动态惩罚函数非线性规划遗传算法及在汽车变速器中的应用

针对传统遗传算法在求解非线性规划问题时局部搜索能力较弱,惩罚函数求解精度不高的缺陷,将非线性规划算法引入到遗传算法中,提出一种基于动态惩罚函数的非线性规划遗传算法,将遗传算法的全局寻优能力和非线性规划算法的局部寻优能力结合起来,并引入动态惩罚函数,根据不可行点到可行域的距离和可行度自适应的调整惩罚项的值,从而能够快速求出全局最优解。介绍了动态惩罚函数的设计、改进遗传算法的关键技术和流程。最后,以某型号汽车变速器的优化设计验证了算法的合理性。与传统遗传算法相比,改进后的遗传算法解的质量、收敛速度明显提高,因而为遗传算法的改进提供了一种新的思路。     

机械压力机肘杆传动机构的优化设计

采用复数矢量法建立了机械压力机的运动方程,采用实数编码的遗传算法,并对主要参数的选取方法进行了改进,将违约解转化法和退火惩罚函数法相结合来处理约束函数,用改进后的遗传算法对机械压力机肘杆传动机构进行了优化设计.优化计算结果表明,改进后的遗传算法能够以较快的速度收敛到符合实际生产要求的全局最优解.     

"基因遗传算法+惩罚函数法”在机械优化设计中的应用

提出了“基因遗传算法＋惩罚函数法”的通用算法，并从中发现，它非常适合求解复杂的非线性约束优化问题。该方法与传统的优化方法相比，可取得较为理想的全域最优解，同时该方法也改善了基因遗传算法的局限性。     

扩展拉格朗日乘子粒子群算法解决工程优化问题

工程上很多优化问题,如容器设计、波纹管、板翅式换热器的结构优化设计等,皆为非线性约束优化设计问题,常采用惩罚函数法处理约束条件;为获得问题最优解,该方法需要合理确定初始惩罚因子,且需要动态惩罚因子无穷大。扩展拉格朗日乘子法是一种改进的惩罚函数法,可以克服惩罚函数法的不足,获得全局最优解,但目前对其研究和应用有限。对拉格朗日乘子法与粒子群算法相结合处理非线性约束问题进行研究,提出惩罚因子更新策略,确定扩展拉格朗日乘子粒子群算法合理的操作过程。标准测试函数结果显示：提出的方法及策略实现了扩展拉格朗日乘子粒子群算法解决非线性约束问题,并得到了问题的全局最优解;其在容器及波纹管系列优化设计中的应用进一步显示,提出的方法在处理非线性约束工程实际问题时,运行稳定可靠,可快捷获得问题的全局最优解或近似最优解。     

桥式起重机箱型主梁的改进遗传算法优化设计

在遗传算法原理的基础上,首先对遗传算法中的选择算子进行改进优化,将优胜劣汰的思想融入到遗传算法中,从而保障最优基因能迅速地遗传到后代,加速收敛。然后通过时刻改变惩罚项和障碍项动态调整适应度函数,避免算法止于局部最优。最后,将改进的遗传算法应用于桥式起重机箱形主梁的优化设计中。     

遗传算法在齿轮减速机优化设计中的应用

从理论上探讨了基因遗传算法 (GA)与传统约束优化设计方法相结合的可能性 ,并从中发现“基因遗传算法+惩罚函数法”非常适合求解复杂的非线性约束优化问题 ,且成功地采用了“基因遗传算法 +惩罚函数法”对一个通用的二级斜齿圆柱齿轮减速机的概率可靠性优化设计的数学模型进行求解 ,与传统的优化方法相比 ,得到了一个较为理想的全域最优解 ;同时该方法也改善了基因遗传算法的局限性     

改进的粒子群算法在可靠性优化设计中的应用

针对粒子群优化算法在处理约束问题时产生的不可行解,引用基于多级罚函数的约束处理方法。为了改进罚函数粒子群算法易早熟、后期收敛慢、易陷入局部最优解的缺点,提出了动态改变惩罚系数的改进粒子群算法。应用于几个经典的测试函数,都在较少的迭代次数内得到了高精度的优化解,验证了算法的有效性。以某一机械零部件的可靠性优化为例,建立了基于改进粒子群算法的可靠性优化设计模型。结果表明:该方法能快速有效地解决可靠性优化设计问题,计算结果明显优于常规的多级罚函数法。     

分布式环境下基于混合蛙跳算法的物化视图选择问题

为提高分布式环境下数据仓库的查询效率,降低维护成本,提出基于混合蛙跳算法(SFLA)求解分布式物化视图选择问题。分析了基本蛙跳规则不适用于分布式物化视图选择问题的原因,提出在局部搜索过程中,使用遗传算法重组算子替换基本蛙跳规则。扩展了遗传算法变异算子,以提高约束条件下的搜索能力,同时保持蛙群的多样性。提出启发式修复策略来处理进化过程中产生的不可行解。实验结果表明,在不同约束组合下,改进的SFLA在求解质量上优于基本SFLA和改进遗传算法;在约束较为严格时,从求解质量和稳定性的角度来看,启发式修复策略均明显优于惩罚策略和随机排名策略。     

基于混合粒子群算法的汽车零件精冲车间调度研究

针对传统遗传算法在车间作业调度问题难以解决求解约束优化问题时存在难以同时兼顾求解质量和收敛效率这一问题,通过采用了基于工序编码的方式生成可行调度及借鉴遗传算法单点交叉方法,生成基于工件的交叉算子作为粒子的更新方式,将改进后的粒子群优化算法用于求解精冲零件车间调度问题,并在算法中通过利用局部搜索的方式提升粒子群中粒子收敛效率。通过对典型的调度测试问题进行模拟实验,证明了改进后的混合粒子群算法对于求解车间调度问题的适用性及具有不错的求解性能。     

利用改进的遗传算法解决全局寻优问题

寻找函数的全局最优解是一个很常见的工程应用问题,简单遗传算法是解决此类问题的有力工具.但由于简单遗传算法具有中全局收敛能力差和收敛速度慢的缺点.本文基于对遗传算子的优化,提出一种混合分类选择和定向变异的改进遗传算法来解决全局寻优问题.经仿真结果表明,该算法具有较强的全局收敛能力和较快的收敛速度.     

结合机械设计约束处理的差分进化算法

针对机械设计中的约束优化问题,提出了改进约束处理的自适应罚函数法。结合一般机械约束优化问题维数不高和差分进化算法简单、高效的特点,应用差分进化算法容易求得机械约束优化问题的全局最优解。给出了2个机械约束优化的数值实例,与已有的文献结果比较,表明新方法处理机械约束优化问题稳健且有效。     

桁架优化遗传算法的若干改进

针对桁架优化问题研究二进制编码遗传算法，采用凝聚函数将约束优化问题转化为无约束优化问题，提出一种综合考虑约束值和适应度值的选择方法，保证了有潜力的设计被优先选择。并利用子代和父代之间的竞争使进化过程充分考虑以前最优值的遗传基因。算例表明，本文提出的方法是可行的，而且适应性更广。     

基于遗传算法的装载机工作装置优化设计研究

针对装载机工作装置设计要求满足平动性和较大掘起力等需求,采用标准遗传算法与惩罚函数相结合的优化方法,使得设计结果符合铲斗举升平动性这一目标,铲斗举升时位置角的变化均不超过10°,并满足高位卸载角度的要求。该方法解决了通常遗传算法面临的约束函数多、约束函数非线性的困难,通过各个控制参数的合理配置,快速得到一批最优稳定解,为装载机工作装置的设计提供动力性能更高并且工作性能优良的设计方案,提高了工程设计水平和设计效率,缩短了设计周期。     

鲜奶采购计划的改进自适应罚函数遗传算法

奶制品加工厂主要从总部采购鲜奶(生产),也会从当地奶农采购部分鲜奶(外包)。出于能力和策略的考虑,两种来源的鲜奶采购量均有限;考虑到客户允许奶制品延期交货,相应的鲜奶也可延期交货,生产、外包和库存/延期交货成本均为一般凹函数,问题是以最小的总成本来满足规划期的鲜奶需求。为求解该问题,设计了一种新的基于群体可行状态和个体约束违背程度的自适应惩罚方案,据此设计了求解该问题的遗传算法。为测试算法的性能,先进行了算子组合和遗传算子概率的选择实验,选出最适合的算子和算子概率;在此基础上,针对4个问题实例,通过50次运行,测试了所提自适应罚函数相对4种常见罚函数的优势。     

基于混合遗传算法的工艺路线优化配置

针对 FMS工艺路线优化配置问题提出一种混合遗传算法。该算法在遗传算法中引入了具有启发式规则的余量随机分配算子 ,可以将超过约束条件的余量随机分配到个体中去 ,通过按照一定规则的调整而将不可行个体引入可行域。一方面实现了利用遗传算法求解工艺路线的约束优化问题 ,保持了遗传算法的全局寻优特点 ,另一方面加强了遗传算法的局部搜索能力 ,提高了运行效率。算例证明该算法的求解效果好于目前该领域常用的启发式算法。     

Constrained and non-constrained aerodynamic optimization using the adjoint equations approach

In this research, the continuous adjoint method is applied to optimize an airfoil in subsonic and transonic flows. An inverse design problem is solved to evaluate the ability of the optimization algorithm and then, two types of optimizations, constrained and non-constrained, are investigated in a drag minimization problem. In the non-constrained drag minimization problem, the optimization is performed in a fixed angle of attack with neither geometric nor aerodynamic constraint, but in the constrained drag minimization problem, the optimization is performed in a fixed lift coefficient. Comparison of the results of these two optimizations shows the effects of the constraint on the optimization trend and the optimized geometry. Moreover, imposing the aerodynamic constraint increased the computational costs of the adjoint method. In constrained and non-constrained drag minimization problems, the surface points are adopted as design variables to show the performance of the adjoint equations approach in problems with numerous design variables.     

Optimal Placement of Active Members in Truss Adaptive Structures

The mathematical model of optimal placement of active members in truss adaptive structures is essentially a nonlinear multi-objective optimization problem with mixed variables,it is usually much difficult and costly to be solved.In this paper,the optimal location of active members is treated in terms of(0,1)discrete variables.Structural member sizes,control gains,and(0,1)placement variables are treated simultaneously as design variables.Then,a succinct and reasonable compromise scalar model,which is transformed from original multi-objective optimization,is established,in which the(0,1)discrete variables are converted into an equality constraint.Secondly,by penalty function approach,the subsequent scalar mixed variable compromise model can be formulated equivalently as a sequence of continuous variable problems.Thirdly,for each continuous problem in the sequence,by choosing intermediate design variables and temporary critical constraints,the approximation concept is carried out to generate a sequence of explicit approximate problems which enhance the quality of the approximate design problems.Considering the proposed method,a FORTRAN program OPAMTAS2.0 for optimal placement of active members in truss adaptive structures is developed,which is used by the constrained variable metric method with the watchdog technique(CVMW method).Finally,a typical 18 bar truss adaptive structure as test numerical examples is presented to illustrate that the design methodology set forth is simple,feasible,efficient and stable.The established scalar mixed variable compromise model that can avoid the ill-conditioned possibility caused by the different orders of magnitude of various objective functions in optimization process,therefore,it enables the optimization algorithm to have a good stability.On the other hand,the proposed novel optimization technique can make both discrete and continuous variables be optimized simultaneously.     

离散变量优化设计的改进斐波那契遗传算法

根据工程实际,充分考虑规范规定的约束条件和各项技术标准要求,建立离散变量结构优化模型。针对遗传算法在迭代过程中经常出现未成熟收敛、振荡、随机性太大和迭代过程缓慢等缺点,提出一种新的遗传算子——转基因算子,用于对遗传算法的改进;提出一种离散变量结构优化设计的斐波那契算法,并与遗传算法结合在一起解决问题。优化设计结果表明,这种改进斐波那契遗传算法的收敛特性得到很好的改善,即发挥了斐波那契算法省时、局部搜索能力强的特点,又发挥了遗传算法全局性好的特点,是有效的工程结构优化设计方法。     

New knowledge-based genetic algorithm for excavator boom structural optimization

Due to the insufficiency of utilizing knowledge to guide the complex optimal searching, existing genetic algorithms fail to effectively solve excavator boom structural optimization problem. To improve the optimization efficiency and quality, a new knowledge-based real-coded genetic algorithm is proposed. A dual evolution mechanism combining knowledge evolution with genetic algorithm is established to extract, handle and utilize the shallow and deep implicit constraint knowledge to guide the optimal searching of genetic algorithm circularly. Based on this dual evolution mechanism, knowledge evolution and population evolution can be connected by knowledge influence operators to improve the conflgurability of knowledge and genetic operators. Then, the new knowledge-based selection operator, crossover operator and mutation operator are proposed to integrate the optimal process knowledge and domain culture to guide the excavator boom structural optimization. Eight kinds of testing algorithms, which include different genetic operators, arc taken as examples to solve the structural optimization of a medium-sized excavator boom. By comparing the results of optimization, it is shown that the algorithm including all the new knowledge-based genetic operators can more remarkably improve the evolutionary rate and searching ability than other testing algorithms, which demonstrates the effectiveness of knowledge for guiding optimal searching. The proposed knowledge-based genetic algorithm by combining multi-level knowledge evolution with numerical optimization provides a new effective method for solving the complex engineering optimization problem.