机械设计的遗传算法综述.docVIP

机械设计的遗传算法综述 ; 基本遗传算法的概述; 遗传算法是模拟自然界生物遗传和进化的过程,以群体共同进化的形式搜索一个问题的最优解。群体中每个个体并行的进行适应度评价、选择算子、交叉算子和变异算子等操作并产生新一代个体。交叉算子模仿自然进化过程中两个同源染色体通过交配而重组产生新的染色体。交叉有一定概率可以结合两染色体的优良基因产生更优的个体,交叉算子是累积优良模式的主要环节。变异算子模拟自然界中基因突变,使复制给新个体的染色体中的基因有一定概率转化为其等为基因。适应度评价算子评价每个个体的表现型求最优解的优良程度,为优胜劣汰提供依据。选择算子是模拟自然界优胜劣汰的过程,以较高的概率保留适应度高的基因,激励好的特性在群体中扩散。选择算子在根据适应度选取的基础上具有一定的随机性,因为选择要容忍一定量的较劣个体的存在以保持种群基因的多样性,保证搜索的全局性,防止算法出现早熟现象。; 改进小生境变种群规模遗传算法; 为使遗传算法对于复杂的约束和目标函数有较好的稳健性和收敛速度,本文介绍了一种带有小生境技术的变种群规模的遗传算法。讨论了种群规模的周期性波动对进化的促进作用,引入了一种新的对约束的处理方法,并改变了选择算子的意义,引入配对算子,规定多父代竞争。整体的程序流程图如图1.; 1种群规模波动; 传统的遗传算法一般采用固定种群规模。然自然界中大的生物进化一般都与种群规模的大幅度波动同时发生。生物进化可以分为两个阶段,第一阶段环境稳定种群规模缓慢上升,优良基因逐渐产生与积累;第二个阶段,环境发生灾变种群规模下降,优良基因得到选择并在种群中扩散。改进的遗传算法采用变种群规模规则,种群中个体存活多代,并根据其适应性以某概率被淘汰,存活下的个体按其竞争性依概率交叉配对产生新个体。采用改变约束条件惩罚的苛刻程度的方法使种群规模周期性波动,从而逐步催生优良基因。设定惩罚苛刻程度的系数为:; 2二维小生境; 在自然界中,生物一般总和特征相似的生物生活在一起,繁殖后代。又加上地理位置的限制,基因与外界交流得到限制,一个区域的生物群形成一个基因相对独立的小生境。在传统的遗传算法中,选择、交叉算子在整个群体内进行,所有个体的基因交流没有限制,相对优良的基因会很快的在整个种群内扩散,个体很难保持各自的进化方向,整个种群趋于收敛于一个解。故传统的遗传算法很容易出现早熟现象。为改进算法的全局收敛性,引进小生境的概念,将个体的基因交流限制在一个小区域内进行。如图2所示,在改进的遗传算法中,采用一种位置争夺的小生境技术。将群体投影到一个二维空间。初始种群中个体不会占满全部空间,而是几个个体聚集在一起组成一个初始的子种群,每个子种群之间有一定空间距离。个体在其小生境内进行交叉和配对算子。新生的个体在由母体限定的空间区域内。子种群间会争夺有限的空间,最终使优良基因占有更大空间。; 3对目标函数和约束的处理; 机械产品的设计要优先考虑满足约束,故机械的优化设计一般为约束优化问题。用遗传算法优化时,处理约束比较常见的方法有如下几种:(1)将不符合约束的个体直接从群体中剔除。(2)采用惩罚函数法,为常用的方法。这种方法要根据不同的约束定义惩罚函数,惩罚函数选取不当将很大的影响优化的收敛速度,或算法很难找到可行解,即使偶然找到,解很差。()采用特殊的编码技术,避免产生不满足约束的解,或采用修复技术,但只适用于个别特殊的优化问题。; 考虑到在优化设计时以满足约束优先的原则,受到自然界进化机制的启发,将目标函数与满足约束分别用配对和选择两个算子进行搜索。用选择算子淘汰不满足约束的个体,用配对算子挑选下一代个体的父本,使的竞争性高的个体有更大的机会与母本配对。遗传算法在对所有个体进行目标函数和约束的计算评估出适应性和竞争性后,先通过选择算子淘汰部分个体,再从剩余个体中以每个个体为母本,从此个体的一个邻域通过配对算子得到父本,进而进行交叉算子产生新个体。; 4编码; 在遗传算法搜索过程中,算法不是直接对求解问题的决策变量进行操作,而是通过编码将解空间投射到基因空间,通过交叉,变异对基因进行操作,这是遗传算法的特点之一。编码是应用遗传算法解决实际问题时要考虑的首要问题,大部分情况下它是影响遗传算法运行效率的主要因素之一。常用的编码方法有:二进制编码法、灰码编码法,浮点数编码法,符号编码法。对于机械优化的问题,设计参数存在尺寸参数等连续值和结构、形状、材料型号等离散量。为保证编码的通用性,采用对离散值和连续值都兼顾的灰码进行编码。; 5交叉算子; 对于二进制编码的遗传算法,常用的交叉运算方法有单点交叉、双点交叉、均匀交叉等。根据模式理论,为保存优良模式,交叉点选取应越少越好。但如图所示,单点交叉实际上可以看成是默认以基因段开头与末端为一个交叉点的双点交叉,因此单点交叉对在