排序论文.doc

遗传算法对压气机叶片排序的应用 摘要：采用遗传算法研究压气机叶片装配中的排序优化问题。详细给出了遗传算法的计算步骤、计算过程中叶片序列可行解的编码、交叉算子、变异算子的选择方法，建立了对叶片排序间题的适应度函数及其优化的评估方法。具体算例表明所建立的方法对压气机叶片排序间题有较高的效率和满意的准确度。 关键词：遗传算法；压气机叶片；排序；最优化 叶片是发动机及压缩机上的重要部件，由于工艺技术要求，所有叶片都是经手工打磨加工的。因而各叶片之间难免有质量和振荡频率的差别，安装时需对各叶片进行排序，以满足静力学的配平要求口但无论是对发动机还是对压缩机，所用叶片数量之大以及各叶片之间相差甚微，其排序过程是很难通过手工完成的。而排序不当，将会对发动机及压缩机的安全造成很大的隐患。 遗传算法是近年来发展起来的一种大型组合优化算法。典型的工程设计问题如集覆盖、装箱、背包、二次分配、确定最小生成树、机器调度排序与平衡、制造元设计、车辆路径、网络密度、设备定位与布局及旅行推销员分配等最具挑战性的组合爆炸间题都可通过遗传算法予以解。可以预见未来的几年里，遗传算法在许多工程领域的实际应用中将会表现出愈来愈强的生命力。 本文给出一种基于遗传算法对给定的一组叶片按设计要求进行排序的计算方法。 问 题 的 提 出 设压气机n（比如24）片叶片均匀地分布在一圆盘边上，将圆盘边分为m（比如6）个象限，每个象限叶片的总质量与相邻象限叶片的总质量之差应尽量地小，假设不允许超过p（单位：g）值。两相邻叶片间的振荡频率差应尽量地大，假设不允许小于q（单位：Hz）值。 这是一个典型的组合优化问题。但如采用最原始的枚举法进行试探性地一一排序，其计算量的量级为。如以后面提到的数据为基础，n=24，则计算量级为次循环，考虑到数据及问题自身的特点，简化了的循环次数为，如果计算机1ms能运算1000次，则完成简化后的循环也需要694.908a。对于成批压缩机叶片的排序，采用此方法显然是不实际的。 遗 传 算 法 近年来，一种新的优化算法— 遗传算法(Genetic Algorithm，简称GA)正在迅速发。GA以其高效、实用的特点在各个领域被用于解决许多工程实际问题，并已取得了良好效果。在解决各类非线性问题时该算法所表现出的鲁棒性、全局最优性、可并行处理性及高效率越来越受到学术界的重视。对于大多数复杂的实际问题，用GA求解经常能得到令人满意的结。 应用遗传算法解决某一问题通常有以下5个步： (1 )将问题的解表示为长度为1的二进制（也可以是其它进制）编码； (2 )找到生成初始化群体的方法（通常是随机产生）； (3 )选择合适的遗传算子（这是问题得到较好解决的关键所在）； (4 )定义适应度函数； (5 )确定各个参数（种群规模、变异概率、交叉概率）的值。 遗传算法在压气机叶片排序中应用 1最好排序问题 确定压气机叶片最好排序问题的准则是满足质量要求和频率要求，并使质量差尽量小，频率差尽量大。 将轮毅的24个位置分为6个象限，每个象限4片叶片。排序要求每相邻象限的叶片质量和之差不大于8g，每相邻叶片的频率差不小于6 Hz,满足此要求才是可行解。在此基础上，使象限间质量差的方差越小，叶片间频率差的方差越大，对应的解则越优。 2 压气机叶片序列的编码表示 压气机叶片排序问题是一个典型的商旅(TSP)问题。求解TSP问题常用的表示方案有:近邻表示、序表示、路径表示、边表示等等。近邻表示方案进行模式分析是比较方便，但性能较差;序表示法使后代与父代个体的差异极大，模式没有明确的含义;路径表示法是最自然的表示方案，能基本满足要求，但交叉算子较为复杂，性能一般。对于压气机叶片排序，我们关心的是相邻叶片间的频率差和相邻象限间的质量差，与叶片的具体位置无关。边表示法在这方面能很好的体现其优势，故选择边表示法。 下面以9片叶片为例说明边表示法的编码表示： 设 9 片 叶片的序列号为：1，2，3，4，5，6，7，8，9用边表示法可表示为： 为表示简单，略去中间重复的顶点，则表示为： 此时，边表示法的表示结果与序表示法相同，但意义却不一样。这一点在后面的交叉算子中将体现出来。 3 交叉算子的选择 由于编码采用了边表示方案，故交叉算子采用改进后的边重组交叉算子。边重组交叉算子由Whitley等人提出，Starkwearther等人对其进行了修改。这种算子的基本思想是让后代从父代中继承尽可能多的边，它能将父代个体中超过写的边传递到下一代。这种算法首先为两个父代个体中的叶片建立一个边列表，表示与这个叶片相连的其它叶片及其出现次数。假定2个个体： 进行交叉，那么，可以建立如表1所示的边列表。若某条边在父代中出现了2次，则在列表中这条边的顶点上添加一个负号。 表1 边列表 叶片 与之相