基于離散變量的差異進(jìn)化算法研究及其在結(jié)構(gòu)優(yōu)化設(shè)計(jì)中的應(yīng)用.pdf

1、結(jié)構(gòu)優(yōu)化設(shè)計(jì)迄今已有近百年的歷史。在最近的四十年內(nèi)，無論在其理論、算法還是在應(yīng)用方面，結(jié)構(gòu)優(yōu)化設(shè)計(jì)都取得了很大的進(jìn)展。而近年來智能算法在結(jié)構(gòu)優(yōu)化設(shè)計(jì)領(lǐng)域的廣泛應(yīng)用，更使得結(jié)構(gòu)優(yōu)化設(shè)計(jì)水平達(dá)到一個(gè)新的高度。 差異進(jìn)化算法(DifferentialEvolution)是美國學(xué)者StronR.和PriceK.V.于1995提出的一種智能算法，具有原理簡單、魯棒性強(qiáng)、收斂速度快、搜索到全局最優(yōu)解概率高、對(duì)初始值無要求、運(yùn)行參數(shù)設(shè)置簡單、

2、具有并行運(yùn)算特性等優(yōu)點(diǎn)，極具發(fā)展?jié)摿?。其?yōu)秀的性能已在許多問題的應(yīng)用中得到了驗(yàn)證。差異進(jìn)化算法的出現(xiàn)為求解結(jié)構(gòu)優(yōu)化問題提供了一條新途徑。 本文首先詳細(xì)介紹了差異進(jìn)化基本原理，并通過對(duì)經(jīng)典DeJong函數(shù)的求解，分析了控制參數(shù)對(duì)進(jìn)化過程的影響，對(duì)控制參數(shù)如何取值給出了具體建議，同時(shí)比較了差異進(jìn)化算法五種常用模式的性能。在此基礎(chǔ)上對(duì)差異進(jìn)化算法提出如下兩點(diǎn)改進(jìn)：1.對(duì)變異因子提出一種簡單的自適應(yīng)操作，使差異進(jìn)化算法的主要控制參數(shù)由三

3、個(gè)減少為兩個(gè)；2.把基于雙群體的進(jìn)化改為基于單群體的進(jìn)化，提高了進(jìn)化速度。經(jīng)過改進(jìn)后的差異進(jìn)化算法稱為自適應(yīng)變異差異進(jìn)化算法(AdaptiveMutation--DifferentialEvolution,簡稱AMDE)，數(shù)值測試表明，AMDE在提高進(jìn)化速度的同時(shí)，降低了差異進(jìn)化算法的使用難度。 其次對(duì)約束條件問題和離散變量問題提出了相應(yīng)的處理方法：將直接比例——比較法(DCPM)與差異進(jìn)化算法結(jié)合成為處理約束優(yōu)化問題的AMDE

4、-DCPM方法；采用計(jì)算適應(yīng)度的個(gè)體與進(jìn)化個(gè)體相分離的方法來處理離散變量和整型變量，即進(jìn)化個(gè)體用連續(xù)變量，計(jì)算適應(yīng)度的個(gè)體采用整型變量和離散變量。同時(shí)對(duì)最優(yōu)解接近約束邊界或約束嚴(yán)格、可行域小的離散變量優(yōu)化問題，結(jié)合結(jié)構(gòu)優(yōu)化設(shè)計(jì)的特點(diǎn)，提出了施加人工個(gè)體的處理方法。 最后，綜合上述改進(jìn)，對(duì)包括形狀優(yōu)化層次在內(nèi)的幾個(gè)結(jié)構(gòu)優(yōu)化問題進(jìn)行了求解。結(jié)果表明，改進(jìn)的差異進(jìn)化算法具有極強(qiáng)的全局尋優(yōu)能力，將其應(yīng)用于離散變量結(jié)構(gòu)優(yōu)化設(shè)計(jì)是可行且有效