遗传算法和其他算法比较.pptVIP

* 遗传算法与常规优化方法比较 专业：机械工程 学号： 姓名： 由于机械优化设计多数是非线性约束最小优化问题，通常要将问题转换为更简单的子问题，常用的方法是通过构造惩罚函数等来将有约束的最优化问题转换为无约束最优化问题进行求解，现在这些方法已经被更有效的基于K-T方程解的方法所取代 。K-T方程是有约束最优化问题求解的必要条件,是非线性规划算法的基础,这些算法直接计算拉格朗日乘子,通过拟牛顿法更新过程,给K-T方程积累二阶信息,可以保证有约束拟牛顿法的线性收敛，这些方法称为序列二次规划法”SQP法”。 MATLAB中SQP法的实现主要分三步: 1.拉格朗日函数Hessian矩阵的更新； 2.二次规划问题求解； 3.一维收索和目标函数的计算； 常规优化方法： 遗传优化算法 遗传算法是一种解决机械优化问题的有效方法，由美国J.Holland教授1975年首先提出。其基本思想基于达尔文进化论和孟德尔遗传学说。遗传算法在解空间内进行启发式搜索和并行计算，可以有效地防止搜索过程收敛于局部最优，有较大可能求得全局最优解。传统的优化方法的寻优结果易出现局部最优解问题。 机械优化设计应用实例 某起重机箱形主梁优化设计数学模型 编写非线性约束条件的m文件 目标函数 function f = hm ( x) f = 3.14*x(1)^2*x(3)/4+3.14*x(2)^2*(0.8-x(3))/4 ; 非线性约束条件 function[c,ceg]=hmm(x) c(1)=3/4*10500*((120000+7.8*10^(5)*(x(1)*x(3)+x(2)*x(4))*10500)/(3*x(1)*x(2)*x(4)+x(1)^2*x(3))+12000/(3*x(1)*x(2)*x(3)+x(2)^2*x(4)))-140; c(2)=120000*10500^3/(1.68*10^6*(3*x(1)^2*x(2)*x(4)+x(1)^2*x(3)))-10500/700; 线性约束条件 A=[0,1,0,-60;1,0,-160,0] b=[0,0] 下界为[700,350,5,5];上界为[800,400,10,10] 遗传算法 SQP， 序列二次规划法 *