workbench的结构优化例.pptx
《workbench的结构优化例.pptx》由会员分享,可在线阅读,更多相关《workbench的结构优化例.pptx(28页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、主要内容遗传算法模糊自适应pid控制机械结构优化第1页/共28页遗传算法遗传算法(GeneticAlgorithm)是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出,其主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。遗传算法的这些性质,已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。第2页/共28页
2、遗传算法1.个体编码2.初始群体的产生3.适应度计算4.选择运算5.交叉运算6.变异运算7.产生下一代8解码第3页/共28页遗传算法例:求下述二元函数的最大值:个体编码遗传算法的运算对象是表示个体的符号串,所以必须把变量x1,x2编码为一种符号串。本题中,用无符号二进制整数来表示。因x1,x2为07之间的整数,所以分别用3位无符号二进制整数来表示,将它们连接在一起所组成的6位无符号二进制数就形成了个体的基因型,表示一个可行解。例如,基因型X101110所对应的表现型是:x5,6。第4页/共28页遗传算法初始群体的产生遗传算法是对群体进行的进化操作,需要给其淮备一些表示起始搜索点的初始群体数据。
3、本例中,群体规模的大小取为4,即群体由4个个体组成,每个个体可通过随机方法产生。如:011101,101011,011100,111001适应度汁算遗传算法中以个体适应度的大小来评定各个个体的优劣程度,从而决定其遗传机会的大小。本例中,目标函数总取非负值,并且是以求函数最大值为优化目标,故可直接利用目标函数值作为个体的适应度。第5页/共28页遗传算法选择运算选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。先计算出群体中所有个体的适应度的总和fi(i=1.2,M);其次计算出每个个体的相对适应度的大小fi/fi,它即为每个个体被遗传到下一代群体中的概率,
4、每个概率值组成一个区域,全部概率值之和为1;最后再产生一个0到1之间的随机数,依据该随机数出现在上述哪一个概率域内来确定各个个体被选中的次数。个体编号初始群X1 x2适值占总数比选择次数选择结果123401110110101101110011100135533471343425500.240.240.170.351102011101111001101011111001总和1431第6页/共28页遗传算法交叉运算交叉运算是遗传算法中产生新个体的主要操作过程,它以某一概率相互交换两个个体之间的部分染色体。本例采用单点交叉的方法,其具体操作过程是:先对群体进行随机配对其次随机设置交叉点位置最后再相互
5、交换配对染色体之间的部分基因个体编号选择结果配对情况交叉点位置交叉结果12340111011110011010111110011-23-41-2:23-4:4011001111101101001111011第7页/共28页遗传算法变异运算变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变,它也是产生新个体的一种操作方法。本例中,我们采用基本位变异的方法来进行变异运算,其具体操作过程是:首先确定出各个个体的基因变异位置,下表所示为随机产生的变异点位置,其中的数字表示变异点设置在该基因座处;然后依照某一概率将变异点的原有基因值取反。个体编码交叉结果变异点变异结果子代群体适值1
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- workbench 结构 优化
限制150内