4. 拓扑优化算法与求解策略

拓扑优化在数学上通常被写成带约束的非线性规划问题：在有限材料体积（或质量）约束下，使结构柔度最小、刚度最大。设计变量是每个单元的相对密度 x_e ∈ [0,1]，目标函数 c(x)=U^T K U，约束为 V(x)=Σ x_e v_e ≤ V*。真正决定求解能否收敛、结果是否可用的，是优化算法与求解策略。本节围绕三类主流算法——OC准则法、MMA移动渐近线法、SQP序列二次规划——讲清它们的适用条件、迭代机制、收敛判据以及数值稳定性处理。

一、OC准则法：从最优性条件直接构造更新格式

OC（Optimality Criteria，最优准则法）的核心思想是：对凸性较好的柔度最小化问题，写出拉格朗日函数并对设计变量求导，令其满足KKT条件，从而得到显式的密度更新公式。对单约束（体积约束）问题，最优性条件可写为

B_e = -∂c/∂x_e / (λ · ∂V/∂x_e) = 1
x_e^new = x_e · B_e^η   （η 为阻尼系数，常取 0.5）

其中 ∂c/∂x_e ≈ -p·x_e^(p-1)·u_e^T k_e^0 u_e，p 为SIMP惩罚因子（常取3）。由于 B_e 依赖拉格朗日乘子 λ，实际实现采用二分法在体积约束上求解 λ：给定 λ 计算所有 x_e^new，检查体积是否满足，不满足则调整 λ 上下界继续二分。OC法每步只需求解一次有限元，迭代极快，适合单约束、目标凸性好的柔度问题。但它难以直接处理多约束、非凸目标或应力约束，因此工程中常作为“快速起步”或与其它算法组合使用。

二、MMA移动渐近线法：用凸近似替代原问题

MMA（Method of Moving Asymptotes）是拓扑优化中最稳健的通用算法之一。它不直接求解原问题，而是在每次迭代中构造一个可分离的凸近似子问题：

min  f̃_0(x) = f_0(x^k) + Σ [ p_ij/(U_j - x_j) + q_ij/(x_j - L_j) ]
s.t. f̃_i(x) ≤ 0,  i=1..m
     α_j ≤ x_j ≤ β_j

其中 L_j、U_j 是移动渐近线，控制近似的保守程度。当迭代点接近收敛时，渐近线收紧，近似更贴近原函数；当迭代震荡时，渐近线放宽，增强全局性。MMA的显著优势是：天然支持多约束（体积、应力、位移、频率等可同时施加），且子问题是凸的，可用对偶法高效求解。在拓扑优化中，MMA常与SIMP或RAMP插值配合，处理应力约束、多工况等复杂场景。其代价是每次迭代需计算目标与约束的灵敏度，并维护渐近线参数，实现复杂度高于OC。

三、SQP序列二次规划：通用但计算代价高

SQP（Sequential Quadratic Programming）在每个迭代点将原问题近似为二次规划子问题：目标函数用拉格朗日函数的二次近似，约束用线性近似，然后求解QP得到搜索方向，再通过线搜索或信赖域确定步长。SQP的优点是理论收敛性好、能处理一般非线性约束，适合约束数量不多但非线性强的场景。但在拓扑优化中，设计变量动辄数万甚至百万，SQP每次迭代需构造并求解大规模QP，计算与存储代价高，且对灵敏度精度敏感。因此SQP更多用于变量规模较小的尺寸/形状优化，或作为拓扑优化后处理阶段的精细调整，而非大规模拓扑迭代的主力。

四、收敛判据：什么时候可以停

算法迭代不能无限进行，必须设定明确的停止条件。工程中常用三重判据同时判断：

• 目标函数相对变化：|c^k - c^(k-1)| / c^k < ε_c，常取 ε_c = 1e-3。它反映结构柔度是否已趋于稳定。
• 设计变量最大变化：max|x_e^k - x_e^(k-1)| < ε_x，常取 ε_x = 0.01。它防止目标函数因局部波动而误判收敛。
• 约束违反量：体积约束误差 |V(x)-V*|/V* < 0.1%。若约束未满足，即使目标稳定也不能停止。

此外还需设置最大迭代次数（如200～500）和灵敏度检查间隔。若连续多次迭代目标函数不降反升，应检查是否出现棋盘格、网格依赖或灵敏度符号错误，而不是简单增加迭代次数。

五、数值稳定性：让迭代不震荡、不病态

拓扑优化最常见的数值问题包括棋盘格、网格依赖、局部极值和灰度单元。对应的稳定化策略有：

• 密度过滤：对单元密度做加权平均，x̃_e = Σ w(r) x_e / Σ w(r)，权重常取 w = max(0, r_min - dist)，r_min 取2～3倍单元尺寸。它消除棋盘格并缓解网格依赖。
• 灵敏度过滤：对 ∂c/∂x_e 做同样过滤，保持目标函数与设计变量的一致性，避免过滤后灵敏度失配。
• 阻尼与步长限制：OC中 η=0.5，MMA中限制 x 的移动上限（如 move=0.2），防止单步密度跳变过大导致震荡。
• 灰度抑制：通过SIMP惩罚因子 p 从1逐步增加到3，或采用连续化策略，使中间密度在迭代后期被推向0/1。

理解这三类算法的差异，本质上是理解“问题结构决定算法选择”：OC利用凸性和单约束构造显式更新，MMA用凸近似把多约束问题拆成可解子问题，SQP用二次模型逼近一般非线性问题。收敛判据和数值稳定性则是保证迭代从“能算”走向“算得对、算得稳”的最后一道关口。