在之前的文章《当结构设计遇到遗传算法》中我们了解了遗传算法的基本原理和一些运用，这一次我们来尝试一下如何基于有限元分析的结果，实现ANSYS与MATLAB的联合优化设计。

在众多有限元分析软件中，ANSYS凭借其极为便捷的参数化设计语言（ANSYS Parametric Design Language）在结构参数化建模分析方面独树一帜。MATLAB是矩阵实验室的简称，具有丰富的矩阵操作命令和数值函数，本身就带有专用的ANSYS调用命令，更为贴近工程应用，便于编程的可视化。通过 MATLAB 来实现遗传算法的编制是非常方便的，将种群的数据存入矩阵中实现对整个种群的遗传操作，大大提高了计算效率。将ANSYS与MATLAB二者优点相互结合，可以避免繁琐的软件操作，使优化过程更加便捷有效。

此文通过选取一个高层混凝土结构案例（见下图），建筑层数15层，建筑高度为61m，通过简单的静力分析来进行有限元结合遗传算法的初步实现。具体的ANSYS APDL命令流编写过程我们后续再来介绍。这里先来谈一谈ANSYS与MATLAB联合优化设计部分的实现。

结构案例模型

优化设计首先要确定以下三个主要的函数关系：

目标函数中首先确定结构的拟优化变量有哪些，具体可以是建筑平面尺寸的微调、建筑层高、结构梁板柱的尺寸、柱距等，当然也可以是施加荷载的位置、大小、方向等。在确定了优化变量后就要在命令流编制过程中首先定义这些参数并赋值，比如梁高可以设为LH=0.5m，柱距设为CD=4m等等。而这些变量的取值范围则是在MATLAB主函数中定义区间范围取值。

在APDL中率先定义变量是后续参数化分析及优化设计的必要的一步。后续则是命令流常见的语句编写过程，遵循点线面的原则，对于规则的结构可采用for循环语句快速生成模型。具体建模过程不再赘述。在命令流编写完毕后建议先运行检查一遍相应的模型及各项后处理结果数据，以保证后续的遗传算法优化进行正确模型的有效优化。

另外需注意，在后处理阶段的命令流中要输出指定的分析结果参数–也就是我们的优化目标，优化目标可以是结构的总重量最小，最大应力最小，最大位移最小，最大层间位移最小等参数，约束条件包括限制最大位移、最大应力等在一定的区间范围内，防止在优化迭代过程中进行不必要的分析过程。优化目标和约束条件必须在命令流中以数值的形式被定义且输出，这样后期才能以被读取调用进行遗传算法的优化设计。在APDL中提取输出结果参数（本例为结构最大位移）的命令如下：

其中，考虑到位移矢量的正负，需要通过*GET 得到位移的最大值与最小值，再通过比较绝对值来确定最大位移数值，如此得出的才是我们的最终的位移约束条件取值。

ANSYS与MATLAB有良好的数据传输接口，所以采用MATLAB 编制遗传算法程序调用ANSYS，只需在MATLAB中通过一行命令

即可成功调用ANSYS 的Batch批处理模式，在此模式下不能打开ANSYS交互界面，只能以后台模式运行，MATLAB将读取C盘下的MODEL1完整命令流文件，执行建模及分析计算结果输出，将以TXT文本格式输出有关参数保存在D盘OUTPUT文件中，实现优化设计中包含的各个参数在ANSYS与MATLAB间相互传输。

关于遗传算法本身的介绍在之前的文章《当结构设计遇到遗传算法》中有具体的介绍，在这里不再赘述。值得一提的是在遗传算法代码中定义的变量（优化变量、优化目标、约束条件等）需与命令流中的变量名保持一致才能在两个软件中正确传输。比如我们在APDL文件中定义了有关梁板柱墙尺寸的11个参数及其相应的初值如下

*SET,L1,0.2

*SET,L2,0.3

……

*SET,L11,0.2

那么在MATLAB中需定义这11个参数的取值范围

Bound=[0.2 1.0; 0.2 1.0;0.2 0.8;0.2 0.8;0.4 1.0;0.4 1.0;0.4 1.5;0.4 1.5;0.1 0.2;0.10.4;0.1 0.3];

其中每个分号前代表每个变量的区间上限值和区间下限值。

优化结果图

遗传算法的优化结果如上图。我们可以看到，在经过不断的优化迭代后，优化目标值（结构总重量）不断下降最终趋于最小值。然而，遗传算法每执行一次优化可能会产生不同的最终优化结果，上述两图就代表了结构总重量的两种不同的最优结果，当然还会有其他不同的优化结果，这是因为传统的遗传算法在计算中会出现易陷入局部最优解的问题，在未来的研究中可以考虑将其与其它智能优化算法结合，最大限度避免算法在寻优过程中可能出现的效率底、易早熟等缺陷。

相关阅读

“转自：非解构-公众号”