Improving the Robustness of the Projected Gradient Descent Method for Nonlinear Constrained Optimization Problems in Topology Optimization
Notice bibliographique
Résumé
ABSTRACT The Projected Gradient Descent (PGD) algorithm is a widely used and efficient first‐order method for solving constrained optimization problems due to its simplicity and scalability in large design spaces. Building on recent advancements in the PGD algorithm, where an inertial step component has been introduced to improve efficiency in solving constrained optimization problems, this study introduces two key enhancements to further improve the algorithm's performance and adaptability in large‐scale design spaces. First, univariate constraints (such as design variable bounds constraints) are directly incorporated into the projection step via the Schur complement and an improved active set algorithm with bulk constraints manipulation, avoiding issues with min–max clipping. Second, the update step is decomposed relative to the constraint vector space, enabling a post‐projection adjustment based on the state of the constraints and an approximation of the Lagrangian, significantly improving the algorithm's robustness for problems with nonlinear constraints. Applied to a topology optimization problem for heat sink design, the proposed PGD algorithm demonstrates performance comparable to or exceeding that of the Method of Moving Asymptotes (MMA), with minimal parameter tuning. These results position the enhanced PGD as a robust tool for complex optimization problems with large variable spaces, such as topology optimization problems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».