基于遗传算法的大规模工程优化设计方法初探

最新推荐文章于 2023-11-13 11:47:03 发布

好大的牛角

最新推荐文章于 2023-11-13 11:47:03 发布

阅读量959

点赞数

本文链接：https://blog.csdn.net/ytyggg/article/details/87075527

版权

本章探讨了基于遗传算法解决大规模工程优化设计问题，指出传统算法在面对高维问题时的挑战，如计算代价、存储需求和误差积累。为克服二进制编码的缺点，引入了实数编码，并详细讨论了实数编码的遗传算子，包括离散杂交、算术杂交和不同类型的变异算子，如非一致性变异、自适应性变异和正态性变异，以提高算法的搜索能力和局部搜索效率。

摘要由CSDN通过智能技术生成

第七章基于遗传算法的大规模工程优化设计方法初探

§7.1 概述

前面的章节对单目标遗传算法作了较深入的研究，并作了一些改进，提出了摄动单目标遗传算法，并做了将一般的传统的优化算法（包括改进的MDOD法﹑约束复合形法﹑约束变尺度法）与遗传算法进行结合的研究，取得了较好的效果。

但是如果要解的问题是大规模的优化问题，这些改进措施的效果并不理想。在采用规划类算法求解大规模优化问题时，遇到的问题主要有以下几个：（1）敏度分析计算代价很大，以常用的中心差分为例，假设问题的维数为，计算一次需要分析模型次，对于复杂的结构有限元分析和CFD计算，进行一次完整的分析花费的时间是比较多的。随着维数的增加，需要的计算代价可能会超过我们的承受能力，所以现在在结构设计方面有一些基于结构刚度方程的近似敏度分析算法。但是离完全解决问题还有很长的距离，另外一点就是规划法往往采用一维搜索法，虽然采用的方法都比较的高效，但如果由于某种原因（比如初始点的原因﹑优化参数的原因）导致迭代的步数较多，一维搜索的总的计算量也是相当大的。（2）随着问题维数的增加，对于某些比较高效的算法，需要的存储代价也比较大，虽然现在对于节省内存的迫切性比以前有所降低，但是内存开销较大的缺点将使得采用常规配置的计算机计算时间显著增加，这是因为，目前计算机均是采用位于硬盘上的分页文件来模拟物理内存，所以即使系统满足对大内存的申请，也会付出速度上的较大的代价。（3）由于维数的增加，计算误差不可避免的会增加，对于某些存在误差积累问题的优化算法，这将会是一个比较严重的问题。

目前对于大规模的优化问题出现了一些新的算法，遗传算法就是其中的一个分支，但是关于采用遗传算法求解大规模优化问题目前还处在比较初始的阶段，由于维数的增加，出现的计算困难，采用一般遗传算法求解效果有限，本章将就遗传算法在大规模数值优化问题求解上做一些初步的工作。