改进的遗传算法及其在工程优化中的应用

【摘要】：进化计算,作为一种新兴的强大的智能优化技术,已经广泛地应用在工程科学的几乎所有的领域。与传统优化方法相比,进化计算在全局优化、复杂设计区域、复杂目标函数及易用性等方面都显示出了其优越性。遗传算法是进化计算中最重要的算法之一,本文主要研究了改进的遗传算法及其在工程优化领域中的应用。 本文的主要研究内容分章介绍如下: 第一章首先简要介绍了进化计算的基本知识,在工程优化领域的历史与研究现状。本章的最后给出了本论文的基本框架。 第二章介绍了遗传算法的基本理论与方法。首先给出了遗传算法的基本流程,然后介绍了染色体的编码方法及遗传算子,最后分析了遗传算法的搜索机理与收敛性。 第三章提出了一种新的遗传算法——基于子域搜索的遗传算法(简称为SBGA)。SBGA将设计区域分成多个小的子域,根据已搜索过的样本点在这些子域内的分布情况来指导后续的搜索。同时,SBGA还提供了一种新的处理约束的方法。应用SBGA进行了复杂函数和杆系结构的优化,数值实验还发现它能够有效地抑制早熟现象的发生。 第四章研究了基于遗传算法的连续体结构拓扑优化问题。提出了一种新的变长的紧凑编码方式——链码编码方法,用四方向链码的组合来描述结构拓扑。以机器学习中的范例推理为原型,设计出一种基于范例推理的遗传算法。在该算法中,根据多尺度变换的原理,提出了结构拓扑的“目标向量”描述方式,从而可能定量地描述不同拓扑的相似性。研制了上述方法的计算机软件GATOCS,并利用该软件对多工况连续深梁和自行车框架进行拓扑优化,取得了较为满意的结果,从而说明了应用遗传算法进行连续体结构拓扑优化是完全可行的。 第五章研究了多目标遗传算法及其并行实现。实际的工程优化问题通常都是多目标的,而且计算量很大。因此,本文研究了并行虚拟机(高速互联机