遗传算法在多目标优化和离散变量结构优化中的运用.pdf

遗传算法在多目标规划和离散变量结构优化中的应用 摘要 本文将遗传算法应用到求解多目标规划和离散变量结构优化中．在求解 多目标规划时，我们主要将锥序的概念引入到求解过程中，复制时利用锥序 来确定进入复制池的染色体．几个算例的结果表明，该算法对求解多目标规 划是有效的．在求解结构优化时，通过改进以往利用遗传算法求解结构优化 的方法，将结构分析与遗传算法求解模型分离，从而减少结构分析的次数， 每次利用遗传算法求解模型只进行一次结构分析，大大提高了求解效率． 关键词遗传算法，多目标规划，结构优化 引言 遗传算法操作的是一群可编码化的可行解，称作种群．它通过使种群更新与迭代来搜索全 局最优解．种群的迭代是通过选择、杂交和变异等具有生物意义的遗传算子来实现的．遗传算 子的主要形式为比例选择、单点杂交和位变异．在Holland的最初模型中采用的是二进制固 定长度编码和固定规模的遗传算法．为了提高遗传算法的性能，克服在实际问题中遇到的困 难，在后来的应用发展中出现了其它的编码方式，使得近年来在设计与执行策略方面有了很 大进展(见f1】)． 多目标规划是实践中广泛存在的一种优化问题，关于它的理论研究已经相当成熟和深入， 但是算法研究却滞后很多，通常所用的求解方法是将多目标规划问题转化成一个或多个单目 标问题．不经转化的直接求解方法对线性情形有较多的研究，但总体上看，实用的直接算法 却很少见．本文试图用遗传算法来求解多目标规划问题的Pareto最优解．算例的结果表明，利 用遗传算法求解多目标规划问题是有效的． 离散变量结构优化设计是根据既定的结构类型和形式以及工况、材料和规范所定的各种 约束条件，提出数学优化模型(目标函数、约束条件和设计变量)，其模式是根据优化设计的 理论和方法求解优化模型，即进行结构分析、优化设计、再分析、再优化、反复进行直到收 敛为止(上一轮得到的解与新一轮得到的解相同，即认为算法收敛)． 离散变量结构优化设计的最基本的特点是设计变量的离散性，其难点在于：解析的数学 工具显得力所难及，必须采用组合数学的方法，而离散变量结构优化设计的问题在组合优化 数学中属NP困难问题，例如，如果许用离散集的元素个数为m，设计变量个数为，则组 在离散变量结构优化设计中，m通常达到几十，n达到20～30，但这也只能算中等规模的问 题．对于这样的组合优化问题，几乎无法求得其全局最优解，即使求局部最优解也是很困难 的． 关于解决离散变量优化问题的方法本文不作过多介绍，具体的求解方法可参阅【2】．本文 对[2]ee提出的利用遗传算法求解离散变量结构优化问题的方法加以改进．以往利用遗传算法 求解离散变量结构优化问题时，其优点在于它虽然不能被证明肯定会求得全局最优解，但可 以逼近全局最优解；它的缺点在于在算法中进行结构分析次数太多，就连对较小规模、离散 集元素较少的截面优化问题也如此，一个群体至少需要10个个体，假设经过30代循环，这 样就要300次结构分析．如果群体数和代数扩大，进行的结构分析就会更多，效率就会十分 2 低． 本文将结构分析和利用遗传算法求解模型分离，以减少结构分析，并且使染色体直接用 离散集的面积表示，减少算法的运行时间以及减少数据转化带来的误差．实际在每轮优化只 进行一次结构分析，根据所得到的力的数据建立模型，利用遗传算法对模型进行求解，将利 用遗传算法求得的当前轮的最优解(即面积)传递给结构分析程序，进行结构分析，得到建 立模型所需的力的数据，再建立模型通过遗传算法求解．这样反复进行直到当前轮所得到最 优解与上～轮得到的最优解相同，即认为算法收敛，停止计算．几个算例表明，我们的方法 是可行的、且是有效的，而且算法的执行时间非常短，每一轮都不超过30秒．这样使得整个 求解过程被控制在几分钟之内．虽然不能证明是全局最优解，但所得到的最后结果和利用其 它方法求解得到的结果却是一样的。 第一章、遗传算法的全局收敛性 1．1定义及基本事实 定义1．1．1(个体和个体空间)所谓，一x，即是长度为，的0和1字符串，简称个体； ，称作个体的链长，，一个体的全体记作s={0，1y，称为个体空间． 定义1．1．2(种群和种群空间)所谓Ⅳ一种群是Ⅳ个个体组成的集合(个体允许重复)， 简称种群．Ⅳ称作种群规模，