)背景技术:
复杂产品设计过程中,由于各学科自身模型复杂,学科之间还存在耦合关系,这给优化设计带来非常大的困难,往往难以获得最优解。多学科设计优化(Multidisciplinary Design Optimization,MDO)方法是进行复杂产品优化设计的有效途径,可以利用较少的计算时间获得最优化的产品设计。
开展多学科设计优化即MDO工作之前,需要将复杂的产品整体优化模型划分为多个可并行优化的子任务(即MDO模型),作为MDO的输入。工程设计中,主要依靠设计者的经验来得到MDO模型,缺乏自动化的手段支持。当产品所含学科之间耦合关系众多尤其需要考虑可靠性学科(具有随机性、计算量大)时,如果仅依靠设计者的经验将难以驾驭MDO模型的生成过程,可能会生成不合理的MDO模型。而不合理的MDO模型将直接影响MDO工作的效果,包括整体优化时间增加、子任务并行度差等,这严重影响了MDO方法的工程实用性。
如果能提供一种MDO模型的自动化生成方法,即使对于具有复杂耦合关系与随机性的产品,也能自动的将产品整体优化模型自动的转换为合理的MDO模型,将显著的提高MDO方法的工程实用性,并扩大其应用范围。
(三)发明内容:
针对上述问题,本发明提出了一种实用的多学科设计优化模型(即MDO模型)自动生成方法,只需要根据产品整体优化模型填写三个矩阵,即可处理产品的耦合关系与随机性,并利用遗传算法来自动生成MDO模型。
本发明一种实用的多学科设计优化模型自动生成方法,如图1所示,它包括如下步骤:
步骤一:根据产品设计要求,建立产品整体优化模型,包括优化目标、约束条件、优化变量;
步骤二:根据整体优化模型中函数(包括优化目标与约束条件)与优化变量之间的包含关系,填充“相关性”矩阵D,用来表述函数与变量之间的相关性;
步骤三:根据产品整体优化模型中函数与函数之间的包含关系,填充“耦合性”矩阵C,用来表述函数与函数之间的相关性,即耦合性;
步骤四:根据产品整体优化模型中计算各函数所需的时间,填充“时间”矩阵T,用来描述各函数的计算时间;
步骤五:根据上述矩阵,利用遗传算法进行任务自动划分,得到一个主任务与多个子任务;
步骤六:从上述任务划分方案中生成MDO模型。
其中,在步骤一中所述的产品整体优化模型,需要根据产品设计要求来确定哪些特性作为优化目标,哪些特性作为约束条件,有哪些优化变量。
其中,在步骤二中所述“相关性”矩阵D可以从产品整体优化模型包括的函数与变量中获得。如果计算时函数j需要用到变量i,则认为函数j与变量i相关;否则认为不相关。设整体优化模型中包括m个优化变量,n个函数,则“相关性”矩阵D=[dij]m×n。其中:
其中,在步骤三中所述“耦合性”矩阵C可以从产品整体优化模型包括的函数中获得。如果计算时函数j需要用到函数i,则认为函数j与函数i相关;否则认为不相关。该矩阵为后续确定耦合变量集提供输入。设整体优化模型中包括n个函数,则“耦合性”矩阵C=[cij]n×n其中:
其中,在步骤四中所述“计算时间”矩阵(T)可以通过函数的计算时间来确定。设整体优化模型中包括n个函数,则“计算时间”矩阵T=[tij]1×n
tj=njt′j
其中:nj为函数j所需要被计算的次数;t’j为函数j的单次计算成本。t’j可以通过实测确定,如一次飞机气动分析需要2个小时。如果函数j为确定性函数,则令nj=1;如果函数j为具有随机特征的可靠性函数,则需要根据采取的可靠性分析中实际采用的抽样次数来确定nj
其中,在步骤五所述遗传算法是实现MDO模型自动生成的关键步骤,其算法流入如图2所示,具体步骤如下:
1)确定遗传算法的基本要素,其中优化目标为整体计算成本Ttotal,约束条件为任务并行度Con,优化变量为“任务-函数”矩阵TY。整体计算成本用来近似表征MDO优化过程的总时间,任务并行度表征各子任务计算时间的均衡度,它们是评价MDO模型是否合理的重要标准,其计算方法在后述步骤6)中给出。“任务-函数”矩阵TY用来表征任务与函数的相关性,如果任务i与函数j相关,则矩阵元素tyij为1,否则为0。矩阵TY可以描述MDO模型中包括几个任务,以及每个任务中需要优化哪几个函数。
2)确定编码规则,对优化变量TY进行编码。采用整数编码形式,将一种任务划分方案编码成一条染色体。染色体的编码位数为函数的总数,每个函数对应编码值为该函数的所属任务编号。编码值相同的函数表示被它们分到相同的任务中,编码值为0表示该函数被分到主任务中。例如,一条染色体的编码如下:
y1 | y2 | y3 | y4 | y5 | y6 |
2 | 0 | 2 | 1 | 1 | 2 |
该染色体表示主任务包含y2,子任务1包含y4和y5,子任务2包含y1,y3和y6。
3)开始执行迭代优化过程。
4)确定遗传算子,包括初始种群数、收敛准则、交叉概率、变异概率等。
5)从所有函数中识别出耦合变量集。该步骤需要利用到矩阵D、C,其算法如图3所示,包括以下主要步骤:
i)首先定义辅助矩阵TC,描述任务与耦合变量的相关性。矩阵形式与上述矩阵D、C相似,如果相关则对应元素为1,否则为0;
ii)依据步骤2)中的染色体的编码形式可以得到矩阵TY;
iii)对于矩阵C中的每一行(函数yi),根据矩阵TY确定yi所属的任务a;
iv)从矩阵C中确定哪些函数{yj}将函数yi作为输入;
v)根据矩阵TY,依次确定每个yj所属的任务b;
vi)如果a≠b,则函数yi为耦合变量,且流向为由a到b。此时在矩阵中增加一列,并将该列的第b行设为1。否则暂不认为yi为耦合变量;
vii)经过n次循环,最终得到矩阵TC,矩阵TC的列元素即为耦合变量集。
6)根据上述矩阵计算优化目标(整体计算成本Ttotal)和约束条件(任务并行度Con)。
首先定义辅助矩阵TX,描述任务与变量的相关性。矩阵形式与矩阵D、C相似,如果相关则对应元素为1,否则为0。由于矩阵TY(描述任务与函数的关系)和矩阵D(描述函数与变量的关系)已知,可以方便的确定矩阵TX。
基于矩阵D、T、TX、TY、TC,可以计算Ttotal和Con,公式如下:
其中,p为耦合变量个数,即为矩阵TC的列数。
7)判断是否达到最大迭代次数,如果达到,则优化结束,输出最优任务划分方案;
8)如果没有达到,则进行选择、交叉、变异操作,产生新的优化点,进行新一轮的迭代,直到完成所有迭代次数为止。其中选择、交叉、变异为遗传算法的基本操作,可从公开资料中获得。
其中,在步骤六中所述的MDO模型,可以从上述最优任务划分方案中中获得。从矩阵TY可以确定MDO模型的任务,以及各任务包括的函数:矩阵TY的第一行对应MDO模型的主任务,其余各行对应MDO模型的子任务;某行中所有的“1”元素所对应的列,代表该任务包括的函数。
从矩阵TC可以确定MDO模型的耦合变量集,以及各耦合变量被传递到哪个任务中:矩阵TC所有列元素即为耦合变量集;对于某个耦合变量,其所在列中的“1”元素对应的行号,即代表该耦合变量被传递到的任务。
本发明一种实用的多学科设计优化模型自动生成方法,该方法具有以下优点:
支持利用计算机自动生成MDO模型,避免了对设计者经验的过分依赖;
生成方法简单实用,设计者只需要填写三个矩阵,并将其输入到遗传算法中即可;
方法的适用范围广,可以处理具有复杂耦合关系的情况,也可以处理具有可靠性函数的情况。
利用遗传算法进行任务划分,可以获得最合理的MDO模型。
(四)附图说明:
图1是本发明的基本步骤示意图。
图2是利用遗传算法生成MDO模型的基本步骤示意图。
图3是识别耦合变量集的基本步骤示意图。
图4是电子封装案例的MDO模型示意图。
图3中符号说明:
TC为辅助矩阵;
TY为“任务-函数”矩阵;
cij为“耦合性”矩阵C的第i行,第j列的元素;
n为函数个数;
a、b为任务编号;
图4中符号说明:
y1-y13为优化模型中包含的各个函数
x1-x13为优化模型中的电参数、尺寸参数等优化变量
(五)具体实施方式:
下面将结合电子封装案例(美国国家航空航天局NASA给出的标准MDO案例),对本发明作进一步的详细说明。
本发明一种实用的多学科设计优化模型自动生成方法,如图1所示,它包括如下步骤:
步骤一,建立整体优化模型。
设计要求规定功率密度越大越好,两个电阻上分流的电流必须相等,同时两个电阻的可靠度必须大于0.99。根据设计要求建立了整体优化模型,其优化目标为最大化功率密度,同时满足三个约束条件。等式约束1为两个电阻上分流的电流必须相等;不等式约束1和不等式约束2分别表示电阻1和电阻2的可靠度需要大于0.99。整体优化模型具体为:
Minimize f1=-y1
Subject to h1=y4-y5=0
g1=0.99-P(y11-85<0)≤0
g2=0.99-P(y12-85<0)≤0
where y1=y10/y13
y2=x5[1.0+x6(y11-20)]
y3=x7[1.0+x8(y12-20)]
y4=y3y8/(y2+y3)
y5=y2y8/(y2+y3)
y6=(y4)2/y2
y7=(y5)2/y3
y8=10.0/y9
y9=(1.0/y2+1.0/y3)-1
y10=(y8)2y9
y11=approx1(y6,y7,x1,x2,x3,x4)
y12=approx2(y6,y7,x1,x2,x3,x4)
y13=x1x2x3 (1)
其中:y1为功率密度;
y4、y5分别为两个电阻的电流;
y11、y12分别为两个电阻温度;
P(y11-85<0)和P(y12-85<0)分别为两个电阻的可靠度;
其它y为临时函数;
x1~x8分别为电参数和尺寸参数;
步骤二、三、四,分别建立矩阵D、C、T
由整体规划模型可以方便的获得所有函数与变量的相关性、函数与函数的相关性以及各函数的计算时间,即可建立矩阵D、C、T
对于矩阵T,由于所有函数皆为解析函数,函数单次计算成本t’j=1,j=1,2,...,13。其中函数y11和y12为可靠性函数,需要采用随机抽样方法进行可靠性分析,因此n11,n12为10000,其它函数nj=1,j=1,2,...,10,13;
步骤五,利用遗传算法进行自动任务划分
设置初始种群大小30,最大迭代次数1000,交叉概率0.8,变异概率0.01。经过10000次迭代之后,得到最优解TY:
此时对应的矩阵TC为:
步骤六,根据上述任务划分,得到MDO模型
由TY可知,MDO模型包括了一个主任务和两个子任务。主任务包括函数{y1,y4,y5,y6,y7,y8,y9,y10,y13},子任务1包括的函数为{y2,y11},子任务2包括的函数为{y3,y12}。由TC可知,耦合变量集为{y2,y3,y6,y7},其中,{y2}由子任务1传递到主任务;{y3}由子任务2传递到主任务;{y6,y7}由主任务传递到子任务1和子任务2。
根据上述分析,即可得到MDO模型,如图4所示。
Claims (6)
1.一种实用的多学科设计优化模型自动生成方法,其特征在于:它包括如下步骤:
步骤一:根据产品设计要求,建立产品整体优化模型,包括优化目标、约束条件、优化变量;
步骤二:根据整体优化模型中函数,包括优化目标与优化变量之间的包含关系,以及约束条件与优化变量之间的包含关系,填充“相关性”矩阵D,用来表述函数与变量之间的相关性;
步骤三:根据产品整体优化模型中函数与函数之间的包含关系,填充“耦合性”矩阵C,用来表述函数与函数之间的相关性,即耦合性;
步骤四:根据产品整体优化模型中计算各函数所需的时间,填充“计算时间”矩阵T,用来描述各函数的计算时间;
步骤五:根据上述矩阵,利用遗传算法进行任务自动划分,得到一个主任务与多个子任务;
步骤六:从上述任务划分方案中生成多学科设计优化模型;
其中,在步骤五中所述遗传算法是实现MDO模型自动生成的关键步骤,具体步骤如下:
步骤1)确定遗传算法的基本要素,其中优化目标为整体计算成本Ttotal,约束条件为任务并行度Con,优化变量为“任务-函数”矩阵TY,整体计算成本用来近似表征MDO优化过程的总时间,任务并行度表征各子任务计算时间的均衡度,它们是评价MDO模型是否合理的重要标准,其计算方法在后述步骤6)中给出,“任务-函数”矩阵TY用来表征任务与函数的相关性,如果任务vv与函数yj相关,则矩阵元素tyvj为1,否则为0,矩阵TY描述MDO模型中包括几个任务,以及每个任务中需要优化哪几个函数;
步骤2)确定编码规则,对“任务-函数”矩阵TY进行编码,采用整数编码形式,将一种任务划分方案编码成一条染色体;染色体的编码位数为函数的总数,每个函数对应编码值为该函数的所属任务编号,编码值相同的函数表示它们被分到相同的任务中,编码值为0表示该函数被分到主任务中;
步骤3)开始执行迭代优化过程;
步骤4)确定遗传算子,包括初始种群数、收敛准则、交叉概率、变异概率;
步骤5)从所有函数中识别出耦合变量集,该步骤需要利用到矩阵D、C,其算法包括以下步骤:
i)首先定义辅助矩阵TC,描述任务与耦合变量的相关性,矩阵形式与上述矩阵D、C相似,如果相关则对应元素为1,否则为0;
ii)依据上述步骤2)中的染色体的编码形式得到矩阵TY;
iii)对于矩阵C中的每一行,根据矩阵TY确定yi所属的任务a;
iv)从矩阵C中确定哪些函数{yj}将函数yi作为输入;
v)根据矩阵TY,依次确定每个yj所属的任务b;
vi)如果a≠b,则函数yi为耦合变量,且流向为由任务a到任务b;此时在矩阵中
增加一列,并将该列的第b行设为1,否则暂不认为yi为耦合变量;
vii)经过n次循环,最终得到矩阵TC,矩阵TC的列元素即为耦合变量集;
步骤6)根据上述矩阵计算优化目标整体计算成本Ttotal和约束条件任务并行度Con;
首先定义辅助矩阵TX,描述任务与变量的相关性,矩阵形式与矩阵D、C相似,如果相关则对应元素为1,否则为0,由于描述任务与函数的关系的矩阵TY和描述函数与变量的关系的矩阵D已知,则确定矩阵TX;
基于矩阵D、T、TX、TY、TC,计算Ttotal和Con,公式如下:
其中,p为耦合变量个数,即为矩阵TC的列数;
其中:
tx0j和txvj是矩阵TX的元素,矩阵TX表征任务与变量的相关性;如果任务vv与变量xj相关,则矩阵元素txvj为1,否则为0;如果任务v0与变量xj相关,则矩阵元素tx0j为1,否则为0;
ty0j和tyvj是矩阵TY的元素,矩阵TY表征任务与函数的相关性;如果任务vv与函数yj相关,则矩阵元素tyvj为1,否则为0;如果任务v0与函数yj相关,则矩阵元素ty0j为1,否则为0;
tj是矩阵T的元素,矩阵T表征函数的计算时间;tj表示函数yj的计算时间;
步骤7)判断是否达到最大迭代次数,如果达到,则优化结束,输出最优任务划分方案;
步骤8)如果没有达到,则进行选择、交叉、变异操作,产生新的优化点,进行新一轮的迭代,直到完成所有迭代次数为止;其中选择、交叉、变异为遗传算法的基本操作,从公开资料中获得;
设整体优化模型中包括m个优化变量,n个函数,k个任务。
2.根据权利要求1所述的一种实用的多学科设计优化模型自动生成方法,其特征在于:在步骤一中所述的产品整体优化模型,需要根据产品设计要求来确定哪些特性作为优化目标,哪些特性作为约束条件,有哪些优化变量。
4.根据权利要求1所述的一种实用的多学科设计优化模型自动生成方法,其特征在于:在步骤三中所述“耦合性”矩阵C是从产品整体优化模型包括的函数中获得,如果计算时函数yj需要用到函数yi,则认为函数yj与函数yi相关;否则认为不相关,该矩阵为后续确定耦合变量集提供输入,设整体优化模型中包括n个函数,则“耦合性”矩阵C=[cij]n×n,其中:
5.根据权利要求1所述的一种实用的多学科设计优化模型自动生成方法,其特征在于:在步骤四中所述“计算时间”矩阵T是通过函数的计算时间来确定;设整体优化模型中包括n个函数,则“计算时间”矩阵T=[tij]1×n
tj=nj t’j
其中:nj为函数yj所需要被计算的次数;t’j为函数yj的单次计算成本,t’j通过实测确定,如果函数yj为确定性函数,则令nj=1;如果函数yj为具有随机特征的可靠性函数,则需要根据采取的可靠性分析中实际采用的抽样次数来确定nj。
6.根据权利要求1所述的一种实用的多学科设计优化模型自动生成方法,其特征在于:在步骤五中所述的MDO模型,从上述最优任务划分方案中获得;从矩阵TY确定MDO模型的任务,以及各任务包括的函数:矩阵TY的第一行对应MDO模型的主任务,其余各行对应MDO模型的子任务;每行中所有的“1”元素所对应的列,代表该任务包括的函数;
从矩阵TC确定MDO模型的耦合变量集,以及各耦合变量被传递到哪个任务中:矩阵TC所有列元素即为耦合变量集;对于每个耦合变量,其所在列中的“1”元素对应的行号,即代表该耦合变量被传递到的任务;
涉及到的矩阵TY、矩阵TC,其定义如下:
其中,矩阵TY表征任务与函数的相关性,如果任务vv与函数yj相关,则矩阵元素tyvj为1,否则为0;
矩阵TC描述任务与耦合变量的相关性,如果任务vv与耦合变量cj相关,则矩阵元素tcvj为1,否则为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010585024.XA CN102063525B (zh) | 2010-12-13 | 2010-12-13 | 一种实用的多学科设计优化模型自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010585024.XA CN102063525B (zh) | 2010-12-13 | 2010-12-13 | 一种实用的多学科设计优化模型自动生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102063525A CN102063525A (zh) | 2011-05-18 |
CN102063525B true CN102063525B (zh) | 2014-04-23 |
Family
ID=43998799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010585024.XA Expired - Fee Related CN102063525B (zh) | 2010-12-13 | 2010-12-13 | 一种实用的多学科设计优化模型自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102063525B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446239B (zh) * | 2011-09-19 | 2013-09-18 | 北京航空航天大学 | 考虑认知和随机不确定性的齿轮传动多学科可靠性分析方法 |
CN102890740A (zh) * | 2012-10-23 | 2013-01-23 | 浙江大学 | 一种多域***的设计和优化方法 |
CN103955557B (zh) * | 2014-03-31 | 2017-01-04 | 北京航空航天大学 | 一种运载火箭多学科综合设计优化方法与*** |
WO2016179455A1 (en) * | 2015-05-07 | 2016-11-10 | Siemens Corporation | Data-feedback loop from product lifecycle into design and manufacturing |
CN105183987B (zh) * | 2015-09-07 | 2018-04-27 | 北京航空航天大学 | 一种复杂工程多学科综合设计优化软件平台*** |
CN109815587B (zh) * | 2019-01-22 | 2022-12-06 | 西北工业大学 | 一种信息增强型设计结构矩阵的构建方法 |
-
2010
- 2010-12-13 CN CN201010585024.XA patent/CN102063525B/zh not_active Expired - Fee Related
Non-Patent Citations (7)
Title |
---|
Computers and Information in Engineering Conference 》.2009, * |
Xudong Zhang et al..POSSBIBILITY-BASED MULTIDISCIPLINARY DESIGN OPTIMIZATION IN THE FRAMEWORK OF SEQUENTIAL OPTIMIZATION AND RELIABILITY ASSESSMENT.《Proceedings of the ASME 2009 International Design Engineering Technical Conferences & * |
Xudong Zhang et al..POSSBIBILITY-BASED MULTIDISCIPLINARY DESIGN OPTIMIZATION IN THE FRAMEWORK OF SEQUENTIAL OPTIMIZATION AND RELIABILITY ASSESSMENT.《Proceedings of the ASME 2009 International Design Engineering Technical Conferences &Computers and Information in Engineering Conference 》.2009, |
稳健协同优化方法的改进和应用;郭健彬等;《火力与指挥控制》;20100430;第35卷(第4期);全文 * |
考虑不确定性的多学科设计优化分解方法;郭健彬等;《计算机集成制造***》;20090131;第15卷(第1期);全文 * |
郭健彬等.稳健协同优化方法的改进和应用.《火力与指挥控制》.2010,第35卷(第4期), |
郭健彬等.考虑不确定性的多学科设计优化分解方法.《计算机集成制造***》.2009,第15卷(第1期), |
Also Published As
Publication number | Publication date |
---|---|
CN102063525A (zh) | 2011-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102063525B (zh) | 一种实用的多学科设计优化模型自动生成方法 | |
CN201837996U (zh) | 一种用于仿真集成电路设计的*** | |
Shi et al. | A novel bus-aggregation-based structure-preserving power system equivalent | |
JP6784780B2 (ja) | 大規模再生可能エネルギーのデータについて確率モデルを構築する方法 | |
CN104881706A (zh) | 一种基于大数据技术的电力***短期负荷预测方法 | |
CN104410069A (zh) | 一种计及响应相关性的动态概率潮流计算方法 | |
CN105512808A (zh) | 一种面向大数据的电力***暂态稳定评估方法 | |
CN106229986A (zh) | 一种电力***的概率潮流计算方法 | |
CN109740962A (zh) | 基于场景分区与半不变量的电压稳定概率评估方法 | |
Wang et al. | A two-stage method for assessment of voltage stability in power system with renewable energy | |
CN104143116A (zh) | 一种基于粒子群算法的***软防护组合优化方法 | |
CN105335528A (zh) | 一种基于产品结构的定制产品相似度判断方法 | |
CN103065015B (zh) | 一种基于内力路径几何形态的承载结构低碳节材设计方法 | |
Zhang et al. | A hierarchical low-rank approximation based network solver for emt simulation | |
Alqarni et al. | Utilizing a neutrosophic fuzzy logic system with ann for short-term estimation of solar energy | |
Valenzuela et al. | Dynamic locational marginal emissions via implicit differentiation | |
CN106777616A (zh) | 一种高速水稻钵苗插秧机移箱机构多学科优化设计方法 | |
CN104536831A (zh) | 一种基于多目标优化的多核SoC软件映射方法 | |
CN103500997A (zh) | 基于混合多目标λ迭代法和牛顿法的电力***调度方法 | |
CN106056305A (zh) | 一种基于状态聚类的发电***可靠性快速评估方法 | |
CN107276093A (zh) | 基于场景削减的电力***概率潮流计算方法 | |
Garfinkle et al. | Numerical examination of an evolving black string horizon | |
Lu et al. | Wind farm layout design optimization through multi-scenario decomposition with complementarity constraints | |
Liu et al. | A reduced-order extrapolation algorithm based on CNLSMFE formulation and POD technique for two-dimensional Sobolev equations | |
CN106202667A (zh) | 约束域优化拉丁超立方设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140423 Termination date: 20161213 |
|
CF01 | Termination of patent right due to non-payment of annual fee |