第22卷第2期2010年2月
钢铁研究学报
Jour nal of Ir on and Steel Research
Vol.22,No.2February 2010
基金项目:/十一五0国家科技支撑计划项目(2007BAF02B12)
作者简介:杨景明(1957)),男,博士,教授; E 2mail:yangjm6188@https://www.doczj.com/doc/9115682033.html, ; 收稿日期:2008212223
基于遗传算法的混合蚁群算法的冷连轧轧制规程优化设计
杨景明, 张 青, 车海军, 张林浩
(燕山大学工业计算机控制工程河北省重点实验室,河北秦皇岛066004)
摘 要:针对冷连轧机在轧制过程中的多变量、强耦合、非线性等特点,以等相对负荷为目标,在现场和设备所受的约束条件下,应用基于遗传算法的混合蚁群算法进行规程优化设计,该方法首先利用遗传算法的随机搜索产生规程的初始信息素分布,然后充分利用蚁群算法的并行性、正反馈机制以及求解效率高等特性寻求最优解。该算法使用方便,对某1370mm 5机架冷连轧机进行设计比较,表明该方法计算精度高、收敛速度快、可满足在线控制需求。
关键词:冷连轧;轧制规程;遗传算法;蚁群算法;优化设计
中图分类号:TG 33515 文献标志码:A 文章编号:100120963(2010)022*******
Schedule Optimization of Tandem Cold Mill Based on Hybrid Ant Colony Algorithm of Genetic Algorithm
YA NG Jing 2ming, ZH ANG Qing, CH E H ai 2jun, ZH ANG Lin 2hao
(Key Lab of Industr ial Com puter Contr ol Engineer ing of Hebei P rovince,Yanshan University,Qinhuangdao 066004,H ebei,China)
Abstract:Based on r olling featur e of tandem cold rolling mill,such as multi 2var iable,strong 2coupled,non 2linear ,setting t he equal relative load as the optimization goal,on certain const raint conditions of field engineering and fa 2cility,Genetic Algor ithm 2Hybrid Ant Colony System was applied for rolling schedule.This method fir st ly made use of the GA c s random sear ch to bring or iginal pheromone of the schedule pr oblem,then took full advantage of the ACS c s par allel and positive feedback mechanism and high efficiency to gain optimal solution.T his method used https://www.doczj.com/doc/9115682033.html,par ed with existing schedule on 1370mm five stands tandem cold rolling mills,this met hod could meet the demands of on 2line control with high computing pr ecision and fast constringency speed.Key wor ds:tandem cold r olling;r olling schedule;GA algorit hm;ACS algorit hm;optimization
在轧钢生产中,坯料经过数道次轧制,产生塑性变形,最终轧制出符合产品标准的成品钢材。这一系列的轧制过程,是按着设计者根据生产条件所设计的轧制规程进行的。因此,为使轧钢生产能够达到优质、高产、低消耗,则需要合理地设计轧制规程[1]。轧制规程的优化设计是根据实际生产条件,由设计者选择优化目标,同时实际生产条件都有一定的限制,这些限制条件构成了寻求目标的约束条件,然后通过优化计算求解而得到目标函数的极值,
传统的轧制规程制定不容易得到最佳轧制规程,随着人工智能技术的发展,将智能化的优化方法引入轧制规程的制定过程,为轧制规程的优化设计开辟了更广阔的天地[2]。蚁群算法作为一种新型的智能优化方法具有很多优点,但也存在一些不足,为此将蚁群算法与其它智能优化算法相融合,形成优势互补,是改进和完善蚁群优化算法的重要途径。本文以等相对负荷为目标,运用基于遗传算法的混合蚁群算法,在满足一定的约束条件下,寻求最优冷连轧
机的轧制规程。
1轧制规程的相关数学模型
111重要模型
冷轧机轧制力模型一般采用Bland2Ford模型的H ill简化式;轧辊压扁采用H itchcock公式,并进行迭代计算;应力状态系数采用H ill公式;前滑值f 采用Bland2Ford简化公式;摩擦系数模型根据生产实际效果,也可采用经典模型[3]。
112目标函数及约束条件的确定
本设计中,第1至4机架上采用等相对负荷目标函数,等相对负荷即按设备主电机容量大小,使各机架相对负荷分配均衡,故目标函数为:
J min=(K1-K2)2+(K1-K3)2+,+(K3-K4)2(1)式中:K i为第i机架的负荷系数,i=1,2,3,4,K i= N i
N H i
,其中,N i、N H i分别为第i机架的实际功率、额定功率。
第5机架作为平整机使用以控制板形和表面粗糙度。选取压下率方式,板形良好目标函数。板形良好条件表示为:
$ h =D
h6
(2)
式中:h、$为来料厚度和凸度;h6、D为第5机架带材出口厚度和凸度。
根据生产条件,确定以下约束条件。
1)各机架轧制压力P i应满足:
0[P i[P i max(3)式中,P i max为第i机架允许的最大轧制压力。
2)各机架轧制力矩M i应满足:
0[M i[M i max(4)式中,M i max为第i机架允许的最大轧制力矩。
3)各机架轧制功率N i应满足:
0[N i[N i max(5)式中,N i max为第i机架允许的最大轧制功率。
4)各机架压下率E i应满足:
E min[E i[E max(6)式中,E min、E max分别为允许的最小和最大压下率。
2基于遗传算法的混合蚁群算法
遗传算法和蚁群算法都具有适应范围广,通用性能强等共同特点,广泛用于系统工程优化,两者有各自的优缺点:遗传算法有比较强的全局搜索的优点,特别是当交叉概率比较大时,能产生大量的新个体,提高了全局搜索范围,但遗传算法收敛速度比较慢;蚁群算法采用正反馈原理,具有局部搜索能力强和收敛速度快等优点,但全局搜索能力相对遗传算法来说要弱一些[4,5,6,7]。由此可知,遗传算法和蚁群算法具有互补性,它们完全有可能有机地结合在一起,以克服各自的缺点,发挥各自的优点。
基于遗传算法的混合蚁群算法(Genetic Algo2 rithm2Hybrid Ant Colony System,简称GA2H ACS)是先利用遗传算法具有比较强的全局搜索能力,在大范围内寻找一组解,然后以此为基础,用蚁群算法快速寻找到最优解。
蚁群算法是优化领域中新出现的一种仿生进化算法,它是受到蚂蚁在觅食过程中能发现蚁巢到食物的最短路径这种搜索机制的启发而发展起来的一种群体智能算法,是一种随机搜索算法,通过候选解组成群体来寻求最优解的进化过程包含两个基本阶段:适应阶段和协作阶段。在适应阶段,各候选解根据积累的信息不断调整自身结构;在协作阶段,候选解之间通过信息交流,以期望产生性能更好的解。
通过对蚁群算法的研究表明,将蚂蚁的搜索行为集中到最优解的附近可以提高解的质量和收敛速度,从而改进算法的性能。但这种搜索方式会使早熟收敛行为更容易发生。因此可以想象,若能将这种搜索方式和一种能够有效避免早熟收敛的机制结合在一起,将能够获得最优性能的蚁群算法。最大2最小蚂蚁系统(Max2Min Ant System,简称MMAS)的提出满足了上述要求。MMAS直接来源于蚂蚁系统,主要作了如下的改进:
1)每次循环结束后,只有最优解所属路径上的信息被更新;
2)为了避免搜索时出现停滞现象,各路径上的信息量被限制在范围[S min S max]内;
3)初始时刻,各路径上的信息量取最大值。所有蚂蚁完成1次循环后,按公式对路径上的信息作全局更新:
S ij(t+1)=Q S ij(t)+1/f(s best)(7)式中,f(s best)表示迭代最优解的值。
3基于GA2H ACS的轧制规程优化
311压下率的计算
本文用GA2H ACS进行轧制规程优化。已知来
#
19
#
第2期杨景明等:基于遗传算法的混合蚁群算法的冷连轧轧制规程优化设计
料厚度h和成品目标厚度h6,根据板形良好条件确定第5机架的轧制力,进而确定出第5机架的压下率,根据此压下率可求出该机架入口厚度h5,即第4机架出口厚度。定义GA2H ACS优化参数为第1~ 4机架的压下率分配比pa i,表示为:X=(pa1,p a2, pa3,pa4)。根据经验,p a i取值范围为[10,45]。将此分配比经反复迭代换算成满足目标厚度的各机架压下率,其方法如下:首先假设各机架的压下率均为E m,然后利用给定的压下率分配比,确定E i,最后,确定各机架的出口厚度,此时可求出第4机架出口厚
度h5,t,判别1-h5
h5,t
<$是否成立,如果满足即可
结束,否则修正E i,当满足判别条件时即可同时获得各机架的出口厚度。
312优化设计的基本思想
优化设计的基本思想是根据来料条件,给定前4个机架压下率分配比,先利用遗传算法求出使目标函数最小的各机架压下分配,记录下每一代最佳染色体值,然后将这些值作为蚁群算法的初始信息素,再利用蚁群算法快速寻求到使目标函数最小的各机架压下率,由此计算出轧制力、轧制力矩、轧制功率等参数,这样就完成了整个轧制规程的优化设计。其流程图如图1
所示。
图1GA2HACS算法流程图
Fig11Flow char t of GA2HACS a lgor ithm
4应用实例分析
以某1370mm5机架冷连轧机为例,利用GA2
H ACS进行规程优化设计。选取带钢钢种为08A l,
来料厚度为2125mm,成品目标厚度为015mm,来
料宽度为900mm;轧机穿带速度为18~60m/min;
轧机最高轧制速度为1080m/min。各机架电机参
数如表1所示。
表11370mm冷连轧机技术参数
Table1Technical par ameters of1370mm tandem cold mill
电机参数
机架号
12345电机额定功率/kW257215257215257215367510367510
电机转速/(r#min-1)135~305175~375225~445250~500250~500
最大允许轧制力/kN2000020000200002000020000在GA2H ACS算法中选取种群大小为20,染色
体长度为22,最大遗传代数为100,交叉率017,变异率0101,蚂蚁个数30,信息素挥发系数012,最大循环次数100,信息素上下限分别为10、011,启发系数018。记录每一代目标函数的最小值及平均值,算法结果如图2所示。如图所示,GA2H ACS算法以较快的速度收敛,而且求解精度较高。
不同规程各机架轧制功率分配如图3所示,由图可知,
优化规程起到了节能降耗的作用。
图2目标函数值及均值的变化
Fig12Change of object function value and
average value
#
20
#钢铁研究学报第22卷
图3不同规程各机架的功率分配
Fig13Power distributions for different schedules
将GA2H ACS算法与单独的蚁群算法、遗传算法分别运行50次,记录目标函数最小值J min和达到最小值所需的进化代数g,取其平均值。仿真结果可得,单独的蚁群算法J min=0101,g=60;单独的遗传算法J min=010206,g=73;而GA2H ACS算法, J min=010029,g=49。由此可知,GA2H ACS算法的求解精度与时间效率较单独的蚁群算法和遗传算法有所提高。
用GA2H ACS得出的轧制规程与原规程的比较如表2所示。从表中可以看出,优化后的规程第1~ 4机架电机负荷系数比较接近,实现了等相对负荷运行的目标;同时,根据板形良好条件可以获得较好的
表2现场规程与优化规程的对比
Table2Compar ison with existing schedule
规程机架出口厚度/mm压下率/%轧制力/kN轧制功率/kW负荷系数原始规程1117100241007912175010016920 21119003014110995231510019160
3018500281579469229310019070
4015800311769518304318018280
5015000131797564192918015250优化规程11146533418711349156517016086 21100973111012137156716016094
30174652610411929155717016055
40155002613214221224013016096
50150009109824314113018013077
成品板形。
5结论
1)GA2H ACS算法由于在遗传算法中使用随机生成种群,不仅加快了蚁群算法的速度,而且避免精确解阶段陷入局部最优。
2)GA2H ACS算法对于蚁群算法中的参数调整大大减少,大大减少了盲目的实验次数。
3)GA2H ACS算法对某1370mm5机架冷连轧机规程优化问题进行的仿真研究表明,无论是优化性能还是时间性能,相对于单独的遗传算法和蚁群算法都取得了更好的效果;它计算精度较高,收敛速度较快,对于在线应用十分有利,可以达到提高生产效率,改善产品质量的目的。参考文献:
[1]刘战英.轧制变形规程优化设计[M].北京:冶金工业出版社,
1996.
[2]杨景明,窦富萍,刘舒慧,等.基于遗传算法的冷连轧轧制规
程优化设计[J].中国机械工程,2007,18(15):1868.
[3]孙一康.带钢冷连轧计算机控制[M].北京:冶金工业出版社,
2002.
[4]YANG Jing2ming,CH E Hai2jun,DOU Fu2ping,et al.Genetic
Algorithm2Based Opti mization Used i n Rolling Schedule[J].Jour2 nal of Iron and Steel Research International,2008,15(2):18. [5]ZH AN Shi2chang,XU Jie,WU Jun.Th e Optimal Selection on
th e Parameters of the Ant Colony Algorithm[J].Bulletin of Scien ce and Technology,2003,19(5):381.
[6]M arco D,E ric B,T heraola G.Ant Algorithms and Strategy
[J].Futur e Generation Computer Sys tem,2000,16(8):851. [7]杨景明,王崇鹏,刘畅.基于罚函数法的冷连轧轧制规程优化
设计[J].钢铁研究学报,2008,20(9):54.
#
21
#
第2期杨景明等:基于遗传算法的混合蚁群算法的冷连轧轧制规程优化设计
实验六 遗传算法与优化设计 一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab 中的遗传算法工具箱(gatool)来解决优化设计问题； 二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子 图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W 、t 分别是上电极的宽度和厚度，D 是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz ），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）： 图1 微带线横截面结构以及场分布示意图 {} 28.6821ln 5020.942ln 20.942S W R W D D D t D W D D W W t D W W D e D D παπππ=+++-+++?????? ? ??? ??????????? ??????? (1) 其中πρμ0=S R 为金属的表面电阻率， ρ为电阻率。可见电极的结构参数影响着电极损耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W 、D 、t ，它们组成决策向量[W, D ,t ] T ，待优化函数(,,)W D t α称为目标函数。 上述优化设计问题可以抽象为数学描述： ()()min .. 0,1,2,...,j f X s t g X j p ????≤=? (2)
动态蚁群遗传混合算法的研究及应用 （河北工程学院，河北邯郸056038） 摘要：蚁群算法是一种源于大自然生物世界的仿生类算法，该算法采用分布式并行计算和正反馈机制。易于与其他方法结合，具有很强的鲁棒性和适应性，但存在搜素时间长、易陷入局部最优解的缺点。为了克服这一缺点, 文中给出一种新的蚁群算法——动态蚂蚁遗传混合算法。在基本蚁群算法中引入变异机制, 采用最佳融合点评估策略来交叉地调用两种算法。动态地控制遗传算法与蚂蚁算法的调用时机，并设计了相应的信息素更新方法，有效减少了算法的冗余迭代次数，提高了搜索速度,同时引入迭代调整阈值控制算法后期的遗传操作和蚂蚁规模，加快了种群进化速度，从而更快地找到最优解。该法具有较快的收敛速度，节省计算时间，实验结果表明该方法是行之有效的。 关键词：蚁群算法; TSP问题; 遗传算法; 动态蚂蚁遗传混合算法 1 引言 蚁群算法 (Ant Colony Algorithms，ACO）又称蚂蚁算法。是一种用来在图中寻找优化路径的机率型技术。蚂蚁在寻找食物时，总是能找到较短的路径。受到蚁群系统信息共享机制的启发，意大利学者Macro Dorigo于1992年在他的博士论文中首次系统提出了蚁群算法，并成功地将该算法应用到求解旅行商问题（TSP)和二次分配问题（QAP)中。取得了一系列较好的实验结果。解决一些实际问题也有很好的效果。但蚁群算法同其它生物进化算法一样存在过早收敛易陷入局部极小值等问题。结合其它优化算法形成混合蚁群算法是克服这些缺点的有效手段。遗传算法(genetic algorithm，GA)以决策变量的编码作为运算对象，在优化过程中借鉴生物学中染色体和基因的概念，模拟自然界中生物和遗传进化等机理，通过个体适应度来进行概率选择操作，通过交叉变异产生新的个体，从而遗传算法具有较强的全局性。 为克服蚁群算法搜索速度慢、易陷入局部最优等缺点。本文提出了一种新的动态蚁群遗传混合算法(Dynamic Ant Algorithm -Genetic Algorithm，DAAGA)。该算法采用最佳融合点评估策略来交叉地调用两种算法，其框架是用蚂蚁算法的解作为遗传操作的种子，每当种
实验十遗传算法与优化问题 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算．1．遗传算法的基本原理 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）． （1）遗传算法中的生物遗传学概念 由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念． 首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下： 序号遗传学概念遗传算法概念数学概念 1 个体要处理的基本对象、结构也就是可行解 2 群体个体的集合被选定的一组可行解 3 染色体个体的表现形式可行解的编码 4 基因染色体中的元素编码中的元素 5 基因位某一基因在染色体中的位置元素在编码中的位置 6 适应值个体对于环境的适应程度， 或在环境压力下的生存能力可行解所对应的适应函数值 7 种群被选定的一组染色体或个体根据入选概率定出的一组 可行解 8 选择从群体中选择优胜的个体， 淘汰劣质个体的操作保留或复制适应值大的可行解，去掉小的可行解 9 交叉一组染色体上对应基因段的 交换根据交叉原则产生的一组新解 10 交叉概率染色体对应基因段交换的概 率（可能性大小）闭区间[0,1]上的一个值，一般为0.65~0.90 11 变异染色体水平上基因变化编码的某些元素被改变
全局优化报告 ——遗传算法和蚁群算法的比较 某：X玄玄 学号：3112054023 班级：硕2041
1遗传算法 1.1遗传算法的发展历史 遗传算法是一种模拟自然选择和遗传机制的寻优方法。20世纪60年代初期，Holland教授开始认识到生物的自然遗传现象与人工自适应系统行为的相似性。他认为不仅要研究自适应系统自身，也要研究与之相关的环境。因此，他提出在研究和设计人工自适应系统时，可以借鉴生物自然遗传的基本原理，模仿生物自然遗传的基本方法。1967年，他的学生Bagley在博士论文中首次提出了“遗传算法”一词。到70年代初，Holland教授提出了“模式定理”，一般认为是遗传算法的基本定理，从而奠定了遗传算法的基本理论。1975年，Holland出版了著名的《自然系统和人工系统的自适应性》，这是第一本系统论述遗传算法的专著。因此，也有人把1975年作为遗传算法的诞生年。 1985年，在美国召开了第一届两年一次的遗传算法国际会议，并且成立了国际遗传算法协会。1989年，Holland的学生Goldberg出版了《搜索、优化和机器学习中的遗传算法》，总结了遗传算法研究的主要成果，对遗传算法作了全面而系统的论述。一般认为，这个时期的遗传算法从古典时期发展了现代阶段，这本书则奠定了现代遗传算法的基础。 遗传算法是建立在达尔文的生物进化论和孟德尔的遗传学说基
础上的算法。在进化论中，每一个物种在不断发展的过程中都是越来越适应环境，物种每个个体的基本特征被后代所继承，但后代又不完全同于父代，这些新的变化，若适应环境，则被保留下来；否则，就将被淘汰。在遗传学中认为，遗传是作为一种指令遗传码封装在每个细胞中，并以基因的形式包含在染色体中，每个基因有特殊的位置并控制某个特殊的性质。每个基因产生的个体对环境有一定的适应性。基因杂交和基因突变可能产生对环境适应性强的后代，通过优胜劣汰的自然选择，适应值高的基因结构就保存下来。遗传算法就是模仿了生物的遗传、进化原理，并引用了随机统计原理而形成的。在求解过程中，遗传算法从一个初始变量群体开始，一代一代地寻找问题的最优解，直到满足收敛判据或预先假定的迭代次数为止。 遗传算法的应用研究比理论研究更为丰富，已渗透到许多学科，并且几乎在所有的科学和工程问题中都具有应用前景。一些典型的应用领域如下： （1）复杂的非线性最优化问题。对具体多个局部极值的非线性最优化问题，传统的优化方法一般难于找到全局最优解；而遗传算法可以克服这一缺点，找到全局最优解。 （2）复杂的组合优化或整数规划问题。大多数组合优化或整数规划问题属于NP难问题，很难找到有效的求解方法；而遗传算法即特别适合解决这一类问题，能够在可以接受的计算时间内求得满意的近似最优解，如著名的旅行商问题、装箱问题等都可以用遗传算法得到满意的解。
TSP问题的遗传算法求解 摘要：遗传算法是模拟生物进化过程的一种新的全局优化搜索算法，本文简单介绍了遗传算法，并应用标准遗传算法对旅行包问题进行求解。 关键词：遗传算法、旅行包问题 一、旅行包问题描述： 旅行商问题，即TSP问题（Traveling Saleman Problem）是数学领域的一个著名问题，也称作货郎担问题，简单描述为：一个旅行商需要拜访n个城市（1，2，…，n），他必须选择所走的路径，每个城市只能拜访一次，最后回到原来出发的城市，使得所走的路径最短。其最早的描述是1759年欧拉研究的骑士周游问题，对于国际象棋棋盘中的64个方格，走访64个方格一次且最终返回起始点。 用图论解释为有一个图G=（V,E），其中V是顶点集，E是边集，设D=（d ij）是有顶点i和顶点j之间的距离所组成的距离矩阵，旅行商问题就是求出一条通过所有顶点且每个顶点只能通过一次的具有最短距离的回路。若对于城市V={v1，v2，v3，...，vn}的一个访问顺序为T=(t1，t2，t3，…，ti，…，tn)，其中ti∈V(i=1，2，3，…，n)，且记tn+1= t1，则旅行商问题的数学模型为：min L=Σd(t(i),t(i+1)) （i=1，…，n） 旅行商问题是一个典型组合优化的问题，是一个NP难问题，其可能的路径数为（n-1）！，随着城市数目的增加，路径数急剧增加，对与小规模的旅行商问题，可以采取穷举法得到最优路径，但对于大型旅行商问题，则很难采用穷举法进行计算。 在生活中TSP有着广泛的应用，在交通方面，如何规划合理高效的道路交通，以减少拥堵；在物流方面，更好的规划物流，减少运营成本；在互联网中，如何设置节点，更好的让信息流动。许多实际工程问题属于大规模TSP，Korte于1988年提出的VLSI芯片加工问题可以对应于1.2e6的城市TSP，Bland于1989年提出X-ray衍射问题对应于14000城市TSP，Litke于1984年提出电路板设计中钻孔问题对应于17000城市TSP，以及Grotschel1991年提出的对应于442城市TSP的PCB442问题。
煤矿机械Coal Mine Machinery Vol.30No.12 Dec.2009 第30卷第12期2009年12月 0引言 工程机械中所用电动机的转速较高，为了满足工作机低转速的需要，一般在电动机和工作机之间安装减速器，用来降低电机的转速或增大转矩，减速器是一种机械传动装置，广泛地应用于运输机械、矿山机械和建筑机械等重型机械中。因此，减速器的设计非常重要。 遗传算法（GA）是模拟生物在自然界中优胜劣汰的自然进化过程而形成的一种具有全局范围内优化的启发式搜索算法。这种方法已在很多学科得到广泛的应用，为减速器的优化设计提供有力的保证。因此，本文采用遗传算法对两级齿轮减速器进行优化设计，并通过与惩罚函数法和模拟退火算法等优化方法计算结果进行比较，来探讨适合于减速器的优化设计方法。 1建立数学模型 两级齿轮传动减速器结构如图1所示。该减速器的总中心距 a∑＝［m n1z1（1＋i1）+m n2z3（1＋i2）］/2cosβ（1）式中m n1、m n2—— —高速级与低速级的齿轮法面模 数； i1、i2—— —高速级与低速级传动比； z1、z3—— —高速级与低速级的小齿轮齿数： β—— —2组齿轮组的螺旋角。 1.1设计变量的确定 在进行两级齿轮传动减速器设计时，一般选择齿轮传动独立的基本参数或性能参数，如齿轮的齿数、模数、传动比、螺旋角等为设计变量。两级齿轮传动由4个齿轮组成，分别用z1、z2、z3、z4表示，高速级的传动比由i1表示，低速级传动比由i2表示，两组齿轮组的法面模数分别由m n1和m n2表示，2组齿轮的螺旋角用β表示，由于两级齿轮传动减速器的总传动比i0，在设计时会给出具体数据，并且满足i0＝i1i2，可以得出i2＝i0/i1，可以确定独立的参数有z1、z3、m n1、m n2、i1和β。因此，可以确定该设计变量X＝［z1，z3，m n1，m n2，i1，β］T=［x1，x2，x3，x4，x5，x6］T。 图1减速器结构简图 1.2目标函数的建立 在对减速器进行优化设计时，首先要确定目标函数。确定目标函数的原则是在满足各种性能要求的前提下，使减速器的体积最小，这样设计的减速器既经济又实用，从而达到了优化的目的。要使减速器的体积最小，必须使减速器的总中心距最小。因此，以减速器的中心距最小建立目标函数为 a∑＝［x3x1（1＋x5）+x4x2(1+i0/x5)］ 6 （2）1.3约束条件的确定 为使两级齿轮传动减速器满足强度、设计变量 基于遗传算法的齿轮减速器优化设计* 吴婷，张礼兵，黄磊 （安徽建筑工业学院机电学院，合肥230601） 摘要：对两级齿轮减速器优化设计进行了分析，建立了其优化设计的数学模型，确定了优化设计的约束条件，采用遗传算法对两级齿轮减速器进行优化设计，并通过实例说明，采用遗传算法对减速器进行优化，可以得到更加优化的设计结果。 关键词：减速器；遗传算法；优化设计 中图分类号：TH132文献标志码：A文章编号：1003－0794（2009）12－0009－03 Gear Reducer Optimal Design Based on Genetic Algorithm WU Ting，ZHANG Li-bing，HUANG Lei （School of Mechanical and Electrical Engineering,Anhui University of Architecture,Hefei230601,China）Abstract:T he optimal design of a gear reducer was analyzed,the mathematic model was established, and the restriction condition was confirmed.Design of the gear reducer was optimized with genetic algorithm and the examples showed that design of the gear reducer based on genetic algorithm can gain more optimized result. Key words:reducer；genetic algorithm；optimal design *安徽省教育厅自然基金项目（2006KJ015C） 轴1轴2轴3 z1z2 z3z4 9
比较专家系统、模糊方法、遗传算法、神经网络、蚁群算法的特点及其适合解决的实际问题 一、专家系统(Expert System) 1，什么是专家系统？ 在日常生活中大家所认知的“专家”一般都拥有某一特定领域的大量专业知识，以及丰富的实际经验。在解决问题时，专家们通常拥有一套独特的思维方式，能较圆满地解决一类困难问题，或向用户提出一些建设性的建议等。 专家系统一般定义为一个具有智能特点的计算机程序。 它的智能化主要表现为能够在特定的领域内模仿人类专家思维来求解复杂问题。因此，专家系统必须包含领域专家的大量知识，拥有类似人类专家思维的推理能力，并能用这些知识来解决实际问题。 专家系统的基本结构如图1所示，其中箭头方向为数据流动的方向。 图1 专家系统的基本组成 专家系统通常由知识库和推理机两个主要组成要素。 知识库存放着作为专家经验的判断性知识,例如表达建议、 推断、 命令、 策略的产生式规则等, 用于某种结论的推理、 问题的求解,以及对于推理、 求解知识的各种控制知识。 知识库中还包括另一类叙述性知识, 也称作数据,用于说明问题的状态,有关的事实和概念,当前的条件以及常识等。
专家系统的问题求解过程是通过知识库中的知识来模拟专家的思维方式的，因此，知识库是专家系统质量是否优越的关键所在，即知识库中知识的质量和数量决定着专家系统的质量水平。一般来说，专家系统中的知识库与专家系统程序是相互独立的，用户可以通过改变、完善知识库中的知识内容来提高专家系统的性能。 推理机实际上是一个运用知识库中提供的两类知识,基于木某种通用的问题求解模型,进行自动推理、 求解问题的计算机软件系统。 它包括一个解释程序, 用于决定如何使用判断性知识推导新的知识, 还包括一个调度程序, 用于决定判断性知识的使用次序。 推理机的具体构造取决于问题领域的特点,及专家系统中知识表示和组织的方法。 推理机针对当前问题的条件或已知信息，反复匹配知识库中的规则，获得新的结论，以得到问题求解结果。在这里，推理方式可以有正向和反向推理两种。正向推理是从前件匹配到结论，反向推理则先假设一个结论成立，看它的条件有没有得到满足。由此可见，推理机就如同专家解决问题的思维方式，知识库就是通过推理机来实现其价值的。 人机界面是系统与用户进行交流时的界面。通过该界面，用户输入基本信息、回答系统提出的相关问题，并输出推理结果及相关的解释等。 综合数据库专门用于存储推理过程中所需的原始数据、中间结果和最终结论，往往是作为暂时的存储区。解释器能够根据用户的提问，对结论、求解过程做出说明，因而使专家系统更具有人情味。 知识获取是专家系统知识库是否优越的关键，也是专家系统设计的“瓶颈”问题，通过知识获取，可以扩充和修改知识库中的内容，也可以实现自动学习功能。 2，专家系统的特点 在功能上, 专家系统是一种知识信息处理系统, 而不是数值信息计算系统。在结构上, 专家系统的两个主要组成部分 – 知识库和推理机是独立构造、分离组织, 但又相互作用的。在性能上, 专家系统具有启发性, 它能够运用专家的经验知识对不确定的或不精确的问题进行启发式推理, 运用排除多余步骤或减少不必要计算的思维捷径和策略；专家系统具有透明性, 它能够向用户显示为得出某一结论而形成的推理链, 运用有关推理的知识(元知识)检查导出结论的精度、一致性和合理性, 甚至提出一些证据来解释或证明它的推理；专家系统具有灵活性, 它能够通过知识库的扩充和更新提高求解专门问题的水平或适应环境对象的某些变化,通过与系统用户的交互使自身的性能得到评价和监护。 3，专家系统适合解决的实际问题 专家系统是人工智能的一个应用，但由于其重要性及相关应用系统之迅速发展，它已是信息系统的一种特定类型。专家系统一词系由以知识为基础的专家系统(knowledge-based expert system)而来，此种系统应用计算机中储存的人类知识，解决一般需要用到专家才能处理的问题，它能模仿人类专家解决特定问题时的推理过程，因而可供非专家们用来增进问题解决的能力，同时专家们也可把它视为具备专业知识的助理。由于在人类社会中，专家资源确实相当稀少，有了专家系统，则可使此珍贵的专家知识获得普遍的应用。 专家系统技术广泛应用在工程、科学、医药、军事、商业等方面，而且成果相当丰硕，甚至在某些应用领域，还超过人类专家的智能与判断。其功能应用领
收稿日期:20001225 综 述 遗传算法电机优化设计简介 李鲲鹏,胡虔生 (东南大学,南京210096) B rief I ntroduction of Motor Optimizing Design B ased on G enetic Algorithms L I Kun -peng ,HU Qian -sheng (S outheast University ,Nanjing 210096,China ) 摘 要:介绍了遗传算法的基本思想及其特点,实现了基于遗传算法的电机优化设计,讨论了保证其全局收敛性的方法,最后给出了基于遗传算法的电机优化设计实例。 关键词:电机优化设计;遗传算法;全局收敛性中图分类号:T M302 文献标识码:A 文章编号:1004-7018(2001)04-0032-02 Abstract :In this paper ,the essence and a pplications of genetic alg orithms are friendly introduced.Based on com paris ons between ge 2netic alg orithms and conventional methods ,the a pplication of genetic alg orithm to motor design is im plemented.In this process ,the meth 2ods to improve the global convergence of genetic alg orithm are dis 2cussed.Finally ,the results of the optimization of three -phase electri 2cal machine design based on genetic alg orithms are presented. K eyw ords :motor optimal design ;genetic alg orithms (G A );glob 2al convergence 1遗传算法的基本思想及其特点 遗传算法是模拟生物进化机制的一种现代优化计算方法。其基本思想是:首先通过编码操作将问题空间映射到编码空间(如[0,1]L ),然后在编码空间内进行选择、交叉、变异三种遗传操作及其循环迭代操作,模拟生物遗传进化机制,搜索编码空间的最优解,最后逆映射到原问题空间,从而得到原问题的最优解。选择操作模拟了个体之间和个体与环境之间的生存竞争,优良个体有更多的生存繁殖机会。在这种选择压力作用下,个体之间通过交叉、变异遗传操作进行基因重组,期望得到更优秀的后代个体,在这场竞争中胜出。选择、交叉、变异遗传操作都是以概率值进行的。这些概率值与当时生存环境和个体适应能力密切相关。从这里可以看出遗传算法是一种随机性搜索算法,但是它不同于传统的随机搜索算法。遗传算法通过交叉算子(Cross over operator )和变异算子(Mutation Operator )的协同作用确保状态空间([0,1]L )各点的概 率可达性,在选择算子(Selection Operator )的作用下保证迭代进程的方向性。 2电机优化设计的数学模型和一般优化方法 电机优化设计的一般数学模型: min/max :f (x ) g i (X )≤0,i =1,2,3,…,m X j ∈[a j ,b j ],j =1,2,3,…,n (1) 其中:X =[x 1,x 2,x 3,…,x n ]为设计参量即电磁系统的参数,如冲片尺寸、绕组参量等。g i (X )(i =1,2,3,…,m )为约束条件,如性能约束和一般约束。由于目标函数f (X )和约束条件g i (X )都是X 的高度非线性函数,因此电机优化设计问题是求解约束非线性最优化问题。 由于电机设计的目标函数f (X )不是一个单纯的数学表达式,而是一段电机设计分析计算程序,在计算目标函数值的同时还计算各个性能指标值,即约束条件函数值,因此利用目标函数的梯度确定搜索方向的优化方法在电机优化设计中是相当繁琐,直接利用目标函数值的优化方法在电机优化设计中具有优势,遗传算法通过选择、交叉、变异算子的协同作用,既保证了搜索的方向性,又满足了状态空间各点的概率可达性,具有概率意义下的全局收敛性。遗传算法继承了传统确定性算法和一般随机算法的优点,是一种新的启发式随机搜索算法。 遗传算法对约束的处理有两种思路:增加修正算子将约束条件反映在遗传算子的设计中;利用惩罚函数法将有约束优化问题转化为无约束优化问题。在电机优化设计中常采取后者。基于遗传算法的惩罚函数主要分为静态惩罚函数、动态惩罚函数和自适应惩罚函数三种[4]。自适应惩罚函数法效果较好,但较复杂; 静态、动态惩罚函数相对较简单,经常使用。约束条件 23 微特电机 2001年第4期
全局优化报告——遗传算法和蚁群算法的比较 姓名：玄玄 学号：3112054023 班级：硕2041
1遗传算法 1.1遗传算法的发展历史 遗传算法是一种模拟自然选择和遗传机制的寻优方法。20世纪60年代初期，Holland教授开始认识到生物的自然遗传现象与人工自适应系统行为的相似性。他认为不仅要研究自适应系统自身，也要研究与之相关的环境。因此，他提出在研究和设计人工自适应系统时，可以借鉴生物自然遗传的基本原理，模仿生物自然遗传的基本方法。1967年，他的学生Bagley在博士论文中首次提出了“遗传算法”一词。到70年代初，Holland教授提出了“模式定理”，一般认为是遗传算法的基本定理，从而奠定了遗传算法的基本理论。1975年，Holland出版了著名的《自然系统和人工系统的自适应性》，这是第一本系统论述遗传算法的专著。因此，也有人把1975年作为遗传算法的诞生年。 1985年，在美国召开了第一届两年一次的遗传算法国际会议，并且成立了国际遗传算法协会。1989年，Holland的学生Goldberg 出版了《搜索、优化和机器学习中的遗传算法》，总结了遗传算法研究的主要成果，对遗传算法作了全面而系统的论述。一般认为，这个
时期的遗传算法从古典时期发展了现代阶段，这本书则奠定了现代遗传算法的基础。 遗传算法是建立在达尔文的生物进化论和孟德尔的遗传学说基础上的算法。在进化论中，每一个物种在不断发展的过程中都是越来越适应环境，物种每个个体的基本特征被后代所继承，但后代又不完全同于父代，这些新的变化，若适应环境，则被保留下来；否则，就将被淘汰。在遗传学中认为，遗传是作为一种指令遗传码封装在每个细胞中，并以基因的形式包含在染色体中，每个基因有特殊的位置并控制某个特殊的性质。每个基因产生的个体对环境有一定的适应性。基因杂交和基因突变可能产生对环境适应性强的后代，通过优胜劣汰的自然选择，适应值高的基因结构就保存下来。遗传算法就是模仿了生物的遗传、进化原理，并引用了随机统计原理而形成的。在求解过程中，遗传算法从一个初始变量群体开始，一代一代地寻找问题的最优解，直到满足收敛判据或预先假定的迭代次数为止。 遗传算法的应用研究比理论研究更为丰富，已渗透到许多学科，并且几乎在所有的科学和工程问题中都具有应用前景。一些典型的应用领域如下： （1）复杂的非线性最优化问题。对具体多个局部极值的非线性最优化问题，传统的优化方法一般难于找到全局最优解；而遗传算法可以克服这一缺点，找到全局最优解。 （2）复杂的组合优化或整数规划问题。大多数组合优化或整数规划问题属于NP难问题，很难找到有效的求解方法；而遗传算法即特别
·制造业信息化· 图1吊车结构系统有限元模型 Fig.1The finite element model of a fixed crane Based on Genetic Algorithms and Artificial Neural Network Algorithms to Optimize the Structure Design and Implementation of Crane XUE Jia-Hai ，YU Xiao-Mo ，QING Ai-Ling ，ZHOU Wen-Jing ，YE Jun-Ke （College of Mechanical Engineering,Guangxi University,Nanning Guangxi 530004,China ） Abstract:This paper by using the finite element method,orthogonal test method,BP neural network and genetic algorithm to optimization of crane structure system.At last ，the neural network model will be optimized through the generic algorithm and the optimal parameters of the structure dynamic behavior will be obtained ． Key words ：finite element ；orthogonal experimental method ；BP-neural network ；genetic algorithm 0引言 随着吊车向大型化方向发展，结构在动载荷作用下的振动问题变得日益突出。因此，进行基于动态特性的优化设计，使产品在设计阶段就可以预测其动态特性，可有效减小系统的振动，提高整机工作性能。结构动力学建模方法主要有有限元法、试验模态法、混合建模法及基于人工神经网络的建模方法。基于人工神经网络的动态优化设计建模方法，是利用多层人工神经网络极强的非线性映射功能，来描述和处理动态系统中设计变量及其动态参数之间的关系。人工神经网络模型一旦建立，可取代有限元模型进行结构动态特性重分析，其分 析过程简单而直接，且远比有限元模型计算速度快，尤其适用于工程技术人员使用。由于吊车结构系统的动态特性很难用设计变量显式表达，因此用遗传算法对建立的神经网络模型寻优，计算出可行区域内动态特性最优时的设计变量及目标值。 1吊车结构系统动态特性分析 图1所示为某厂生产的固定式吊车的有限元模型。主要参数为：塔身高48．5m ，起重臂长70m ，最大起重力矩4400kN ·m 。吊车结构的弦杆、腹杆、钢丝绳及集中质量分别以空间梁单元、杆单元、弹簧单元及质量单元模拟。表1所示 为按最大起重力矩工况计算的系统前8阶固有频率。修稿日期：2012－12－21 作者简介：薛加海（1986-），男，云南彝族人，在读硕士研究生。主要研究方向：制造业管理信息化研究；于晓默（1982-），男，蒙古族人，在读博士研究生。主要研究方向：制造业管理信息化研究。 摘要：论文综合利用BP 神经网络、遗传算法有限元法以及正交试验法对吊车结构系统进行优化研究。利 用遗传算法和BP 神经网络建立复杂结构系统动态优化的计算模型，该模型可代替系统原来的有限元模型。首先对吊车起重机结构系统进行模态分析及谐响应动力学分析，找出对结构动态特性影响最大的模态频率，再利用灵敏度分析，确定对动态特性较敏感的设计变量作为神经网络的输入变量，并利用正交试验法确定神经网络训练样本，用有限元模型计算出样本点数据，建立反映结构振动特性的人工神经网络模型，最后利用遗传算法对所建立的神经网络模型寻优，得到使结构动态性能最优的设计参数。 关键词：有限元法；正交试验法；BP 神经网络；遗传算法中图分类号：TP18 文献标识码：A doi:10.3969/j.issn.1002-6673.2013.01.037 文章编号：1002－6673（2013）01－093－03 基于遗传算法和神经网络算法的吊车结构优化设计与实现 薛加海，于晓默，秦爱玲，周文景，叶俊科 （广西大学机械工程学院，广西南宁530004） 机电产品开发与创新 Development ＆Innovation of M achinery ＆E lectrical P roducts Vol．26,No．1Jan ．,2013第26卷第1期2013年1月 93
收稿日期:2002-11-13;修订日期:2003-02-12 作者简介:郭海丁(1958-) 男 山东潍坊人 南京航空航天大学能源与动力学院副教授 博士 主要从事工程结构强度~断裂~疲 劳损伤及结构优化设计方法等研究. 第18卷第2期2003年4月 航空动力学报 Journal of Aerospace Power Vol.18No.2 E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E Apr.2003 文章编号:1000-8055(2003)02-0216-05 基于BP 神经网络和遗传算法 的结构优化设计 郭海丁1 路志峰2 (1.南京航空航天大学能源与动力学院 江苏南京210016; 2.北京运载火箭技术研究院 北京100076) 摘要:现代航空发动机不断追求提高推重比 优化其零部件的结构设计日益重要 传统结构优化方法耗时多且不易掌握 针对这一问题 本文提出了将BP 神经网络和遗传算法相结合用于结构优化设计的方法 并编制了相应的计算程序 实现了一个含9个设计变量的发动机盘模型的结构优化计算 计算证明 与传统结构优化方法相比 此方法计算速度快~精度良好 关 键 词:航空~航天推进系统;结构优化;神经网络;遗传算法;航空发动机 中图分类号:V 231 文献标识码:A Structure Design Optimization Based on BP -Neural Networks and Genetic Algorithms GUO -ai -ding 1 LU Zhi -feng 2 (1.Nanjing University of Aeronautics and Astronautics Nanjing 210016 China ; 2.Beijing institute of Astronautics Beijing 100076 China ) Abstract :Owing to the increasing demand for raising the thrust -weight ratio of modern aero -engine it is very important to optimize the structures of the components .Traditional optimization methods of structure design are time -consuming and hard to be put into practice .So in this paper a new method of structure design optimization is induced to which both BP neural networks and genetic algorithms (in short :BPN -GA )are applied .A program which contains 9variables is designed for the structure optimization of a disk model with the BPN -GA method which proves that it has better calculating rate and precision than those with traditional optimization methods . Key words :aerospace propulsion ;structure optimization ;neural network ; genetic algorithms ;aero -engine 1 引言 在航空~航天等领域 结构优化设计技术正在得到越来越广泛的应用 结构优化设计逐步进入工程实用阶段!1"3# 但从工程应用角度来看 结构优化设计方法的推广仍存不少障碍 主要表现为: (1)优化中靠经验调整的参数较多 掌握困难;(2)优化计算效率较低 应用现有的结构优化算法进
简单对比遗传算法与蚁群算法求解旅行商问题
简单对比遗传算法与蚁群算法求解旅行商问题 1、旅行商 1.1 旅行商问题简介 旅行商问题（Traveling Saleman Problem）又称作旅行推销员问题、货郎担问题等，简称为TSP问题，是最基本的路线问题，该问题是在寻求单一旅行者由起点出发，通过所有给定的需求点之后，最后再回到原点的最小路径成本。最早的旅行商问题的数学规划是由Dantzig（1959）等人提出，规则虽然简单，但在地点数目增多后求解却极为复杂。 TSP问题最简单的求解方法是枚举法。它的解是多维的、多局部极值的、趋于无穷大的复杂解的空间，搜索空间是n个点的所有排列的集合，大小为（n-1）！。有研究者形象地把解空间比喻为一个无穷大的丘陵地带，各山峰或山谷的高度即是问题的极值。求解TSP，则是在此不能穷尽的丘陵地带中攀登以达到山顶或谷底的过程。 1.2 求解TSP方法简介 旅行推销员的问题属于NP-Complete的问题，所以旅行商问题大多集中在启发式解法。Bodin（1983）等人将旅行推销员问题的启发式解法分成三种： 1.2.1 途程建构法（Tour Construction Procedures） 从距离矩阵中产生一个近似最佳解的途径，有以下几种解法： （1）最近邻点法（Nearest Neighbor Procedure）：一开始以寻找离场站最近的需求点为起始路线的第一个顾客，此后寻找离最后加入路线的顾客最近的需求点，直到最后。 （2）节省法（Clark and Wright Saving）：以服务每一个节点为起始解，根据三角不等式两边之和大于第三边之性质，其起始状况为每服务一个顾客后便回场站，而后计算路线间合并节省量，将节省量以降序排序而依次合并路线，直到最后。 （3）插入法（Insertion procedures）：如最近插入法、最省插入法、随意插入法、最远插入法、最大角度插入法等。 1.2.2 途程改善法（Tour Improvement Procedure） 先给定一个可行途程，然后进行改善，一直到不能改善为止。有以下几种解法： （1）K-Opt(2/3 Opt)：把尚未加入路径的K条节线暂时取代目前路径中K条节线，并计算其成本（或距离），如果成本降低（距离减少），则取代之，直到无法改善为止，K通常为2或3。 （2）Or-Opt：在相同路径上相邻的需求点，将之和本身或其它路径交换且仍保持路径方向性，并计算其成本（或距离），如果成本降低（距离减少），则取代之，直到无法改善为止。 1.2.3 合成启发法（Composite Procedure） 先由途程建构法产生起始途程，然后再使用途程改善法去寻求最佳解，又称为两段解法（two phase method）。有以下几种解法： （1）起始解求解+2-Opt：以途程建构法建立一个起始的解，再用2-Opt的方式改善途程，直到不能改善为止。
（1）用遗传算法来做： 第一步：确定决策变量及其约束条件 s.t. -5<=x<=5 第二步：建立优化模型 第三步：确定编码方法，用长度为50位的二进制编码串来表示决策 变量x 第四步：确定解码方法 第五步：确定个体评价方法 个体的适应度取为每次迭代的最小值的绝对值加上目标函数值，即 第六步：确定参数 本题种群规模n=30,迭代次数ger=200,交叉概率pc=0.65,变异概率 pm=0.05 代码： clear all; close all; clc; tic; n=30; ger=200; pc=0.65; pm=0.05; % 生成初始种群
v=init_population(n,50); [N,L]=size(v); disp(sprintf('Number of generations:%d',ger)); disp(sprintf('Population size:%d',N)); disp(sprintf('Crossover probability:%.3f',pc)); disp(sprintf('Mutation probability:%.3f',pm)); % 待优化问题 xmin=-5; xmax=5; ymin=-5; ymax=5; f='-(2-exp(-(x.^2+y.^2)))'; [x,y]=meshgrid(xmin:0.1:xmax,ymin:0.1:ymax); vxp=x; vyp=y; vzp=eval(f); figure(1); mesh(vxp,vyp,-vzp); hold on; grid on; % 计算适应度，并画出初始种群图形x=decode(v(:,1:25),xmin,xmax);
实验六遗传算法与优化设计 一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab中的遗传算法工具箱(gatool)来解决优化设计问题； 二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子 图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W、t分别是上电极的宽度和厚度，D是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）： 图1 微带线横截面结构以及场分布示意图 (1)
其中 为金属的表面电阻率，为电阻率。可见电极的结构参数影响着电极损耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W、D、t，它们组成决策向量[W, D ,t] T，待优化函数 称为目标函数。 上述优化设计问题可以抽象为数学描述： (2) 其中 是决策向量，x1，…，xn为n个设计变量。这是一个单目标的数学规划问题：在一组针对决策变量的约束条件 下，使目标函数最小化（有时也可能是最大化，此时在目标函数 前添个负号即可）。满足约束条件的解X称为可行解，所有满足条件的X组成问题的可行解空间。 2. 遗传算法基本原理和基本操作 遗传算法(Genetic Algorithm, GA)是一种非常实用、高效、鲁棒性强的优化技术，广泛应用于工程技术的各个领域(如函数优化、机器学习、图像处理、生产调度等)。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化算法。按照达尔文的进化论，生物在进化过程中“物竞天择”，对自然环境适应度高的物种被保留下来，适应度差的物种而被淘汰。物种通过遗传将这些好的性状复制给下一代，同时也通过种间的交配(交叉)和变异不断产生新的物种以适应环境的变化。从总体水平上看，生物在进化过程中子代总要比其父代优良，因