[發明專利]一種基于適應性反向差分演化的機械參數優化設計方法

無效

• 申請號: 201210300480.4
• 申請日: 2012-08-22
• 公開（公告）號: CN102819652A
• 公開（公告）日: 2012-12-12
• 發明（設計）人: 郭肇祿;吳志健;王暉;張勇;朱峰
• 申請（專利權）人: 武漢大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魯力

技術領域

本發明涉及一種機械參數優化設計方法，尤其是涉及一種基于適應性反向差分演化的機械參數優化設計方法。

背景技術

機械參數優化設計是機械設計中的一個重要步驟，它是指在一項機械設計的方案確定后，在給定的條件下搜索到一組機械設計的參數值，使得設計出來的機械最為合理、可靠和經濟等，達到最優的性能。盡管實際機械工程設計問題是復雜多樣，并且各具差異的，但機械優化設計問題最終都可以歸結成為一個優化問題。因此，機械參數優化設計方法的優劣往往決定了最終機械設計結果的好壞。

傳統的機械參數優化設計方法主要是根據機械參數優化設計的目標函數的數學特性來求解，往往要求機械參數優化設計的目標函數必須滿足連續、可導等特性，這在很大程度上限制了傳統機械參數優化設計方法的使用范圍。隨著現代計算機技術的不斷發展，自然地，人們將計算機技術應用于機械參數優化設計中，隨之產生了一系列的現代智能機械參數優化設計方法，主要包括人工神經網絡，演化算法等。可以參見有關文獻：王安麟，劉廣軍，姜濤.《廣義機械優化設計》，華中科技大學出版社，2008年出版。

差分演化算法是近年來提出的一種新的演化算法，該算法是Rainer?Storn和Kenneth?Price在1996年為解決切比雪夫多項式而提出的,由于差分演化算法在首屆IEEE演化計算競賽中表現突出,隨后立即廣泛地應用于實際工程和科學領域中。由于差分演化算法具有很強的全局搜索能力和魯棒性，并且簡單易行，在解決很多優化問題中的性能明顯優于其他智能優化方法。因此差分演化算法是一種很有潛力的機械參數優化設計方法，是當前機械參數優化設計研究的熱點。但與其他演化算法一樣，差分演化算法在求解某些多峰、維數較高的優化問題時也同樣面臨著陷入局部最優和收斂速度慢的缺點，這容易導致差分演化算法應用于機械參數優化設計時，計算時間較長，并且求解的參數優化設計結果并非最優

發明內容

本發明主要是解決現有技術所存在的技術問題；針對傳統方法在解決非線性、不連續、不可導、帶約束的機械參數優化設計問題時普適性差、精度低的缺點，提出一種基于適應性反向差分演化的機械參數優化設計方法，該方法將機械參數優化設計問題統一歸結為帶約束的最小值優化問題，同時將混沌運動的遍歷性、隨機性及對初值的敏感等性質融合到一般反向學習策略中，設計出適應性反向學習策略，并集成到差分演化算法中。該方法將當前種群變換成適應性反向種群，在當前種群和適應性反向種群中同時搜索最優解，從而提高傳統差分演化算法求解非線性、不連續、不可導、帶約束的機械參數優化設計問題的收斂速度和精度。

本發明的上述技術問題主要是通過下述技術方案得以解決的：

一種基于適應性反向差分演化的機械參數優化方法，其特征在于，包括以下步驟：

步驟1，用戶自定義初始化參數，所述初始化參數包括種群大小Popsize,縮放因子F，交叉概率Cr,反向概率Po+,最大評價次數MAX_FEs；

步驟2，令當前演化代數t=0，當前評價次數FEs=0；

步驟3，產生初始化種群P_t＝{X₁,X₂,...,X_Popsize}，其中X_i∈R^D，X_ij＝L_j+rand(0,1)·(U_j-L_j)，i＝1,...,Popsize;j＝1,...,D；其中，D為機械參數優化設計的變量個數，rand(0,1)為在[0,1]之間產生均勻分布的隨機數函數，L_j和U_j分別為第j個機械參數優化設計變量的取值范圍的下界和上界；

步驟4，計算種群P_t中每個個體的適應值，當前評價次數FEs＝FEs+Popsize，并保存適應值最小的個體為最優個體；

步驟5，在[0,1]之間產生一個服從均勻分布的隨機數r；如果r小于反向概率Po則執行步驟6，否則執行步驟7；

步驟6，執行適應性反向學習操作，產生一個適應性反向種群OP_t＝{OX₁,OX₂,...,OX_Popsize}；然后計算種群OP_t中每個個體的適應值，再從P_t∪OP_t中選擇出適應值最小的前Popsize個個體作為下一代種群P_t+1；然后轉到步驟8；