工程实用的遗传算法结构优化设计

结构优化设计是产生一个最优设计方案必不可少的环节，实际的工程结构优化设计是一个多设计变量、多种取值的复杂离散变量优化设计问题。离散变量结构优化设计问题属于组合优化的NP困难问题，传统的优化方法不再适用，而遗传算法具有全局收敛性和并行性，实用性广，只需要较少的先验知识，为离散变量结构优化问题开辟一个新思路，显示了强大的优化功能。制约遗传算法在实际工程离散设计变量优化设计应用的主要原因是它计算量大、早熟收敛、局部搜索能力差以及个体适应度函数设计不当会造成优化结果的不可行，对于求解大规模问题，其计算代价是巨大的。
实际工程设计问题大都是多准则或多设计目标下的设计问题，如果某些目标是相互矛盾的，那么按照单一目标的全局最优解，肯定无法得到工程满意的设计方案。结构优化设计是结构设计的一个重要环节，其设计方案还要由决策者进行调整，如果算法最终能得到一个非劣的解集，决策者能直接从中选取满意的设计方案，那么这种方法就是比较实用的优化算法。遗传算法采用群体操作的概念，最终可以得到一个群体，对于给定问题可以产生许多的潜在解，只要采用适当的措施，就可以最后得到一个非劣解集，最终选择的方案可以由使用者确定，因此这种算法具有很强的应用价值。
粗细粒度搜索模型孙焕纯教授在研究变量结构优化的序列组合算法时，发现当离散取值较为分散时，算法的收敛速度、稳定性能较好，作者通过数据试验，发现在遗传算法中，仍然存在这个问题。许用离散集的元素间距稍大时，解的稳定性、算法的收敛性会更好，速度更快，基于这种基础，对设计变量的离散取值集合进行初步处理，构造了离散变量结构优化设计的粗细粒度搜索模型。在遗传算法的初期，先进行初步搜索，此时采用粗粒度模型，其目的是确定最优解的初步范围，然后采用细粒度模型，进行局部搜索，具体确定最优解。
粗粒度：先在离散变量取值集合中按照一定规则选取一部分作为设计变量取值集合，这样减少了搜索的空间，增加了离散集合中各个离散取值的距离。细粒度：按照粗粒度中定下来的最优解的初步范围，在当前最优解的每个设计变量的离散取值附近，进行局部搜索，每一个取值展开成一个离散取值集合。由于考虑了可能重复的情况，每一个小集合都首尾相连，这个设计变量离散集合的末位，是下一个集合的首位，这样把原来大的离散集合，分散成一个个的小集合。

上一篇：工程结构时变失效概率分析
下一篇：夯实地基土的微结构特性及其对工程性质的影响