外文翻譯--集成進(jìn)化優(yōu)化算法及其發(fā)展和在船舶結(jié)構(gòu)優(yōu)化設(shè)計(jì)中的應(yīng)用 中文版

1、<p><b>　　施普林格 </b></p><p>　　機(jī)械科學(xué)與技術(shù)學(xué)報(bào)22（2008）1313?1322</p><p>　　集成進(jìn)化優(yōu)化算法及其發(fā)展和在船舶結(jié)構(gòu)優(yōu)化設(shè)計(jì)中的應(yīng)用</p><p>　　Young-Mo Kong1, Su-Hyun Choi1, Bo-Suk Yang2,* and Byeong-Keun Ch

2、oi3</p><p>　　1.研究中心,大宇造船和海洋工程有限公司1 Aju-dong Geoje,Gyungnam 656 - 714年,韓國(guó)</p><p>　　2.釜慶國(guó)立大學(xué)機(jī)械工程學(xué)院,100年圣Yongdang-dong,Nam-gu,韓國(guó)釜山608 - 793</p><p>　　3.機(jī)械和航空航天工程學(xué)院研究所的海洋產(chǎn)業(yè),國(guó)立大學(xué)445 Inpye

3、ong-dong Tongyoung,650-160的韓國(guó)慶尚南道。</p><p>　　（2007年10月2日修訂稿；2008年3月18日修訂；2008年4月1日接收）</p><p><b>　　摘要</b></p><p>　　本文提出了一個(gè)集成的進(jìn)化優(yōu)化算法（ieoa）并結(jié)合遺傳算法（GA）的隨機(jī)算法，禁忌搜索算法（TS）和響應(yīng)面分析法

4、（RSM）。這個(gè)算法，為了提高收斂速度，被認(rèn)為是遺傳算法的缺點(diǎn)，采用RSM和單純形法。遺傳算法雖然具有隨機(jī)變化，但系統(tǒng)的多樣性可以通過(guò)使用禁忌表來(lái)保護(hù)。這種方法效率一直采用傳統(tǒng)的功能測(cè)試和比較結(jié)果證明，它是一種遺傳證據(jù)表明，新提出的算法可以有效地應(yīng)用于減少淡水艙的重量，放在船舶設(shè)計(jì)來(lái)避免共振后找到全局最優(yōu)解。結(jié)果表明，遺傳算法的收斂速度在初始階段已經(jīng)利用RSM改進(jìn)。一個(gè)優(yōu)化的解決方案，沒(méi)有額外的實(shí)際目標(biāo)函數(shù)的評(píng)價(jià)計(jì)算。最后，可以得出結(jié)論

5、，ieoa從收斂速度和全局搜索能力的觀點(diǎn)的一個(gè)很有用的全局優(yōu)化問(wèn)題的算法。</p><p>　　關(guān)鍵詞：進(jìn)化優(yōu)化算法；遺傳算法；響應(yīng)曲面法；禁忌搜索法；單純形法方法； </p><p><b>　　淡水艙</b></p><p><b>　　引言</b></p><p>　　許多動(dòng)態(tài)分析的重點(diǎn)是找

6、到最大的響應(yīng)，并避免在一個(gè)給定結(jié)構(gòu)下所有激振力。通常,這些特性提供了基礎(chǔ)的設(shè)計(jì)極限,因此用來(lái)確定的動(dòng)態(tài)遙相關(guān)結(jié)構(gòu)和它的重量。出于這個(gè)原因,重量最小化減少響應(yīng)和避免共振一直是設(shè)計(jì)工程師的主要擔(dān)憂(yōu)問(wèn)題。</p><p>　　許多經(jīng)典的優(yōu)化方法和實(shí)用軟件已經(jīng)開(kāi)發(fā)出來(lái)，其中大部分是非常有效，特別是解決實(shí)際問(wèn)題。然而,找到一個(gè)全球系統(tǒng)的最佳解決方案是很困難的。為了克服這個(gè)缺點(diǎn)，已經(jīng)開(kāi)發(fā)了許多搜索算法尋找一個(gè)全局最優(yōu)解。遺傳

7、算法是進(jìn)化計(jì)算領(lǐng)域中的一種技術(shù)，它是一種強(qiáng)大的全局優(yōu)化方法，它不需要傳統(tǒng)的搜索技術(shù)的嚴(yán)格連續(xù)性，而是在解空間中出現(xiàn)非線(xiàn)性和不連續(xù)性的2種方法。遺傳算法可以處理各種目標(biāo)函數(shù)，在離散、連續(xù)、混合搜索空間中定義了各種目標(biāo)函數(shù)和約束條件。然而，全局訪問(wèn)的遺傳算法需要一個(gè)計(jì)算隨機(jī)搜索。所以，收斂速度的精確解很慢。此外，為一個(gè)大尺寸的問(wèn)題的染色體編碼將是非常長(zhǎng)的，以便得到一個(gè)更準(zhǔn)確的解決方案。這將導(dǎo)致在一個(gè)大的搜索空間和巨大的內(nèi)存需求的計(jì)算。為了克

8、服這些缺點(diǎn)，許多研究人員已經(jīng)研究開(kāi)發(fā)了許多混合遺傳算法，遺傳算法與其他的[3-6]結(jié)合。這些可以節(jié)省計(jì)算時(shí)間和找到全球性的解決方案，因?yàn)樗?。因此，新的算法處理達(dá)到更高的精度和更快的收斂速度，在大型、復(fù)雜結(jié)構(gòu)就像船得到一個(gè)最佳的解決方案。</p><p>　　響應(yīng)面法（RSM）[ 7 ]是一個(gè)優(yōu)化的工具，介紹了箱和威爾遜[8]。這是一個(gè)收集統(tǒng)計(jì)和數(shù)學(xué)技術(shù)，用于開(kāi)發(fā)、改進(jìn)和優(yōu)化流程。這些技術(shù)被采用，以估計(jì)的優(yōu)化功能

9、，并找到搜索方向的域的子區(qū)域，以提高和希望最優(yōu)的解決方案。簡(jiǎn)單的方法（SM）是一種無(wú)導(dǎo)數(shù)的優(yōu)化使用涉及單形[ 9 ]搜索規(guī)律的方法。這眾所周知的技術(shù)已經(jīng)證明是流行的無(wú)約束的目標(biāo)函數(shù)。禁忌搜索（TS）是一種原combnatorial近期開(kāi)發(fā)的啟發(fā)式優(yōu)化問(wèn)題。因?yàn)楦衤甯 10，11 ]首先介紹，許多研究在這方面已經(jīng)出現(xiàn)，如有約束優(yōu)化問(wèn)題的[ 12 ]隨機(jī)移動(dòng)。</p><p>　　在這項(xiàng)研究中，在高精度、高速度的多

10、峰函數(shù)最優(yōu)解的搜索，提出了一種新的混合進(jìn)化算法，結(jié)合流行的算法，如遺傳算法、禁忌的優(yōu)點(diǎn)，RSM和SM。這個(gè)算法，為了提高收斂速度，被認(rèn)為是遺傳算法的缺點(diǎn)，采用RSM和SM。雖然突變遺傳算法提供了多種隨機(jī)變化，系統(tǒng)可以通過(guò)一個(gè)TS特別禁忌表的使用，在初始階段，遺傳算法的收斂速度，可以提高使用RSM是利用目標(biāo)函數(shù)的信息獲取通過(guò)總裝工藝進(jìn)行響應(yīng)面（近似函數(shù)）和優(yōu)化這沒(méi)有一個(gè)額外的實(shí)際評(píng)價(jià)計(jì)算目標(biāo)函數(shù)的最優(yōu)解，而遺傳算法的收斂速度可以提高，這種

11、方法的效率被證明通過(guò)應(yīng)用傳統(tǒng)的功能測(cè)試和比較的結(jié)果也證實(shí)，遺傳算法被應(yīng)用該算法有效地搜索全局最優(yōu)解THM重量最小化，避免被認(rèn)為是淡水艙位于船體后部共振。</p><p>　　集成進(jìn)化優(yōu)化算法(IEOA)</p><p><b>　　2.1IEOA結(jié)構(gòu)</b></p><p>　　其主要思想是減少利用RSM是一個(gè)設(shè)計(jì)的實(shí)驗(yàn)來(lái)減少重復(fù)數(shù)在評(píng)價(jià)目標(biāo)函

12、數(shù)的數(shù)目，因?yàn)檫@是一個(gè)優(yōu)化設(shè)計(jì)的缺點(diǎn)。的ieoa主要由四部分組成：（一）遺傳算法控制的一般算法，（ii）為解決系統(tǒng)的各種禁忌表，（三）RSM改進(jìn)得到一個(gè)候選解的收斂速度，及（iv）局部搜索改進(jìn)SM。圖1表示的ieoa流程圖。流程圖的左邊顯示全球搜索區(qū)域，類(lèi)似于標(biāo)準(zhǔn)遺傳算法的流程圖，包括功能保證準(zhǔn)則（FAC），集歷史、禁忌表，和RSM。這些部分提供候選解決方案，這被認(rèn)為是在本地搜索區(qū)域的初始搜索點(diǎn)。右側(cè)代表本地搜索區(qū)域。本部分通過(guò)對(duì)全局搜

13、索的結(jié)果作為初始搜索點(diǎn)，通過(guò)修改后的方法找到最佳的解決方案。圖1-1 ~圖1-3顯示部分A，B，C的詳細(xì)過(guò)程，如圖1</p><p>　　圖1.該算法的流程圖（ieoa）</p><p>　　圖1-1.部分的流程圖（更新）</p><p><b>　　。</b></p><p>　　圖1-2.第二部分（檢查禁忌表）的流程

14、圖</p><p>　　部分在圖1-1顯示詳細(xì)展示了一組歷史上海地區(qū)做出了響應(yīng)面提供均勻分布點(diǎn)。根據(jù)以下程序構(gòu)建的： </p><p>　　步驟1：從當(dāng)前人群中讀取個(gè)人 </p><p>　　步驟2：NSH = NSH + psize</p><p>　　圖1-3.C部分的流程圖（RSM）</p><p>　　在NSH

15、和psize意味著一套歷史和人口規(guī)模的大小。 </p><p>　　步驟3：如果NSH≤nshmax，然后轉(zhuǎn)到步驟7，nshmax手段建議最大尺寸 </p><p>　　步驟4：評(píng)價(jià)密級(jí)DG的每一個(gè)人</p><p>　　當(dāng)DK是i和K之間的歐氏距離x(i )?? x(k ) , i = 1,??, NSh; i?≠ k時(shí)，Dg = max (dik) + mean

16、 (dik)</p><p>　　步驟5：排名個(gè)人DG。 </p><p>　　步驟6：選擇高nshmax個(gè)人排名第一。 </p><p>　　步驟7：儲(chǔ)存解決方案，在上海和走出去。 </p><p>　　圖2所示的零件圖的細(xì)節(jié)代表檢查的禁忌表有一個(gè)多樣性的解決方案。在遺傳算法的交叉過(guò)程中選擇的一個(gè)人，以確保解決方案的多樣性。如果保證了解決方

17、案的多樣性，則選擇了單獨(dú)的，如果沒(méi)有，則重復(fù)的過(guò)程是重復(fù)的。也就是說(shuō)，當(dāng)它被選中時(shí)，它位于遠(yuǎn)離密集區(qū)域。濃溶液和個(gè)別驗(yàn)收標(biāo)準(zhǔn)等級(jí)標(biāo)準(zhǔn)D??RN歸一化域和V??RN為域具有相等nshmax D N為設(shè)計(jì)變量的個(gè)數(shù)。讓??V?是V的大小，然后</p><p>　　其中L是域D的一邊的長(zhǎng)度，??（∈R）是一側(cè)的歐幾里得長(zhǎng)度超多邊形V定義如下：</p><p>　　對(duì)于一個(gè)給定的目標(biāo)設(shè)計(jì)向量的愿望

18、函數(shù)表示為決定接受的個(gè)人如下：</p><p>　　設(shè)H（R）= E?R，R =XK?Xi，其中xi是目標(biāo)個(gè)體的位置。設(shè)置c，假定滿(mǎn)足理想條件：（i）SH是滿(mǎn)的，和（ii）SH的所有成員都被放置在中心的nshmax子域都應(yīng)該有相同的設(shè)計(jì)，沒(méi)有任何交叉的相互適應(yīng)域D絕對(duì)，意味著接受 概率準(zhǔn)則。</p><p>　　右邊的二個(gè)術(shù)語(yǔ)對(duì)應(yīng)于目標(biāo)個(gè)體的最近一個(gè)成員。第三個(gè)術(shù)語(yǔ)是殘差。的性質(zhì)，這是指數(shù)

19、遞減的距離，使遠(yuǎn)小于第一項(xiàng)。愿望準(zhǔn)則如下： </p><p>　　如果蘭德公司的話(huà)，那么接受，蘭德= [ 1 0 ] </p><p>　　如果試用號(hào)>最高審判號(hào)， </p><p>　　如果目標(biāo)個(gè)體不滿(mǎn)足于上述的愿望準(zhǔn)則，則一個(gè)交叉點(diǎn)被再次生成，過(guò)程重復(fù)。該程序總結(jié)如下： </p><p>　　步驟1：讀N?1個(gè)人選擇的過(guò)程。 <

20、;/p><p>　　步驟2：交叉N?2個(gè)人按交叉概率和5步走。 </p><p>　　步驟3：一個(gè)單獨(dú)選擇的禁忌表。 </p><p>　　步驟4：如果蘭德公司，然后去一步5，否則返回到步驟3。 </p><p>　　步驟5：添加生成的個(gè)人。 </p><p>　　C部分圖1-3所示，細(xì)節(jié)代表一個(gè)RSM區(qū)域。它主要分為3個(gè)

21、部分。首先，考慮到優(yōu)化的響應(yīng)曲面的邊界條件，設(shè)計(jì)變量的上下限值可在計(jì)算過(guò)程中考慮。然而，這種方法的優(yōu)點(diǎn)是減少了附加約束，喜歡自然頻率的考慮，因?yàn)樗鼘?duì)目標(biāo)函數(shù)從外部計(jì)算得到結(jié)果，解決這一問(wèn)題，本研究采用SH作為訓(xùn)練數(shù)據(jù)和推斷約束條件的滿(mǎn)足，利用徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)[ 13 ]。這樣，可以避免實(shí)際問(wèn)題的計(jì)算。其次，它使一個(gè)響應(yīng)表面SH采用最小二乘法（LSM）。最后，對(duì)響應(yīng)面最佳解決方案是采用TS的基于梯度的算法可以用來(lái)提高優(yōu)化計(jì)算的

22、收斂速度。然而，滿(mǎn)足約束條件的解決方案不能保證，因?yàn)榧s束條件是很難準(zhǔn)確地定義。此外，我們采用了一個(gè)很好的初始收斂速度，因?yàn)轫憫?yīng)曲面的概念是搜索的近似候選解決方案。所產(chǎn)生的最終解決方案是與其他現(xiàn)有的遺傳算法的個(gè)人根據(jù)圖1的序列，并進(jìn)行計(jì)算的健身。</p><p>　　2.2 ieoa實(shí)施程序 </p><p>　　該算法的程序可以概括如下： </p><p>　　步驟

23、1：設(shè)置參數(shù)（psize、PC、PM、MS、MC）。 </p><p>　　其中個(gè)人電腦，下面分別是交叉概率和變異概率。女士和主持人的選擇和交叉的方法。 </p><p>　　步驟2：生成初始染色體VK（k = 1，2，3，psize）隨機(jī)N元素。 </p><p>　　vk?=? [ xk 1, xk 2 , , xkn ]</p><p>

24、;　　當(dāng)染色體的產(chǎn)生，每個(gè)染色體的元素取值范圍應(yīng)為斜輪顆粒機(jī)xkj?≤ x j?≤ xU 許滿(mǎn)意。每個(gè)染色體滿(mǎn)足所有約束的GI（VK）?≥0，??當(dāng)染色體不滿(mǎn)足條件，則染色體具有最低的健身，所以它有一個(gè)低可能性的選擇給下一代，畢竟。 </p><p>　　步驟3：生成初始解，估計(jì)約束并設(shè)置參數(shù)范圍。 </p><p>　　步驟4：評(píng)估個(gè)人的健身。 </p><p>

25、　　步驟5：評(píng)價(jià)因素，如果它滿(mǎn)足FAC = 1， </p><p>　　走到12步，否則要走6步。 </p><p>　　每個(gè)候選最佳的解決方案是由[ 14 ]決定因素。FAC是估計(jì)初始的候選的收斂標(biāo)準(zhǔn)值。</p><p>　　在網(wǎng)絡(luò)連接的行向量，由個(gè)體的適應(yīng)度值在第i個(gè)代和F T是轉(zhuǎn)置的F. </p><p>　　行的大小取決于最優(yōu)解的個(gè)數(shù)

26、根據(jù)設(shè)計(jì)師的要求。從理論上講，F(xiàn)AC的范圍是從0到1.0.when值等于1，優(yōu)化收斂完畢。然而，價(jià)值難以收斂到1考慮要評(píng)價(jià)的許多候選解決方案。因此，在這項(xiàng)研究中，F(xiàn)AC設(shè)置為0.9999。 </p><p>　　步驟6：更新sh：sh= {（XSH，F(xiàn)） XSH?∈RN，F(xiàn)?∈ R }，在XSH = [ X1，X2，XN ]。 </p><p>　　步驟7：執(zhí)行選擇和交叉，并檢查禁忌表。

27、</p><p>　　步驟8：構(gòu)建響應(yīng)面：</p><p>　　在??0，??II和??ij是系數(shù)的計(jì)算 LSM。</p><p>　　步驟9：訓(xùn)練RBF網(wǎng)絡(luò)的SH構(gòu)建約束條件約。 </p><p>　　步驟10：計(jì)算響應(yīng)面上的最佳設(shè)計(jì)，并根據(jù)其產(chǎn)生一個(gè)單獨(dú)的。 </p><p>　　步驟11：變異和4步走。 <

28、/p><p>　　步驟12：利用最佳候選改性SM的局部濃度搜索最優(yōu)解。</p><p>　　3.函數(shù)優(yōu)化的數(shù)值例子 </p><p><b>　　3.1測(cè)試功能 </b></p><p>　　三個(gè)基準(zhǔn)測(cè)試函數(shù)被用來(lái)驗(yàn)證所提出的混合算法的效率，如圖2所示。這些函數(shù)通常用于測(cè)試優(yōu)化方法。模擬進(jìn)行的2維的情況下。第一個(gè)函數(shù)是最大化

29、，其他的是被最小化，第一個(gè)是四峰值函數(shù)，它有一個(gè)全局最優(yōu)，其中有三個(gè)局部最優(yōu)解，并且被定義為</p><p>　　當(dāng)?0.4?≤ x1, x2?≤ 1時(shí)，</p><p>　　這個(gè)測(cè)試函數(shù)具有全局最優(yōu)解f（x）= 1.954342 X1 = 0，X2 = 0，和三的局部最優(yōu)解f（x）= 1.807849, 1.705973和1.559480如圖2所示（一）。傳統(tǒng)的基于梯度的爬山算法可以很容

30、易地在一個(gè)局部最優(yōu)，因?yàn)樗麄冊(cè)谌炙阉魉惴ㄈ肿顑?yōu)解的同時(shí)，依賴(lài)于起始點(diǎn)。</p><p><b>　?。╝）四峰值功能</b></p><p>　?。╞）Rosenbrock函數(shù)</p><p>　　（C）Rastrigin函數(shù)</p><p>　　當(dāng) ?2.0≤ x1, x2?≤ 2.0 時(shí)Rosenbrock函數(shù)

31、定義為f ( x1, x2 )?=? 100( x1?? x2 )2?? (1?? x1)2</p><p>　　這個(gè)功能被稱(chēng)為香蕉的作用[ 15 ]，其形狀是在圖（b）。這個(gè)函數(shù)的目的是要找到這個(gè)變量，從而最大限度地減少目標(biāo)函數(shù)。這個(gè)函數(shù)只有一個(gè)最優(yōu)解f（x）= 0 X1 = 1，X2 = 1。由于沿拋物線(xiàn)X12??x2導(dǎo)致全球最低[ 16 ]一個(gè)非常深的山谷，它找到一個(gè)最優(yōu)解是很困難的。</p>

32、<p>　　此函數(shù)通常用于評(píng)估全球搜索能力，因?yàn)橛性S多局部極小值在全球最低如圖2所示（三）。在有限函數(shù)調(diào)用中找到全局最小值是不容易的。這個(gè)函數(shù) </p><p>　　有220個(gè)局部極小值和一個(gè)最小的f（x）=0在（0,0）上。</p><p><b>　　3.2仿真結(jié)果 </b></p><p>　　圖3顯示了每個(gè)測(cè)試函數(shù)的目標(biāo)函數(shù)

33、的收斂趨勢(shì)。結(jié)果表明，這個(gè)模型（GA + RSM）和ieoa（GA +丹參+禁忌表）是一種基于RSM算法具有更快的收斂速度和更準(zhǔn)確的解決方案比標(biāo)準(zhǔn)的遺傳算法，并驗(yàn)證了RSM的效率計(jì)算。此外，禁忌表，使收斂到解決方案，由于系統(tǒng)的多樣性的多峰函數(shù)的快速收斂。為每個(gè)算法的設(shè)置參數(shù)列出在表2，表1顯示了上述三個(gè)測(cè)試函數(shù)的優(yōu)化結(jié)果的比較。評(píng)價(jià)數(shù)是指在優(yōu)化過(guò)程中所使用的目標(biāo)函數(shù)的總數(shù)，并與總的計(jì)算時(shí)間成正比。根據(jù)研究結(jié)果，所有的測(cè)試功能，ieoa可

34、以提供更好的解決方案比遺傳算法在精度和收斂速度。對(duì)于Rastrigin函數(shù)，進(jìn)行全局搜索能力非常有用，因?yàn)橹車(chē)性S多局部極小值的全局最小值，ieoa發(fā)現(xiàn)具有較高的精度和更少的時(shí)間比遺傳算法根據(jù)這些結(jié)果全局最小，本文提出的算法是一個(gè)功能強(qiáng)大的全局優(yōu)化算法的收斂速度和全局搜索能力觀。</p><p>　　表1.GA和ieoa設(shè)置參數(shù)</p><p><b>　?。╝）四峰值功能<

35、;/b></p><p>　　（b）Rosenbrock函數(shù)</p><p>　?。–）Rastrigin函數(shù)</p><p>　　圖3.目標(biāo)函數(shù)收斂趨勢(shì)</p><p><b>　　表2.優(yōu)化結(jié)果比較</b></p><p><b>　　表2.優(yōu)化結(jié)果比較</b>&l

36、t;/p><p>　　4.船舶淡水艙的優(yōu)化設(shè)計(jì) </p><p>　　在發(fā)動(dòng)機(jī)室和一艘船的后方，有許多罐結(jié)構(gòu)，接觸新鮮的和海水或燃料和潤(rùn)滑油。此外，這些都可能受到過(guò)多的振動(dòng)，在航行中，因?yàn)樗鼈兪菄@船舶的主要激勵(lì)源，如主機(jī)和螺旋槳。如果出現(xiàn)問(wèn)題，需要花費(fèi)相當(dāng)大的成本，時(shí)間和精力來(lái)改善情況，因?yàn)榧訌?qiáng)工作以排空流體的罐，額外的焊接和特殊的繪畫(huà)等，是必需的。在設(shè)計(jì)階段，對(duì)儲(chǔ)罐結(jié)構(gòu)的精確振動(dòng)特性進(jìn)行預(yù)

37、測(cè)是非常重要的。優(yōu)化設(shè)計(jì)需要應(yīng)用。特別是當(dāng)結(jié)構(gòu)與流體接觸，多分析必須考慮時(shí)間。因此，一種新的優(yōu)化算法得到一個(gè)短的分析時(shí)間和準(zhǔn)確的解決方案。在這項(xiàng)研究中，在實(shí)際的船舶淡水箱的優(yōu)化設(shè)計(jì)進(jìn)行了驗(yàn)證該算法的有效性（ieoa）結(jié)果是比較標(biāo)準(zhǔn)的遺傳算法 </p><p>　　4.1淡水艙振動(dòng)分析 </p><p>　　由于受激振力的傳遞機(jī)理和阻尼比的困難，難以預(yù)測(cè)局部結(jié)構(gòu)的振動(dòng)響應(yīng)。傳統(tǒng)上，因此，考慮

38、設(shè)計(jì)避免共振的振動(dòng)分析，以防止局部振動(dòng)。 </p><p>　　在這項(xiàng)研究中，對(duì)淡水艙振動(dòng)分析采用Nastran是一個(gè)商業(yè)有限元程序，廣泛用于船舶結(jié)構(gòu)進(jìn)行大的像。分析模型和淡水艙布置如圖4所示。圖5顯示了淡水池的設(shè)計(jì)變量和邊界條件?？紤]到分析的精度和耗時(shí)的建模過(guò)程中，新的水箱建模的范圍被限制在一個(gè)側(cè)面的坦克。指定的邊界條件為如下：簡(jiǎn)單的支架用于與其它艙壁和甲板相連的槽的邊界區(qū)域，表3顯示了主要激勵(lì)源的規(guī)范。 &l

39、t;/p><p>　　在一般情況下，避免局部結(jié)構(gòu)諧振的設(shè)計(jì)要求的結(jié)構(gòu)的固有頻率必須是2倍高于葉片的螺旋槳的最大轉(zhuǎn)速下的最大轉(zhuǎn)速下的。在這項(xiàng)研究中，設(shè)計(jì)目標(biāo)頻率設(shè)定為上述14.0hz，考慮安全邊際和螺旋槳兩葉片通過(guò)頻率（12.13hz）。 </p><p>　　圖6顯示了前三階模態(tài)和NASTRAN的淡水箱的固有頻率。這三種模式經(jīng)常發(fā)生在淡水艙航行。特別是，第一種模式（8.60hz）是一個(gè)加強(qiáng)筋（

40、細(xì)）模式產(chǎn)生強(qiáng)烈的振動(dòng)和結(jié)構(gòu)影響較大。在這個(gè)模型中，該結(jié)構(gòu)的第一階固有頻率也是共振區(qū)域的兩次葉片通過(guò)頻率的螺旋槳是12.13hz內(nèi)。因此，結(jié)構(gòu)的固有頻率應(yīng)增加到目標(biāo)頻率，槽滿(mǎn)的情況下。根據(jù)罐的水性可以改變結(jié)構(gòu)的固有頻率。因此，為了設(shè)計(jì)一個(gè)安全的結(jié)構(gòu)，這項(xiàng)研究涉及到三種新的水箱的設(shè)計(jì)。</p><p>　　表3.主要激勵(lì)源規(guī)范</p><p>　　圖5.新的設(shè)計(jì)變量和邊界條件</p&g

41、t;<p>　?。╝）第一模式（8.60hz）</p><p>　?。╞）第二模式（18.82hz）</p><p>　　（C）第三模式（19.17hz</p><p>　　圖6.淡水箱模態(tài)振型</p><p>　　4.2新水箱的優(yōu)化設(shè)計(jì) </p><p>　　在淡水艙的主要振動(dòng)模式在橫向加勁肋的模式。最

42、重要的因素之一是加勁肋的剛度。在這項(xiàng)研究中，加強(qiáng)筋尺寸和圖4水箱板厚為設(shè)計(jì)變量，在方程（7）。</p><p>　　其中S和P的意思分別是加強(qiáng)筋的尺寸和板的厚度。</p><p>　　根據(jù)船廠的實(shí)踐。加勁肋的腹板長(zhǎng)度限制為L(zhǎng)W兩類(lèi)如式（8）</p><p>　　150?≤LW?≤450毫米的加勁肋（S1 S7），500?≤LW ≤1000毫米桁條（S8）(8)<

43、;/p><p>　　此外，局部振動(dòng)設(shè)計(jì)的基本概念是在每個(gè)點(diǎn)的響應(yīng)最小化。然而，它是很難評(píng)估多少的激振力影響的局部結(jié)構(gòu)。所以，為了避免共振，該結(jié)構(gòu)的第一階固有頻率限制為式（9）認(rèn)為約在螺旋槳葉片通過(guò)頻率15%倍的安全邊際（12.14hz）。 </p><p>　　?1≥14.0hz （ 9）</p

44、><p>　　目標(biāo)函數(shù)結(jié)合線(xiàn)性的鮮重水箱結(jié)構(gòu)固有頻率如式（10）。目的是得到經(jīng)濟(jì)合理的結(jié)構(gòu)以減輕重量和增加取第一階固有頻率 </p><p>　　其中，下標(biāo)t，平均0的目標(biāo)和當(dāng)前的價(jià)值 </p><p>　　分別用α和β 。即加權(quán)因子。在本文中設(shè)α = 0.5, β = 0.5</p><p>　　4.3 優(yōu)化結(jié)果與討論 </p>

45、<p>　　實(shí)現(xiàn)了對(duì)淡水箱筋板厚度的最優(yōu)規(guī)模保持其抗振設(shè)計(jì)的優(yōu)化設(shè)計(jì)。表4優(yōu)化前后的設(shè)計(jì)變量的結(jié)果。這表明，斯金格S8是提高72%、4.0-52 %的人。這一結(jié)果表明，最合理的改性方法是增加縱梁，具有降低垂直加勁肋跨度的影響。在這種情況下，板厚對(duì)結(jié)構(gòu)的固有頻率沒(méi)有任何影響，表5顯示了優(yōu)化前后結(jié)構(gòu)的固有頻率和結(jié)構(gòu)重量的變化。根據(jù)研究結(jié)果，第一階固有頻率增加到163% 8.6hz 14.02hz，和安全裕度兩次通過(guò)頻率的螺旋槳發(fā)生

46、相應(yīng)的變化，從29.1%到15.5%。因此，結(jié)構(gòu)無(wú)共振。此外，加強(qiáng)筋設(shè)計(jì)中的廣泛應(yīng)用變量在高頻率雖然也降低權(quán)重?？傊?，局部振動(dòng)的問(wèn)題，需要通過(guò)結(jié)構(gòu)避免共振的固有頻率的運(yùn)動(dòng)而無(wú)需額外的重量已通過(guò)該方法成功地解決了。表6和圖7表明，GA和ieoa之間優(yōu)化結(jié)果的比較。評(píng)價(jià)編號(hào)是指在優(yōu)化過(guò)程中所使用的目標(biāo)函數(shù)的總數(shù)，并與總的計(jì)算時(shí)間成正比。根據(jù)研究結(jié)果，ieoa可以比遺傳算法在精度和收斂速度，更好的解決方案。這些結(jié)果使我們得出結(jié)論，提出的新算法

47、是一個(gè)更強(qiáng)大的全局優(yōu)化算法的收斂速度和全局搜索能力的觀點(diǎn)。</p><p>　　表4.原與最優(yōu)設(shè)計(jì)變量的比較</p><p><b>　　表5.結(jié)果比較</b></p><p><b>　　表6.優(yōu)化結(jié)果比較</b></p><p>　　圖7.目標(biāo)函數(shù)收斂趨勢(shì)</p><p>

48、;<b>　　5.結(jié)論 </b></p><p>　　本文提出了一個(gè)集成的進(jìn)化優(yōu)化算法，結(jié)合流行的算法，如遺傳算法、禁忌的優(yōu)點(diǎn)的一種新的混合優(yōu)化算法，SM和RSM。這個(gè)算法，為了提高收斂速度，被認(rèn)為是遺傳算法的缺點(diǎn)，采用RSM和SM。雖然變異遺傳算法提供隨機(jī)的品種，可以通過(guò)系統(tǒng)的各種禁忌列表的使用。特別是，在初始階段，遺傳算法的收斂速度，可以通過(guò)使用RSM使用通過(guò)GA處理然后進(jìn)行響應(yīng)面獲得目

49、標(biāo)函數(shù)的信息的改進(jìn)（近似函數(shù)）和優(yōu)化。一個(gè)優(yōu)化的解決方案進(jìn)行了計(jì)算，沒(méi)有額外的實(shí)際目標(biāo)函數(shù)的評(píng)價(jià)，和遺傳算法的收斂速度可以提高。這種方法的效率和有效性已被證明采用流行的測(cè)試函數(shù)結(jié)果與遺傳算法進(jìn)行比較，尋找全局最優(yōu)解的新提出的算法的有效性證明了運(yùn)用它的重量最小化設(shè)計(jì)，避免了淡水艙位于船體后部共振。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1]

50、 D. E. Goldberg, Genetic Algorithms in Search,Optimization & Machine Learning. AddisonWesley Publishing Company, (1989), 1-146.</p><p>　　[2] L. Davis, Handbook of Genetic Algorithms, Van Nostrand Reinhol

51、d, New York, USA (1991).</p><p>　　[3] T. Sato and M. Hagiwara, Bee System: Finding Solution by a Concentrated Search, Trans. IEE Japan 118-C (5) (1998),721-726.</p><p>　　[4] B. G. Choi and B. S.

52、 Yang, Multi-Objective Optimization of Rotor-Bearing System with Dynamic Constraints using Immune-Genetic Algorithm,Trans. ASME, Journal of Engineering for Gas Turbines and Power, 123 (1) (2001) 78-81.</p><p&g

53、t;　　[5] Y. C. Kim and B. S. Yang, An Enhanced Genetic Algorithm for Global and Local Optimizatio Search, Trans. KSME (Ser. A), 26 (6) (2002) 1008-1015.</p><p>　　[6] Y. K. Ahn, Y. C. Kim and B. S. Yang, Opti

54、mum Design of Engine Mount using an Enhanced Genetic Algorithm with Simplex Method, Vehicle System Dynamics, 43 (1) (2005) 57-81.</p><p>　　[7] H. M. Raymond and D. C. Montgomery, Response Surface Methodology

55、: Process and Product Optimization Using Designed Experiment, Wiley-Inter-science Publication, New York, USA, (1995).</p><p>　　[8] G. E. P. Box, K. B. Wilson, On the Experimental Attainment of Optimum Condit

56、ions, Journal of Royal Statistical Society (Ser. B), 13 (1951) 1-38.</p><p>　　[9] J. A. Nelder and R. Mead, A Simplex Method for Function Minimization, Computer Journal, 7(4) (1965) 308-313.</p><p

57、>　　[10] F. Glover, Tabu Search- Part I, ORSA Journal on Computing, 1 (1989) 190-206.</p><p>　　[11] F. Glover, Tabu Search- Part II, ORSA Journal on Computing, 2 (1989) 4-32.</p><p>　　[12] N.

58、Hu, Tabu Search Method with Random Moves for Globally Optimal Design, International Journal of Numerical Methods in Engineering, 35 (1992) 1055-1070.</p><p>　　[13] D. Howard, B. Mark and H. Martin, Neural Ne

59、twork Toolbox for Use with MATLAB, The MathWorks, (2005).</p><p>　　[14] M. I. Friswell and J. E. Mottershead, Finite Element Model Updating in Structural Dynamics, Kluwer Academic Publishers, New York, USA,(

60、1996). .</p><p>　　[15] A. Homaifar, C. Qi and S. Lai, Constrained Optimization via Genetic Algorithm Simulation, Electronics Letter, 62 (4) (1994) 242-254.</p><p>　　[16] T. Kohonen, Self-Organiz