加速微种群遗传算法及其在结构优化设计中应用.pdfVIP

加速微种群遗传算法及其在结构优化设计中的应用 1 ） 2 ） 孙林松 张伟华 （1．扬州大学水利科学与工程学院，江苏 扬州 225009 ；2 ．海门市水利局堤防管理所， 江苏 海门 226100 ） 2 摘 要：本文将微种群遗传算法与基于启发式模式移动的局部寻优方法和Aitken Δ 加速策略相结合，给出了 一种加速微种群遗传算法。算法中利用Aitken Δ2加速策略改进当前种群，利用基于启发式模式移动的局部寻 优方法改进子代群体。利用三个数值优化算例测试了算法的性能，表明本文算法具有较好的收敛性和计算效 率。最后将其用于桁架结构截面优化设计，10 杆平面桁架和 25 杆空间桁架的优化结果表明本文算法的计算 精度和计算工作量均优于传统的遗传算法。 关键词：微种群遗传算法；Aitken Δ2加速；局部寻优；桁架优化 中文分类号：TU311.4 1 引言 遗传算法是基于达尔文“适者生存”和遗传变异等生物进化机制的基础上提出的一种全局优化方 法。这种方法通过选择、交叉、变异等遗传操作，优胜劣汰，经过若干代的进化寻得最优解。它只利 用适应值函数，而不需要导数等其它信息，因而具有广泛的应用范围，适用于求解各类问题。 在结构优化设计中，遗传算法也得到了广泛的应用与研究。最早是应用于桁架结构的尺寸优化问 [1] [2] [3,4] 题 ，随后逐步推广至求解结构优化中的非凸问题 ，包括连续、整型和离散变量的结构优化问题 [5]等。 以及桁架结构的拓扑优化问题 虽然遗传算法适用范围广泛，应用方便，但其收敛速度常常较慢。为了提高遗传算法的效率，人 们通过把遗传算法与基于梯度的优化方法相结合提出了不少杂交算法[6,7] ，这类方法用遗传算法进行 全局搜索，而用梯度类算法进行局部寻优，通常具有较好的性能，但梯度类算法的应用也限制了这类 杂交算法的适用范围。在结构优化设计中，人们对遗传算法的改进更多地集中在对遗传操作[8]、约束 条件处理方法[9]等方面。 作为提高遗传算法效率的另一途径，文[10]提出了一种微种群遗传算法，该算法采用很小的种群 规模，按照常规遗传算法的操作，经过几代进化后种群收敛，然后随机生成新的种群并在其中保留前 面收敛后的最优个体，重新进行遗传操作。与简单遗传算法相比，微种群遗传算法可以避免早熟收敛 并且能够较快的收敛到最优解。本文在此基础上提出了一种加速微种群遗传算法，对当前种群利用 Aitken Δ2加速策略进行修正，对产生的子代采用基于启发式模式移动（heuristic pattern move ）的局部 寻优方法[11,12]进行改进，从而加快了算法的收敛速度，提高了计算效率。 2 加速微种群遗传算法的构成 遗传算法在具体实施时需要解决设计变量编码、适应值函数、遗传操作以及约束条件处理等关键 [ , x ,xX, ]x T 视 问题。本文采用实数编码方案，即对由设计变量组成的n维向量 1 2 n ，把每一个变量xi 为一个遗传基因，于是X 可以看作是由n个遗传基因组成的一个染色体，染色体也可称作为个体。对每 一个个体X 按照适应值函数确定出其适应度，然后不断地经过遗传进化操作，并且按照优胜劣汰的规 则将适应度高的个体更多地遗传到下一代，最终在群体中得到一个优良的个体X *。本文在遗传进化过 程中除了常规微种群遗传算法中的选择、杂交等遗传操作外，分别采用Aitken Δ2加速策略和基于模式 移动的局部寻优方法对种群进行改进。 收稿日期： 基金项目：国家自然科学基金资助项目） 作者简介：孙林松（1968-），男（汉族），江苏姜堰人，副教授，博士，主要从事结构现代分析方法与优化设计研究。 1