3.4 优化算法
HyperStudy包含非常丰富的优化算法，本案例为离散的单目标优化问题，可以选择的优化算法有自适应响应面法（ARSM）、全局自适应响应面法（GRSM）和遗传算法（GA）。自适应响应面法迭代次数较少、优化效率高,但对于变量较多的优化问题找到的解往往不是最优解，而遗传算法迭代次数过多，效率非常低，所以本优化问题选择全局自适应响应面法为优化算法。全局自适应响应面法在每一次迭代后，基于响应面的优化算法会产生新的计算样本点，增加的样本点会在局部搜索和全局搜索之间寻求一个较好的平衡。全局自适应响应面法在开始时利用少数的样本点建立一个响应面并根据新的样本点适应性地更新响应面以更好地拟合实际模型。全局自适应响应面法可以优化单目标和多目标的问题，具有全局搜索能力，支持离散变量，适用于具有很多设计变量的单目标优化。本优化问题为较多设计变量的单目标优化，采用全局自适应响应面法最为合适。全局自适应响应面法的优化流程如图所6示。
图6 全局自适应响应面法的优化流程图
4 结果分析
仅仅通过一次的优化设置后，碳纤维复合材料结构就完成了传统方法经过3个阶段优化设计的3个任务：
（1）几何形状的设计；
（2）各铺层厚度与角度的设计：
（3）铺层顺序的设计。
4.1 优化结果
由于设计变量较多，本优化模型设置计算次数为200次，优化目标在77次迭代后收敛。优化目标的优化迭代图如图7所示。
图7 优化目标的优化迭代图
经过优化后，模型侧面的两圆孔向下移动了5.156mm，优化后模型的形状和铺层信息如图8和图9所示。
图8 优化后的有限元模型
图9 优化后的各铺层信息
4.2 结果对比分析
优化设计前模型的顶面下降为0.0524786mm，经过优化后的顶面下降为0.0498680，比优化前减少了0.0026106mm，减少了5%，且0.049868mm满足设计要求。
优化前模型的体积为120041〖mm〗^3,经过优化后的体积为108787〖mm〗^3,比优化前减少了11254〖mm〗^3,减少了9.4%。
5 结论
基于HyperStudy优化平台与OptiStruct求解器相结合的碳纤维复合材料优化设计方法同时实现了分三步的形状优化、铺层厚度与角度优化、铺层顺序优化。本案例证明了这种优化设计方法对基于铺层的碳纤维复合材料优化是有效的，为基于铺层碳纤维复合材料的优化提供了一种新的方法。
