改进的遗传算法及其在工程优化中的应用

论文摘要

进化计算,作为一种新兴的强大的智能优化技术,已经广泛地应用在工程科学的几乎所有的领域。与传统优化方法相比,进化计算在全局优化、复杂设计区域、复杂目标函数及易用性等方面都显示出了其优越性。遗传算法是进化计算中最重要的算法之一,本文主要研究了改进的遗传算法及其在工程优化领域中的应用。 本文的主要研究内容分章介绍如下: 第一章首先简要介绍了进化计算的基本知识,在工程优化领域的历史与研究现状。本章的最后给出了本论文的基本框架。 第二章介绍了遗传算法的基本理论与方法。首先给出了遗传算法的基本流程,然后介绍了染色体的编码方法及遗传算子,最后分析了遗传算法的搜索机理与收敛性。 第三章提出了一种新的遗传算法——基于子域搜索的遗传算法(简称为SBGA)。SBGA将设计区域分成多个小的子域,根据已搜索过的样本点在这些子域内的分布情况来指导后续的搜索。同时,SBGA还提供了一种新的处理约束的方法。应用SBGA进行了复杂函数和杆系结构的优化,数值实验还发现它能够有效地抑制早熟现象的发生。 第四章研究了基于遗传算法的连续体结构拓扑优化问题。提出了一种新的变长的紧凑编码方式——链码编码方法,用四方向链码的组合来描述结构拓扑。以机器学习中的范例推理为原型,设计出一种基于范例推理的遗传算法。在该算法中,根据多尺度变换的原理,提出了结构拓扑的“目标向量”描述方式,从而可能定量地描述不同拓扑的相似性。研制了上述方法的计算机软件GATOCS,并利用该软件对多工况连续深梁和自行车框架进行拓扑优化,取得了较为满意的结果,从而说明了应用遗传算法进行连续体结构拓扑优化是完全可行的。 第五章研究了多目标遗传算法及其并行实现。实际的工程优化问题通常都是多目标的,而且计算量很大。因此,本文研究了并行虚拟机(高速互联机

论文目录

• 第1章 绪论
• 1.1 遗传算法概述
• 1.1.1 遗传算法的仿生学基础
• 1.1.2 遗传算法的基本术语
• 1.1.3 简单遗传算法的执行过程
• 1.1.4 遗传算法的基础理论研究
• 1.1.5 遗传算法的执行策略研究
• 1.2 遗传算法与结构优化设计
• 1.3 进化结构优化中的约束处理方法
• 1.4 多目标遗传算法与结构优化
• 1.5 并行遗传算法
• 1.6 本文的主要研究内容
• 第2章 遗传算法的基本理论与方法
• 2.1 遗传算法的基本流程
• 2.2 遗传算法的实现方式
• 2.2.1 编码方式
• 2.2.2 选择算子
• 2.2.3 交叉与变异算子
• 2.3 遗传算法的搜索机理
• 2.3.1 遗传算法的搜索机制
• 2.3.2 遗传算法的收敛性
• 2.4 本章小结
• 第3章 子域搜索的遗传算法（SBGA）
• 3.1 概述
• 3.2 子域搜索的遗传算法（SBGA）
• 3.2.1 SBGA产生的背景
• 3.2.2 SBGA的基本思想及其实现
• 3.2.3 SBGA的收敛性
• 3.3 数值仿真
• 3.3.1 复杂函数优化
• 3.3.2 十杆桁架优化
• 3.4 本章小结
• 第4章 基于遗传算法的连续体结构拓扑优化
• 4.1 概述
• 4.2 链码拓扑表示法
• 4.3 遗传算子
• 4.4 范例学习的策略
• 4.5 基于GA的结构拓扑优化软件GATOCS
• 4.5.1 GATOCS的特点与功能
• 4.5.2 应用ANSYS进行适应度计算
• 4.5.3 应用MATLAB进行拓扑处理
• 4.6 算例
• 4.6.1 2×1悬臂深梁拓扑优化
• 4.6.2 多工况连续深梁拓扑优化
• 4.6.3 自行车框架拓扑优化
• 4.7 本章小结
• 第5章 PARETO多目标优化及其并行实现
• 5.1 PARETO多目标优化的概念
• 5.2 改进的强度PARETO进化算法
• 5.2.1 适应度评估方法
• 5.2.2 环境选择
• 5.2.3 实施过程
• 5.2.4 算例
• 5.3 并行计算
• 5.3.1 工作站机群COW及消息传递程序设计
• 5.3.2 并行计算性能指标
• 5.3.3 SPEA2的并行实现
• 5.4 多目标并行拓扑优化算例
• 5.4.1 悬臂深梁多目标拓扑优化
• 5.4.2 简支深梁多目标拓扑优化
• 5.5 本章小结
• 第6章 生境混合遗传算法在医学图像配准中的应用
• 6.1 医学图像配准概述
• 6.2 数学基础
• 6.2.1 熵
• 6.2.2 条件熵、联合熵和互信息
• 6.2.3 Parzen窗密度估计
• 6.2.4 梯度下降优化法
• 6.3 混合遗传算法与实施
• 6.3.1 混合遗传算法
• 6.3.2 混合遗传算法的实施策略
• 6.4 图像配准实例
• 6.4.1 无噪声图像配准算例
• 6.4.2 有噪声图像配准算例
• 6.5 本章小结
• 第7章 结论与展望
• 7.1 结论
• 7.2 创新点
• 7.3 进一步工作的展望
• 致谢
• 参考文献
• 攻读博士学位期间发表的论文及科研成果