遗传算法原理、实现及其在机械工程中的应用研究与展望.pdfVIP

遗传算法原理、实现及其在机械工程中的 应用研究与展望 张 磊 周 口科技职业学院 河南 ·周 口 466001 摘 要 遗传算法是一种通过模拟 自然进化过程搜索最优解的方法。本文笔者简要探究了遗传算法的原理，分析了 遗传算法的实现过程，并论述 了遗传算法在现阶段机械工程中的应用现状与相关问题，最终提出一些遗传算法的发展 和展望建议，仅供参考。 关键词 遗传算法 原理 机械工程 应用 中图分类号：TH123 文献标识码：A 1遗传算法的原理 此外，它也体现 出 自然界中信息交换的思想 。 所谓遗传算法，即一种 以事物的自然属性和遗传属性为 3遗传算法在机械工程中的应用 基础，通过计算机对生物进化规律进行模拟 以寻优的一种算 在现实应用当中，遗传算法的优势十分明显，它在机械工 法，它把寻优的范围和遗传的空间对应起来，而且把每一种可 程中的应用相当普遍。比如，在零件的切削中，我们可以对机 能的值通过二进制码的形式进行编码，就和染色体一样，它所 械零部件和切削工具进行优化，进而实现最高的效率，获取最 形成的字符串就像是基因，接着按照预期的结果对每一组编 高的收益。 码进行评价，最终筛选出其中最合适的一个值。遗传算法在 3．1优化人工神经网 一 开始是提出一些问题的解，接着再根据要求对这些解进行 所谓人工神经网，它主要是用来建模和控制的，由于现阶 选择，继而重新拆解组合，去掉不合适的，最终留下最优值，这 段单次结构还不是十分成熟，也没有一个明确的数据来进行 样就形成了一个新值，如此循环下去，经历不断的继承和改 良 指导。所 以对于人工神经网，当前采用的训练方法是反向传 值得注意的是，遗传算法并不是一个简单的重复过程，而是一 播算法，它的速度较慢且计算结果具有一定的局限性，而遗传 种典型的螺旋式的上升过程，处于不断的进化状态，相对来说 算法很好地解决了这一问题。 比较稳定。 3．2优化模糊逻辑控制器矩阵的参数 2遗传算法的实现分析 模糊逻辑控制器，它所涉及的概念有控制对象偏差和动 2．1编码 作强度两个，表达了二者的模糊关系，现有一延时二阶系统的 编码是遗传算法的第一步，它是连接问题和算法之间的 函数为GS exp ．0．4s 0．3s+1 ，要求该系统的输出值尽量地跟 桥梁，是信息从一种形式转化为另一种形式的过程。遗传算 踪输入值，采用模糊逻辑控制器矩阵进行参数优化，取矩阵 法在执行求解之前，我们一是要选择合适的编码方式，把 问题 R 77~11，对此矩阵的77个元素以8bit的二进制码表示，基因 的所有参变量编码成对应的子串，然后把各子串的首尾联接 链长 616bit，经 由遗传算法优化的模糊逻辑控制器控制下，其 成一定长度的串 假设这些串的长度是L ，也就是染色体，一 输出值的效果比“比例一积分一微分”控制器的效果更好。 个串代表解空间的一个解。最终证明，不同的码制和串长对 3-3实现机床挂最佳组合 问题的求解精度 以及算法收敛速度有一定影响。 机床挂轮组合的好坏直接决定了生产线的效率高低，那 2．2产生初始群体 么，什么是最佳组合呢。其实就是误差达到最小。下面，笔者 首先我们可以选择一个整数N作为群体的规模参数，随 通过遗传算法找到一个有效的方案，适合度函数定义为： 机生成解空间的N个初始个体，把它们作为初始群体，用来代 F 20．ABS id ． A 13 × CD 表 问题的一些可能解。当然，通常来说它们的适应值是比较 A，B，C，D ∈Q 差的。遗传算法就是从这一初始群体出发，接着通过遗传进 上述定义中ABCD分别代表四个挂轮，ABS 表示绝对 行操作，模拟进化的过程，最终获得较好的群体或个体。 值函数，Q是挂轮约束条件，需要A+B C d+m，C+D B+d+m， 2．3适应度评价 d，m分别代表齿轮模、安装轴径。 在适应度评价环节，我们需要结合问题的目标函数合理 4结束语 定义适应度函数，用来反映个体对 问题环境适应能力的强弱， 近年来，很多专家学者对遗传算法进行了深入的研究，这 也就是解的优劣。事实上，适应度函数就是个体竞争的测度， 是由于遗传算法具有极强的优势，在各个领域尤其是机械工 即控制个体生存的机会。 程领域中的运用十分广泛。大量的实例充分证明了模拟 自然 2．4选择 进化的搜索过程可以产生简单通用以及较强的计算算法，在 遗传算法的实现在选择环节深刻地体现 出 “适者生存”的 未来，遗传算法必将取得更为突出的进展。 自然法则。通常采用与适应度成比例的概率方法，实际上，个 体适应度越高，它被选择的机会就会越多。进行选择的主要 参考文献 目的就是从群体中选出繁殖后代的双亲。 [1] 黄洪钟，赵正佳，姚新胜，冯春．遗传算法原理、实现及其