• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于人工蜂群算法的協(xié)同優(yōu)化方法研究

      2016-05-30 10:48:04陳暉敏

      陳暉敏

      摘要:復(fù)雜工程的設(shè)計(jì)(如飛行器總體優(yōu)化設(shè)計(jì))涉及多門學(xué)科,需要用到多學(xué)科設(shè)計(jì)優(yōu)化的相關(guān)技術(shù)。人工蜂群算法是一種新型的元啟發(fā)式搜索算法,具有簡(jiǎn)單、靈活、全局搜索能力強(qiáng)、魯棒性等特點(diǎn)。探討了協(xié)同優(yōu)化方法的基本原理,針對(duì)其一致性求解困難問(wèn)題引入人工蜂群算法,建立了基于人工蜂群算法的協(xié)同優(yōu)化方法,設(shè)計(jì)并實(shí)現(xiàn)了分布式優(yōu)化框架,實(shí)例測(cè)試結(jié)果表明,該方法能夠在一定程度上有效地解決多學(xué)科設(shè)計(jì)優(yōu)化問(wèn)題。

      關(guān)鍵詞:人工蜂群算法;協(xié)同優(yōu)化方法;多學(xué)科優(yōu)化設(shè)計(jì)

      中圖分類號(hào):TP30 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1674-098X(2016)01(a)-0000-00

      引言

      復(fù)雜系統(tǒng)優(yōu)化設(shè)計(jì)的數(shù)學(xué)描述是龐大的非線性優(yōu)化問(wèn)題,飛行器的總體設(shè)計(jì)涉及到氣動(dòng)、結(jié)構(gòu)、動(dòng)力、控制等諸多學(xué)科,各學(xué)科自身已形成完整的知識(shí)體系,學(xué)科間的相互耦合又進(jìn)一步增加了復(fù)雜度[1]。如果將所有學(xué)科知識(shí)都集中于一個(gè)優(yōu)化過(guò)程,優(yōu)化問(wèn)題將過(guò)于繁雜[2]。為解決這一困難,Sobieski J.和Kroo I.等陸續(xù)提出了一些對(duì)復(fù)雜系統(tǒng)進(jìn)行分析及設(shè)計(jì)優(yōu)化的方法,多學(xué)科設(shè)計(jì)優(yōu)化(Multidisciplinary Design Optimization,MDO)便逐步形成[3]。目前主要有協(xié)同優(yōu)化方法(Collaborative Optimization,CO)、并行子空間方法和BLISS法等。其中,協(xié)同優(yōu)化方法是Kroo等人在一致性約束優(yōu)化算法基礎(chǔ)上提出的一種多級(jí)MDO算法,具有結(jié)構(gòu)簡(jiǎn)單、算法收斂性可靠的特點(diǎn),得到了較廣泛的重視和應(yīng)用[4]。人工蜂群算法(Artificial Bee Colony,ABC)是一種新型的仿生計(jì)算算法,通過(guò)模擬蜂群采蜜過(guò)程中體現(xiàn)出的智能行為來(lái)實(shí)現(xiàn)對(duì)問(wèn)題的求解[5]。

      1 協(xié)同優(yōu)化方法

      協(xié)同優(yōu)化方法將復(fù)雜的工程設(shè)計(jì)問(wèn)題分解成幾個(gè)并行的子學(xué)科級(jí)問(wèn)題,每個(gè)學(xué)科的專家只需要建立本學(xué)科優(yōu)化求解的約束集和學(xué)科分析工具,獨(dú)立地進(jìn)行本學(xué)科計(jì)算模型的完善工作,而系統(tǒng)設(shè)計(jì)的全局約束和優(yōu)化的目標(biāo)函數(shù)則由頂層協(xié)調(diào)部門來(lái)建立和完成。求解過(guò)程中,每個(gè)子學(xué)科級(jí)都不考慮其他學(xué)科的情況,在滿足本學(xué)科約束的基礎(chǔ)上最小化相容一致性約束,然后系統(tǒng)級(jí)在滿足全局約束和相容一致性約束的情況下進(jìn)行系統(tǒng)目標(biāo)函數(shù)的最優(yōu)化[6]。問(wèn)題的迭代計(jì)算是系統(tǒng)目標(biāo)函數(shù)不斷最優(yōu)和學(xué)科間的變量滿足相容一致約束的過(guò)程,系統(tǒng)級(jí)優(yōu)化是在滿足全局不等式約束和相容一致性約束下尋求系統(tǒng)目標(biāo)函數(shù)的最優(yōu)解,學(xué)科級(jí)優(yōu)化是在滿足局部不等式約束和學(xué)科分析的要求下尋求兼容一致性約束的最小值。

      運(yùn)用協(xié)同優(yōu)化方法解決多學(xué)科設(shè)計(jì)優(yōu)化問(wèn)題時(shí),為了保證優(yōu)化算法的可靠性,要選用解決非線性能力強(qiáng)且對(duì)梯度的依賴性弱的優(yōu)化方法,不需要梯度信息的隨機(jī)搜索算法如果能夠保證計(jì)算效率將是比較理想的選擇。在此,選用基于外罰函數(shù)法的人工蜂群算法。

      2 人工蜂群算法

      社會(huì)性動(dòng)物群體的覓食行為體現(xiàn)出的群智能得到了優(yōu)化領(lǐng)域的關(guān)注,通過(guò)模擬群體昆蟲或者動(dòng)物解決問(wèn)題的行為,設(shè)計(jì)出具有適應(yīng)性、分布型、魯棒性強(qiáng)的算法[7]。人工蜂群算法最早2005年由土耳其學(xué)者Dervis Karaboga提出,在解決無(wú)約束優(yōu)化問(wèn)題上,有著優(yōu)于其他群智能算法的表現(xiàn)[8]。

      2.1 算法原理及模型

      在人工蜂群算法中,蜂群被分為三個(gè)工種:雇傭蜂(Employed Bee),守望蜂(Onlooker)和偵查蜂(Scout)[9]。

      1) 算法隨機(jī)產(chǎn)生一個(gè)種群數(shù)為SN的初始種群,每個(gè)解(蜜源所在地) (i=1,2,…,SN)都是一個(gè)D維的向量,D是優(yōu)化過(guò)程中涉及到的變量的數(shù)目。雇傭蜂計(jì)算出每個(gè)初始蜜源的大?。繕?biāo)函數(shù))、適應(yīng)度。根據(jù)公式(1)在初始蜜源附近依照“貪婪選擇”隨機(jī)地尋找新蜜源。

      2) 雇傭蜂搜索完后在舞蹈區(qū)和守望蜂共享信息,包括蜜源大小、位置及適應(yīng)度。

      3) 守望蜂根據(jù)蜜源的適應(yīng)度,按照公式(2)并根據(jù)一定的概率選擇蜜源,按照“貪婪選擇”進(jìn)行搜尋。

      為了在一個(gè)蜜源的基礎(chǔ)上產(chǎn)生新的位置,ABC算法根據(jù)如下公式進(jìn)行位置的計(jì)算:

      4) 在循環(huán)過(guò)程中,記錄蜜源位置未被更新的次數(shù)Bas,如果Bas超過(guò)預(yù)先設(shè)定的遺棄度(limit),同時(shí)該源不是目前所有源中的最優(yōu)解,則視該源陷入局部最優(yōu),這個(gè)蜜源將被放棄,由偵查蜂隨機(jī)找到的一個(gè)位置代替。

      若算法循環(huán)次數(shù)達(dá)到預(yù)先設(shè)定的次數(shù)或者目標(biāo)函數(shù)值收斂,計(jì)算結(jié)束。

      2.2 擇優(yōu)機(jī)制的改進(jìn)

      由于采用的是“貪婪選擇”策略,標(biāo)準(zhǔn)的人工蜂群算法只能求解無(wú)約束問(wèn)題,但工程優(yōu)化問(wèn)題總是受約束于一定的條件,所以算法在“貪婪選擇”階段的行為需要進(jìn)行改進(jìn)。文獻(xiàn)[9]提出幾個(gè)處理約束的準(zhǔn)則:1)滿足約束條件的解比不滿足約束條件的解優(yōu)越;2)在滿足約束條件的解當(dāng)中,目標(biāo)函數(shù)值優(yōu)越的占優(yōu);3)在解都不滿足約束條件的時(shí)候,接近約束條件的解占優(yōu)。這種方法稱為“Debs準(zhǔn)則”。采用Debs準(zhǔn)則對(duì)算法進(jìn)行改進(jìn),就能夠讓人工蜂群算法適應(yīng)有約束的優(yōu)化問(wèn)題。將有約束的問(wèn)題轉(zhuǎn)化為無(wú)約束的問(wèn)題也可以采用罰函數(shù)法,不對(duì)不可行解進(jìn)行直接的修復(fù)或遺棄,而是對(duì)不滿足約束的解對(duì)應(yīng)的目標(biāo)函數(shù)值進(jìn)行一定的“懲罰”,將約束問(wèn)題轉(zhuǎn)化為無(wú)約束問(wèn)題。

      3 算例研究

      齒輪減速器模型[10]是NASA評(píng)估多學(xué)科設(shè)計(jì)優(yōu)化方法性能的標(biāo)準(zhǔn)算例之一,其優(yōu)化設(shè)計(jì)是一個(gè)多峰函數(shù)優(yōu)化問(wèn)題,一般算法容易陷入局部最優(yōu),采用基于人工蜂群算法的協(xié)同優(yōu)化方法可以有效解決該問(wèn)題。

      該優(yōu)化問(wèn)題是使減速器的體積(或重量)最小,并滿足齒的彎曲應(yīng)力、接觸應(yīng)力、軸的扭轉(zhuǎn)變形以及軸的扭轉(zhuǎn)應(yīng)力等約束。根據(jù)協(xié)同優(yōu)化方法思想,可以將原問(wèn)題分解成一個(gè)系統(tǒng)級(jí)和齒輪、軸兩個(gè)優(yōu)化子學(xué)科,兩個(gè)子學(xué)科間并行計(jì)算,模型如下:

      (1)系統(tǒng)級(jí)優(yōu)化模型

      (2)學(xué)科1優(yōu)化模型

      (3)學(xué)科2優(yōu)化模型

      取初始迭代點(diǎn)(2.6,0.7,17,7.3,7.3,2.9,5),優(yōu)化結(jié)果為(3.4989,0.7,17,7.7152,3.3492,5.2845),目標(biāo)函數(shù)值為2992.24,優(yōu)化迭代歷程如圖1所示。

      4 結(jié)論

      復(fù)雜系統(tǒng)的分析及優(yōu)化設(shè)計(jì)呈現(xiàn)出較強(qiáng)的非線性,通過(guò)將人工蜂群算法嵌入?yún)f(xié)同優(yōu)化方法,研究了協(xié)同優(yōu)化方法及其應(yīng)用問(wèn)題,人工蜂群算法可以顯著地緩解陷入局部最優(yōu)解的困境。不同的初始迭代點(diǎn)對(duì)優(yōu)化的迭代次數(shù)有重要的影響,工程中可以采用不同初始點(diǎn),在優(yōu)化求得的結(jié)果中選擇相對(duì)較好的結(jié)果最優(yōu)解[11]。研究結(jié)果為進(jìn)一步研究更復(fù)雜的實(shí)際應(yīng)用問(wèn)題提供了重要的參考結(jié)論。

      參考文獻(xiàn) References

      [1] 李響. 多學(xué)科設(shè)計(jì)優(yōu)化方法及其在飛行器設(shè)計(jì)中的應(yīng)用[D]. 西北工業(yè)大學(xué). 2004

      [2] 張科施, 李為吉, 宋文萍. 利用并行子空間優(yōu)化方法實(shí)現(xiàn)復(fù)雜工程系統(tǒng)并行設(shè)計(jì)優(yōu)化[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào),2009

      [3] J. Sobieszczanski-Sobieski, Inderjit Chopra. Multidisciplinary Optimization of Aeronautical Systems [J]. Journal of Aircraft, Vol.27, No.12, December 1990, 977-978.

      [4] 余雄慶, 丁運(yùn)亮. 多學(xué)科設(shè)計(jì)優(yōu)化算法及其在飛行器設(shè)計(jì)中應(yīng)用[J]. 航空學(xué)報(bào),2000

      [5] Dervis Karaboga, Bahriye Akay. A powerful and Efficient Algorithm for Numerical Function Optimization [J]. Journal of Global Optimization, 2007, 39(3):459-171.

      [6] Martins J. , Lambe A. , Multidisciplinary Design Optimization: Survey of Architectures[R],AIAA,2010

      [7] Dervis Karaboga, Bahriye Akay. A comparative study of Artificial Bee Colony Algorithm [J]. Applied Mathematics and Computation, 2009, 214(1):108-132.

      [8] Dervis Karaboga, B. Basturk. On the Performance of Artificial Bee Colony (ABC) Algorithm. [J] Applied Soft Computing, 2008, 8(1):687-697.

      [9] Dervis Karaboga, Bahriye Akay. Artificial Bee Colony (ABC) Optimization Algorithm for Solving Constrained Optimization Problems [J]. Foundations of Fuzzy Logic and Soft Computing, 2007, 4259:789-798.

      [10] S Azarm, WC Li. Multi-Level Design Optimization Using Global Monotonicity [J]. ASME Journal of Mechanisms and Automation in Design, Vol.111, NO.2, 1989

      [11] 王曉青. 協(xié)同優(yōu)化方法與并行子空間方法的評(píng)估與比較[J]. 中國(guó)科學(xué)(E輯:技術(shù)科學(xué)). 2009(03):509-151

      五峰| 济宁市| 桃园市| 北宁市| 鄂尔多斯市| 大安市| 清流县| 井冈山市| 大名县| 房产| 平武县| 山阳县| 吐鲁番市| 建昌县| 长乐市| 西乡县| 德清县| 宜城市| 铅山县| 渭源县| 灵石县| 沂源县| 珠海市| 晋宁县| 喀喇沁旗| 江达县| 辽阳市| 上饶县| 镇赉县| 宕昌县| 会泽县| 翼城县| 乐平市| 新民市| 昌乐县| 西充县| 宜丰县| 合作市| 汶川县| 洛隆县| 宜章县|