研究类型

• 所有目标的加权求和

  此类优化研究可用于基于单个目标或多个目标进行优化。如果定义多个目标，则使用线性加权将所有目标组合为单个性能函数。采用多个目标运行所有目标的加权求和分析将返回单一最佳设计：

  
  
  

  对于此类优化研究，典型目的包括最小化压降、最大化出口均匀性、最小化组分温度或最小化应力。

  所有目标的加权求和优化使用 SHERPA 搜索算法。

• 多目标权衡研究（帕累托前沿）

  在此类优化研究中，可以根据竞争目标进行优化。

  帕累托优化适用于有两个或更多具有竞争力的目标的情况。在这种情况下，没有单个最佳设计。相反，优化返回一条曲线，沿该曲线，所有设计在一个目标中的给定值下在另一个目标中为最佳设计，这称为帕累托优化设计条件。

  这条曲线称为帕累托前沿，表示两个竞争目标之间的最佳权衡关系：

  
  
  

  对于帕累托优化研究，存档大小指定每个帕累托循环运行的设计数量。

  在每个循环后，帕累托算法会将设计分类到不同的帕累托排列中。所有帕累托非支配设计都自动注册为排名第 1、2、3 和 4+。优化运行结束时，排名 1 将定义多目标权衡研究的帕累托前沿。

  在有两个以上竞争目标的情况下，寻找帕累托前沿需要大量设计评估。在这种情况下，建议调查所有目标是否真正相互竞争，或者其中一些目标是否类似并且可以组合。也可以尝试根据两个目标和约束提出问题。

  可以选择在运行分析之前为目标定义加权。

  多目标权衡研究（帕累托前沿）使用 MO（多目标）-SHERPA 搜索算法。

  有关搜索算法的信息，请参见 SHERPA 算法。

• 序列二次规划 (SQP)

  SQP 是基于梯度的迭代方法，用于约束非线性优化。它求解一系列优化子问题，其中每个子问题都优化以约束线性化为条件的目标二次模型。请参见基于梯度优化。

  优化线搜索沿二次模型中的方向（基于梯度的灵敏度）进行，以减少目标函数。计算步长以确定其应沿该方向移动多远。请参见优化类型参考。

  以下示例显示了搜索最小压降的优化路径。

  
  
  

在稳健性和可靠性研究中，参数分布类型和采样方法指定最终输入参数值。有关更多详细信息，请参考稳健性和可靠性研究的采样方法。