離散變量結(jié)構(gòu)優(yōu)化設(shè)計中遺傳算法的研究和應(yīng)用.pdf

1、結(jié)構(gòu)優(yōu)化設(shè)計按設(shè)計變量的類型可分為連續(xù)變量結(jié)構(gòu)優(yōu)化和離散變量結(jié)構(gòu)優(yōu)化。近30年來，結(jié)構(gòu)優(yōu)化設(shè)計的理論和方法得到了迅速的發(fā)展，但大多數(shù)的研究是針對連續(xù)變量的，離散變量的研究相對落后，這是由于離散變量結(jié)構(gòu)優(yōu)化相對于連續(xù)變量優(yōu)化具有更大的難度。而在實際工程結(jié)構(gòu)設(shè)計中，經(jīng)常遇到某些設(shè)計變量只能取限定的離散值的情況，因此研究離散變量結(jié)構(gòu)優(yōu)化設(shè)計有重要的實際意義。 基于生物進(jìn)化理論的遺傳算法是近年來發(fā)展起來的一種新的優(yōu)化技術(shù)，由于其廣泛的適

2、應(yīng)性被應(yīng)用到眾多領(lǐng)域，結(jié)構(gòu)優(yōu)化設(shè)計是其應(yīng)用的一個重要方面。但由于標(biāo)準(zhǔn)遺傳算法在結(jié)構(gòu)優(yōu)化設(shè)計中存在計算量大、收斂進(jìn)程慢以及容易陷入局部最優(yōu)解等問題，本文首先在研究分析標(biāo)準(zhǔn)遺傳算法的基本理論的基礎(chǔ)上，針對離散變量結(jié)構(gòu)優(yōu)化設(shè)計的特點及要求，對標(biāo)準(zhǔn)遺傳算法提出若干改進(jìn)措施和混合策略，形成了較為有效的優(yōu)化方法，然后將所提出的算法和理論應(yīng)用于各種層次的離散變量結(jié)構(gòu)優(yōu)化設(shè)計中。 本文的主要工作有如下幾個部分： 第一章首先概述了結(jié)構(gòu)優(yōu)化

3、設(shè)計的發(fā)展現(xiàn)狀，其中著重介紹了離散變量結(jié)構(gòu)優(yōu)化設(shè)計的特點、難點以及發(fā)展概況，然后論述了遺傳算法的發(fā)展歷史及其在結(jié)構(gòu)優(yōu)化設(shè)計中的應(yīng)用情況。最后概述了本文的主要研究工作。 第二章詳細(xì)地闡述了標(biāo)準(zhǔn)遺傳算法的基本思想、運算過程以及基本理論，并對標(biāo)準(zhǔn)遺傳算法存在的缺點及其產(chǎn)生原因進(jìn)行了細(xì)致的分析。在此基礎(chǔ)上，提出一種改進(jìn)遺傳算法。主要改進(jìn)措施：(1)對群體中的不可行個體和約束條件過度滿足的個體進(jìn)行改造；(2)設(shè)置最優(yōu)個體庫；(3)自適應(yīng)交

4、叉；(4)最差個體大變異；(5)局部徘徊策略。 第三章選擇與標(biāo)準(zhǔn)遺傳算法互補(bǔ)性和兼容性較好的兩種傳統(tǒng)優(yōu)化方法與遺傳算法相結(jié)合，提出了兩種混合遺傳算法—擬滿應(yīng)力遺傳算法和復(fù)合形遺傳算法。擬滿應(yīng)力遺傳算法通過在遺傳算法中嵌入擬滿應(yīng)力算子，增強(qiáng)了局部尋優(yōu)能力。它克服了擬滿應(yīng)力法解決問題的局限性，又比標(biāo)準(zhǔn)遺傳算法更加快速有效。復(fù)合形遺傳算法將離散復(fù)合形法引入到遺傳算法中，一方面利用遺傳算法為離散復(fù)合形法提供可行點，另一方面利用離散復(fù)合形

5、法對遺傳算法種群中的可行個體和不可行個體進(jìn)行改進(jìn)。它將兩種算法的優(yōu)點集中在一起，同時又彌補(bǔ)了兩者的不足。-Ⅱ-因而無論是在搜索效率還是在解的品質(zhì)上，它都比單一的算法更加優(yōu)越。 第四章將提出的改進(jìn)遺傳算法、擬滿應(yīng)力遺傳算法和復(fù)合形遺傳算法應(yīng)用于離散變量結(jié)構(gòu)截面優(yōu)化設(shè)計問題，包括靜力荷載作用下的結(jié)構(gòu)優(yōu)化問題和動力特性優(yōu)化問題。為減少結(jié)構(gòu)分析的工作量，將滿足靜態(tài)約束的個體和不滿足靜態(tài)約束的個體設(shè)立了不同的適應(yīng)度函數(shù)。采用大量經(jīng)典的算例

6、并與傳統(tǒng)優(yōu)化方法的優(yōu)化結(jié)果進(jìn)行比較，表明本文提出的三種算法取得了比較滿意的結(jié)果，同時優(yōu)化結(jié)果也顯示了改進(jìn)遺傳算法比標(biāo)準(zhǔn)遺傳算法優(yōu)越，混合遺傳算法比單一的算法優(yōu)越。 第五章將本文提出的三種算法應(yīng)用于離散變量結(jié)構(gòu)形狀優(yōu)化設(shè)計問題。本文將形狀設(shè)計變量和截面設(shè)計變量統(tǒng)一編碼表示在同一染色體中，既解決了兩類變量間耦合上的困難，又避免了將兩類變量分開考慮只能求得局部最優(yōu)解的問題。對混合離散變量問題，對形狀變量提出了二級搜索策略，即首先在整個

7、搜索區(qū)間進(jìn)行粗粒度搜索，進(jìn)化后期再將搜索范圍縮小至最優(yōu)解附近，重新編碼進(jìn)行局部細(xì)致搜索，從而解決了求解的精度和求解效率間的矛盾。算例的結(jié)果表明本文提出的算法和優(yōu)化策略是可行的，與已有的文獻(xiàn)相比，優(yōu)化結(jié)果令人滿意。 第六章用遺傳算法求解了離散變量結(jié)構(gòu)拓?fù)鋬?yōu)化設(shè)計問題。為降低求解的難度，采用了分級優(yōu)化方法，即先產(chǎn)生結(jié)構(gòu)可能的拓?fù)湫问?，然后再在既定的拓?fù)浣Y(jié)構(gòu)形式下進(jìn)行截面級優(yōu)化。為節(jié)省隨機(jī)產(chǎn)生結(jié)構(gòu)拓?fù)湫问剿ㄙM的大量時間，對桁架結(jié)構(gòu)和

8、剛架結(jié)構(gòu)分別提出了一種啟發(fā)式準(zhǔn)則，可以快速找到可行的拓?fù)浣Y(jié)構(gòu)形式。另外，通過對桁架結(jié)構(gòu)和剛架結(jié)構(gòu)剛度矩陣進(jìn)行分析，對兩種類型的結(jié)構(gòu)提出了不同的拓?fù)鋬?yōu)化模型，避免了奇異最優(yōu)解現(xiàn)象的產(chǎn)生，并保證了優(yōu)化結(jié)果的準(zhǔn)確性。 第六章還提出了一種用于離散變量結(jié)構(gòu)拓?fù)鋬?yōu)化問題的雜交算法。該方法充分發(fā)揮遺傳算法和擬滿應(yīng)力算法各自的特長，用遺傳算法進(jìn)行結(jié)構(gòu)拓?fù)浼墐?yōu)化，用擬滿應(yīng)力法進(jìn)行結(jié)構(gòu)截面級優(yōu)化，并將截面優(yōu)化的結(jié)果傳遞給遺傳算法作為拓?fù)鋬?yōu)化中遺傳操