遗传算法及其改进设计

弹性结构的遗传算法优化设计

摘要:在本文中,我们将承受约束的相对层间位移的特性框架结构作为超静定结构,研究了优化重力设计(OWD)问题,以通过保留改进遗传算法(iGA)基础上的约束条件而直接对其求解。我们讨论了传统优化准则和本文提出的方法的效率。

关键词:框架结构 遗传算法 地震荷载

一般而言,框架结构的优化设计是将结构分析与优化方法相结合的设计方法。而迭代搜索方法用来作为其搜索技术。但是这种方法有很多的设计变量,这就增加了计算量,从而增加了分析时间。多构件框架结构分析的亚优化方法是解决上述问题的方法之一。另一方面,1996年提出了改进方法,针对钢结构侧重于横向移动使用了单位负载的方法。这里由单位荷载法得到的位移参与系数的概念,应有别于敏感性分析。遗传算法(GA),它使用的随机方法,使其成为一个引人注目的有效的新工具来解决这些类型的问题。

在本文中,我们制定了一个最佳重量设计(OWD)问题的一个30层框架结构,这是一个完全强调设计,但变形的约束在允许应力范围内的超静定结构,并能获得通用的解决办法,通过改进遗传算法解决这个问题。结果决定的数量(设计)变数不增加是最佳方案。这是我们通过讨论几个传统最优标准的效率所得出的方法。

优化评价 通过对每个单元边缘应力的分析我们得到了每一个单元的设计变量,然后进行整体结构的优化,相对位移的约束(θ≤0.005)。

经过比较,初步设计的30层框架结构通过应用变量函数(无约束序列的最小化技术)的方法,从算法的计算中,我们看到了荷载提高了24[t](6.8％)。

大小单元主体的初始状态是x1～90=55(W(A1～90)=352.551[t])。

此外,我们对每一个单元做了限制相对位移的操作获得了设计变量(θ≤0.008)。它们的荷载提高了129[t](36.7％)。

我们推断,正是由于这一事实,即算法包含有关不可行的遗传因子应该尽可能在接近可行的区域进行计算。

改进遗传算法解决TSP问题

陈林;潘大志

【摘 要】针对基本遗传算法收敛速度慢，易早熟等问题，提出一种改进的遗传算法。新算法利用贪婪思想产生初始种群来加快寻优速度，用贪婪思想来引导交叉操作，在交叉操作之前，把当前较差的一半种群替换成随机种群，最后用改进的变异算子和进化逆转操作进行寻优，利用新的遗传算法求解基本的旅行商问题。仿真结果表明，改进的遗传算法具有全局搜索能力强、收敛速度快的特点，优化质量和寻优效率都较好。%Aiming at the problem of slow convergence and easy

premature convergence, an improved genetic algorithm is proposed. New

algorithm uses greedy idea to generate the initial population for speeding

up the searching speed and greedy idea to guide the crossover operation,

before the crossover operation, selects the random population to replace

the half of the poor population, finally with the help of the improved

mutation operator and evolutionary reversal operation to realize

optimization, constructs a new genetic algorithm for solving the traveling

salesman problem. The simulation results show that the improved genetic

，．ａｎ　Ｉｍｐｒｏｖｅｄ　ＧｅｎｅｔｉＣ　Ａｌｇｏｒｉ　ｔｈｍ　廖国勇　Ｌｉａｏ　Ｇｕｏｙｏｎｇ　（华东交通大学基础学院，南昌３３００１３）　（Ｓｃｈｏｏｌ　ｏｆ　Ｂａｓｉｃ　Ｓｃｉｅｎｃｅ，Ｅａｓｔ　Ｃｈｉｎａ　Ｊｉａｏｔｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ　３３００１３）　摘要：为了提高标准遗传算法的搜索能力，在每一代的群体更生中，群体个体不是全部来自交配池中杂交和变异产　生的个体，而是取其中的一部分，另一部分来自于父本代群体，这两部分一起构成下一代群体。本文提出了一种改进的　遗传算法，实验结果表明，改进的遗传算法比标准的遗传算法效果要好很多。　关键词：遗传算法：杂交算子：变异算子：群体　中图分类号：ＴＰ３０１　文献标识码：Ａ　文章编号：１６７１—４７９２一（２００６）４—００３５—０３　Ａｂｓｔｒａｃｔ：Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｃａｐａｂｉｌｉｔｙ　ｏｆ　ｓｅａｒｃｈ　ｉｎ　ｓｔａｎｄａｒｄ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍｓ，Ｗｅ　ｃｈｏｏｓｅ　ｔｈｅ　ｎｅｘｔ－　ｐｏｐｕｌａｔｉｏｎ　ｎｏｔ　ｏｎｌＹ　ｉｎ　ｔｈｅ　ｎｅｗ－ｐｏｐｕｌａｔｉｏｎ　ｔｈａｔ　ｗａｓ　ｃｏｍｅ　ｉｎｔｏ　ｂｅｉｎｇ　ｉｎ　ｐｏｏｌ　ｏｆ　ｃｒｏｓｓｏｖｅｒ　ｗｈｅｒｅ　ｔｈｅ　ｏｐｅｒａｔｏｒ　ｏｆ　ｃｒｏｓｓｏｖｅｒ　ａｎｄ　ｔｈｅ　ｏｐｅｒａｔｏｒ　ｏｆ　ｍｕｔａｔｉｏｎ　ｗａｓ　ｕｓｅｄ　ｔｏ　ｐｒｏｄｕｃｉｎｇ　ｔｈｅ　ｎｅｗ　ｉｎｄｉｖｉｄｕａｌ，ｂｕｔ　ａｌｓｏ　ｉｎ　ｔｈｅ　ｏｌｄ－ｐｏｐｕｌａｔｉｏｎ．　Ｔｈｉｓ　ｐａｐｅｒ　ｐｕｔ　ｆｏｒｗｅｒｄ　ａｎ　ｉｍｐｒｏｖｅｄ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ．Ｔｈｅ　ｒｅｓｕｌｔ　ｏｆ　ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｈａｓ　ｐｒｏｖｅｄ　ｔｈａｔ　ｔｈｅ　ｉｍｐｒｏｖｅｄ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｂｅｔｔｅｒ　ｔｈａｎ　ｔｈｅ　ｓｔａｎｄａｒｄ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ．　Ｋｅｖｗｏｒｄｓ：Ｇｅｎｅｔｉｃ　Ａｌｇｏｒｉｔｈｍ；Ｏｐｅｒａｔｏｒ　ｏｆ　Ｃｒｏｓｓｏｖｅｒ：Ｏｐｅｒａｔｏｒ　ｏｆ　Ｍｕｔａｔｉｏｎ：Ｐｏｐｕｌａｔｉｏｎ　０引言　遗传算法是一种通用的求解优化问题的适应性搜索方　法，它仿效生物演化的机制，即适者生存，不适应者淘汰的　机制演化。要用遗传算法求解优化问题，首先要把求解的问　题通过编码转化为编码空间的问题，这样，原来的问题求解　就变为对编码空间的求解；然后任意选取初始群体，再在编　码空间中对群体采取遗传操作，即用杂交算子和变异算子对　群体进行演化最后得到编码空间的最优解，进而得到原始　问题的最优解。遗传算法的实现通常要考虑５个要素：染色　体的编码、初始群体的设定、适应值函数的设计、遗传操作　的设计和算法控制参数的设定。　１改进的遗传算法　．　１．１染色体的编码　用遗传算法求解问题，首先就是染色体的编码。编码有　很多种，例如二进制编码、实数编码、序列编码、树编码、　自适应编码等等。其中用的最多的还是二进制编码和实数编　码。对于离散的解空间，一般采用二进制编码；对于连续的　解空间一般采用实数编码。至于采用何种编码，没有什么硬　

多目标遗传算法原理

一、引言

多目标优化问题是指在存在多个冲突目标的情况下，寻找一组最优解，使得各个目标函数都能达到最优状态。多目标遗传算法是一种用于解决多目标优化问题的启发式优化算法，它模拟了自然界中的进化过程，通过不断迭代进化来逼近最优解。

二、遗传算法基本原理回顾

遗传算法是一种模拟生物进化过程的优化算法。它通过定义适应度函数、选择、交叉和变异等操作，通过不断的进化来寻找问题的最优解。遗传算法的基本流程如下：

1. 初始化种群：随机生成一组初始解作为种群。

2. 评估适应度：计算每个个体的适应度值，评估解的优劣。

3. 选择操作：根据适应度值选择优秀的个体作为父代。

4. 交叉操作：通过交叉操作产生新的个体，交换父代的基因片段。

5. 变异操作：对新个体进行基因突变，引入新的基因信息。

6. 更新种群：将新生成的个体加入到种群中。

7. 终止条件判断：判断是否满足终止条件，如果满足则输出最优解，否则返回第3步。

三、多目标遗传算法的改进

传统的遗传算法只能求解单目标优化问题，而无法处理多目标优化问题。为了解决这个问题，研究者们提出了多目标遗传算法。多目标遗传算法在传统遗传算法的基础上进行了改进，主要包括以下几个方面：

1. 适应度函数的定义

在多目标优化问题中，适应度函数的定义是关键。传统的适应度函数只考虑单个目标，而多目标遗传算法需要定义多个适应度函数来评估解的优劣。通常，适应度函数由多个目标函数组成，可以通过加权求和、加法、乘法等方式进行定义。 2. 非支配排序

多目标遗传算法引入了非支配排序的概念，用于对种群中的个体进行排序。非支配排序将个体划分为多个等级，等级越高表示个体越优秀。在非支配排序的基础上，还引入了拥挤度距离的概念，用于度量个体的分布情况，以保证种群的多样性。

3. 选择操作的改进

传统的遗传算法中，选择操作是通过轮盘赌选择或锦标赛选择来选取优秀的个体。而在多目标遗传算法中，选择操作需要考虑个体的非支配等级和拥挤度距离。通常，选择操作会优先选择非支配等级高的个体，以保证种群的多样性。