A method of multiobjective optimization on the basis of approximate models for an optimized object

Authors

  • Yu.A. Zelenkov

Keywords:

approximation
response surface model (RSM)
RBF networks
multiobjective optimization
gas turbine engine parameters

Abstract

A method of multiobjective optimization on the basis of the NSGA-II algorithm with approximate models for an optimized object is proposed. Artificial neural networks with radial basis functions (RBF networks) are used to construct the approximate models whose parameters are determined with an evolutionary algorithm. The multiobjective optimization of the working process of a gas turbine engine is studied as an example.

New computational technologies

Downloads

Published

2010-09-13

Issue

Vol. 11 (2010): Issue 3.

Section

Section 1. Numerical methods and applications

Author Biography

Yu.A. Zelenkov

PJSC «UEC-Saturn»
• IT Director

References

  1. Зеленков Ю.А. Использование компьютеров в машиностроении. Опыт НПО «Сатурн» // Суперкомпьютерные технологии в науке, образовании и промышленности / Под ред. В.А. Садовничего, И.Г. Савина, Вл.В. Воеводина. М.: Изд-во Моск. ун-та, 2009.
  2. Васильев Ф.П. Методы оптимизации. М.: Факториал Пресс, 2002.
  3. Liu G.P., Yang J.B., Whidborne J.F. Multiobjective optimization and control. Baldock: Research Studies Press Ltd., 2003.
  4. Deb K. Multi-objective genetic algorithms: problem difficulties and construction of test problems // Evolutionary Computation. 7 , N 3. 205-230.
  5. Теория и расчет воздушно-реактивных двигателей / Под ред. С.М. Шляхтенко. М.: Машиностроение, 1987.
  6. Зайченко Ю.П. Исследование операций. Киев: Слово, 2003.
  7. Zitzler E., Thiele L. Multiobjective evolutionary algorithms: a comparative case study and the strength Pareto approach // IEEE Trans. on Evolutionary Computation, 3 , N 4. 257-271.
  8. Fonseca C.M., Fleming P.J. Multiobjective optimization and muitliple constraint handling with evolutionary algorithms II: application example // IEEE Trans. on System, Man, and Cybernetics. Part A: System and Humans. 1998. 28, N 1. 38-47.
  9. Mosetti C.G., Pediroda V., Poloni C. Application of evolutive algorithms and statistical analysis in the numerical optimisation of an axial compressor // Proc. of the 9th International Symposium on Transport Phenomena and Dynamics of Rotating Machinery. Honolulu, Hawaii. February 10-14. 2002.
  10. Deb K., Agrawal S., Pratap A., Meyarivan T. A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II // Proc. of the Parallel Problem Solving from Nature VI. 2000. 849-858.
  11. Egorov I.N., Kretinin G.V., Leshcshenko I.A., Kuptcov S.V. Multi-objective robust optimization using IOSO technology. Part I: Main features // Proc. of International Congress on Evolutionary Methods of Design, Optimization and Control with Applications to Industrial Problems EUROGEN 2003.
  12. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наукова Думка, 1981.
  13. Зеленков Ю.А. Аппроксимация функций на основе радиальных нейронных сетей, генерируемых при помощи эволюционных алгоритмов // Вестник Рыбинской государственной авиационной технологической академии им. П.А. Соловьева. Рыбинск, 2004. № 1-2 (4-6). 87-93.
  14. Yao X., Liu Y. A new evolutionary system for evolving artificial neural networks // IEEE Trans. Neural Networks. May 1997. 8. 694-713.
  15. Зеленков Ю.А., Серебряков П.Г., Шаров В.Г. Генерация нейронных сетей на основе генетических алгоритмов для задачи классификации образов // Моделирование и обработка информации в технических системах. Материалы Всероссийской научно-технической конференции. Рыбинск, РГАТА. 2004. 86-89.
  16. Topchy A., Lebedko O., Miagkikh V., Kasabov N. Adaptive training of radial basis function networks based on co-operative evolution and evolutionary programming // Progress in Connectionist-Based Information Systems. N. Kasabov et al (Eds.). Berlin: Springer Verlag, 1998. 253-258.
  17. Fogel D.B. Evolutionary computation: toward a new philosophy of machine intelligence. New York: IEEE Press, 1995.
  18. Yao X. Evolving artificial neural networks // Proc. of the IEEE. September 1999. 87, N 9. 1423-1447.
  19. Moody J., Darken C.J. Fast learning in networks of locally tuned processing units // Neural Computation. 1989. 1. 181-194.
  20. Осовский С. Нейронные сети для обработки информации. М.: Финансы и Статистика, 2002.
  21. Холщевников К.В., Емин О.Н., Митрохин В.Т. Теория и расчет авиационных лопаточных машин. М.: Машиностроение, 1986.
  22. Конструкция и проектирование авиационных газотурбинных двигателей / Под ред. Д.В. Хронина. М.: Машиностроение, 1989.
  23. Цховребов М.М. «Модульное» моделирование весовых характеристик ТРДДФ // ЦИАМ 2001-2005. Основные результаты научно-технической деятельности. Том I. М.: ЦИАМ, 2005. 64-68.