[发明专利]基于觅食策略的改进樽海鞘算法的拉压弹簧设计方法

说明书

本发明提出了一种基于觅食策略的改进樽海鞘算法的拉压弹簧设计方法，其步骤如下：对拉压弹簧设计问题进行数学建模，建立以重量为目标函数的拉压弹簧问题的数学模型；将拉压弹簧问题的决策变量编码为樽海鞘个体位置向量；采用哈里斯鹰觅食策略和多点领导者交叉策略，构建新的改进樽海鞘优化算法，执行新的改进樽海鞘优化算法求解拉压弹簧问题，得到最优樽海鞘个体；对最优樽海鞘个体进行解码，得到拉压弹簧问题的最佳决策变量，最佳决策变量为弹簧的最佳结构设计方案。本发明哈里斯鹰觅食策略加强对有潜力的区域的开发；引入多点领导者交叉策略实现开发和探索之间的平衡，提高了樽海鞘算法在求解拉压弹簧问题中的性能。

技术领域

本发明涉及结构优化设计的技术领域，尤其涉及一种基于觅食策略的改进樽海鞘算法的拉压弹簧设计方法。

背景技术

优化是在固定搜索空间中为特定问题寻找最佳解决方案的过程。随着社会的发展，有限的资源日益枯竭，人们迫切需要以最小的成本和资源获得最大化的利润，这些问题即为广泛存在于科学研究和工程应用中的优化问题。

拉压弹簧设计问题(Tension/compression Spring Design,TCSD)是一种带有复杂约束的非线性优化问题，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，拉压弹簧质量的优劣直接影响到机械设备的工作性能。质量优良的拉压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。由于TCSD问题的复杂性，传统的优化方法求解此问题时往往会陷入局部最优解，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于2017年首次提出的一种新型群体智能优化算法，该算法模仿了樽海鞘在海洋中的群体觅食行为，在许多实际优化问题中取得了不错的效果。SSA算法通过樽海鞘链中的领导者(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。实验表明，与粒子群算法(Particle Swarm Optimization,PSO)、引力搜索算法(Gravitational SearchAlgorithm,GSA)、蝙蝠算法(Bat Algorithm,BA)、遗传算法(Genetic algorithm,GA)相比，SSA算法在高维数值优化问题中有更高的精度和鲁棒性。因此，SSA算法已经被广泛应用于各种实际工程优化问题中，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。SSA算法仍存在早熟收敛的缺陷。比如跟随者只能在领导者周围移动，一旦领导者陷入局部最优，整个种群就会早熟收敛。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算法的收敛精度不够高，在复杂问题上无法获得高精度的解。

发明内容

针对传统的优化方法求解TCSD问题往往会陷入局部最优解，造成寻优精度差，收敛速度慢的技术问题，本发明提出一种基于觅食策略的改进樽海鞘的拉压弹簧设计方法，将哈里斯鹰觅食机制集成在SSA算法的跟随者位置更新过程，以加强对有潜力的区域的开发；引入多点领导者交叉策略以实现开发和探索之间的平衡，提高了优化精度。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于觅食策略的改进樽海鞘算法的拉压弹簧设计方法，其步骤如下：

步骤一：对拉压弹簧设计问题进行数学建模，建立以重量为目标函数的拉压弹簧问题的数学模型；

步骤二：将拉压弹簧问题的决策变量编码为樽海鞘个体位置向量；

步骤三：采用哈里斯鹰觅食策略和多点领导者交叉策略，构建新的改进樽海鞘优化算法，执行新的改进樽海鞘优化算法求解拉压弹簧问题，得到最优樽海鞘个体；

步骤四：对最优樽海鞘个体进行解码，得到拉压弹簧问题的最佳决策变量，最佳决策变量为弹簧的最佳结构设计方案。

所述拉压弹簧问题的数学模型为：