水工建筑物课件-自适应遗传算法在重力坝优化设计中的应用.pptVIP

自适应遗传算法在重力坝优化设计中的应用 1010205052 刘玉玺 2010205194 杨斌 2010年12月17日 二.优化设计问题的数学模型 五.结语 三.自适应遗传算法的实现 四.重力坝断面优化设计 一. 概述 一. 概述 遗传算法(GA)作为一种借鉴生物界自然选择思想和自然基因机制的全局随机搜索算法，可模拟自然界中生物从低级向高级的进化过程，而且优化求解过程与梯度信息无关。 GA优点：从多个初始点开始寻优，沿多路径搜索实现全局或准全 局最优；对优化问题没有太多的数学约束，可以处理任意形式的目标 函数和约束条件。 GA缺点：收敛速度慢、易陷入局部最优。 自适应遗传算法（AGA） 一. 概述 自适应遗传算法（AGA）：在遗传算法中令交叉概率 和变异概率随适应度的大小及分散程度进行自适应调整，使遗 传算法收敛速度快，计算结果更接近全局最优解。 二.优化设计问题的数学模型 求设计变量X=[z1，z2，z3，z4] 使得F(x)取得最大值(max)或最小值(min) 满足于gj(X)≤cj ( j=1，2，3，? ，k) 式中 F(x)为目标函数； gj(X)为约束函数。 三.自适应遗传算法的实现 遗传算法是基于自然遗传和自然优选机理的寻优方法，它把搜索空间 (解空间)映射为遗传空间，把每一个可能的解编码为一个称为染色体的数字 串，所有的染色体组成种群(设群体中染色体的个数用POP表示)。控制变量 作为母体，按预定的目标函数进行评价，计算每一个染色体的适应度，根据 适应度对诸染色体进行选择、交叉、变异等遗传操作，剔除适应度低的染色 体，留下适应度高的染色体，从而得到新的群体。GA就这样反复迭代，直 至满足某种预定的优化收敛指标。 步骤： 1、编码参数 2、确定适应度函数 3、遗传操作 4、参数自适应调整 三.自适应遗传算法的实现 1、编码参数 为简化计算，采用实数编码。个体(也称染色体)的每一向量(基因)即为 优化设计各控制变量的真值。表示为： 三.自适应遗传算法的实现 2、确定适应度函数 遗传算法是以个体适应度来评价其优劣性，适应度函数要求 非负，且应使优化问题为最大值。对于求最小值问题则需要将目 标函数与适应度函数进行转化。 三.自适应遗传算法的实现 2、确定适应度函数 遗传算法本身只能处理无约束问题，所以需要将约束函 数通过一定的规则转换为无约束问题。 三.自适应遗传算法的实现 3、遗传操作 （1）交叉运算 交叉的目的是寻找父代双亲已有的但未能合理利用的基因信息。 实数编码采用算术交叉，即由随机抽取的两个个体的线性组合产生 两个子代。 设x和y是两父代个体，则交叉产生的后代为: 三.自适应遗传算法的实现 （2）变异运算 通过变异可引入新的基因以保持种群的多样性，它在一定 程度上可以防成熟前收敛的发生。 3、遗传操作 三.自适应遗传算法的实现 4、参数自适应调整 遗传算法的参数中交叉概率Pc和变异概率Pm的选择是影响遗传算法行 为和性能的关键所在，直接影响算法的收敛性: Pc越大，新个体产生的速度 就越快。然而，Pc过大，遗传模式被破坏的可能性越大。对于变异概率Pm， 如果Pm过小，不易形成新的个体；如果Pm过大，则遗传算法就成了纯粹的 随机搜索算法。 自适应遗传算法(AGA)使得Pc和Pm能够随适应度按公式 自动调整： 三.自适应遗传算法的实现 4、参数自适应调整 四.重力坝断面优化设计 1、基本资料 四.重力坝断面优化设计 2、优化模型 重力坝基本断面如图所示，其中坝高H，坝顶宽度B一般为常量，因此设计变量x取上游坝坡坡率x1，下游坝坡坡率x2，上游折坡点高度占坝高比例x3，下游折坡点高度占坝高比例x4；目标函数取断面面积A(x)。优化模 型为 求设计变量 X=﹛x1,x2,x3,x4﹜ 使得A(x) →min 并满足上边（1）-（7）的约束条件 四.重力坝断面优化设计 3、优化结果及分析 为了检验遗传算法进行结构优化设计的可行性以及优化结果的合理性， 同时采用复行法对该问题进行了计算，下表对两种算法的优化结果进行了比 较。 从表中可看出，自适应遗传算法优化结果的目标函数为A(X)=5502．74 m2，比复行法优化结果节省了6．6％ ，提高了经济性；本算法与复行法相比，优化设计断面上游坝坡率达到临界值，下游坝坡 坡率变小，减小了坝底宽度；坝趾压应力有所降低，坝踵应力储备加大；因此遗传算法的结果更接近全局最优解。 五.结语 (1)遗传算法克服了经典搜索算法容易掉入局部最优，随问题规模的增大搜索空间急剧膨胀等缺点。由于简单遗传算法的遗