利用遺傳算法進行結(jié)構(gòu)優(yōu)化設(shè)計方案

1、湖南之理若倒本科生畢業(yè)設(shè)計開題報告書題 目利用遺傳算法進行結(jié)構(gòu)優(yōu)化設(shè)計的一些研究學生姓名專業(yè)班級指導老師機械工程學院2011年11月30日論文題目用遺傳算法進行結(jié)構(gòu)優(yōu)化設(shè)計的一些研究課題目的、意義及相關(guān)研究動態(tài)：優(yōu)化設(shè)計是設(shè)計概念與方法的一種革命，它用系統(tǒng)的、目的定向的和有良 好標準的過程與方法來代替?zhèn)鹘y(tǒng)的實驗糾錯的手工方法。優(yōu)化設(shè)計是尋求最好 或最合理的設(shè)計方案，而優(yōu)化方法便是達到這一目的的手段。雖然對大多數(shù)現(xiàn) 實問題而言，最好餓不一定能實現(xiàn)，但它提供了一種指導思想與標準，形成了 概念和運作手段，只要一個問題存在有多種可能的解決方案，它就可以利用優(yōu) 化的思想和概念來更好地解決，故優(yōu)化方法是求

2、解問題和幫助決策的重要手段 和工具。現(xiàn)代工程結(jié)構(gòu)設(shè)計中，大量的應用問題要求結(jié)構(gòu)優(yōu)化能夠適用于各種類型 的設(shè)計變量（尺寸變量、形狀變量、拓撲變量、材料種類。結(jié)構(gòu)布局等）、各種 類型的約束（強度。剛度、穩(wěn)定性、頻率等）及各種類型的單元（桿、梁、板、 殼、膜、二維元及三維實體元等）的組合結(jié)構(gòu)的線性、非線性、靜力、動力或 控制結(jié)構(gòu)優(yōu)化等。為了有效地解決復雜工程優(yōu)化問題， 人們一直在不停地探索。 多年來，通過對自然界的探索，人們認為自然界生物的某些行為是可以在計算 機上模擬的優(yōu)化過程。人們將這種生物行為的計算機模擬用于工程目的，提出 了一些解決復雜工程優(yōu)化問題的現(xiàn)代優(yōu)化方法。一類是用計算機模擬人類智能行

3、為的智能計算方法，包括模擬人類大腦處 理模糊信息能力的模糊系統(tǒng)、模擬人類大腦神經(jīng)元的連接關(guān)系的神經(jīng)網(wǎng)絡和模 擬生物進化過程中“物競天擇，適者生存”這一自然規(guī)律的進化計算三個方面。 其中進化計算已經(jīng)突破了傳統(tǒng)優(yōu)化方法基于數(shù)值計算的確定性搜索模式，而是 采取非數(shù)值計算的概率性隨機搜索模式，已經(jīng)被廣泛地應用于各個領(lǐng)域。進化 計算又有分別模擬自然界生物進化不同方面的三條研究途徑：遺傳算法、進化策 略和進化規(guī)劃，其中以遺傳算法（GAs）的研究最為深入、持久，應用也最為廣泛。 另一類是用計算機模仿生物的某種特性的仿生計算方法，如模擬生物免疫系統(tǒng) 自我調(diào)節(jié)功能的人工免疫系統(tǒng)、模擬蟻群搜索食物過程的蟻群算法等

4、。模擬自 然界生物進化過程中“優(yōu)勝劣汰”機制的遺傳算法也屬于仿生計算方法的范疇。 我此次畢設(shè)主要研究的就是基于遺傳算法的工程結(jié)構(gòu)優(yōu)化設(shè)計。國內(nèi)、國外研究現(xiàn)狀：在二十世紀60年代，美國Michigan大學的Holland教授及其他一些科學 家分別獨立地通過對自然和人工系統(tǒng)的研究， 提出了遺傳算法的基本思想。1975 年，Holland教授出版了關(guān)于遺傳算法的經(jīng)典著作 Adaptation in Nature and Artificial System ,標志著遺傳算法的正式誕生。 Holland教授在文獻中提出 的遺傳算法后來被人們稱為簡單遺傳算法（SGA）。簡單遺傳算法的個體采取二進 制編碼方

5、式，主要由交換算子產(chǎn)生新的個體，通過選擇操作體現(xiàn)“優(yōu)勝劣汰” 的自然選擇機制。簡單遺傳算法以圖式定理或稱型式定理、模式定理為理論基 礎(chǔ)，認為遺傳算法具有隱含并行性和全局收斂性。這一結(jié)論現(xiàn)在被普遍認為是 值得懷疑的。經(jīng)過近三十年的發(fā)展，遺傳算法的理論研究取得了很大進展，已 有不少學術(shù)專著出版，有關(guān)人工智能的著作中一般也有關(guān)于遺傳算法的章節(jié)， 其應用研究更是取得了輝煌的成就。近年來，有不少博士學位論文對遺傳算法 的理論和應用作了專題論述。現(xiàn)在，遺傳算法的實際應用已經(jīng)滲透到了各行各 業(yè)。遺傳算法是建立在自然選擇和群體遺傳學基礎(chǔ)上的一種非數(shù)值計算優(yōu)化方 法。遺傳算法將問題的解表示成字符串，并把這樣的字

6、符串當作人工染色體或 稱為個體，多個個體構(gòu)成一個群體。隨機產(chǎn)生若干個個體構(gòu)成初始群體，通過 對群體的不斷進化，利用“優(yōu)勝劣汰”的自然選擇機制，使群體中的個體不斷 朝著最優(yōu)解的方向移動，最終搜索到問題的最優(yōu)解。個體通過遺傳算子的作用 生成子代個體。通過定義個體的評價函數(shù)，稱為適應度函數(shù)來評價個體的優(yōu)劣。 個體的適應度反映個體適應環(huán)境的能力，適應度大的個體生存能力強。按照自 然選擇的基本原理，適應度越大的個體被選擇用來繁殖后代的機會越大。遺傳 算法是模擬遺傳行為的智能算法，研究基于遺傳算法的子陣級波束形成，有利 于提高子陣分割和波束形成的效率。而遺傳算法的理論研究內(nèi)容主要包括染色 體的編碼方法、遺

7、傳算子、算法的運行過程、遺傳控制參數(shù)的選擇、算法的收 斂性和收斂速度以及遺傳算法的改進和與其它方法的綜合等。課題的主要內(nèi)容：通過對遺傳算法和結(jié)構(gòu)優(yōu)化設(shè)計等方面的內(nèi)容的介紹與分析，在此基礎(chǔ)上 提出了遺傳算法在工程結(jié)構(gòu)優(yōu)化設(shè)計的應用模型，并根據(jù)遺傳算法的原理和特 點，利用一個計算實例驗證了遺傳算法作為優(yōu)化方法的高效性的優(yōu)勢。研究方法、設(shè)計方案或論文撰寫提綱：主要運用了比較研究法，通過運用比較研究法，將簡單遺傳算法與改進的 自適應遺傳算法對同一桁架結(jié)構(gòu)進行優(yōu)化設(shè)計，并對所得結(jié)果進行比較分析， 驗證了改進的遺傳算法的可行性和有效性。完成期限和預期進度：1、下達任務書：2011年10月31日前；2、畢業(yè)

8、設(shè)計開題：2011年11月30日前；3、畢業(yè)分散實習調(diào)研：2012年1月8日-2月12日 寒假期間要求進行畢 業(yè)實習與調(diào)研并寫出調(diào)研報告；4、中期檢查：2012年3月31日前；5、結(jié)題、資格審查：2011年4月2329日（第11周）；6、答辯時間：2012年5月7日-13日（第13周）；根據(jù)2008級專業(yè)人才培養(yǎng)計劃，畢業(yè)設(shè)計及答辯主要工作階段為：2012年上學期第1周至12周（2010年2月13日至5月6日）；主要參考資料：1韓瑞鋒.遺傳算法原理與應用實例M .北京：兵器工業(yè)出版社，20072王小平，曹立明.遺傳算法一一理論、應用與軟件實現(xiàn) M.西安：西 安交通大學出版社，20023 劉石夏.工程結(jié)構(gòu)優(yōu)化設(shè)計一一原理、方法和應用 M.北京：科學出 版社，19844陳秀寧.機械優(yōu)化設(shè)計M.杭州：浙江大學出版社，19915周翠玲.工程結(jié)構(gòu)優(yōu)化設(shè)計的遺傳算法研究D.合肥：合肥工業(yè)大學， 20046 Gerald Recktenwald .數(shù)值方法