基于最优路线选址的遗传算法程序设计与实现

中图分 类号 ：Ｈ１７ ３ Ｔ ３．２ ３ 文献标识码 ： Ｂ 文章编号 ： （０ ６ ０ — ０ ５ ０ ４ ２ ０ ｝４ ０ ４ — ０
引 言
液力变矩器广泛应用于工程车辆 中， 相对机械 传 动的诸 多优点使其成 为传动 系统 中的重要元 件 之一 。液力变矩器工作轮主要是由一系列均布的叶 片所组成的回转体。工作轮叶片的设计 目的是使叶 片在完成能量转化 的过程中能量损失尽可能小 ， 既 要保证液力变矩器达到 良好 的性能 ， 同时也要保证 叶片本身的强度和刚度 。工作轮叶片的三维形状 ， 决定 了液流流道结构 ， 直接影响液力变矩器的综合 性能【 目 ， ” 前 普遍采用二维设计方法 ， 。 在设计过程 中， 不能直观与实时地反映出三维设计效果及整体 性 能 结 果 ， 了能 直观 的明 确设 计参 数对 于 设计 结 为 果 的 影 响 ， 对 综 合 性 能 进 行 预 测 ， 互式 三 维 可 并 交 视化 设计技 术显 得尤 为 重要 。 遗传算法是一类借鉴生物界 自然选择 和 自然 遗传机制的随机化搜索算法 ， 它通过适应度 函数值 来评估个体 ， 并在此基础上进行遗传操作 ， 具有较
维普资讯
赢体秸幼与 控副
在空间直接绘制 ，不必进行传统绘制方法 中的 Ｒ Ｚ 坐标 系 和 Ｓ Ｌ坐 标 系 之 间坐 标 点 的多 次 复 杂 转 换 ， 达到 了简 化设计 的 目的。 利用 Ｏ ｅＧ ｐｎ Ｌ进 行 叶片设 计 和动 态 显示 的 基本 框架 如 图 ３所示 。
盛
４ 计算实例
有某 型号 发动 机外 特性 参数 ， 表 ２所示 。 如 综 合提 出部分 Ｉ 指标要 求 及约 束 条件 ： 生能 （）启 动工况 变矩 比 Ｋ＝ ．～ ．； １ ｏ２１３Ｏ （） 计 算 工 况 泵 轮 扭 矩 系 数 Ａ （．－ ．） ２ ’ ３２ ３８× ＝

ｔｅｕ ｃ ｒ ｉｔ ｏ ｒｃ ｓ ｒｕｉ ｅｉｏ ，ｔｅｍ ｌ — ｂｅｔ ｅｏ ｔ ｚｔ ｎｆｎ ｔ ｎ ｗ ｓｅｔ ｌ ｈ ｄ ｈ ｎ ｅｔ ｎｙ ｆ ｏｅｓ ｏ ｔ ｇ ｄｃｓ ｎ ｈ ｕｔ ｏｊｃｉ ｐｉ ａｉ ｃ ｏ ａ ｓ ｂｉ ｅ ， ａ ｐ ｎ ｉ ｉ ｖ ｍｉ ｏ ｕ ｉ ａ ｓ
Ｔｈｌ ｄｅ工艺与检测 ｅ ｇａ ｓ ｃ０ｙｎＴｆ ｎ ０
基 于遗 传算 法 的 工 艺路 线决 策 与 优 化
范顺成① 王进 峰① 李世杰① ②
（ 河北工 业 大学机械 工程 学院 ， ① 天津 ３０３ ； ０ １０ ②华北 电力大学机械工程系， 河北 保定 ０ １０ ） ７ ０３
ａｇ ｒｔ ｍ ｓ ｌｏｉ ｈ ．
Ｋｅ ｗ ｒ ｓ ｏ ｐ ｔｒ ａ ｅ ｒｃ ｓ Ｐａｎｎ （ Ａ Ｐ） ｒｃ ｓ Ｒ ｕｉｇ ｅ ｅ ｃＡｇｒｈ ｙ ｏ ｄ ：Ｃ ｍ ｕｅ— ｉ ｄＰｏｅｓ ｌ ｉｇ Ｃ Ｐ ；Ｐｏｅｓ ｏ ｔ ；Ｇ ｎｔ ｌｏ ｔｍ；Ｄ ｃｓ ｎａ ｄＯ ｔ ｄ ｎ ｎ ｉ ｉ ｅｉｏ ｎ ｐｉ ｉ —
（） １ 优先 加工 主要表 面 当某 个 表 面和 其 他表 面 存 在形位 公 差时 ， 定该 表 面 为 主要 表 面 ， 先 加 工 。 确 优
当某个 表面 的加工 影 响 到其 他 表 面 的装 夹 时 ， 定 该 确
表 面 为主要 表面 ， 先 加工 。零 件 的辅 助 表 面应 安 排 优 在 主要 表面 之后加 工 。譬如 对于 独立 于其他 工序 的辅 助工艺 孔 、 、 角等 ， 槽 倒 应安排 在 主要表 面之后 加 工 。 （） ２ 优先 加 工 平 面 先 加 工 平 面 ， 以平 面定 位 再
于 工艺 知识 表达 方法 、 因 编码 规 则 等 基 础 性工 作 讨 基

遗传算法遗传算法是一种借鉴生物遗传和进化机制寻求最优解的计算方法。

该方法模拟生物进化中的复制、交换、变异等过程，并通过模拟自然选择压力的方式推动问题解集向最优解方向移动。

遗传算法为解决多种难以采用传统数学方法求解的复杂问题提供了新的思路。

1. 遗传算法的发展历史研究者采用计算机模拟生物进化过程并解决优化问题的尝试始于20世纪40至50年代。

20世纪60年代中期，美国密歇根大学的Holland教授提出了位串编码技术，这种编码技术适用于变异操作和交叉操作，他指出在研究和设计人工自适应系统时可借鉴生物遗传的机制，以群体的方式进行自适应搜索。

70年代中期，Holland提出遗传算法的模式定理（Schema Theorem），奠定了遗传算法的理论基础。

11967年，Holland教授的学生De Jong首次将遗传算法应用于函数优化中，2设计了遗传算法执行策略和性能评价指标。

他挑选的5个专门用于遗传算法数值实验的函数至今仍被频繁使用，而他提出的在线(on-line)和离线(off-line)指标则仍是目前衡量遗传算法优化性能的主要手段。

1989年，Goldberg出版专著“Genetic Algorithm in Search, Optimization, and Machine learning”3。

该书全面阐述了遗传算法的基本原理及应用，并系统总结了遗传算法的主要研究成果。

该书对遗传算法科学基础的奠定做出了重要贡献。

1991年，Davis编辑出版了专著“Handbook of Genetic Algorithms”，该书中介绍了遗传算法在工程技术和社会生活中的大量应用实例。

41992年，美国斯坦福大学的Koza出版专著“Genetic Programming, on the Programming of Computers by Means of Natural Selection”，在此书中，他将遗传算法应用于计算机程序的优化设计和自动生成，并在此基础上提出遗传编程（Genetic Programming, GP）的概念5。

遗传算法将问题的求解表示成“染色体”（用编码 表示字符串）。该算法从一群“染色体”串出发， 将它们置于问题的“环境”中，根据适者生存的原 则，从中选择出适应环境的“染色体”进行复制， 通过交叉、变异两种基因操作产生出新的一代更适 应环境的“染色体”种群。随着算法的进行，优良 的品质被逐渐保留并加以组合，从而不断产生出更 佳的个体。这一过程就如生物进化那样，好的特征 被不断的继承下来，坏的特征被逐渐淘汰。新一代 个体中包含着上一代个体的大量信息，新一代的个 体不断地在总体特性上胜过旧的一代，从而使整个 群体向前进化发展。对于遗传算法，也就是不断接 近最优解。
优势
总的来说，遗传算法与其他寻优算法相比的主要特点可以归纳如下： 1)遗传算法是对参数的编码进行操作，而不是对参数本身。 2）遗传算法是从许多初始点开始并行操作，而不是从一个点开始。因而 可以有效地防止搜索过程收敛于局部最优解，而且有较大可能求得全部 最优解。 3）遗传算法通过目标函数来计算适配度，而不要求其他的推导和附属信 息，从而对问题的依赖性较小。 4）遗传算法使用概率的转变原则，而不是确定性原则。 5）遗传算法在解空间内不是盲目地穷举或完全随机测试，而是一种启发 式搜索，其搜索效率往往优于其他算法。 6）遗传算法对于待寻优的函数基本无限制，它既不要求函数连续，更不 要求可微；既可以是数学解析式所表达的显函数，又可以是映射矩阵甚 至是神经网络等隐函数，因而应用范围很广。 7）遗传算法更适合大规模复杂问题的优化。
6.2遗传算法的基本操作与模式理论
下面通过一个简单的例子，详细描述遗传算法的基 本操作过程，然后给出简要的理论分析，从而清晰 地展现遗传算法的原理和特点。 6.2.1遗传算法的基本操作 例：设需要求解的优化问题为当自变量x在0~31之间 取整数值时寻找f(x)=x^2函数的最大值。枚举的方 法是将x取尽所有可能值，观察能否得到最高的目标 函数值。尽管对如此简单的问题该法是可靠的，但 这是一种效率很低的方法。下面运用遗传算法来求 解这个问题。