桁架结构优化设计的免疫克隆选择算法

为了解决带有应力约束和位移约束的桁架的尺寸优化问题,将免疫克隆选择算法应用于结构的尺寸优化设计.根据免疫学基本原理,在基本克隆选择算法的基础上引入精英策略,并给出合理的参数值.在桁架结构优化的数学模型中,采用惩罚函数法处理违反约束的情况.最后对几个经典的桁架进行了优化.数值结果表明,改进的免疫克隆算法收敛速度快、鲁棒性好,可以应用于桁架结构的优化设计.     

桁架结构多目标优化的微分演化算法

为了解决带有约束的桁架结构的多目标优化问题,本文采用了一种基于微分演化的多目标优化(DEMO)方法。DEMO方法采用多目标优化进化算法中Pareto和拥挤距离排序机制,并保留了DE算法的优点。为了验证DEMO算法的可行性和有效性,对经典桁架进行尺寸优化,并与其他优化方法进行了比较,数值结果表明DEMO算法性能比其他算法要好,其所得的解具有更好的多样性、均匀性和收敛性。     

离散变量桁架结构拓扑优化的遗传禁忌搜索算法

采用遗传禁忌搜索算法求解多工况多约束的桁架结构拓扑优化问题.在遗传算法中采用直接比较-比例方法(DCPM)处理约束,避免了确定罚因子的选择问题.为了提高遗传算法的局部搜索能力,在每一代遗传操作之后选择一定比例的解进行禁忌搜索,形成遗传禁忌搜索算法,以提高算法的全局搜索能力和收敛速度.数值算例表明,该方法用于求解多工况多约束的离散变量桁架结构拓扑优化问题是方便、快速和有效的.     

具有反向学习的多目标元胞遗传算法的空间桁架结构优化设计

为了解决具有多约束的桁架结构问题,提出一种具有反向学习的多目标元胞遗传算法应用于空间桁架结构多目标优化设计中。根据分析元胞遗传算法特点,引入一种反向学习策略、差分进化策略和约束处理技术。通过标准测试函数对比分析,算法能很好地保持Pareto解集的收敛性和均匀性。针对空间桁架结构优化的数学模型,采用实数编码和个体修正方法,将该算法对72杆空间桁架优化问题进行求解,并与MOCell的优化结果进行比较。结果表明,新算法获得的Pareto解集更加均匀,极端点值域更宽广,具有一定的工程实用性。     

桁架尺寸优化微分演化算法

为了解决带有应力约束和位移约束桁架结构的尺寸优化问题,将微分演化(Differential Evolution,DE)算法应用于桁架结构的尺寸优化设计.介绍了DE算法的基本原理及其进化策略,给出了桁架结构优化的数学模型.对几个经典问题进行了求解,并与其他优化算法进行了比较.数值结果表明了DE算法收敛特性好、稳定性高,可...     

桁架结构多目标优化的NSGA-Ⅱ改进算法

为克服桁架结构多目标优化设计中约束条件和离散变量处理困难、收敛效率低等问题,在保留原算法优点的同时,对多目标进化算法NSGA-Ⅱ进行了改进。为了验证改进效果,对经典的空间桁架结构进行了优化;并与其他算法的优化结果进行了比较。结果表明改进算法在桁架结构优化中的表现优于原算法和其他算法,具有良好的收敛性和稳定性。     

改进罚函数分级遗传算法及其在桁架结构优化设计中的应用

遗传算法在应用于结构优化设计时无需将约束条件显式表达,可以方便地处理各类位移和应力约束问题,因而在桁架结构的优化设计中得到广泛应用.基本遗传算法结合罚函数法在处理桁架结构优化设计等有约束优化设计问题时存在迭代代数过多、收敛不稳定等问题.文章提出根据种群中个体偏离约束限值的程度进行惩罚的罚函数法,能够较好地处理非可行解,扩大搜索的区域;通过分级、排序操作保证优秀个体优先被选择,良好的基因得以遗传;采用锦标赛选择方法根据个体的种群级别、约束偏离程度进行选择,在算法进化过程中较好地保持种群的多样性,避免陷入局部最优解陷阱.通过对2个经典的桁架结构案例进行算法可行性的验证,优化结果表明,相对于传统的遗传算法,采用文章的方法可以快速稳定地收敛到全局最优解,该方法可以推广到其他结构体系的优化设计中.     

基于免疫粒子群-齿行法的桁架结构分层优化

针对考虑应力约束、位移约束和压杆稳定约束的桁架结构进行形状和尺寸优化,提出了一种基于免疫粒子群优化算法和齿行法的桁架结构优化算法.对形状和尺寸2类耦合变量进行分层处理.内层考虑各类约束条件,利用收敛速度较快的齿行法对给定形状的结构进行截面优化,使其自重最轻,将约束问题转化为非约束问题;外层则通过全局搜索能力较强的免疫粒子群算法对结构形状进行全局搜索,得出最终优化结果.通过37杆平面简支桁架桥和25杆空间桁架2个经典算例验证了所提算法的有效性.结果表明,所提算法采用内外层嵌套搜索,能够更好地处理2类变量的耦合关系,有效缩小了解空间的范围,具有良好的优化效果和较高的搜索效率.     

桁架材料和结构组合多目标优化设计

同时为桁架的每个杆件确定最为合适的材料和结构尺寸属于桁架材料和结构组合优化问题．提出一种桁架材料和结构组合多目标优化的方法．为材料分配唯一的标识编码，把杆件所用材料直接作为设计变量，并且和杆件截面积一起构成设计变量空间．考虑结构重量、成本和节点位移3个目标以及应力约束，建立了桁架材料和结构组合优化问题的数学模型．应用多目标遗传算法进行求解．算例结果表明，采用多目标遗传算法可以为桁架设计参数的确定提供多种选择方案，决策者可以根据目标的重要程度确定最后设计方案．算例分析结果验证了该方法的有效性．     

一种约束多模态函数优化免疫遗传算法

通过引入局部检测函数,将约束多模态优化问题转化为约束多目标优化问题.进而,基于克隆选择原理和Pareto控制概念,提出一种求解该多目标优化问题的免疫遗传算法.算法设计中,基于非控制分层和小生境思想,产生具有足够多样性的进化群体,进而依据克隆选择原理和基因互换机理设计进化模块,对进化子群进行岛屿式进化,力求获得问题的所有...     

一种用于多目标优化的克隆选择算法

多目标进化算法的研究目标是使算法种群快速收敛并均匀分布于问题的Pareto最优前沿面.为此,在比较与分析已有多目标进化算法的基础上,借鉴免疫系统中的克隆选择原理,提出了一种用于多目标优化的克隆选择算法.该方法只对部分当前所得到的Pareto最优解进行进化操作,并选用一种简单的多样性保护机制来保证Pareto最优解具有良好的分布特征.'实验结果表明该方法能够很好地达到Pareto最优前沿面,较好地保持解的多样性,并且具有很快的收敛速度.     

Immune secondary response and clonal selection inspired optimizers

The immune system's ability to adapt its B-cells to new types of antigen is powered by processes known as clonal selection and affinity maturation. When the body is exposed to the same antigen, immune system usually calls for a more rapid and larger response to the antigen, where B cells have the function of negative adjustment. Based on the clonal selection theory and the dynamic process of immune response, two novel artificial immune system algorithms, secondary response clonal programming algorithm (SRCPA) and secondary response clonal multi-objective algorithm (SRCMOA), are presented for solving single and multi-objective optimization problems, respectively. Clonal selection operator (CSO) and secondary response operator (SRO) are the main operators of SRCPA and SRCMOA. Inspired by the clonal selection theory, CSO reproduces individuals and selects their improved maturated progenies after the affinity maturation process. SRO copies certain antibodies to a secondary pool, whose members do not participate in CSO, but these antibodies could be activated by some external stimulations. The update of the secondary pool pays more attention to maintain the population diversity. On one hand, decimal-string representation makes SRCPA more suitable for solving high-dimensional function optimization problems. Special mutation and recombination methods are adopted in SRCPA to simulate the somatic mutation and receptor editing process. Compared with some existing evolutionary algorithms, such as OGA/Q, IEA, IMCPA, BGA and AEA, SRCPA is shown to be able to solve complex optimization problems, such as high-dimensional function optimizations, with better performance. On the other hand, SRCMOA combines the Pareto-strength based fitness assignment strategy, CSO and SRO to solve multi-objective optimization problems. The performance comparison between SRCMOA, NSGA-II, SPEA, and PAES based on eight well-known test problems shows that SRCMOA has better performance in converging to approximate Pareto-optimal fronts with wide distributions.     

基于免疫进化细菌觅食算法的无功优化

针对传统细菌觅食算法在优化过程中步长一致、收敛速度较慢的缺陷,提出了一种免疫进化细菌觅食算法(IBFO),并将其用于电力系统无功优化问题上.这种改进的算法赋予了细菌对搜索空间的感知能力,利用灵敏度的概念来调节步长,加快收敛速度;将免疫算法中的克隆选择思想引入算法中,对精英细菌进行克隆、高频变异和随机交叉,提高收敛精度.将IBFO算法在IEEE 14、IEEE 30节点标准测试系统中进行了无功优化仿真,结果表明:新算法较其它算法具有较强的全局搜索能力,且收敛速度快、鲁棒性好,可以作为求解电力系统无功优化问题的一种新途径.     

基于定向突变的自适应并行免疫算法

针对克隆选择算法收敛速度较慢的问题,对算法策略进行研究,提出了一种基于定向突变的自适应并行免疫算法(APIA)。该算法采用自适应并行搜索策略,在记忆库中引入定向突变算子,增强算法的局部定向搜索能力,并改善算法早熟的问题。同时算法还改进了超变异算子,以提高其运行效率。仿真实验结果表明:该算法比克隆选择算法和传统的遗传算法有更好的寻优能力,有效地提高了收敛速度,缩短了搜索时间。     

基于免疫粒子群算法的风/光/柴/储容量优化配置

针对我国风光资源丰富的偏远地区,采用风光的互补优势,结合蓄电池及柴油机对负荷进行供电,建立了以总净现值成本最低,负荷缺电率和能量浪费率最小为目标函数,以场地大小,蓄电池容量,柴油机功率及其污染物的排放量为约束条件,对其进行容量配置。采用了改进的多目标免疫粒子群算法进行优化,提高了算法的收敛速度,避免陷入局部最优解。仿真结果表明,在对负荷进行容量配置的过程中,采用多目标的改进免疫粒子群算法可以有效进行寻优,提高了系统的稳定性和经济性。     

一种新的全局排序高维多目标优化算法

针对传统高维多目标优化问题解决方法存在解集收敛性与解集分布均匀性缺陷的问题, 提出将全局排序方法与灰色关联分析两种方法相结合, 设计一种新的全局排序高维多目标优化算法. 通过设计最小函数值母序列和个体目标函数值子序列, 利用灰色关联分析法计算其关联度, 并结合个体目标适应度计算策略, 解决解集分布不均匀的问题. 该算法不仅可提高非支配个体的选择能力, 还具有良好的收敛性. 为测试该算法的性能, 选择3种经典多目标进化算法, 在标准测试函数集DTLZ{2,4,5,6}上进行对比实验. 实验结果表明, 该算法在解决高维多目标问题时, 其收敛性与解集分布均匀性均优于其他3种算法.     

一种新的免疫克隆算法在CVRP问题中的应用

基于克隆选择学说,通过引入克隆算子提出一种新的免疫克隆算法,并将其用于求解CVRP问题.该算法采用了克隆增殖、高频变异和克隆选择算子的操作,增加了种群中优秀个体获得克隆增殖实现亲和度成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡.仿真结果表明,该算法具有良好的全局收敛性和较快的收敛速度,能有效解决CVRP问题.     

精英竞争和综合控制的多目标粒子群算法

目的 多目标粒子群算法虽然极易实现且收敛速度快,但在平衡其收敛性和多样性方面仍需进一步改善。方法 针对上述问题,提出一种精英竞争和综合控制的多目标粒子群算法(ECMOPSO)。一方面,算法采用全局损害选择精英粒子集,然后将两两竞争引入多目标粒子群算法中,通过精英竞争选取优胜者粒子,将其与全局领导者融合形成更全面的社会综合信息,以增强种群中粒子之间信息的交互性,更好引导种群中的粒子飞行,提升算法全局探索能力;另一方面,结合全局损害和基于位移密度估计对外部存档进行维护,从而提高外部存档中非劣解的质量,平衡算法的收敛性和多样性。结果 将ECMOPSO算法与4个多目标粒子群算法和4个多目标进化算法在ZDT和UF系列基准测试问题上进行仿真实验,并采用Wilcoxon秩和检验和Friedman秩检验比较ECMOPSO算法与所选对比算法的整体性能。实验结果表明：相比其他几个对比算法,ECMOPSO算法的收敛能力、解的分布性以及稳定性都得到了一定的提升。结论 ECMOPSO算法可以很好地平衡收敛性和多样性,提升其整体性能,能有效求解大多数多目标优化问题。