外文翻译--集成进化优化算法及其发展和在船舶结构优化设计中的应用 中文版

集成进化优化算法及其发展和在船舶结构优化设计中的应用Young-Mo Kong1, Su-Hyun Choi1, Bo-Suk Yang2,* and Byeong-Keun Choi31.研究中心,大宇造船和海洋工程有限公司1 Aju-dong Geoje,Gyungnam 656 - 714年,韩国2.釜庆国立大学机械工程学院,100年圣Yongdang-dong,Nam-gu,韩国釜山608 - 7933.机械和航空航天工程学院研究所的海洋产业,国立大学445 Inpyeong-dong Tongyoung,650-160的韩国庆尚南道。（2007年10月2日修订稿；2008年3月18日修订；2008年4月1日接收）摘要 本文提出了一个集成的进化优化算法（ieoa）并结合遗传算法（GA）的随机算法，禁忌搜索算法（TS）和响应面分析法（RSM）。这个算法，为了提高收敛速度，被认为是遗传算法的缺点，采用RSM和单纯形法。遗传算法虽然具有随机变化，但系统的多样性可以通过使用禁忌表来保护。这种方法效率一直采用传统的功能测试和比较结果证明，它是一种遗传证据表明，新提出的算法可以有效地应用于减少淡水舱的重量，放在船舶设计来避免共振后找到全局最优解。结果表明，遗传算法的收敛速度在初始阶段已经利用RSM改进。一个优化的解决方案，没有额外的实际目标函数的评价计算。最后，可以得出结论，ieoa从收敛速度和全局搜索能力的观点的一个很有用的全局优化问题的算法。关键词：进化优化算法；遗传算法；响应曲面法；禁忌搜索法；单纯形法方法； 淡水舱1. 引言 许多动态分析的重点是找到最大的响应，并避免在一个给定结构下所有激振力。通常,这些特性提供了基础的设计极限,因此用来确定的动态遥相关结构和它的重量。出于这个原因,重量最小化减少响应和避免共振一直是设计工程师的主要担忧问题。许多经典的优化方法和实用软件已经开发出来，其中大部分是非常有效，特别是解决实际问题。然而,找到一个全球系统的最佳解决方案是很困难的。为了克服这个缺点，已经开发了许多搜索算法寻找一个全局最优解。遗传算法是进化计算领域中的一种技术，它是一种强大的全局优化方法，它不需要传统的搜索技术的严格连续性，而是在解空间中出现非线性和不连续性的2种方法。遗传算法可以处理各种目标函数，在离散、连续、混合搜索空间中定义了各种目标函数和约束条件。然而，全局访问的遗传算法需要一个计算随机搜索。所以，收敛速度的精确解很慢。此外，为一个大尺寸的问题的染色体编码将是非常长的，以便得到一个更准确的解决方案。这将导致在一个大的搜索空间和巨大的内存需求的计算。为了克服这些缺点，许多研究人员已经研究开发了许多混合遗传算法，遗传算法与其他的3-6结合。这些可以节省计算时间和找到全球性的解决方案，因为它去。因此，新的算法处理达到更高的精度和更快的收敛速度，在大型、复杂结构就像船得到一个最佳的解决方案。响应面法（RSM） 7 是一个优化的工具，介绍了箱和威尔逊8。这是一个收集统计和数学技术，用于开发、改进和优化流程。这些技术被采用，以估计的优化功能，并找到搜索方向的域的子区域，以提高和希望最优的解决方案。简单的方法（SM）是一种无导数的优化使用涉及单形 9 搜索规律的方法。这众所周知的技术已经证明是流行的无约束的目标函数。禁忌搜索（TS）是一种原combnatorial近期开发的启发式优化问题。因为格洛弗 10，11 首先介绍，许多研究在这方面已经出现，如有约束优化问题的 12 随机移动。在这项研究中，在高精度、高速度的多峰函数最优解的搜索，提出了一种新的混合进化算法，结合流行的算法，如遗传算法、禁忌的优点，RSM和SM。这个算法，为了提高收敛速度，被认为是遗传算法的缺点，采用RSM和SM。虽然突变遗传算法提供了多种随机变化，系统可以通过一个TS特别禁忌表的使用，在初始阶段，遗传算法的收敛速度，可以提高使用RSM是利用目标函数的信息获取通过总装工艺进行响应面（近似函数）和优化这没有一个额外的实际评价计算目标函数的最优解，而遗传算法的收敛速度可以提高，这种方法的效率被证明通过应用传统的功能测试和比较的结果也证实，遗传算法被应用该算法有效地搜索全局最优解THM重量最小化，避免被认为是淡水舱位于船体后部共振。2. 集成进化优化算法(IEOA)2.1IEOA结构 其主要思想是减少利用RSM是一个设计的实验来减少重复数在评价目标函数的数目，因为这是一个优化设计的缺点。的ieoa主要由四部分组成：（一）遗传算法控制的一般算法，（ii）为解决系统的各种禁忌表，（三）RSM改进得到一个候选解的收敛速度，及（iv）局部搜索改进SM。图1表示的ieoa流程图。流程图的左边显示全球搜索区域，类似于标准遗传算法的流程图，包括功能保证准则（FAC），集历史、禁忌表，和RSM。这些部分提供候选解决方案，这被认为是在本地搜索区域的初始搜索点。右侧代表本地搜索区域。本部分通过对全局搜索的结果作为初始搜索点，通过修改后的方法找到最佳的解决方案。图1-1 图1-3显示部分A，B，C的详细过程，如图1图1.该算法的流程图（ieoa）图1-1.部分的流程图（更新）。图1-2.第二部分（检查禁忌表）的流程图 部分在图1-1显示详细展示了一组历史上海地区做出了响应面提供均匀分布点。根据以下程序构建的： 步骤1：从当前人群中读取个人 步骤2：NSH = NSH + psize图1-3.C部分的流程图（RSM） 在NSH和psize意味着一套历史和人口规模的大小。 步骤3：如果NSHnshmax，然后转到步骤7，nshmax手段建议最大尺寸 步骤4：评价密级DG的每一个人 当DK是i和K之间的欧氏距离x(i ) x(k ) , i = 1, , NSh; i k时，Dg = max (dik) + mean (dik)步骤5：排名个人DG。 步骤6：选择高nshmax个人排名第一。 步骤7：储存解决方案，在上海和走出去。 图2所示的零件图的细节代表检查的禁忌表有一个多样性的解决方案。在遗传算法的交叉过程中选择的一个人，以确保解决方案的多样性。如果保证了解决方案的多样性，则选择了单独的，如果没有，则重复的过程是重复的。也就是说，当它被选中时，它位于远离密集区域。浓溶液和个别验收标准等级标准D RN归一化域和V RN为域具有相等nshmax D N为设计变量的个数。让 |V|是V的大小，然后其中L是域D的一边的长度， ä（R）是一侧的欧几里得长度超多边形V定义如下：对于一个给定的目标设计向量的愿望函数表示为决定接受的个人如下：设H（R）= ER，R =XKXi，其中xi是目标个体的位置。设置c，假定满足理想条件：（i）SH是满的，和（ii）SH的所有成员都被放置在中心的nshmax子域都应该有相同的设计，没有任何交叉的相互适应域D绝对，意味着接受 概率准则。右边的二个术语对应于目标个体的最近一个成员。第三个术语是残差。的性质，这是指数递减的距离，使远小于第一项。愿望准则如下： 如果兰德公司的话，那么接受，兰德= 1 0 如果试用号>最高审判号， 如果目标个体不满足于上述的愿望准则，则一个交叉点被再次生成，过程重复。该程序总结如下： 步骤1：读N1个人选择的过程。 步骤2：交叉N2个人按交叉概率和5步走。 步骤3：一个单独选择的禁忌表。 步骤4：如果兰德公司，然后去一步5，否则返回到步骤3。 步骤5：添加生成的个人。 C部分图1-3所示，细节代表一个RSM区域。它主要分为3个部分。首先，考虑到优化的响应曲面的边界条件，设计变量的上下限值可在计算过程中考虑。然而，这种方法的优点是减少了附加约束，喜欢自然频率的考虑，因为它对目标函数从外部计算得到结果，解决这一问题，本研究采用SH作为训练数据和推断约束条件的满足，利用径向基函数（RBF）神经网络 13 。这样，可以避免实际问题的计算。其次，它使一个响应表面SH采用最小二乘法（LSM）。最后，对响应面最佳解决方案是采用TS的基于梯度的算法可以用来提高优化计算的收敛速度。然而，满足约束条件的解决方案不能保证，因为约束条件是很难准确地定义。此外，我们采用了一个很好的初始收敛速度，因为响应曲面的概念是搜索的近似候选解决方案。所产生的最终解决方案是与其他现有的遗传算法的个人根据图1的序列，并进行计算的健身。2.2 ieoa实施程序 该算法的程序可以概括如下： 步骤1：设置参数（psize、PC、PM、MS、MC）。 其中个人电脑，下面分别是交叉概率和变异概率。女士和主持人的选择和交叉的方法。 步骤2：生成初始染色体VK（k = 1，2，3，psize）随机N元素。 vk = xk 1, xk 2 , , xkn 当染色体的产生，每个染色体的元素取值范围应为斜轮颗粒机xkj x j xU 许满意。每个染色体满足所有约束的GI（VK） 0， 当染色体不满足条件，则染色体具有最低的健身，所以它有一个低可能性的选择给下一代，毕竟。 步骤3：生成初始解，估计约束并设置参数范围。 步骤4：评估个人的健身。 步骤5：评价因素，如果它满足FAC = 1， 走到12步，否则要走6步。 每个候选最佳的解决方案是由 14 决定因素。FAC是估计初始的候选的收敛标准值。 在网络连接的行向量，由个体的适应度值在第i个代和F T是转置的F. 行的大小取决于最优解的个数根据设计师的要求。从理论上讲，FAC的范围是从0到1.0.when值等于1，优化收敛完毕。然而，价值难以收敛到1考虑要评价的许多候选解决方案。因此，在这项研究中，FAC设置为0.9999。 步骤6：更新sh：sh= （XSH，F） XSH RN，F R ，在XSH = X1，X2，XN 。 步骤7：执行选择和交叉，并检查禁忌表。 步骤8：构建响应面： 在 á0， áII和 áij是系数的计算 LSM。步骤9：训练RBF网络的SH构建约束条件约。 步骤10：计算响应面上的最佳设计，并根据其产生一个单独的。 步骤11：变异和4步走。 步骤12：利用最佳候选改性SM的局部浓度搜索最优解。3.函数优化的数值例子 3.1测试功能 三个基准测试函数被用来验证所提出的混合算法的效率，如图2所示。这些函数通常用于测试优化方法。模拟进行的2维的情况下。第一个函数是最大化，其他的是被最小化，第一个是四峰值函数，它有一个全局最优，其中有三个局部最优解，并且被定义为 当0.4 x1, x2 1时， 这个测试函数具有全局最优解f（x）= 1.954342 X1 = 0，X2 = 0，和三的局部最优解f（x）= 1.807849, 1.705973和1.559480如图2所示（一）。传统的基于梯度的爬山算法可以很容易地在一个局部最优，因为他们在全局搜索算法全局最优解的同时，依赖于起始点。（a）四峰值功能（b）Rosenbrock函数（C）Rastrigin函数 当 2.0 x1, x2 2.0 时Rosenbrock函数定义为f ( x1, x2 ) = 100( x1 x2 )2 + (1 x1)2 这个功能被称为香蕉的作用 15 ，其形状是在图（b）。这个函数的目的是要找到这个变量，从而最大限度地减少目标函数。这个函数只有一个最优解