适用于复杂产品优化设计的遗传算法初始种群构造方法技术

适用于复杂产品优化设计的遗传算法初始种群构造方法，属于复杂产品优化设计技术领域。确定该复杂产品优化设计的目标并初步指定构成该遗传算法初始种群的三种样本量的比例；为该复杂产品优化设计生成样本量为S的原始设计方案样本集；为该复杂产品优化设计生成虚拟设计方案样本集和随机设计方案样本集；合并原始设计方案样本集、虚拟设计方案样本集和随机设计方案样本集，形成适用于复杂产品优化设计的遗传算法初始种群。本发明专利技术方法构建的遗传算法的初始种群，这种初始种群构造方法能够使遗传算法从质量较高的初始解展开搜索，减少搜索工作量，可以提高遗传算法的速度，且可以同时保证帕累托(pareto)前沿的均匀性和光滑性。

【技术实现步骤摘要】

本专利技术属于复杂产品优化设计
，具体涉及一种适用于复杂产品优化设计的遗传算法初始种群构造方法。
技术介绍
复杂产品是指客户需求复杂、产品构成复杂、产品技术复杂、制造流程复杂、生产管理复杂的一类产品，飞机、发动机、轮船、机床等是这类产品的典型代表。复杂产品优化设计是一个资源密集、知识密集、相互协同且不断创新的多学科多目标优化过程，该过程中需要不断调整设计参数以形成新方案，并评价该调整是否有效地使多个设计目标共同优化的过程。这是一个反复试探的过程，如果每次试探性调整的有效性评价都使用原始的设计方法，则会带来不可接受的计算量，最终导致优化设计的不可行。因此，目前的复杂产品优化设计都采用“建模+优化”两步走的策略，其中建模部分确立决策变量(设计参数)和多个目标变量(性能参数)之间的关系，其成果为代理模型；优化部分以此代理模型为依托，在决策变量构成的空间中搜索最优的解。借助生物进化论的自然选择和遗传学机理的研究成果，遗传算法通过模拟自然进化过程以搜索最优解，因此在复杂产品优化设计中得到了广泛应用。遗传算法从代表问题可能解集的一个种群开始，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并通过组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。作为一种随机性全局搜索方法，遗传算法以一个种群而非单点作为初始解而避免收敛到次优解。实际应用中系统的计算能力限制了种群个体和迭代次数，因此初始种群的选择直接影响到优化算法的效果。标准遗传算法采用随机法生成初始种群以保证群体多样性,但是这种初始解的质量难以得到保证，为确保全局收敛性和优化精度必须设置较大种群数,从而导致优化时间的指数型递增。复杂产品优化设计的参数复杂特性给遗传算法的实施带来了障碍:设计空间异常庞大，适应度计算及个体选择更加困难，对该空间的搜索将需要更多的资源。因此必须提高遗传算法的实施效率以提升其在复杂产品优化设计应用中生命力。
技术实现思路
针对复杂产品优化设计中遗传算法实施的复杂性及困难性，本专利技术从提高遗传进化初始种群质量入手，提供一种适用于复杂产品优化设计的遗传算法初始种群构造方法。本专利技术的技术方案：一种适用于复杂产品优化设计的遗传算法初始种群构造方法，包括如下步骤：步骤1：确定该复杂产品优化设计的目标，并初步指定构成该遗传算法初始种群的三种样本量的比例为：原始设计方案样本量：虚拟设计方案样本量：随机设计方案样本量＝X：Y：Z，并记原始设计方案样本所占比值为所述比例的生成方法为：a)缺省配置为1:1:1；b)如果原始设计方案样本生成成本过高，则可以相应减小ζ，但是ζ不能小于0.1，以保证初始种群的质量；c)如果原始设计方案样本生成成本较低，则可以相应增大ζ，但是ζ不能超过0.5，以保证初始种群的随机性；d)虚拟设计方案样本量Y和随机设计方案样本量Z的比为1:1～1:3，随机设计方案样本量Z可以比虚拟设计方案样本量Y大，以满足遗传算法的随机性；步骤2：采用正交试验设计的方法，为该复杂产品优化设计生成S个设计方案，并将上述的每个设计方案视作一个原始设计方案样本，进而构成样本量为S的原始设计方案样本集；步骤3：确定各决策变量对该复杂产品优化设计目标的综合影响程度并进行排序。步骤3.1：对每个原始设计方案样本进行归一化处理得到归一化的设计方案样本，进而得到样本量为S的归一化的设计方案样本集；将第i个归一化的设计方案样本表示为Si＝(xi,1...xi,j...xi,N)，该样本矢量由P个决策变量ai,1...ai,P和Q个目标变量bi,1...bi,Q共同组成，P+Q＝N；步骤3.2：基于归一化的设计方案样本集，利用熵方法确定目标变量的相对权重：步骤3.3：根据目标变量的相对权重，通过极差分析法分析正交试验结果，得到总体优化目标下各决策变量的综合极差并排序，并以各决策变量的综合极差排序作为各决策变量对该复杂产品优化设计目标的综合影响程度排序；步骤4：基于各决策变量的综合极差值，选择决策变量对该复杂产品优化设计目标的综合影响程度排序中的前K个决策变量作为遗传算法进化所需染色体的基因；所述K的确定方法为：绘制决策变量的综合极差分析曲线图；在所述综合极差分析曲线图中，选择符合条件的决策变量中综合极差排序数最小值即为K；所述条件为综合极差累加值大于指定值，同时综合极差值变化平缓，且综合极差数值小于综合极差趋势数值；所述决策变量的综合极差分析曲线图为：以决策变量的综合极差排序数为横轴，绘制综合极差、综合极差累加、综合极差趋势三条曲线，其中：综合极差累加曲线以综合极差曲线为基础，综合极差累加曲线上各点的数值为该点对应的当前决策变量与排序在其前面的所有决策变量的综合极差之和；综合极差趋势曲线以综合极差曲线为基础，综合极差趋势曲线上各点的数值为前后两点对应的两个决策变量的综合极差的均值；步骤5：基于样本量为S的归一化的设计方案样本集，生成虚拟设计方案样本集和随机设计方案样本集；步骤5.1：如0≤Y≤X则把Y调整为X，并以归一化的S个原始设计方案样本为基础样本，Z和Y的比值仍保持原来的比例；如果Y>X，则拷贝归一化的设计方案样本集份，形成集合A，再从归一化的S个设计方案样本中随机选择个样本形成集合B，A、B一起构成基础样本集，此处[]表示向下取整操作；步骤5.2：根据调整后的三种样本量的比例及原始设计方案样本量S，确定随机设计方案样本量，并采用随机函数生成随机设计方案样本集，其中随机设计方案样本中各变量取值范围为[-1,1]；步骤5.3：生成随机扰动，并将其叠加到上述基础样本上生成虚拟设计方案样本，并把虚拟设计方案样本各变量约束在[-1,1]取值区间内，进而得到虚拟设计方案样本集：对Si的第j个变量xi,j∈[-1,1]的扰动di,j为[-1,1]内的随机值，其叠加到xi,j的加权值即扰动强度为β，则xi,j所对应虚拟变量x′i，j的计算方法为：其中Tempi,j＝xi,j+β*di,j,β∈[-0.5，0.5]，从而得到与Si对应的虚拟设计方案样本S′i＝(x′i，1...x′i，j...x′i，N)；步骤6：合并归一化的设计方案样本集、虚拟设计方案样本集和随机设计方案样本集，形成适用于复杂产品优化设计的遗传算法初始种群。根据所述的适用于复杂产品优化设计的遗传算法初始种群构造方法，所述步骤2包括如下步骤：步骤2.1：根据复杂产品优化设计的目标，确定试验指标即目标变量，进而确定出影响上述试验指标的因素即决策变量及其变化范围；步骤2.2：从各因素的变化范围中确定出各因素的水平数，进而建立因素水平表；步骤2.3：根据因素水平表，选定正交表，并进行表头设计；步骤2.4：按照上述正交表实施试验，得到样本量为S的原始设计方案样本集；上述正本文档来自技高网...

【技术保护点】
一种适用于复杂产品优化设计的遗传算法初始种群构造方法，其特征在于：包括如下步骤：步骤1：确定该复杂产品优化设计的目标，并初步指定构成该遗传算法初始种群的三种样本量的比例为：原始设计方案样本量：虚拟设计方案样本量：随机设计方案样本量＝X：Y：Z，并记原始设计方案样本所占比值为步骤2：采用正交试验设计的方法，为该复杂产品优化设计生成S个设计方案，并将上述的每个设计方案视作一个原始设计方案样本，进而构成样本量为S的原始设计方案样本集；步骤3：确定各决策变量对该复杂产品优化设计目标的综合影响程度并进行排序；步骤3.1：对每个原始设计方案样本进行归一化处理得到归一化的设计方案样本，进而得到样本量为S的归一化的设计方案样本集；将第i个归一化的设计方案样本表示为Si＝(xi,1...xi,j...xi,N)，该样本矢量由P个决策变量ai,1...ai,P和Q个目标变量bi,1...bi,Q共同组成，P+Q＝N；步骤3.2：基于归一化的设计方案样本集，利用熵方法确定目标变量的相对权重：步骤3.3：根据目标变量的相对权重，通过极差分析法分析正交试验结果，得到总体优化目标下各决策变量的综合极差并排序，并以各决策变量的综合极差排序作为各决策变量对该复杂产品优化设计目标的综合影响程度排序；步骤4：基于各决策变量的综合极差值，选择决策变量对该复杂产品优化设计目标的综合影响程度排序中的前K个决策变量作为遗传算法进化所需染色体的基因；步骤5：基于样本量为S的归一化的设计方案样本集，生成虚拟设计方案样本集和随机设计方案样本集；步骤5.1：如0≤Y≤X则把Y调整为X，并以归一化的S个原始设计方案样本为基础样本，Z和Y的比值仍保持原来的比例；如果Y>X，则拷贝归一化的设计方案样本集份，形成集合A，再从归一化的S个设计方案样本中随机选择个样本形成集合B，A、B一起构成基础样本集，此处[]表示向下取整操作；步骤5.2：根据调整后的三种样本量的比例及原始设计方案样本量S，确定随机设计方案样本量，并采用随机函数生成随机设计方案样本集，其中随机设计方案样本中各变量取值范围为[‑1,1]；步骤5.3：生成随机扰动，并将其叠加到上述基础样本上生成虚拟设计方案样本，并把虚拟设计方案样本各变量约束在[‑1,1]取值区间内，进而得到虚拟设计方案样本集：对Si的第j个变量xi,j∈[‑1,1]的扰动di,j为[‑1,1]内的随机值，其叠加到xi,j的加权值即扰动强度为β，则xi,j所对应虚拟变量x′i,j的计算方法为：xi,j′=2-Tempi,jifTempi,j≥1Tempi,jelse-2-Tempi,jifTempi,j≤-1---(1)]]>其中Tempi,j＝xi,j+β*di,j,β∈[‑0.5，0.5]，从而得到与Si对应的虚拟设计方案样本S′i＝(x′i,1...x′i,j...x′i,N)；步骤6：合并归一化的设计方案样本集、虚拟设计方案样本集和随机设计方案样本集，形成适用于复杂产品优化设计的遗传算法初始种群。...

【技术特征摘要】
1.一种适用于复杂产品优化设计的遗传算法初始种群构造方法，其特征在于：包括如下步
骤：
步骤1：确定该复杂产品优化设计的目标，并初步指定构成该遗传算法初始种群的三种
样本量的比例为：原始设计方案样本量：虚拟设计方案样本量：随机设计方案样本量＝X：
Y：Z，并记原始设计方案样本所占比值为步骤2：采用正交试验设计的方法，为该复杂产品优化设计生成S个设计方案，并将上
述的每个设计方案视作一个原始设计方案样本，进而构成样本量为S的原始设计方案样本
集；
步骤3：确定各决策变量对该复杂产品优化设计目标的综合影响程度并进行排序；
步骤3.1：对每个原始设计方案样本进行归一化处理得到归一化的设计方案样本，进而
得到样本量为S的归一化的设计方案样本集；
将第i个归一化的设计方案样本表示为Si＝(xi,1...xi,j...xi,N)，该样本矢量由P个决策变量
ai,1...ai,P和Q个目标变量bi,1...bi,Q共同组成，P+Q＝N；
步骤3.2：基于归一化的设计方案样本集，利用熵方法确定目标变量的相对权重：
步骤3.3：根据目标变量的相对权重，通过极差分析法分析正交试验结果，得到总体优
化目标下各决策变量的综合极差并排序，并以各决策变量的综合极差排序作为各决策变量对
该复杂产品优化设计目标的综合影响程度排序；
步骤4：基于各决策变量的综合极差值，选择决策变量对该复杂产品优化设计目标的综
合影响程度排序中的前K个决策变量作为遗传算法进化所需染色体的基因；
步骤5：基于样本量为S的归一化的设计方案样本集，生成虚拟设计方案样本集和随机
设计方案样本集；
步骤5.1：如0≤Y≤X则把Y调整为X，并以归一化的S个原始设计方案样本为基础样
本，Z和Y的比值仍保持原来的比例；如果Y>X，则拷贝归一化的设计方案样本集份，
形成集合A，再从归一化的S个设计方案样本中随机选择个样本形成集合B，
A、B一起构成基础样本集，此处[]表示向下取整操作；
步骤5.2：根据调整后的三种样本量的比例及原始设计方案样本量S，确定随机设计方
案样本量，并采用随机函数生成随机设计方案样本集，其中随机设计方案样本中各变量取值
范围为[-1,1]；
步骤5.3：生成随机扰动，并将其叠加到上述基础样本上生成虚拟设计方案样本，并把
虚拟设计方案样本各变量约束在[-1,1]取值区间内，进而得到虚拟设计方案样本集：
对Si的第j个变量xi,j∈[-1,1]的扰动di,j为[-1,1]内的随机值，其叠加到xi,j的加权值即扰
动强度为β，则xi,j所对应虚拟变量x′i,j的计算方法为：
xi,j′=2-Tempi,jifTempi,j&GreaterE...

【专利技术属性】
技术研发人员：崔东亮，冯国奇，王良勇，徐泉，张亚军，许美蓉，俞胜平，王彦明，
申请(专利权)人：东北大学，沈阳东大自动化有限公司，
类型：发明
国别省市：辽宁;21