利用合作型粒子群演算法於非線性工程設計最佳化問題之應用.docVIP

利用合作型粒子群演算法於非線性工程設計最佳化問題之應用 張仕政, 陳大正 資訊管理系 虎尾科技大學 雲林縣虎尾鎮文化路64號 E-mail : tchen@nfu.edu.tw 摘要：本研究乃考量解決各類工程設計最佳化問題，其以非線性混合整數規劃(nonlinear mixed integer programming)模式來描述。過去此類的工程設計最佳化問題已經被廣泛研究與討論，通常以數學規劃方法及啟發式演算法求解，而所會遭遇的困難如有較多的限制條件以及難以滿足所有的限制條件。在求解此類問題中，我們利用懲罰性引導之合作型粒子群演算法來解決此一問題，此方法可以避免傳統粒子群演算法會因為搜尋空間維度的增加造成執行效能的下降的缺點，而利用搜尋空間維度分割的技術，產生多個粒子群來共同解決最佳化的問題，達到求解效能的提升。在本研究之求解五個工程設計最佳化問題(包括系統可靠度設計、機械零組件設計問題等)，本實驗數據中顯示，藉由合作型粒子群演算法所得之解皆優於或等同於過去文獻上已知之最好的解(best-known solutions)，由本研究結果可知，合作型粒子群演算法乃是另一種求解最佳化問題的有效方法。 關鍵字：工程設計最佳化、非線性混合整數規劃、合作型粒子群演算法。 1. 前言 許多最佳化問題與解決方法都與需要滿足多項限制條件有關，因此也有針對這些限制條件來做搜尋最佳化，進而找出較佳的目標值，並且符合相關的限制條件，通常有受限制的最佳化問題可表示為： minimize (1) subject to (2) (3) 可稱為決策向量(decision vector)，n表示不相等限制式的數量，p則是相等限制式的數量，此問題為最小化問題。 傳統的數學程序方法，例如拉格朗日乘數(Lagrange multiplier method)通常需要一些目標函式與限制式的衍生資訊，但是所得到的結果卻容易陷入局部最佳解。近年來，由於進化式演算法具有搜尋全域最佳解的能力，許多最佳化問題也開始利用進化式演算法的優點來進行問題的探索與開發。 在1995年，J. Kennedy與R. C. Eberhart等幾位學者提出粒子群演算法(Particle swarm optimization, PSO)，源起於鳥群社會的行為觀察所歸納出的一種方法。在PSO中，將個體定義為粒子(particle)，並根據粒子本身的經驗與群體之間的訊息交換，朝向在搜尋空間中比較有希望的區域進行移動，來達成最佳化的目的。因此PSO是具積極合作與訊息共享特性的一種演算法。由於這樣的簡單概念、容易執行並且可以快速收斂，PSO成功應用在多種最佳化問題的領域當中。然而隨機最佳化演算法的隨機自然特性，在較大的搜尋空間當中，隨著指數的增加，會變得相當敏感，因此Potter et al. (1994)提出將搜尋空間的向量分割成較小的向量的方法應用於遺傳演算法，證實了在執行效能方面有明顯的改善。 此外，Van Den Bergh et al. (2004)將Potter et al. (1994)的搜尋空間分割技術應用於PSO，提出合作型粒子群演算法(Cooperative particle swarm optimization, CPSO)，將一個多維向量分割成多個一維向量，利用合作學習的概念，由原本PSO單群粒子解決一個問題，改良為多群粒子來解決最佳化問題的搜尋方式，目的是為了提升高維度問題的執行效能。 為了解決最佳化問題的限制式，可利用懲罰函數(Penalty function method)有效搜尋可行解，是一種廣泛使用的限制處理技術，當違反限制時，給予目標函式值懲罰，Joines et al. (1994)提出一個動態架構來微調懲罰因子，在搜尋空間當中，搜尋可行解區域。利用自我適應的機制，目的是避免懲罰函數反覆試驗(trial and error)的處理方式，Coello (2000)提出一個共同進化的做法，利用遺傳演算法來改變懲罰因子適應函數。另外He et al. (2007)則提出共同進化粒子群演算法(Co-evolutionary particle swarm optimization)，用意是為了逐步決定解決方法與懲罰因子。上述Coello (2000)與He et al. (2007)所使用的方法都是將懲罰因子當作一個搜尋變數，利用GA或PSO逐步形成一個最佳解。 本研究利用合作型粒子群演算法(Van Den Bergh et al., 2004)於工程設計最佳化問題的求解(包括系統可靠度設計、機械零組件設計問題等)，藉由實驗數據中顯示由合作型粒子群演算法所得之解與過去文獻上已知之最好的解(best-known solutions)進行比較，本文架構的第二部分則介紹原