结构优化设计改进遗传算法研究.docVIP

结构优化设计改进遗传算法研究 　　【摘要】 根据工程实际，充分考虑规范规定的约束条件和各项技术标准要求，建立了离散变量结构优化模型。针对遗传算法的缺陷，提出了一种改进的遗传算法。算例结果表明，改进的遗传算法收敛快、精度高，应用于离散变量结构优化设计是有效的。 　　【关键词】 离散变量；结构优化；遗传算法；改进遗传算法 　　 　　 　　0 概述 　　 遗传算法[1]（GA）是美国 J.H.Holland 教授于20世纪70年代提出的一种非确定性优化方法，其在解决各类结构优化设计问题方面显示了极大的潜在优势。由于解决不同非线性问题的鲁棒性、全局最优性及不依赖于问题模型的特性、可并行性的高效率、不需要梯度信息及函数的连续性[2~4]、对目标函数及约束条件也没有苛刻要求[5]，这种算法正引起人们研究及应用的热潮[6]。近年来，在此方面的研究取得了相当的进展。但另一方面，应用实践表明，在遗传算法的应用中也会出现一些不尽人意的问题，这些问题主要表现为它容易产生早熟现象、局部寻优能力差、结构重分析次数过多等。本文对遗传算法采取了一些改进措施，并引入了进退搜索算法与遗传算法相结合，取得了令人满意的结果。 　　1 基本遗传算法 　　1.1染色体编码方法 　　 基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值符号集{0，1}所组成的。初始群体中各个个体的基因值可用均匀分布的随机数来生成。如： 　　 X=100111001000101101 　　就可以表示一个个体，该个体的染色体长度是n=18。 　　1.2个体适应度评价 　　 基本遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的机会多少。为正确计算这个概率，这里要求所有个体的适应度必须为正数或零。 　　1.3遗传算子 　　 基本遗传算法使用下述三种遗传算子： 　　 （1）选择运算使用比例选择算子。 　　 （2）交叉运算使用单点交叉算子。 　　 （3）变异运算使用基本位变异算子或均匀变异算子。 　　1.4基本遗传算法的运行参数 　　 基本遗传算法有下述四个运行参数需要提前设定： 　　 M：群体大小，即群体中所含个??的数量，一般取为20~100； 　　 T： 遗传算法的终止进化代数，一般取为100~500； 　　 Pc：交叉概率，一般取为0.4~0.99； 　　 Pm：变异概率，一般取为0.0001~0.1。 　　2 进退搜素算法 　　2.1一维进退搜索算法[3] 　　 离散设计变量是升序排列的，因此目标函数值也是升序排列的。引入各种约束条件，当不满足约束条件时，调用罚函数；这样处理后的目标函数是一条单峰曲线，一维进退搜索算法程序框图如图1。 　　 　　―――――――――― 　　* 作者介绍 　　 　　 图1一维进退搜索算法的程序框图 　　2.2多维进退搜素算法 　　 在静定的假使条件下，局部性约束只与本单元的截面性质有关，与其他单元的截面性质无关。使用进退搜素算法对一个单元进行优化设计，对各个单元分别进行优化设计构成多维进退搜素算法的程序框图如图2。 　　 　　 　　3 基本遗传算法的改进 　　3.1群体的数据结构和编码方法 　　 遗传算法的操作对象是参数编码后的位串。本文采用的是整数序号编码，染色体中的各个值代表的是变量取值在离散集合中的序号。整数序号编码相对于二进制编码，具有搜索空间小，操作简单、直观的特点，比如一个设计变量有10种离散值可选，二进制编码需要4位（能表示16种解），那么将造成6种组合解无效或重复，而整数序号编码只需用0~9这10个整数就可以完全表示各种组合解，因此在遗传算子中不产生无效解或重复解，同时也降低了码串的长度，提高了编解码的效率。 　　3.2利用进退搜素算法改善种群质量 　　 初始群体中的一部分个体随机生成，另一部分由进退搜素算法产生。在群体进化过程中，初始群体的优劣对群体的进化十分重要。通过这种措施，就可以提高群体的整体质量。 　　3.3遗传操作 　　 （1）设置最优个体保存站。在算法进化初期的选择操作中使用比例选择算子，而在指定代数后引入最优个体保存策略，设置最优个体保存站，专门用来存放每次迭代后种群中的最优个体，但并不把最优个体排除在交叉和变异操作之外。这样既保持了进化初期个体的多样性，避免了算法收敛于局部最优解，又提高了算法后期的收敛速度。 　　 （2）引入转基因变异算子。针对遗传算法局部搜索能力差和不成熟收敛的缺点，引入了转基因变异算子，其基本思想是用一个与原染色体等长的附加染色体来实现，附加染色体的每个基因值的取值定在一个相对较小的有限范围内，附加染色体是随机生成的，将得到的附加染色体与原染色体相加，从而得到新