| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| List of Figures | 第11-13页 |
| List of Tables | 第13-14页 |
| 1 Introduction | 第14-25页 |
| ·Background: | 第14-15页 |
| ·Multidisciplinary Design Optimization | 第15-21页 |
| ·Motivation | 第21-23页 |
| ·Methodology | 第23页 |
| ·Thesis Outline | 第23-25页 |
| 2 Literature Review:Multidisciplinary Design Optimization | 第25-63页 |
| ·Introduction | 第25-26页 |
| ·Multidisciplinary Design Optimization | 第26-27页 |
| ·Coupling in Analysis | 第27-29页 |
| ·Formulation of MDO | 第29-30页 |
| ·Classification Of The MDO Methods | 第30-31页 |
| ·Linear Decomposition And Global Sensitivity Equation | 第31-33页 |
| ·Multidisciplinary Design Optimization Methods | 第33-47页 |
| ·Multidisciplinary Feasible(MDF) | 第34-35页 |
| ·Concurrent Subspace Optimization(CSSO) | 第35-40页 |
| ·Bi-Level Integrated System Synthesis(BLISS) | 第40-43页 |
| ·Collaborative Optimization(CO) | 第43-47页 |
| ·Design of Experiment | 第47-58页 |
| ·Introduction | 第47-48页 |
| ·Design Of Experiments Definition | 第48-49页 |
| ·Components of Experimental Design | 第49-54页 |
| ·DOE For Statistical Analysis | 第54-56页 |
| ·DOE For Robustness | 第56-58页 |
| ·Experiment Design Process | 第58-59页 |
| ·Design of Experimental Methods | 第59-61页 |
| ·Monte Carlo sampling | 第59-60页 |
| ·Latin Hypercube Sampling | 第60-61页 |
| ·Chapter Summary | 第61-63页 |
| 3 Integration of Metamedoles Method and Artificial Intelligence based MDO | 第63-105页 |
| ·Artificial Intelligence | 第63页 |
| ·Computational Intelligence | 第63-64页 |
| ·Evolutionary Computation | 第64-65页 |
| ·Evolutionary Algorithm | 第65-66页 |
| ·Artificial Intelligent Algorithms | 第66-83页 |
| ·Genetic Algorithm | 第66-72页 |
| ·Example:Optimization of a simple function | 第72-78页 |
| ·Particle Swarm Optimization | 第78-83页 |
| ·Metamodel Techniques | 第83-90页 |
| ·Response Surface Methodology | 第83-86页 |
| ·Kriging Model | 第86-90页 |
| ·Radial Basis Function Neural Networks | 第90-91页 |
| ·Integration of Response Surface Method and Particle Swarm Optimization | 第91-98页 |
| ·The Methodology | 第91页 |
| ·Case Study Combining Particles Swarm and Response Surface Method | 第91-93页 |
| ·Case Study | 第93-98页 |
| ·The Result | 第98页 |
| ·Integration of Kriging Method and Genetic algorithm Optimization | 第98-103页 |
| ·The methodology | 第98-99页 |
| ·The Genetic Algorithms and Kriging method Case Study | 第99-103页 |
| ·Chapter Summary | 第103-105页 |
| 4 Analytical Target Cascading | 第105-126页 |
| ·Introduction | 第105-106页 |
| ·Decomposition Methods | 第106页 |
| ·Basic Characteristics Of Mathematical Calculation In The Cases Of MDO | 第106页 |
| ·Examples of Analysis and Comparison of four Algorithms | 第106-108页 |
| ·Analytical Target Cascading | 第108-124页 |
| ·Designing With Targets | 第111页 |
| ·Modeling Hierarchy | 第111-117页 |
| ·Overview And Characteristics Of The Physical Programming | 第117-118页 |
| ·Preference Function | 第118-119页 |
| ·The Model Construction Based On Physical Programming | 第119-121页 |
| ·The Definition Of Preference Functions In Physical Programming | 第121-124页 |
| ·Chapter Summary | 第124-126页 |
| 5 Blind Kriging model-based approximation Method | 第126-145页 |
| ·Approximate Models | 第127-133页 |
| ·Comparison Of Approximate Model Methods | 第127-133页 |
| ·Construction of Blind Kriging and The Evaluation of Parameters | 第133-141页 |
| ·Blind Kriging Model | 第134-135页 |
| ·Bayesian Variable Selection Technique | 第135-137页 |
| ·Blind Kriging Method for Construction Regression | 第137-140页 |
| ·Blind Kriging Model Parameter Estimation | 第140-141页 |
| ·Application Example | 第141-143页 |
| ·Chapter Summary | 第143-145页 |
| 6 The Case Study | 第145-163页 |
| ·Introduction | 第145-147页 |
| ·Design Parameters and Constraints | 第147-149页 |
| ·Application of Prposed Approch | 第149-161页 |
| ·Chapter Summary | 第161-163页 |
| 7 Conclusion | 第163-165页 |
| References | 第165-173页 |
| Acknowledgement | 第173-174页 |
| Publications | 第174页 |
