.png){kind=icon}
返回
Wasserstein crossover for evolutionary algorithm-based topology optimization
.png){kind=icon}
OA
AI
DOI：10.1016/j.cma.2025.118713.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
进化算法（EAs）是解决非可微或强多模态拓扑优化问题的有前景的方法，但它们常受维度灾难的影响，通常导致低分辨率的优化结果。这一局限性部分源于通过传统交叉算子产生有效后代的困难，其难以有意义地重组复杂的父代设计特征。本文提出了一种用于拓扑优化的新型交叉算子，称为Wasserstein交叉，并开发了相应的基于EA的优化框架。我们的方法利用基于Wasserstein距离的形变技术——该距离度量源自最优传输理论，是概率分布之间的距离度量。其核心思想是将材料分布视为概率分布，并将后代生成为Wasserstein质心，从而在保持结构特征的同时实现父代设计之间的平滑且可解释的插值。所提出的框架在多保真度设计方案的框架下，将Wasserstein交叉整合到EA中，其中低保真度优化的初始设计通过基于高保真度评估的Wasserstein交叉和选择迭代进化。我们将所提出的框架应用于三个拓扑优化问题：二维和三维结构力学中的最大应力最小化，以及二维热流体中的湍流热传递。结果表明，候选解通过Wasserstein交叉迭代地向高性能设计进化，突显其作为有效交叉算子的潜力，并验证了所提出框架在解决棘手的拓扑优化问题中的有效性。
Keyword:
Topology optimization
Evolutionary algorithm
Wasserstein distance
Maximum stress minimization
Turbulent heat transfer
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.3
论文数:
1.3W
被引数:
5.6W
机构
引用论文
分享收藏Structural topology design optimization using Genetic Algorithms with a bit-array representation
PREAI
分享收藏Data-driven multifidelity topology design for enhancing turbulent natural convection cooling用于增强湍流自然对流冷却的数据驱动多保真度拓扑设计
PREAI
分享收藏Wasserstein-based evolutionary operators for optimizing sets of points: application to wind-farm layout design基于Wasserstein的进化算子用于点集优化：在风电场布局设计中的应用.png)
IF0
PREAI
分享收藏Data-driven morphological exploration and shape optimization for turbulent pipe systems数据驱动的形态探索与湍流管道系统的形状优化
IF0
PREAI
分享收藏Topology optimization with local stress constraint based on level set evolution via reaction-diffusion基于反应扩散水平集演化的局部应力约束拓扑优化
PREAI
分享收藏
查看更多内容