[发明专利]一种改进遗传算法结构优化效率的方法

说明书

技术领域

本发明涉及一种结构优化效率的方法，特别是关于一种用于结构优化领域中离散结构拓扑、尺寸、形状和材料优化的改进遗传算法结构优化效率的方法。

背景技术

离散结构优化根据优化内容的不同，可以分为拓扑、尺寸、形状以及材料优化。用传统的优化算法无法实现离散结构的综合优化，因为这是一个离散、非凸、多变量、多领域的优化问题。遗传算法不要求目标函数以及约束函数可导、易于处理离散问题、具有全局收敛能力，因此可以解决离散结构综合优化的困难。但是用遗传算法进行结构优化，个体适应值评价需要通过耗时的结构分析得到，计算量很大，导致优化效率较低。

遗传算法主要是基于达尔文的进化论、魏茨曼的选择学说和孟德尔的基因学说，模仿物竞天择、优胜劣汰、适者生存的生物遗传和进化的规律。用遗传算法进行结构优化，首先在物理空间中对每个个体进行结构分析以获取其适应值，然后通过编码技术把物理空间中的结构映射到基因空间中，与染色体一一对应，再对染色体执行选择、交叉和变异操作，以产生更好的新个体。由于遗传算法采用“适者生存”策略，适应值高的个体生存的概率高，因此经过选择操作之后，交配池中存在不少重复的高适值个体。此外，由于交叉和变异操作均为基于概率的操作，经过交叉和变异操作之后，种群中只有部分个体是新个体，其余个体为父代的直接拷贝。因此，遗传算法进化过程中出现的所有个体中，有一部分是前代已经出现过的。当用遗传算法进行结构优化时，在一次进化过程中，结构分析占据了绝大部分的时间。因此避免对重复出现的个体进行结构分析，可以有效的减少计算量，提高遗传算法结构优化的整体效率。但是直接存储进化过程中出现的所有染色体，需要巨大的存储量，对大规模的问题，这将是无法接受的。而且，直接存储染色体也将导致对重复个体的适值评价所需的计算复杂度较高。

发明内容

针对上述问题，本发明的目的是提供一种计算复杂度低、存储量少、计算效率较高的改进遗传算法结构优化效率的方法。

为实现上述目的，本发明采取以下技术方案：一种改进遗传算法结构优化效率的方法，即引入个体识别码的方法，其包括以下步骤：1)初始化种群和进化历史表：采用随机方法对种群进行初始化，建立一个m维的空矩阵，作为初始化的进化历史表；2)计算当前种群的个体识别码：根据个体识别码公式计算当前种群中每个个体的识别码，用于判断当前种群中是否具有重复个体；3)根据个体识别码判断个体是否为重复个体：逐个检索当前种群的个体识别码是否与进化历史表中第一列中的某个数值相同，若存在相同值，则表示此个体曾经出现过，是重复个体，转到步骤6)；若不存在相同值，则表示此个体为新个体，转到步骤4)；4)通过有限元方法对新个体进行结构分析：对新个体进行结构分析，得出新个体的结构响应值；5)更新进化历史表：在原有进化历史表基础上，按行增加所有新个体的识别码、结构响应值信息，即这一代中有多少个新个体，进化历史表就要相应增加多少行；6)对重复个体和进行结构分析后的新个体进行适值评价，得出相应适值，评价的方法如下：fit＝f(R₁，R₂，…，R_m)，其中，fit为个体的适值；Ri(i＝1，2，…，m，m为结构响应函数的个数)为结构响应值；7)判断算法是否停止：若算法迭代次数达到允许的最大迭代次数或找到最优解，则算法结束；反之，则转到步骤8)；8)对种群进行选择、交叉和变异操作，得到新种群后，转到步骤2)，循环操作。

所述新个体的结构响应值由结构分析得到，所述重复个体的结构响应值在进化历史表中检索得到。