人工智能在結(jié)構(gòu)拓?fù)鋬?yōu)化領(lǐng)域的現(xiàn)狀與未來趨勢

耿東嶺 閻 琨 牛 斌

(1.大連理工大學(xué) 工業(yè)裝備結(jié)構(gòu)分析國家重點(diǎn)實(shí)驗(yàn)室，工程力學(xué)系，大連 116024； 2.大連理工大學(xué) 化工學(xué)院，大連 116024； 3.大連理工大學(xué) 機(jī)械工程學(xué)院，大連 116024)

1 引 言

結(jié)構(gòu)拓?fù)鋬?yōu)化旨在尋求材料的最優(yōu)分布方式(結(jié)構(gòu)拓?fù)?，使得在給定約束下，達(dá)到結(jié)構(gòu)的某種性能要求，是公認(rèn)的最具挑戰(zhàn)的結(jié)構(gòu)優(yōu)化方法。在過去的三十年中，關(guān)于結(jié)構(gòu)拓?fù)鋬?yōu)化的理論成果及相關(guān)算法快速發(fā)展，不僅應(yīng)用于機(jī)械、汽車、航空航天和海洋等工程制造領(lǐng)域，還應(yīng)用于具有特定力學(xué)或電磁性能的微觀材料的設(shè)計(jì)[1]。

關(guān)于結(jié)構(gòu)拓?fù)鋬?yōu)化問題的研究最早可追溯到20世紀(jì)初，Michell[2]利用解析法實(shí)現(xiàn)了桁架類離散結(jié)構(gòu)在特定載荷和邊界條件下的結(jié)構(gòu)設(shè)計(jì)，相關(guān)算法稱為Michell準(zhǔn)則。程耿東等[3]在對實(shí)心彈性板最優(yōu)設(shè)計(jì)的過程中創(chuàng)新性地指出其最優(yōu)設(shè)計(jì)是由無限細(xì)的密肋增強(qiáng)結(jié)構(gòu)構(gòu)成。這項(xiàng)工作認(rèn)為是近代拓?fù)鋬?yōu)化的先驅(qū)。受到這項(xiàng)工作的啟發(fā)，Bends?e等[4]提出了均勻化方法，即將宏觀結(jié)構(gòu)的拓?fù)鋬?yōu)化問題轉(zhuǎn)化為材料微結(jié)構(gòu)的尺寸優(yōu)化問題。這一里程碑式的貢獻(xiàn)促使更多的學(xué)者投入到均勻化方法相關(guān)的拓?fù)鋬?yōu)化設(shè)計(jì)研究中。為了提高拓?fù)鋬?yōu)化的計(jì)算效率，學(xué)者們提出了固體各向同性材料懲罰SIMP(Solid Isotropic Material with Penalization)方法[5-7]，該方法通過引入假設(shè)的可變密度材料，以單元的密度作為設(shè)計(jì)變量進(jìn)行拓?fù)鋬?yōu)化設(shè)計(jì)。與均勻化方法相比，SIMP方法執(zhí)行更方便，能夠便捷地完成拓?fù)鋬?yōu)化過程。Xie等[8]提出了漸進(jìn)結(jié)構(gòu)優(yōu)化ESO(Evolutionary Structural Optimization)方法，該方法的主要特點(diǎn)是移除應(yīng)力較低區(qū)域的材料，從而實(shí)現(xiàn)結(jié)構(gòu)的拓?fù)鋬?yōu)化。上述這些方法稱為基于密度的拓?fù)鋬?yōu)化方法。與之相對的方法，稱為基于邊界演化的拓?fù)鋬?yōu)化方法。該方法通過邊界演化控制結(jié)構(gòu)邊界的變形來實(shí)現(xiàn)結(jié)構(gòu)的拓?fù)鋬?yōu)化，目前較為成熟的邊界演化拓?fù)鋬?yōu)化方法主要包括水平集法和可移動變形組件孔洞法。其中水平集(Level-set)方法[9,10]通過引入水平集函數(shù)的等值面來描述結(jié)構(gòu)的邊界，引入特定的速度場，通過函數(shù)的演化來獲得下一時刻結(jié)構(gòu)的邊界形狀。然而，水平集方法存在隱式表達(dá)結(jié)構(gòu)邊界的問題，對此Guo等[11-13]提出了可移動變形組件法MMC(Moving Morphable Components)和可移動變形孔洞法MMV(Moving Morphable Void)，該方法以一系列可以移動變形的顯式組件或孔洞作為拓?fù)鋬?yōu)化的基本模塊，通過組件間的移動、交疊和覆蓋，以及孔洞間的相互融合來實(shí)現(xiàn)結(jié)構(gòu)的拓?fù)渥兓?。除上述拓?fù)鋬?yōu)化方法外，還包括獨(dú)立連續(xù)映射ICM(Independent,Continuous,Mapping)法[14]、相場法[15-17]、拓?fù)鋵?dǎo)數(shù)法[18,19]、有限圓FCM(Finite Circle Method)法[20]以及基于智能優(yōu)化算法的拓?fù)鋬?yōu)化方法[21-24]等。

上述拓?fù)鋬?yōu)化方法，特別是對于結(jié)構(gòu)剛度優(yōu)化問題其優(yōu)化過程大體上可以分為結(jié)果拓?fù)漭喞醪匠尚坞A段和材料細(xì)化分布階段。拓?fù)漭喞醪匠尚坞A段，材料由初始布局快速分布到給定載荷和邊界附近，形成初步(模型輪廓模糊)的拓?fù)錁?gòu)型，這一過程中優(yōu)化目標(biāo)函數(shù)往往快速下降；而材料細(xì)化階段在上一階段獲得的基本拓?fù)錁?gòu)型的基礎(chǔ)上，逐漸細(xì)化材料分布，直到收斂于最優(yōu)的拓?fù)?清晰)構(gòu)型，優(yōu)化目標(biāo)函數(shù)在這一階段呈現(xiàn)微調(diào)的變化特征。對于大規(guī)模的拓?fù)鋬?yōu)化問題，完成結(jié)構(gòu)的拓?fù)鋬?yōu)化需要進(jìn)行數(shù)百次甚至數(shù)千次的迭代過程，尤其是材料細(xì)化分布階段，大量的迭代只是逐漸細(xì)化結(jié)構(gòu)的局部構(gòu)型，而整體的拓?fù)錁?gòu)型并沒有發(fā)生較大的變化。然而，每一次迭代均需要進(jìn)行同等大規(guī)模的有限元計(jì)算，不僅降低了計(jì)算效率，也越來越不能滿足當(dāng)今工業(yè)領(lǐng)域?qū)τ诟咝?yōu)質(zhì)的設(shè)計(jì)需求，因此提高計(jì)算效率是目前拓?fù)鋬?yōu)化領(lǐng)域亟待解決的主要問題之一。近年來，學(xué)者們陸續(xù)提出了一些改進(jìn)拓?fù)鋬?yōu)化計(jì)算效率的算法。Liu等[25]提出各向異性多孔介質(zhì)宏微觀材料/結(jié)構(gòu)一體化優(yōu)化的PAMP(Porous Anisotropic Material with Penalization)框架，相比于傳統(tǒng)的層級優(yōu)化方法，降低了設(shè)計(jì)變量的數(shù)目，提高了優(yōu)化結(jié)果的可制造性。此框架成功應(yīng)用到熱彈性結(jié)構(gòu)拓?fù)鋬?yōu)化[26]和動力學(xué)頻率拓?fù)鋬?yōu)化[27,28]等問題。Kim等[29]將高分辨率拓?fù)鋬?yōu)化拆分成從低分辨率到高分辨率多個階段，提出了多尺度拓?fù)鋬?yōu)化方法。Jang等[30]提出了一種基于固定網(wǎng)格在拓?fù)鋬?yōu)化的同時對設(shè)計(jì)空間進(jìn)行優(yōu)化的方法。Aage等[31]基于C++并行計(jì)算庫PETSc，提出了一套基于CPU并行的拓?fù)鋬?yōu)化方法，并將其應(yīng)用于大規(guī)模結(jié)構(gòu)拓?fù)鋬?yōu)化[32]。雖然上述研究成果顯著提升了拓?fù)鋬?yōu)化方法求解問題的計(jì)算效率和規(guī)模，但往往受限于拓?fù)鋬?yōu)化迭代式求解的計(jì)算性質(zhì)，僅對拓?fù)鋬?yōu)化流程中結(jié)構(gòu)有限元求解部分進(jìn)行了加速，使得拓?fù)鋬?yōu)化方法整體效率的提升仍受到一定限制。

隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展和數(shù)據(jù)量的劇增，促使了以深度學(xué)習(xí)[33]為代表的機(jī)器學(xué)習(xí)算法[34]的空前發(fā)展，其相關(guān)的研究成果已經(jīng)在計(jì)算機(jī)、金融、生命科學(xué)及傳統(tǒng)工業(yè)等諸多領(lǐng)域得到廣泛應(yīng)用[35-38]。由于機(jī)器學(xué)習(xí)算法的特點(diǎn)為僅在離線訓(xùn)練階段需要較高的計(jì)算成本，而在線使用過程不需要復(fù)雜的計(jì)算，常用于實(shí)現(xiàn)復(fù)雜計(jì)算過程的加速或?qū)崟r計(jì)算。如通過訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Networks)模型[39]，實(shí)現(xiàn)對空氣動力學(xué)領(lǐng)域相關(guān)的設(shè)計(jì)、分析和優(yōu)化等問題的加速，提供及時的設(shè)計(jì)反饋[40]?；跅l件生成對抗網(wǎng)絡(luò)cGAN(conditional Generative Adversarial Networks)模型[41]，實(shí)現(xiàn)了在未知基本控制方程前提下，快速地對具有傳導(dǎo)現(xiàn)象的物理問題進(jìn)行建模和模擬[38]?；谏疃壬窠?jīng)網(wǎng)絡(luò)DNN(Deep Neural Networks)模型，實(shí)現(xiàn)了對非均質(zhì)材料的等效性能的快速預(yù)測[42]?；贙-means聚類算法[43]的非監(jiān)督機(jī)器學(xué)習(xí)方法，成功降低了設(shè)計(jì)變量的維度，加快了拓?fù)鋬?yōu)化的進(jìn)程[44]。目前已有相當(dāng)數(shù)量的關(guān)于機(jī)器學(xué)習(xí)拓?fù)鋬?yōu)化方法的研究工作，用于提高拓?fù)鋬?yōu)化的計(jì)算效率及進(jìn)行實(shí)時的拓?fù)鋬?yōu)化設(shè)計(jì)。

圍繞目前已有的拓?fù)鋬?yōu)化方法，本綜述將回顧人工智能方法在拓?fù)鋬?yōu)化領(lǐng)域的發(fā)展歷程及研究現(xiàn)狀?？紤]到深度學(xué)習(xí)為近些年最主流的人工智能研究方向，與其相關(guān)的技術(shù)和應(yīng)用研究工作眾多，故本綜述主要介紹深度學(xué)習(xí)與拓?fù)鋬?yōu)化相結(jié)合的相關(guān)工作，而對傳統(tǒng)的機(jī)器學(xué)習(xí)算法和人工神經(jīng)網(wǎng)絡(luò)算法與拓?fù)鋬?yōu)化相結(jié)合的工作僅做簡要介紹。本綜述不涉及該領(lǐng)域的全部文獻(xiàn)，其綜述范圍有限，且與作者本人的研究興趣密切相關(guān)。

2 機(jī)器學(xué)習(xí)在拓?fù)鋬?yōu)化領(lǐng)域的應(yīng)用

機(jī)器學(xué)習(xí)ML(Machine Learning)是人工智能的主要子域，也是目前人工智能相關(guān)研究中最具實(shí)用性、應(yīng)用最為廣泛的方法。區(qū)別于人工智能使計(jì)算機(jī)實(shí)現(xiàn)類似人類對知識利用的范性目的，機(jī)器學(xué)習(xí)主要研究基于數(shù)據(jù)實(shí)現(xiàn)自改善的算法，該算法能夠從數(shù)據(jù)中自主分析、學(xué)習(xí)數(shù)據(jù)特征，并基于所學(xué)習(xí)的數(shù)據(jù)特征進(jìn)行相關(guān)的回歸及分類行為，其與人工智能、深度學(xué)習(xí)的關(guān)系如圖1所示。為了便于整理，本節(jié)僅討論除人工神經(jīng)網(wǎng)絡(luò)外的其他傳統(tǒng)機(jī)器學(xué)習(xí)方法，包括K-臨近算法KNN(K-Nearest Neighbors)、支持向量回歸SVR(Supported Vector Regression)、線性判別器和樸素貝葉斯等學(xué)習(xí)模型[45]。近些年，將機(jī)器學(xué)習(xí)算法與拓?fù)鋬?yōu)化框架相結(jié)合實(shí)現(xiàn)快速的拓?fù)鋬?yōu)化設(shè)計(jì)受到了眾多學(xué)者的高度關(guān)注。

圖1 人工智能、機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)之間的關(guān)系

Lei等[46]在MMC拓?fù)鋬?yōu)化框架的基礎(chǔ)上，使用KNN與SVR模型實(shí)現(xiàn)了拓?fù)漕A(yù)測。MMC拓?fù)鋬?yōu)化框架具有參數(shù)量少的特點(diǎn)，但同樣需要多次迭代來滿足收斂條件。文中基于建立的機(jī)器學(xué)習(xí)模型給出初步的拓?fù)錁?gòu)型預(yù)測，并將此預(yù)測結(jié)果代入到MMC優(yōu)化程序中進(jìn)行進(jìn)一步的優(yōu)化，從而獲得最終的拓?fù)鋬?yōu)化構(gòu)型，這在一定程度上大幅縮減了計(jì)算量，且預(yù)測結(jié)果也能滿足精度要求。Jiang等[47]提出了基于機(jī)器學(xué)習(xí)的參數(shù)調(diào)整策略，將基于極端隨機(jī)樹ET(Extra-Trees)的圖像分類器集成到優(yōu)化框架中，并與粒子群算法(PSO)相結(jié)合形成閉環(huán)，以實(shí)現(xiàn)MMA(Method of Moving Asymptotes)[48]優(yōu)化超參數(shù)的自動調(diào)整。結(jié)果表明，所提模型能夠有效地在給定設(shè)計(jì)領(lǐng)域內(nèi)得到合理的參數(shù)方案。

含微觀特征的結(jié)構(gòu)由于具有更大的設(shè)計(jì)空間，往往具有更好的產(chǎn)品性能。近些年隨著增材制造技術(shù)的出現(xiàn)，相應(yīng)多尺度結(jié)構(gòu)的制造逐漸擺脫了傳統(tǒng)制造工藝的束縛，具有極大的發(fā)展?jié)摿ΑＨ欢⒂^結(jié)構(gòu)的拓?fù)鋬?yōu)化相比于宏觀拓?fù)鋬?yōu)化具有更高的計(jì)算成本。針對上述問題，Kumar等[49]基于K-means聚類方法研究了微觀結(jié)構(gòu)拓?fù)鋬?yōu)化問題，降低了微觀結(jié)構(gòu)拓?fù)鋬?yōu)化算法的計(jì)算成本。Yan等[50]基于K-means聚類方法研究了多尺度熱彈性點(diǎn)陣結(jié)構(gòu)的拓?fù)鋬?yōu)化問題。Qiu等[51]基于K-means聚類方法提出了一種并發(fā)的拓?fù)鋬?yōu)化方法，用于點(diǎn)陣結(jié)構(gòu)的拓?fù)鋬?yōu)化設(shè)計(jì)。Zhang等[52,53]基于克里金法(Kriging Method)[54]預(yù)測了材料的微觀結(jié)構(gòu)屬性以加速多尺度的拓?fù)鋬?yōu)化進(jìn)程。Raponi 等[55]通過將克里金法與水平集方法(Level-set Method)相結(jié)合，實(shí)現(xiàn)了耐沖擊結(jié)構(gòu)拓?fù)鋬?yōu)化設(shè)計(jì)。

3 人工神經(jīng)網(wǎng)絡(luò)與結(jié)構(gòu)拓?fù)鋬?yōu)化

人工神經(jīng)網(wǎng)絡(luò)為目前機(jī)器學(xué)習(xí)中最受關(guān)注的重要領(lǐng)域。由于良好的可擴(kuò)充性與強(qiáng)大的非線性處理能力，人工神經(jīng)網(wǎng)絡(luò)近乎可以實(shí)現(xiàn)任何復(fù)雜問題的處理。常規(guī)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。其網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層與輸出層組成。其中，輸入層負(fù)責(zé)接收外界輸入數(shù)據(jù)，隱含層負(fù)責(zé)對傳入數(shù)據(jù)進(jìn)行維度變換與加工，最終結(jié)果由輸出層輸出。對于人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，即為基于訓(xùn)練數(shù)據(jù)對各層神經(jīng)元間的連接權(quán)重與各個神經(jīng)元的參數(shù)進(jìn)行調(diào)整。而隨著人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與不斷變革，其網(wǎng)絡(luò)架構(gòu)正不斷趨于深層化與復(fù)雜化。為了便于整理，本節(jié)僅對基于結(jié)構(gòu)簡單的人工神經(jīng)網(wǎng)絡(luò)模型展開的拓?fù)鋬?yōu)化研究工作進(jìn)行介紹。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[56]

Ulu等[57]采用主成分分析PCA(Principal Component Analysis)方法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，進(jìn)行了二維結(jié)構(gòu)的拓?fù)鋬?yōu)化。使用SIMP拓?fù)鋬?yōu)化方法獲得大量的優(yōu)化結(jié)果，并基于PCA方法對優(yōu)化后的結(jié)果圖像進(jìn)行特征降維。PCA方法的權(quán)重值與對應(yīng)載荷情況作為初始數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行模型訓(xùn)練。當(dāng)在訓(xùn)練完成的模型中輸入新的載荷信息時，模型也將產(chǎn)生新的PCA權(quán)重值，從而組建相對應(yīng)的優(yōu)化結(jié)果圖。這種方法成功實(shí)現(xiàn)了快速拓?fù)漕A(yù)測的功能，降低了優(yōu)化的計(jì)算量。Deng等[58]使用神經(jīng)網(wǎng)絡(luò)，探討了隱含層數(shù)量對模型幾何特征描述能力的影響，實(shí)現(xiàn)了三維結(jié)構(gòu)的快速拓?fù)漕A(yù)測功能。Ranjbar[59]則是基于全連接神經(jīng)網(wǎng)絡(luò)構(gòu)建了一個關(guān)于聲學(xué)結(jié)構(gòu)的優(yōu)化框架，并在文獻(xiàn)[60]討論了所提的模型在不同參數(shù)設(shè)置時的預(yù)測性能。Gu等[61]使用單層神經(jīng)網(wǎng)絡(luò)預(yù)測了雙相復(fù)合材料的強(qiáng)度和韌性。除了直接用于結(jié)構(gòu)預(yù)測，人工神經(jīng)網(wǎng)絡(luò)也可用做拓?fù)鋬?yōu)化中分析程序的代理模型。White等[62]將單層神經(jīng)網(wǎng)絡(luò)納入到了多尺度拓?fù)鋬?yōu)化框架，用于預(yù)測具有微觀結(jié)構(gòu)的超材料等效材料屬性。

除了上述人工神經(jīng)網(wǎng)絡(luò)與拓?fù)鋬?yōu)化的結(jié)合方式外，也有學(xué)者嘗試將人工神經(jīng)網(wǎng)絡(luò)中的尋優(yōu)算法與拓?fù)鋬?yōu)化框架結(jié)合以提高計(jì)算效率。Hoyer等[63]利用神經(jīng)網(wǎng)絡(luò)對函數(shù)的隱偏置來改進(jìn)拓?fù)鋬?yōu)化的參數(shù)，通過優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，而不是直接優(yōu)化網(wǎng)格上的密度來實(shí)現(xiàn)拓?fù)鋬?yōu)化的過程，結(jié)果表明這種方法可以通過網(wǎng)絡(luò)訓(xùn)練實(shí)現(xiàn)更好的設(shè)計(jì)。Chandrasekhar等[64]將SIMP拓?fù)鋬?yōu)化方法與神經(jīng)網(wǎng)絡(luò)相互融合，將神經(jīng)網(wǎng)絡(luò)模型作為優(yōu)化框架的一部分，使用Adam優(yōu)化器代替了傳統(tǒng)SIMP法中的優(yōu)化求解器。相比于傳統(tǒng)的SIMP拓?fù)鋬?yōu)化方法，神經(jīng)網(wǎng)絡(luò)與有限元分析相結(jié)合的框架可在總體上節(jié)約一半的計(jì)算成本，大幅提高了運(yùn)行的效率。

4 深度學(xué)習(xí)與結(jié)構(gòu)拓?fù)鋬?yōu)化

深度學(xué)習(xí)DL(Deep Learning)是人工神經(jīng)網(wǎng)絡(luò)的重要分支，一般指從輸入到輸出具有多層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)。相比于結(jié)構(gòu)簡單的人工神經(jīng)網(wǎng)絡(luò)模型，深度學(xué)習(xí)模型具有更加復(fù)雜的層級結(jié)構(gòu)與更加多樣化的數(shù)據(jù)處理方式，具有強(qiáng)大的非線性處理能力。目前常見的深度學(xué)習(xí)模型主要包括CNN模型、循環(huán)神經(jīng)網(wǎng)絡(luò)RNN(Recurrent Neural Networks)、自編碼器(Autoencoders)、深度置信網(wǎng)絡(luò)(Deep Belief Nets)和生成對抗網(wǎng)絡(luò)GAN(Generative Adversarial Networks)等[45]。這些模型在處理復(fù)雜關(guān)系模擬、大量數(shù)據(jù)擬合等問題時有著出色的表現(xiàn)。本節(jié)根據(jù)不同的數(shù)據(jù)學(xué)習(xí)模式，詳細(xì)介紹了以回歸拓?fù)錇槟康牡幕貧w式結(jié)構(gòu)拓?fù)鋬?yōu)化和以生成拓?fù)錇槟康牡纳墒浇Y(jié)構(gòu)拓?fù)鋬?yōu)化的框架和應(yīng)用，系統(tǒng)歸納了基于相關(guān)算法的拓?fù)鋬?yōu)化設(shè)計(jì)工作。

4.1 回歸式結(jié)構(gòu)拓?fù)鋬?yōu)化設(shè)計(jì)

部分深度學(xué)習(xí)在拓?fù)鋬?yōu)化方向的應(yīng)用采用回歸拓?fù)錁?gòu)型的技術(shù)路線，即在深度學(xué)習(xí)模型中僅將拓?fù)鋬?yōu)化問題作為圖形的回歸問題處理，在模型的構(gòu)造與使用過程中不考慮目標(biāo)函數(shù)和設(shè)計(jì)變量取值等拓?fù)鋬?yōu)化要素。其中，CNN模型由于其基于卷積操作實(shí)現(xiàn)了對以圖像為首的多維數(shù)據(jù)結(jié)構(gòu)的小參數(shù)處理，大幅降低了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對多維數(shù)據(jù)結(jié)構(gòu)的處理難度，是最受工程領(lǐng)域關(guān)注的深度學(xué)習(xí)模型之一，其具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。CNN模型架構(gòu)一般包括用于提取數(shù)據(jù)特征的卷積層和用于數(shù)據(jù)降維的池化層。二者相結(jié)合可以在使用較少參數(shù)的同時有效提取圖像在各個尺度上的信息。由于CNN模型出色的圖形處理能力，學(xué)者們將其應(yīng)用到拓?fù)鋬?yōu)化領(lǐng)域以加速優(yōu)化進(jìn)程。Sosnovik等[65]將深度學(xué)習(xí)模型引入到SIMP拓?fù)鋬?yōu)化之中，提出了一種輕量級的CNN模型模仿拓?fù)漕A(yù)測過程，以初步迭代的結(jié)構(gòu)密度分布與梯度值作為初始信息，快速獲得可靠的拓?fù)錁?gòu)型，顯著加速了拓?fù)鋬?yōu)化的進(jìn)程。Wang等[66]則是提出了一個具有較強(qiáng)泛化能力的深層CNN模型，通過擴(kuò)大樣本集規(guī)模并豐富輸入數(shù)據(jù)類型，來緩和深層深度學(xué)習(xí)模型的過擬合情況，并增強(qiáng)其泛化能力。Sasaki等[67]構(gòu)建了一個CNN模型，用于電機(jī)結(jié)構(gòu)的最大化平均扭矩設(shè)計(jì)，基于所訓(xùn)練模型獲得的拓?fù)鋬?yōu)化結(jié)果與基于傳統(tǒng)的拓?fù)鋬?yōu)化所獲得的結(jié)果相比，在形狀和性能上相差不大，但計(jì)算成本降低了約10%～33%。不同于上述基于二維拓?fù)鋬?yōu)化問題的研究，Banga等[68]將三維工況下SIMP拓?fù)鋬?yōu)化方法與CNN模型相結(jié)合。詳細(xì)討論了模型不同通道數(shù)據(jù)對預(yù)測結(jié)果精度的影響。經(jīng)過良好訓(xùn)練深度學(xué)習(xí)模型，在保證模型預(yù)測準(zhǔn)確性的基礎(chǔ)上，相比于傳統(tǒng)的拓?fù)鋬?yōu)化方法，縮短了40%的整體運(yùn)算時間，顯著提升了運(yùn)行的效率。

圖3 卷積神經(jīng)網(wǎng)絡(luò)(CNN)框架[45]

為使傳統(tǒng)CNN模型更能適應(yīng)拓?fù)鋬?yōu)化問題，一些學(xué)者對CNN模型進(jìn)行了改進(jìn)。Abueidda等[69]將深度特征拼接技術(shù)與CNN模型結(jié)合，對線彈性小變形問題、具有幾何和物理非線性的超彈性響應(yīng)問題以及線彈性應(yīng)力約束問題進(jìn)行了相關(guān)的拓?fù)鋬?yōu)化研究，同時使用超級計(jì)算機(jī)來進(jìn)行樣本集的采集與模型的訓(xùn)練，大幅減少了整體運(yùn)算時間。為解決傳統(tǒng)拓?fù)鋬?yōu)化方法在加大網(wǎng)格數(shù)量時，面臨的維度詛咒的挑戰(zhàn)，Xue等[70]將超分辨率卷積神經(jīng)網(wǎng)絡(luò)SRCNN(Super Resolution Convolutional Neural Network)技術(shù)引入到拓?fù)鋬?yōu)化框架，并建立了新的池化策略，使得優(yōu)化過程中的有限元分析數(shù)量與輸出網(wǎng)格的數(shù)量保持平衡，該研究最大的亮點(diǎn)是在處理三維拓?fù)鋬?yōu)化問題時，通過集成多個二維拓?fù)鋬?yōu)化網(wǎng)絡(luò)進(jìn)行最優(yōu)拓?fù)涞念A(yù)測。此方法既保證了最優(yōu)拓?fù)錁?gòu)型的預(yù)測質(zhì)量，也減少了訓(xùn)練三維神經(jīng)網(wǎng)絡(luò)的時間成本。Nakamura等[71]在深度學(xué)習(xí)模型的編碼器和解碼器中分別使用了批正則化(Batch Normalization)和空間適應(yīng)去正則化(Spatially Adaptive Denormalization)技術(shù)，并表明了在相同模型框架結(jié)構(gòu)下，其模型具有更好的預(yù)測精度，實(shí)現(xiàn)了在給定任意設(shè)計(jì)域和邊界條件下，無需任何的迭代過程即可實(shí)現(xiàn)結(jié)構(gòu)的拓?fù)鋬?yōu)化設(shè)計(jì)。此外，基于CNN模型還可進(jìn)行超材料拓?fù)鋬?yōu)化設(shè)計(jì)[72]和散熱結(jié)構(gòu)的拓?fù)鋬?yōu)化設(shè)計(jì)[73]等。

除CNN模型外，一些學(xué)者還基于其他深度學(xué)習(xí)模型，在拓?fù)鋬?yōu)化領(lǐng)域進(jìn)行了探索。Deng等[74]指出解決非線性高維的拓?fù)鋬?yōu)化問題需要使用智能優(yōu)化算法，但是由于其計(jì)算量較大，導(dǎo)致相關(guān)的拓?fù)鋬?yōu)化面臨巨大的挑戰(zhàn)。為解決這個問題，提出了一個自主在線學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò)，并使之與廣義模擬退火模型GSA(Generalized Simulated Annealing)相結(jié)合來取代拓?fù)鋬?yōu)化計(jì)算中的有限元分析部分，該模型的主要特點(diǎn)是可以動態(tài)產(chǎn)生深度學(xué)習(xí)模型所需要的訓(xùn)練數(shù)據(jù)，從而避免產(chǎn)生與最優(yōu)值距離較遠(yuǎn)的不相關(guān)的訓(xùn)練數(shù)據(jù)，有助于深度學(xué)習(xí)模型在關(guān)鍵區(qū)域?qū)崿F(xiàn)更好的回歸效果，以便做到更準(zhǔn)確地預(yù)測。該模型可以降低兩個數(shù)量級以上的計(jì)算耗時，為進(jìn)行大規(guī)模三維非線性拓?fù)鋬?yōu)化帶來了可能。Bi等[75]提出了一個集成深度學(xué)習(xí)和并行計(jì)算的通用可擴(kuò)展框架，以提高拓?fù)鋬?yōu)化設(shè)計(jì)效率。該框架的核心思想是深入挖掘迭代歷史數(shù)據(jù)，利用深度神經(jīng)網(wǎng)絡(luò)生成當(dāng)前拓?fù)鋬?yōu)化設(shè)計(jì)的代理梯度，在處理一個新的設(shè)計(jì)問題時，只需要進(jìn)行在線的自主學(xué)習(xí)，而不需要前期進(jìn)行大量的數(shù)據(jù)采集工作。以大規(guī)?；谠霾闹圃斓慕Y(jié)構(gòu)設(shè)計(jì)為例，當(dāng)前的拓?fù)鋬?yōu)化框架能夠顯著節(jié)約計(jì)算成本，與傳統(tǒng)的拓?fù)鋬?yōu)化設(shè)計(jì)相比，可提高設(shè)計(jì)速度約8.6倍。Yang等[76]提出了一種基于圖卷積神經(jīng)網(wǎng)絡(luò)GCN(Graph Convolutional Networks)的拓?fù)鋬?yōu)化框架，解決了傳統(tǒng)基于CNN拓?fù)鋬?yōu)化框架存在高稀疏性和噪聲問題。針對基于梯度的拓?fù)鋬?yōu)化框架，Qian等[77]構(gòu)建了一個對偶型的神經(jīng)網(wǎng)絡(luò)模型(Dual-model Neural Networks)，此模型能夠提供較為精確的靈敏度和目標(biāo)函數(shù)的評估，并通過將此模型嵌入到基于梯度的拓?fù)鋬?yōu)化框架內(nèi)，取代原框架內(nèi)高維的仿真分析，顯著加速了拓?fù)鋬?yōu)化的進(jìn)程。此外還提出了一個高效的圖形訓(xùn)練數(shù)據(jù)生成方法，降低了訓(xùn)練模型所需的時間成本?；谒鶚?gòu)建的模型，分別研究了結(jié)構(gòu)最小柔順性拓?fù)鋬?yōu)化問題和具有負(fù)泊松比的超材料設(shè)計(jì)問題，兩種問題均達(dá)到了較為理想的結(jié)果。

4.2 生成式結(jié)構(gòu)拓?fù)鋬?yōu)化設(shè)計(jì)

與回歸式設(shè)計(jì)不同，生成式設(shè)計(jì)在模型的訓(xùn)練過程中可以考慮模型目標(biāo)函數(shù)、制造可行性及美觀性等多種拓?fù)鋬?yōu)化要素與評價(jià)方法，上述特點(diǎn)使近年來學(xué)者們發(fā)展的許多生成式模型，如變分自動編碼器VAE(Variational Auto-Encoder)模型和GAN模型等適用于生成式拓?fù)鋬?yōu)化問題研究。以下將分別對兩者與拓?fù)鋬?yōu)化的結(jié)合應(yīng)用進(jìn)行介紹。

GAN模型[78]是深度學(xué)習(xí)模型的一種，主要由生成器和判別器兩個神經(jīng)網(wǎng)絡(luò)模型構(gòu)成，通過兩個模型之間的相互博弈，使得生成器模型能夠產(chǎn)生與原始樣本相近的新樣本，達(dá)到以假亂真的目的。相比于傳統(tǒng)的非監(jiān)督式學(xué)習(xí)效率，GAN模型有效提升了相關(guān)問題的學(xué)習(xí)效率，激發(fā)了學(xué)術(shù)界和工業(yè)界對深度學(xué)習(xí)的興趣與期待，其具體框架如圖4所示。

圖4 生成對抗網(wǎng)絡(luò)(GAN)模型框架[79]

一些學(xué)者通過引入GAN模型來實(shí)現(xiàn)拓?fù)鋬?yōu)化過程。Rawat等[80]在SIMP拓?fù)鋬?yōu)化框架下，基于Wasserstein生成對抗網(wǎng)絡(luò)(WGAN)實(shí)現(xiàn)了特定載荷和特定邊界條件下不同材料體積約束與拓?fù)鋬?yōu)化超參數(shù)(密度懲罰系數(shù)，濾波器半徑)設(shè)計(jì)的生成，同時設(shè)計(jì)了一套CNN網(wǎng)絡(luò)，基于WGAN生成的設(shè)計(jì)，輸出材料體積約束與拓?fù)鋬?yōu)化超參數(shù)。隨后，對WGAN網(wǎng)絡(luò)進(jìn)行了修改，將二維拓?fù)鋬?yōu)化設(shè)計(jì)生成拓展到了三維問題，指出雖然圖形預(yù)測質(zhì)量有所下降，但傳力路徑依舊存在較高的可辨識性[81]。然而，上述工作僅面向單一確定工況的結(jié)構(gòu)拓?fù)鋬?yōu)化問題，實(shí)用性有限。Sharpe等[82]基于cGAN[83]框架實(shí)現(xiàn)了對任意體積約束、載荷位置的結(jié)構(gòu)的最優(yōu)拓?fù)錁?gòu)型預(yù)測，利用標(biāo)準(zhǔn)SIMP方法和多尺度方法獲得的拓?fù)鋬?yōu)化數(shù)據(jù)訓(xùn)練了不同的cGAN。上述模型將體分比、負(fù)載位置和材料類型設(shè)定為網(wǎng)絡(luò)的輸入，以用于快速生成工程師能夠使用的初始設(shè)計(jì)。相比于傳統(tǒng)GAN模型，cGAN在生成器輸入與判別器輸入處均添加了圖片的標(biāo)簽向量，并根據(jù)該向量重構(gòu)了模型的訓(xùn)練損失以確保生成器與判別器在對應(yīng)標(biāo)簽范圍內(nèi)發(fā)揮作用。Nie等[84]將擠壓激勵殘差聯(lián)合網(wǎng)絡(luò)(U -SE-ResNet)與cGAN相結(jié)合，進(jìn)一步提升了生成器對于拓?fù)鋬?yōu)化問題的生成性能，并實(shí)現(xiàn)了根據(jù)載荷、邊界條件及材料體積約束生成拓?fù)錁?gòu)型的TopologyGAN框架。對比基本的cGAN框架，針對未知邊界條件的問題，所提框架能夠使均方誤差降低3倍，絕對誤差降低2.5倍，大幅提高了最優(yōu)拓?fù)浣Y(jié)構(gòu)的預(yù)測精度。并且通過上述高維的數(shù)據(jù)表征方法，該框架的適用性近乎擴(kuò)展到了全部的拓?fù)鋬?yōu)化問題。通過將圖像標(biāo)簽替換為拓?fù)鋬?yōu)化的載荷邊界條件，完成了cGAN與拓?fù)鋬?yōu)化的對接。除了約束和載荷較為明確的常規(guī)結(jié)構(gòu)拓?fù)鋬?yōu)化問題外，GAN也可用于更為復(fù)雜的工程產(chǎn)品拓?fù)鋬?yōu)化中。Oh等[85]基于樣本分類、邊界平衡生成對抗網(wǎng)絡(luò)、創(chuàng)新性篩查與優(yōu)質(zhì)樣本擴(kuò)充等一系列手段建立了可控制性能與幾何約束的GAN設(shè)計(jì)生成框架，并將該框架用于生成二維輪胎承力結(jié)構(gòu)設(shè)計(jì)，這些設(shè)計(jì)選項(xiàng)不僅符合美學(xué)，而且具有優(yōu)良的工程性能。除了二維產(chǎn)品，GAN也可用于更為復(fù)雜的三維工程產(chǎn)品生成。Shu等[86]基于點(diǎn)云模型與GAN網(wǎng)絡(luò)實(shí)現(xiàn)了飛行器整機(jī)的設(shè)計(jì)生成。

變分自編碼器(VAE)[87]是自編碼器的改進(jìn)版本，通過在傳統(tǒng)的自編碼器潛在空間Z增加一個正態(tài)分布約束，實(shí)現(xiàn)對先驗(yàn)數(shù)據(jù)分布進(jìn)行建模。其包含編碼器和解碼器兩個部分。編碼器將數(shù)據(jù)分布的高級特征映射到數(shù)據(jù)的低級表征，低級表征又叫做本征向量。解碼器通過吸收數(shù)據(jù)的低級表征，輸出同樣數(shù)據(jù)的高級表征。其具體的框架如圖5所示。

圖5 自編碼器框架

對于沒有確定方程描述的問題，基于傳統(tǒng)的拓?fù)鋬?yōu)化方法進(jìn)行優(yōu)化設(shè)計(jì)時可能會面臨巨大的挑戰(zhàn)。Guo等[88]基于SIMP方法生成的樣本，構(gòu)建了一個VAE的生成模型，為上述問題的求解提供了新的求解思路。該方法將二維的拓?fù)錁?gòu)型代入到一個低維的隱空間中進(jìn)行相應(yīng)的優(yōu)化過程，并通過解碼生成一個二維的拓?fù)錁?gòu)型?；诖朔椒ㄟM(jìn)行了熱傳導(dǎo)問題的優(yōu)化，與傳統(tǒng)的拓?fù)鋬?yōu)化框架相比，所建立的模型能夠同時提高計(jì)算效率及求解質(zhì)量。為解決傳統(tǒng)拓?fù)鋬?yōu)化方法在解決復(fù)雜約束問題時面臨的挑戰(zhàn)，Zhang等[89]基于變分自編碼器(VAE)提出了新的結(jié)構(gòu)布局優(yōu)化設(shè)計(jì)方法。此方法利用該模型的學(xué)習(xí)能力學(xué)習(xí)約束條件，從而自動生成滿足所有約束條件的設(shè)計(jì)對象。上述研究證明了VAE網(wǎng)絡(luò)能夠不基于物理模擬來學(xué)習(xí)相關(guān)設(shè)計(jì)問題的基本方程，即可生成一種有效的設(shè)計(jì)。優(yōu)化結(jié)果表明即使基于較為簡單的神經(jīng)網(wǎng)絡(luò)框架，也能夠相對容易地解決不同物理問題，而且不需要進(jìn)行靈敏度分析。除單目標(biāo)拓?fù)鋬?yōu)化外，多目標(biāo)優(yōu)化中也存在相關(guān)的深度學(xué)習(xí)應(yīng)用。Yamasaki等[90]將材料體積約束與結(jié)構(gòu)性能同時作為設(shè)計(jì)變量，對應(yīng)固定載荷構(gòu)筑了拓?fù)鋬?yōu)化問題的帕列托前沿解集，并基于該帕列托前沿上的樣本點(diǎn)訓(xùn)練了自變分編碼器(VAE)拓?fù)鋬?yōu)化框架。完成訓(xùn)練后，僅需更改輸入隱變量的數(shù)值即可使該模型產(chǎn)生不同的生成圖形結(jié)果。另外，他們在過去的工作中提出了一種設(shè)計(jì)域映射方法，以將不規(guī)則設(shè)計(jì)域與載荷映射到規(guī)則設(shè)計(jì)域上進(jìn)行優(yōu)化，再將優(yōu)化結(jié)果反映射回不規(guī)則設(shè)計(jì)域。通過將上述方法與VAE拓?fù)鋬?yōu)化框架相結(jié)合，使得此方法的普適性在一定程度上獲得了擴(kuò)充。

除了上述基于單一生成模型架構(gòu)的拓?fù)鋬?yōu)化研究工作之外，一些學(xué)者將生成模型與其他神經(jīng)網(wǎng)絡(luò)模型結(jié)合，形成了基于復(fù)雜集成架構(gòu)的深度學(xué)習(xí)拓?fù)鋬?yōu)化框架。Tan等[91]提出了一種基于深度卷積生成對抗網(wǎng)絡(luò)DCGAN(Deep Convolutional Generative Adversarial Networks)和CNN的微結(jié)構(gòu)材料設(shè)計(jì)深度學(xué)習(xí)模型，其中DCGAN模型用于生成最優(yōu)的設(shè)計(jì)構(gòu)型，CNN模型用于預(yù)測最優(yōu)構(gòu)型的相關(guān)力學(xué)響應(yīng)。該模型具有處理幾何約束簡單和效率高的優(yōu)點(diǎn)。然而，其處理的問題尺度依舊有限。Yu等[79]基于SIMP拓?fù)鋬?yōu)化方法生成的10萬個具有不同體分比和邊界條件下的拓?fù)浣Y(jié)構(gòu)，分別訓(xùn)練了基于卷積操作的自編碼器(AE)和條件生成對抗網(wǎng)絡(luò)(cGAN)。其中，AE模型用于根據(jù)載荷與邊界條件生成最優(yōu)拓?fù)錁?gòu)型，其輸出用作cGAN模型的輸入，以實(shí)現(xiàn)圖像從低分辨率到高分辨率的增強(qiáng)。所提模型可實(shí)現(xiàn)任意給定的邊界條件和體分比的近似最優(yōu)結(jié)構(gòu)拓?fù)錁?gòu)型預(yù)測，并實(shí)現(xiàn)分辨率增強(qiáng)以達(dá)到多尺度拓?fù)鋬?yōu)化的效果。然而，其展示的結(jié)果中，高分辨率拓?fù)洳⑽凑宫F(xiàn)出密集網(wǎng)格應(yīng)有的幾何細(xì)節(jié)。

5 結(jié) 論

隨著工業(yè)界對創(chuàng)新構(gòu)型設(shè)計(jì)、結(jié)構(gòu)的輕質(zhì)及高性能等特定功能的需求不斷提高，結(jié)構(gòu)拓?fù)鋬?yōu)化方法也在不斷根據(jù)工程實(shí)際使用需求做出相應(yīng)的創(chuàng)新。為改善傳統(tǒng)拓?fù)鋬?yōu)化方法中由于反復(fù)迭代及大規(guī)模有限元計(jì)算導(dǎo)致的計(jì)算效率較低的問題，將以機(jī)器學(xué)習(xí)為代表的人工智能方法引入到拓?fù)鋬?yōu)化框架，加速了拓?fù)鋬?yōu)化進(jìn)程，為實(shí)現(xiàn)實(shí)時的大規(guī)模拓?fù)鋬?yōu)化設(shè)計(jì)提供了可能。

由文中提及的各項(xiàng)工作的表現(xiàn)效果可以看到，基于機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)及深度學(xué)習(xí)的拓?fù)鋬?yōu)化相關(guān)工作很大程度上繼承了對應(yīng)模型的特點(diǎn)，即機(jī)器學(xué)習(xí)模型結(jié)構(gòu)簡單，需求的驅(qū)動數(shù)據(jù)較少，易于實(shí)現(xiàn)與訓(xùn)練，但模型對于多變量問題的處理能力略有不足；深度學(xué)習(xí)模型結(jié)構(gòu)復(fù)雜，需求驅(qū)動數(shù)據(jù)量大，但模型對多變量和高度非線性問題的處理能力較強(qiáng)；而人工神經(jīng)網(wǎng)絡(luò)則居于兩者之間。值得關(guān)注的問題是，盡管目前通過構(gòu)建不同的神經(jīng)網(wǎng)絡(luò)模型可以對計(jì)算速度提供幾個數(shù)量級的提升。但這些神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中往往占據(jù)大量的計(jì)算資源，如以大規(guī)模有限元分析為基礎(chǔ)的數(shù)據(jù)累積等。雖然部分神經(jīng)網(wǎng)絡(luò)已經(jīng)對原有的離線學(xué)習(xí)模型進(jìn)行了改進(jìn)，但對整體的拓?fù)鋬?yōu)化效率依然有一定影響。想要真正提高效率，就必須將結(jié)構(gòu)力學(xué)原理與模型結(jié)合，開發(fā)有效的數(shù)據(jù)生成方法，提高模型訓(xùn)練效率。

增材制造等先進(jìn)制造技術(shù)不斷革新，為結(jié)構(gòu)拓?fù)鋬?yōu)化的發(fā)展提供了肥沃的土壤，也為具有多功能的復(fù)雜拓?fù)浣Y(jié)構(gòu)提供了制造的可能。在如此注重效率的工業(yè)領(lǐng)域，加快拓?fù)鋬?yōu)化進(jìn)程是提高工業(yè)制造效率的首要環(huán)節(jié)。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等智能優(yōu)化算法與拓?fù)鋬?yōu)化的結(jié)合為高效高質(zhì)的拓?fù)鋬?yōu)化設(shè)計(jì)提供了新的思路，目前人工智能與拓?fù)鋬?yōu)化相結(jié)合尚處于起步階段，但近年已經(jīng)呈現(xiàn)出蓬勃發(fā)展的勢頭，期待此領(lǐng)域的學(xué)者能夠發(fā)展出更好的智能算法，將人工智能與拓?fù)鋬?yōu)化進(jìn)一步聯(lián)系在一起，建立具有大規(guī)模、多功能和魯棒性強(qiáng)的拓?fù)鋬?yōu)化框架。

參考文獻(xiàn)(References):

[1] Guo X,Cheng G D.Recent development in structural design and optimization[J].ActaMechanicaSinica,2010,26(6):807-823.

[2] Michell A G M.LVIII.The limits of economy of material in frame -structures[J].TheLondon,Edinburgh,andDublinPhilosophicalMagazineandJournalofScience,1904,8(47):589-597.

[3] Cheng K T,Olhoff N.An investigation concerning optimal design of solid elastic plates[J].InternationalJournalofSolidsandStructures,1981,17(3):305-323.

[4] Bends?e M P,Kikuchi N.Generating optimal topolo -gies in structural design using a homogenization method[J].ComputerMethodsinAppliedMechanicsandEngineering,1988,71(2):197-224.

[5] Bends?e M P.Optimal shape design as a material distribution problem[J].StructuralOptimization,1989,1(4):193-202.

[6] Rozvany G I N,Zhou M,Birker T.Generalized shape optimization without homogenization[J].StructuralOptimization,1992,4(3-4):250-252.

[7] Zhou M,Rozvany G I N.The COC algorithm,Part II:Topological,geometrical and generalized shape optimization[J].ComputerMethodsinAppliedMecha-nicsandEngineering,1991,89(1-3):309-336.

[8] Xie Y M,Steven G P.A simple evolutionary proce -dure for structural optimization[J].Computers&Structures,1993,49(5):885-896.

[9] Allaire G,Jouve F,Toader A M.A level set method for shape optimization[J].ComptesRendusMathematique,2002,334(12):1125-1130.

[10] Wang M Y,Wang X M,Guo D M.A level set method for structural topology optimization[J].ComputerMethodsinAppliedMechanicsandEngineering,2003,192(1-2):227-246.

[11] Guo X,Zhang W S,Zhong W L.Doing topology optimization explicitly and geometrically—A new moving morphable components based framework[J].JournalofAppliedMechanics,2014,81(8):081009.

[12] Zhang W S,Yuan J,Zhang J,et al.A new topology optimization approach based on Moving Morphable Components (MMC) and the ersatz material model[J].StructuralandMultidisciplinaryOptimization,2016,53(6):1243-1260.

[13] Zhang W S,Chen J S,Zhu X F,et al.Explicit three dimensional topology optimization via Moving Morphable Void(MMV)approach[J].ComputerMethodsinAppliedMechanicsandEngineering,2017,322:590-614.

[14] Sui Y K,Yang D Q.A new method for structural topological optimization based on the concept of independent continuous variables and smooth model[J].ActaMechanicaSinica,1998,14(2):179-185.

[15] Burger M,Stainko R.Phase -field relaxation of topo -logy optimization with local stress constraints[J].SIAMJournalonControlandOptimization,2006,45(4):1447-1466.

[16] Takezawa A,Nishiwaki S,Kitamura M.Shape and topology optimization based on the phase field method and sensitivity analysis[J].JournalofComputa-tionalPhysics,2010,229(7):2697-2718.

[17] Bourdin B,Chambolle A.Design-dependent loads in topology optimization[J].ESAIM:Control,Optimi-sationandCalculusofVariations,2003,9:19-48.

[19] Norato J A,Bends?e M P,Haber R B,et al.A topo -logical derivative method for topology optimization[J].StructuralandMultidisciplinaryOptimization,2007,33(4-5):375-386.

[20] Zhu J H,Zhang W H,Xia L,et al.Optimal packing configuration design with finite-circle method[J].JournalofIntelligent&RoboticSystems,2012,67(3-4):185-199.

[21] Hajela P,Lee E.Genetic algorithms in truss topological optimization[J].InternationalJournalofSolidsandStructures,1995,32(22):3341-3357.

[22] Shim P Y,Manoochehri S.Generating optimal confi-gurations in structural design using simulated annealing[J].InternationalJournalforNumericalMe-thodsinEngineering,1997,40(6):1053-1069.

[23] Luh G C,Lin C Y,Lin Y S.A binary particle swarm optimization for continuum structural topology optimization[J].AppliedSoftComputing,2011,11(2):2833-2844.

[24] Luh G C,Lin C Y.Structural topology optimization using ant colony optimization algorithm[J].AppliedSoftComputing,2009,9(4):1343-1353.

[25] Liu L,Yan J,Cheng G D.Optimum structure with homogeneous optimum truss-like material[J].Computers&Structures,2008,86(13-14):1417-1425.

[26] Yan J,Cheng G D,Liu L.A uniform optimum mate -rial based model for concurrent optimization of thermoelastic structures and materials[J].InternationalJournalforSimulation&MultidisciplinaryDesignOptimization,2008,2(4):259-266.

[27] Niu B,Yan J,Cheng G D.Optimum structure with homogeneous optimum cellular material for maximum fundamental frequency[J].StructuralandMultidisciplinaryOptimization,2008,39(2):115-132.

[28] Fan Z R,Yan J,Wallin M,et al.Multiscale eigenfre -quency optimization of multimaterial lattice structures based on the asymptotic homogenization method[J].StructuralandMultidisciplinaryOptimization,2020,61(3):983-998.

[29] Kim Y Y,Yoon G H.Multi-resolution multi-scale topology optimization—A new paradigm[J].InternationalJournalofSolidsandStructures,2000,37(39):5529-5559.

[30] Jang I G,Kwak B M.Evolutionary topology optimization using design space adjustment based on fixed grid[J].InternationalJournalforNumericalMe-thodsinEngineering,2006,66(11):1817-1840.

[31] Aage N,Andreassen E,Lazarov B S.Topology optimization using PETSc:An easy-to-use,fully parallel,open source topology optimization framework[J].StructuralandMultidisciplinaryOptimization,2015,51(3):565-572.

[32] Aage N,Andreassen E,Lazarov B S,et al.Giga-voxel computational morphogenesis for structural design[J].Nature,2017,550(7674):84-86.

[33] Hinton G E,Salakhutdinov R R.Reducing the dimensionality of data with neural networks[J].Science,2006,313(5786):504-507.

[34] Rumelhart D E,Hinton G E,Williams R J.Learning representations by back-propagating errors[J].Nature,1986,323(6088):533-536.

[35] Gatys L A,Ecker A S,Bethge M.Image style transfer using convolutional neural networks[A].2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)[C].2016.

[36] Chiu C C,Sainath T N,Wu Y H,et al.State -of-the -art speech recognition with sequence -to -sequence models[A].2018 IEEE International Conference on Acoustics,Speech and Signal[C].2018.

[37] Gehring J,Auli M,Grangier D,et al.Convolutional sequence to sequence learning[A].34t hInternational Conference on Machine Learning,ICML 2017[C].2017.

[38] Farimani A B,Gomes J,Pande V S.Deep learning the physics of transport phenomena[EB/OL].2017.

[39] LeCun Y,Boser B,Denker J S,et al.Backpropagation applied to handwritten zip code recognition[J].NeuralComputation,1989,1(4):541-551.

[40] Guo X X,Li W,Iorio F.Convolutional neural networks for steady flow approximation[A].Proceedings of the 22n dACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C].2016.

[41] Mirza M,Osindero S.Conditional generative adversarial nets[J].ComputerScience,2014:2672-2680.

[42] Li X,Liu Z L,Cui S Q,et al.Predicting the effective mechanical property of heterogeneous materials by image based modeling and deep learning[J].Compu-terMethodsinAppliedMechanicsandEngineering,2019,347:735-753.

[43] Chang D X,Zhang X D,Zheng C W.A genetic algo -rithm with gene rearrangement for K-means cluste -ring[J].PatternRecognition,2009,42(7):1210-1222.

[44] Liu K,Tovar A,Nutwell E,et al.Towards nonlinear multimaterial topology optimization using unsupervised machine learning and metamodel-based optimization[A].Proceedings of ASME 2015 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference[C].2016.

[46] Lei X,Liu C,Du Z L,et al.Machine learning-driven real-time topology optimization under moving morphable component-based framework[J].JournalofAppliedMechanics,2019,86(1):011004.

[47] Jiang X C,Wang H,Li Y,et al.Machine Learning based parameter tuning strategy for MMC based to -pology optimization[J].AdvancesinEngineeringSoftware,2020,149:102841.

[48] Svanberg K.The method of moving asymptotes —A new method for structural optimization[J].InternationalJournalforNumericalMethodsinEnginee-ring,1987,24(2):359-373.

[49] Kumar T,Suresh K.A density-and-strain-based K-clustering approach to microstructural topology optimization[J].StructuralandMultidisciplinaryOptimization,2020,61(4):1399-1415.

[50] Yan J,Sui Q Q,Fan Z R,et al.Clustering-based multiscale topology optimization of thermo -elastic lattice structures[J].ComputationalMechanics,2020,66(4):979-1002.

[51] Qiu Z,Li Q H,Liu S T,et al.Clustering-based concurrent topology optimization with macrostructure,compo -nents,and materials[J].StructuralandMultidisciplinaryOptimization,2021,63(3):1243-1263.

[52] Zhang Y,Gao L,Xiao M.Maximizing natural frequencies of inhomogeneous cellular structures by Kriging-assisted multiscale topology optimization[J].Computers&Structures,2020,230:106197.

[53] Zhang Y,Xiao M,Zhang X Y,et al.Topological design of sandwich structures with graded cellular cores by multiscale optimization[J].ComputerMethodsinAppliedMechanicsandEngineering,2020,361:112749.

[54] Kleijnen J P C.Kriging metamodeling in simulation: A review[J].EuropeanJournalofOperationalRe-search,2009,192(3):707-716.

[55] Raponi E,Bujny M,Olhofer M,et al.Kriging-assisted topology optimization of crash structures[J].ComputerMethodsinAppliedMechanicsandEnginee-ring,2019,348:730-752.

[56] 周志華.機(jī)器學(xué)習(xí)[M].北京:清華大學(xué)出版社,2016.(ZHOU Zhi-hua.MachineLearning[M].Beijing:Tsinghua University Press,2016.(in Chinese))

[57] Ulu E,Zhang R S,Kara L B.A data-driven investigation and estimation of optimal topologies under variable loading configurations[J].ComputerMethodsinBiomechanicsandBiomedicalEngineering:Imaging&Visualization,2016,4(2):61-72.

[58] Deng H,To A C.Topology optimization based on deep representation learning (DRL) for compliance and stress -constrained design[J].ComputationalMechanics,2020,66(2):449-469.

[59] Ranjbar M.Fast vibroacoustic optimization of me -chanical structures using artificial neural networks[J].InternationalJournalofMechanicalEnginee-ringandApplications,2013,1(3):64.

[60] Ranjbar M,Saffar M G.A sensitivity analysis on application of artificial neural networks in structural acoustics[EB/OL].2016.

[61] Gu G X,Chen C T,Buehler M J.De novo composite design based on machine learning algorithm[J].ExtremeMechanicsLetters,2018,18:19-28.

[62] White D A,Arrighi W J,Kudo J,et al.Multiscale topology optimization using neural network surrogate models[J].ComputerMethodsinAppliedMechanicsandEngineering,2019,346:1118-1135.

[63] Hoyer S,Sohl-Dickstein J,Greydanus S.Neural reparameterization improves structural optimization[J].2019.

[64] Chandrasekhar A,Suresh K.TOuNN:Topology optimization using neural networks[J].StructuralandMultidisciplinaryOptimization,2021,63(3):1135-1149.

[65] Sosnovik I,Oseledets I.Neural networks for topology optimization[J].RussianJournalofNumericalAna-lysisandMathematicalModelling,2019,34(4):215-223.

[66] Wang D L,Xiang C,Pan Y,et al.A deep convolu-tional neural network for topology optimization with perceptible generalization ability[J].EngineeringOptimization,2021:1-16.

[67] Sasaki H,Igarashi H.Topology optimization accele -rated by deep learning[J].IEEETransactionsonMagnetics,2019,55(6):1-5.

[68] Banga S,Gehani H,Bhilare S,et al.3D topology optimization using convolutional neural networks[EB/OL].2018.

[69] Abueidda D W,Koric S,Sobh N A.Topology optimization of 2D structures with nonlinearities using deep learning[J].Computers&Structures,2020,237:106283.

[70] Xue L,Liu J,Wen G L,et al.Efficient,high-resolution topology optimization method based on convolutional neural networks[J].FrontiersofMechanicalEngineering,2021,16(1):80-96.

[71] Nakamura K,Suzuki Y.Deep learning-based topological optimization for representing a user-specified design area[EB/OL].2020.

[72] Kollmann H T,Abueidda D W,Koric S,et al.Deep learning for topology optimization of 2D metamaterials[J].Materials&Design,2020,196:109098.

[73] Lin Q Y,Hong J,Liu Z,et al.Investigation into the topology optimization for conductive heat transfer based on deep learning approach[J].InternationalCommunicationsinHeatandMassTransfer,2018,97:103-109.

[74] Deng C,Wang Y,Qin C,et al.Self-directed online machine learning for topology optimization[J].2020.

[75] Bi S,Zhang J,Zhang G.Scalable deep -learning-accelerated topology optimization for additively manufactured materials[J].2020:1-9.

[76] Yang L,Kang Z S,Cao X C,et al.Topology optimization based graph convolutional network[A].Procee -dings of the 28t hInternational Joint Conference on Artificial Intelligence[C].2019.

[77] Qian C,Ye W J.Accelerating gradient-based topology optimization design with dual-model artificial neural networks[J].StructuralandMultidisciplinaryOptimization,2021，63(4):1687-1707.

[78] Goodfellow I,Pouget-Abadie J,Mirza M,et al.Gene -rative adversarial networks[J].CommunicationsoftheACM,2020,63(11):139-144.

[79] Yu Y,Hur T,Jung J,et al.Deep learning for determining a near-optimal topological design without any iteration[J].StructuralandMultidisciplinaryOptimization,2019,59(3):787-799.

[80] Rawat S,Shen M H H.A novel topology design approach using an integrated deep learning network architecture[J].2018.

[81] Rawat S,Shen M H.Application of adversarial networks for 3D structural topology optimization[A].SAE Technical Paper Series[C].2019.

[82] Sharpe C,Seepersad C C.Topology design with conditional generative adversarial networks[A].Procee -dings of ASME 2019 International Design Enginee -ring Technical Conferences and Computers and Information in Engineering Conference[C].2019.

[83] Mirza M,Osindero S.Conditional generative adversarial nets[J].2014.

[84] Nie Z G,Lin T,Jiang H L,et al.Topologygan:To -pology optimization using generative adversarial networks based on physical fields over the initial do -main[J].JournalofMechanicalDesign,2021,143(3):031715.

[85] Oh S,Jung Y,Kim S,et al.Deep generative design:Integration of topology optimization and generative models[J].JournalofMechanicalDesign,2019,141(11):1-22.

[86] Shu D L,Cunningham J,Stump G,et al.3D design using generative adversarial networks and physics -based validation[J].JournalofMechanicalDesign,2020,142(7):1-51.

[87] Kingma D P,Welling M.Auto-encoding variational bayes[A].2n dInternational Conference on Learning Representations,ICLR 2014-Conference Track Pro -ceedings[C].2014.

[88] Guo T H,Lohan D J,Cang R J,et al.An indirect design representation for topology optimization using variational autoencoder and style transfer[A].2018 AIAA/ASCE/AHS/ASC Structures,Structural Dynamics,and Materials Conference[C].2018.

[89] Zhang Y J,Ye W J.Deep learning-based inverse method for layout design[J].StructuralandMultidisciplinaryOptimization,2019,60(2):527-536.

[90] Yamasaki S,Yaji K,Fujita K.Data-driven topology design using a deep generative model[J].2020.

[91] Tan R K,Zhang N L,Ye W J.A deep learning-based method for the design of microstructural materials[J].StructuralandMultidisciplinaryOptimization,2020,61(4):1417-1438.