[发明专利]一种基于适应性反向差分演化的机械参数优化设计方法

说明书

技术领域

本发明涉及一种机械参数优化设计方法，尤其是涉及一种基于适应性反向差分演化的机械参数优化设计方法。

背景技术

机械参数优化设计是机械设计中的一个重要步骤，它是指在一项机械设计的方案确定后，在给定的条件下搜索到一组机械设计的参数值，使得设计出来的机械最为合理、可靠和经济等，达到最优的性能。尽管实际机械工程设计问题是复杂多样，并且各具差异的，但机械优化设计问题最终都可以归结成为一个优化问题。因此，机械参数优化设计方法的优劣往往决定了最终机械设计结果的好坏。

传统的机械参数优化设计方法主要是根据机械参数优化设计的目标函数的数学特性来求解，往往要求机械参数优化设计的目标函数必须满足连续、可导等特性，这在很大程度上限制了传统机械参数优化设计方法的使用范围。随着现代计算机技术的不断发展，自然地，人们将计算机技术应用于机械参数优化设计中，随之产生了一系列的现代智能机械参数优化设计方法，主要包括人工神经网络，演化算法等。可以参见有关文献：王安麟，刘广军，姜涛.《广义机械优化设计》，华中科技大学出版社，2008年出版。

差分演化算法是近年来提出的一种新的演化算法，该算法是Rainer Storn和Kenneth Price在1996年为解决切比雪夫多项式而提出的,由于差分演化算法在首届IEEE演化计算竞赛中表现突出,随后立即广泛地应用于实际工程和科学领域中。由于差分演化算法具有很强的全局搜索能力和鲁棒性，并且简单易行，在解决很多优化问题中的性能明显优于其他智能优化方法。因此差分演化算法是一种很有潜力的机械参数优化设计方法，是当前机械参数优化设计研究的热点。但与其他演化算法一样，差分演化算法在求解某些多峰、维数较高的优化问题时也同样面临着陷入局部最优和收敛速度慢的缺点，这容易导致差分演化算法应用于机械参数优化设计时，计算时间较长，并且求解的参数优化设计结果并非最优

发明内容

本发明主要是解决现有技术所存在的技术问题；针对传统方法在解决非线性、不连续、不可导、带约束的机械参数优化设计问题时普适性差、精度低的缺点，提出一种基于适应性反向差分演化的机械参数优化设计方法，该方法将机械参数优化设计问题统一归结为带约束的最小值优化问题，同时将混沌运动的遍历性、随机性及对初值的敏感等性质融合到一般反向学习策略中，设计出适应性反向学习策略，并集成到差分演化算法中。该方法将当前种群变换成适应性反向种群，在当前种群和适应性反向种群中同时搜索最优解，从而提高传统差分演化算法求解非线性、不连续、不可导、带约束的机械参数优化设计问题的收敛速度和精度。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于适应性反向差分演化的机械参数优化方法，其特征在于，包括以下步骤：

步骤1，用户自定义初始化参数，所述初始化参数包括种群大小Popsize,缩放因子F，交叉概率Cr,反向概率Po+,最大评价次数MAX_FEs；

步骤2，令当前演化代数t=0，当前评价次数FEs=0；

步骤3，产生初始化种群P_t＝{X₁,X₂,...,X_Popsize}，其中X_i∈R^D，X_ij＝L_j+rand(0,1)·(U_j-L_j)，i＝1,...,Popsize;j＝1,...,D；其中，D为机械参数优化设计的变量个数，rand(0,1)为在[0,1]之间产生均匀分布的随机数函数，L_j和U_j分别为第j个机械参数优化设计变量的取值范围的下界和上界；

步骤4，计算种群P_t中每个个体的适应值，当前评价次数FEs＝FEs+Popsize，并保存适应值最小的个体为最优个体；

步骤5，在[0,1]之间产生一个服从均匀分布的随机数r；如果r小于反向概率Po则执行步骤6，否则执行步骤7；

步骤6，执行适应性反向学习操作，产生一个适应性反向种群OP_t＝{OX₁,OX₂,...,OX_Popsize}；然后计算种群OP_t中每个个体的适应值，再从P_t∪OP_t中选择出适应值最小的前Popsize个个体作为下一代种群P_t+1；然后转到步骤8；