一種減少智能優化算法計算耗時的方法
2023-10-04 17:01:49 3
一種減少智能優化算法計算耗時的方法
【專利摘要】本發明涉及一種減少智能優化算法計算耗時的方法,採用遺傳算法(GA)對機械設計領域的高重合度人字齒輪修形優化設計問題進行優化求解時,以修形參數為設計變量,以沿嚙合線方向的振動加速度的均方根值為目標函數。由於適應值計算的過程複雜,包括人字齒輪承載接觸分析(LTCA),非線性動力學微分方程的求解等,計算適應值的耗時在工程中是不能接受的。因此,應用本發明所述的方法減小遺傳算法適應值計算過程中的計算耗時,關鍵在於對部分計算個體的適應值進行預測,取代耗時的適應值計算。
【專利說明】-種減少智能優化算法計算耗時的方法
【技術領域】
[0001] 本發明屬於計算機在智能優化算法中減少計算耗時的方法,具體設及一種減少智 能優化算法計算耗時的方法,是一種利用適應值預測來減少智能優化算法計算耗時的方 法。
【背景技術】
[0002] 基於群體的智能優化算法,如遺傳算法(GA)、蟻群算法(ACO)、粒子群算法(PSO) 等,由於相比於傳統優化算法具有更快的尋優速度、更好的全局收斂性能、對初值選取的不 敏感性、W及解決不連續、多峰、高維優化問題的能力,在複雜機械系統優化設計中得到廣 泛的應用。然而,該些智能優化算法都面臨著尋優過程中適應值計算的耗時問題。例如有些 黑盒問題,該類問題不能直接給出明確的適應值計算模型,通常需要使用有限元分析(FEA) 仿真或計算流體力學(C抑)進行適應值計算,而該些仿真也是非常費時的。Yaochu Jin在 文獻中描述了進行一次=維流體仿真,在高性能計算機上需要消耗超過10個小時;G. Gary Wang在文獻中描述了福特摩託公司執行一次碰撞仿真模擬大概需要36小時到160小時。 如果要對該種問題進行種群迭代優化,那麼該個優化的時間在工程中是無法接受的。
[0003] 目前,提高智能優化算法運行速度的方法主要有兩種;一種是採用並行算法,其實 現原理為;主處理器監控整個種群,而子處理器完成費時的適應值計算,並根據一定規則與 主處理器交換數據。並行算法的有效性取決於通信時間與計算時間的博弈,當通信時間大 於計算時間,反而降低算法的效率。此外,並行算法的實現還依賴於組建高性能計算平臺, 實現口檻較高,不具備通用性和易用性。另一種是使用預測策略,對部分個體的適應值進行 預測,從而避開耗時的適應值計算。目前,比較常用的適應值預測方法主要包括;多項式回 歸、Kriging模型、人工神經網絡(ANN)、支持向量機(SVM)等。該些模型都屬於樣本預測模 型,構建此類模型的實質在於通過對大量樣本數據的學習實現對原始適應值函數的逼近, 模型構建的正確性與選取的樣本有很大關係。而選取大量樣本數據,本身也需要大量的時 間消耗。
【發明內容】
[0004] 要解決的技術問題
[0005] 為了避免現有技術的不足之處,本發明提出一種減少智能優化算法計算耗時的方 法,減小智能優化算法計算消耗的方法存在實現口檻高、通用性不強或需要選取大量樣本 數據的缺點。該方法容易實現,通用性強,且避開了需要選取大量數據樣本的缺點。
[0006] 技術方案
[0007] 一種減少智能優化算法計算耗時的方法,其特徵在於步驟如下:
[000引步驟1 ;初始化種群資料庫化pulation和歷史種群資料庫化story_Data ;
[0009] 所述初始化種群資料庫化pulation的操作為:指定種群規模化psize,指定編碼 方式,給種群中每個個體隨機產生一個基因編碼L (i),置每個個體的適應值fitness (i)和 適應值可信度R(i)均為0 ;
[0010] 所述初始化歷史種群資料庫化story_Data的操作為;置歷史種群資料庫 History_Data 為空;
[0011] 步驟2 ;將當前種群化pulation中所有個體的基因編碼進行解碼操作,獲得對應 個體的表現型X ;所述表現型X指的是個體優化變量的真實值;
[001引步驟3;計算當前種群適應值共享半徑/;0)二弓'/單野;[|麗(.。0))-11110(-。0))}, 其中;max戶4 (0)和minP/. (0/)分別表示第t代種群個體在第k維的無量綱坐標的上界和 下界,n表示優化變量的總維數,q為壓縮因子;
[0013] 所述無量綱坐標的計算為
【權利要求】
1. 一種減少智能優化算法計算耗時的方法,其特徵在於步驟如下: 步驟1 :初始化種群資料庫Population和歷史種群資料庫History_Data; 所述初始化種群資料庫Population的操作為:指定種群規模Popsize,指定編碼方式, 給種群中每個個體隨機產生一個基因編碼L(i),置每個個體的適應值fitness(i)和適應 值可信度R(i)均為〇 ; 所述初始化歷史種群資料庫History_Data的操作為:置歷史種群資料庫History_Data為空; 步驟2 :將當前種群Population中所有個體的基因編碼進行解碼操作,獲得對應個體 的表現型X;所述表現型X指的是個體優化變量的真實值;
中:maxpi(/》和minfri(/》分別表示第t代種群個體在第k維的無量綱坐標的上界和下 界,n表示優化變量的總維數,q為壓縮因子;
其中:max(xk)和min(xk)分別表示優化變量xk的上界和下界; 步驟4 :在歷史種群資料庫History_Data中找出適應值共享區域Q(i)包含的個體的 集合S,具體步驟為: 步驟DL對於歷史種群資料庫History_Data中的一個個體j,計算其到個體i的無量 綱歐氏距離^; 步驟D2.若個體i和j之間的無量綱歐氏距離A小於適應值共享半徑rs,則將個體j放到集合S中; 步驟D3.循環執行步驟Dl?D2,直至歷史種群資料庫History_Data中的所有個體都 已完成計算和判斷; 所述適應值共享區域D(i)為變量空間中與個體i的無量綱歐氏距離小於適應值共享 半徑匕的超空間區域; 所述無量綱歐氏距離3為:J=I二I7 其中:f和文7分別為個體i和j的無量綱坐標,II?II2表示對?求2範數; 步驟5 :根據集合S= (S1,S2, ...,sm}中的個體信息計算個體i的適應值可信度R(i);
式中,表示個體i的適應值共享區域Q(i)中包含的一個個體,R(sp表示該個體的 可信度,《 (sp表示該個體可信度對於個體i的可信度的貢獻權重;
式中,IU=U,...,表示個體Sj到個體i的無量綱歐氏距離;a為權重放縮係數; 步驟6、根據適應值可信度R(i)計算該個體的適應值fitness(i):首先判斷可信 度R(i)是否超過信任閾值R%若R(i)多R%則按照加權平均法預測個體i的適應值 fitness(i);否則,計算個體i的真實適應值fitness(i),並置其適應值可信度R(i)為1 ;
式中,《 (Sj)是個體Sj對個體i的可信度的貢獻權重,fitness(sp是個體Sj的適應 值; 步驟7 :將個體i的基因編碼L(i)、表現型X(i)、適應值fitness(i)以及適應值可信 度R(i)依次添加到歷史種群資料庫History_Data中; 步驟8 :對歷史種群資料庫History_Data進行更新,步驟為: 步驟II.計算歷史種群資料庫History_Data中所有個體的冗餘度Ip將歷史種群數據 庫Hist〇ry_Data中個體冗餘度1,小於冗餘度閾值/)的個體信息刪除; 步驟12.降低歷史種群資料庫Hist〇ry_Data中所有個體的適應值可信度R,將歷史種 群資料庫Hist〇ry_Data中個體適應值可信度R低於給定剔除閾值Rtl的個體信息刪除;
式中Ai以表示在變量空間的第k維上,個體i的前一個投影點與後一個投影點的坐 標差值(取絕對值),n是變量空間的維數; 所述步驟12中降低個體的適應值可信度R(t+1) = |3 ?R(t) 式中,R(t)表示當前的適應值可信度,R(t+1)表示下一代的適應值可信度,0是可信 度流失速率因子,且O< 0 < 1 ; 步驟9 :判斷是否滿足收斂準則,是則結束算法;否則,對種群進行進化操作,產生新的 種群,轉步驟2。
【文檔編號】G06F19/00GK104504289SQ201510016121
【公開日】2015年4月8日 申請日期:2015年1月13日 優先權日:2015年1月13日
【發明者】趙寧, 秋朋園, 趙永志 申請人:西北工業大學