[发明专利]基于改进樽海鞘优化算法的拉伸/压缩弹簧设计方法

说明书

本发明提出了一种基于改进樽海鞘优化算法的拉伸/压缩弹簧设计方法，用以解决现有的拉伸/压缩弹簧设计方法容易陷入局部最优解，造成寻优精度差，收敛速度慢的问题。本发明的步骤如下：建立以重量为目标函数的拉伸/压缩弹簧问题的数学模型；结合引力搜索策略和多领导者搜索策略，构建改进樽海鞘群优化算法；采用改进樽海鞘群优化算法对数学模型进行求解；根据求解数学模型的最佳决策变量输出弹簧的最佳结构设计方案。本发明的引力搜索策略摆脱了单一个体引导的局限性，提高了算法的探索能力；多群策略保持种群的多样性，有效平衡了探索与开发能力。本发明具有更好的解质量、收敛精度和稳定性，提高了樽海鞘群优化算法在复杂优化问题上的表现。

技术领域

本发明涉及弹簧设计的技术领域，尤其涉及一种基于改进樽海鞘优化算法的拉伸/压缩弹簧设计方法。

背景技术

在如今竞争激烈的世界中，有限的资源日益枯竭，这迫使人们以最小的成本和资源获得最大化的利润。这些问题的数学模型演变为最大化和最小化问题，通常称为优化问题。

拉伸/压缩弹簧设计(Tension/compression Spring Design,TCSD)是一种约束优化问题，广泛存在于工程机械设备优化中，如空调压缩机中的弹簧优化，工业内燃机中的弹簧优化等。因此，拉伸/压缩弹簧质量的优劣直接影响到机械设备的工作性能。质量优良的拉伸/压缩弹簧能提升机械设备运行效率，充分利用能源资源，以及节约生产成本。传统的优化方法在解决拉伸/压缩弹簧质量时往往陷入局部最优解，造成寻优精度差，收敛速度慢等问题。

樽海鞘算法(Salp Swarm Algorithm,SSA)是Mirjalili在2017年首次提出的一种新的群体智能优化算法、新的基于群体的元启发式算法，它是受海洋中樽海鞘种群的链条运动和觅食行为的启发。SSA算法通过链条中的领导者(适应度最好的个体)带领跟随者(其他个体)寻找食物来源(全局最优值)来实现优化过程的。SSA算法在19个传统的基准函数和20个现代的CEC 2015基准函数上测试，测试结果表明SSA算法比粒子群算法(ParticleSwarm Optimization,PSO)、引力搜索算法(Gravitational Search Algorithm,GSA)、蝙蝠算法(Bat Algorithm,BA)、遗传算法(Genetic algorithm,GA)在解决高维数值优化问题时有更高的精度和鲁棒性。此外，与现有的优化算法相比，SSA算法原理、结构简单，需要调节的参数较少。基于这些优点，自从SSA算法被提出，已经被广泛应用于各种现实世界优化问题、工程优化领域，例如特征选择、参数辨识、电源调度等。尽管SSA算法在很多领域都取得了成功，但算法本身仍面临一些不足。对于一些复杂的优化任务，特别是高维度多模态问题，传统的SSA算法存在早熟收敛或陷入局部最优的问题。例如，SSA算法的探索能力较弱，并且存在早熟收敛的问题，此外SSA算法的收敛速度不够高，在复杂问题上无法获得高精度的解。

发明内容

针对现有的拉伸/压缩弹簧设计方法容易陷入局部最优解，造成寻优精度差，收敛速度慢等的技术问题，本发明提出一种基于改进樽海鞘优化算法的拉伸/压缩弹簧设计方法，。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于改进樽海鞘优化算法的拉伸/压缩弹簧设计方法，其步骤如下：

步骤一：建立以重量为目标函数的拉伸/压缩弹簧问题的数学模型；

步骤二：结合引力搜索策略和多领导者搜索策略，构建改进樽海鞘群优化算法；

步骤三：采用改进樽海鞘群优化算法对步骤一构建的数学模型进行求解；

步骤四：根据步骤三求解的数学模型的最佳决策变量输出弹簧的最佳结构设计方案。

所述步骤三的实现方法为：将数学模型中的三个决策变量一一编码为樽海鞘种群的个体；执行改进樽海鞘群优化算法，得到最优樽海鞘个体；将最优樽海鞘个体解码，得到最佳决策变量。