外文翻譯--集成進化優(yōu)化算法及其發(fā)展和在船舶結(jié)構(gòu)優(yōu)化設(shè)計中的應(yīng)用 中文版

1、<p><b>　　施普林格 </b></p><p>　　機械科學(xué)與技術(shù)學(xué)報22（2008）1313?1322</p><p>　　集成進化優(yōu)化算法及其發(fā)展和在船舶結(jié)構(gòu)優(yōu)化設(shè)計中的應(yīng)用</p><p>　　Young-Mo Kong1, Su-Hyun Choi1, Bo-Suk Yang2,* and Byeong-Keun Ch

2、oi3</p><p>　　1.研究中心,大宇造船和海洋工程有限公司1 Aju-dong Geoje,Gyungnam 656 - 714年,韓國</p><p>　　2.釜慶國立大學(xué)機械工程學(xué)院,100年圣Yongdang-dong,Nam-gu,韓國釜山608 - 793</p><p>　　3.機械和航空航天工程學(xué)院研究所的海洋產(chǎn)業(yè),國立大學(xué)445 Inpye

3、ong-dong Tongyoung,650-160的韓國慶尚南道。</p><p>　?。?007年10月2日修訂稿；2008年3月18日修訂；2008年4月1日接收）</p><p><b>　　摘要</b></p><p>　　本文提出了一個集成的進化優(yōu)化算法（ieoa）并結(jié)合遺傳算法（GA）的隨機算法，禁忌搜索算法（TS）和響應(yīng)面分析法

4、（RSM）。這個算法，為了提高收斂速度，被認(rèn)為是遺傳算法的缺點，采用RSM和單純形法。遺傳算法雖然具有隨機變化，但系統(tǒng)的多樣性可以通過使用禁忌表來保護。這種方法效率一直采用傳統(tǒng)的功能測試和比較結(jié)果證明，它是一種遺傳證據(jù)表明，新提出的算法可以有效地應(yīng)用于減少淡水艙的重量，放在船舶設(shè)計來避免共振后找到全局最優(yōu)解。結(jié)果表明，遺傳算法的收斂速度在初始階段已經(jīng)利用RSM改進。一個優(yōu)化的解決方案，沒有額外的實際目標(biāo)函數(shù)的評價計算。最后，可以得出結(jié)論

5、，ieoa從收斂速度和全局搜索能力的觀點的一個很有用的全局優(yōu)化問題的算法。</p><p>　　關(guān)鍵詞：進化優(yōu)化算法；遺傳算法；響應(yīng)曲面法；禁忌搜索法；單純形法方法； </p><p><b>　　淡水艙</b></p><p><b>　　引言</b></p><p>　　許多動態(tài)分析的重點是找

6、到最大的響應(yīng)，并避免在一個給定結(jié)構(gòu)下所有激振力。通常,這些特性提供了基礎(chǔ)的設(shè)計極限,因此用來確定的動態(tài)遙相關(guān)結(jié)構(gòu)和它的重量。出于這個原因,重量最小化減少響應(yīng)和避免共振一直是設(shè)計工程師的主要擔(dān)憂問題。</p><p>　　許多經(jīng)典的優(yōu)化方法和實用軟件已經(jīng)開發(fā)出來，其中大部分是非常有效，特別是解決實際問題。然而,找到一個全球系統(tǒng)的最佳解決方案是很困難的。為了克服這個缺點，已經(jīng)開發(fā)了許多搜索算法尋找一個全局最優(yōu)解。遺傳

7、算法是進化計算領(lǐng)域中的一種技術(shù)，它是一種強大的全局優(yōu)化方法，它不需要傳統(tǒng)的搜索技術(shù)的嚴(yán)格連續(xù)性，而是在解空間中出現(xiàn)非線性和不連續(xù)性的2種方法。遺傳算法可以處理各種目標(biāo)函數(shù)，在離散、連續(xù)、混合搜索空間中定義了各種目標(biāo)函數(shù)和約束條件。然而，全局訪問的遺傳算法需要一個計算隨機搜索。所以，收斂速度的精確解很慢。此外，為一個大尺寸的問題的染色體編碼將是非常長的，以便得到一個更準(zhǔn)確的解決方案。這將導(dǎo)致在一個大的搜索空間和巨大的內(nèi)存需求的計算。為了克

8、服這些缺點，許多研究人員已經(jīng)研究開發(fā)了許多混合遺傳算法，遺傳算法與其他的[3-6]結(jié)合。這些可以節(jié)省計算時間和找到全球性的解決方案，因為它去。因此，新的算法處理達到更高的精度和更快的收斂速度，在大型、復(fù)雜結(jié)構(gòu)就像船得到一個最佳的解決方案。</p><p>　　響應(yīng)面法（RSM）[ 7 ]是一個優(yōu)化的工具，介紹了箱和威爾遜[8]。這是一個收集統(tǒng)計和數(shù)學(xué)技術(shù)，用于開發(fā)、改進和優(yōu)化流程。這些技術(shù)被采用，以估計的優(yōu)化功能

9、，并找到搜索方向的域的子區(qū)域，以提高和希望最優(yōu)的解決方案。簡單的方法（SM）是一種無導(dǎo)數(shù)的優(yōu)化使用涉及單形[ 9 ]搜索規(guī)律的方法。這眾所周知的技術(shù)已經(jīng)證明是流行的無約束的目標(biāo)函數(shù)。禁忌搜索（TS）是一種原combnatorial近期開發(fā)的啟發(fā)式優(yōu)化問題。因為格洛弗[ 10，11 ]首先介紹，許多研究在這方面已經(jīng)出現(xiàn)，如有約束優(yōu)化問題的[ 12 ]隨機移動。</p><p>　　在這項研究中，在高精度、高速度的多

10、峰函數(shù)最優(yōu)解的搜索，提出了一種新的混合進化算法，結(jié)合流行的算法，如遺傳算法、禁忌的優(yōu)點，RSM和SM。這個算法，為了提高收斂速度，被認(rèn)為是遺傳算法的缺點，采用RSM和SM。雖然突變遺傳算法提供了多種隨機變化，系統(tǒng)可以通過一個TS特別禁忌表的使用，在初始階段，遺傳算法的收斂速度，可以提高使用RSM是利用目標(biāo)函數(shù)的信息獲取通過總裝工藝進行響應(yīng)面（近似函數(shù)）和優(yōu)化這沒有一個額外的實際評價計算目標(biāo)函數(shù)的最優(yōu)解，而遺傳算法的收斂速度可以提高，這種

11、方法的效率被證明通過應(yīng)用傳統(tǒng)的功能測試和比較的結(jié)果也證實，遺傳算法被應(yīng)用該算法有效地搜索全局最優(yōu)解THM重量最小化，避免被認(rèn)為是淡水艙位于船體后部共振。</p><p>　　集成進化優(yōu)化算法(IEOA)</p><p><b>　　2.1IEOA結(jié)構(gòu)</b></p><p>　　其主要思想是減少利用RSM是一個設(shè)計的實驗來減少重復(fù)數(shù)在評價目標(biāo)函

12、數(shù)的數(shù)目，因為這是一個優(yōu)化設(shè)計的缺點。的ieoa主要由四部分組成：（一）遺傳算法控制的一般算法，（ii）為解決系統(tǒng)的各種禁忌表，（三）RSM改進得到一個候選解的收斂速度，及（iv）局部搜索改進SM。圖1表示的ieoa流程圖。流程圖的左邊顯示全球搜索區(qū)域，類似于標(biāo)準(zhǔn)遺傳算法的流程圖，包括功能保證準(zhǔn)則（FAC），集歷史、禁忌表，和RSM。這些部分提供候選解決方案，這被認(rèn)為是在本地搜索區(qū)域的初始搜索點。右側(cè)代表本地搜索區(qū)域。本部分通過對全局搜

13、索的結(jié)果作為初始搜索點，通過修改后的方法找到最佳的解決方案。圖1-1 ~圖1-3顯示部分A，B，C的詳細過程，如圖1</p><p>　　圖1.該算法的流程圖（ieoa）</p><p>　　圖1-1.部分的流程圖（更新）</p><p><b>　　。</b></p><p>　　圖1-2.第二部分（檢查禁忌表）的流程

14、圖</p><p>　　部分在圖1-1顯示詳細展示了一組歷史上海地區(qū)做出了響應(yīng)面提供均勻分布點。根據(jù)以下程序構(gòu)建的： </p><p>　　步驟1：從當(dāng)前人群中讀取個人 </p><p>　　步驟2：NSH = NSH + psize</p><p>　　圖1-3.C部分的流程圖（RSM）</p><p>　　在NSH

15、和psize意味著一套歷史和人口規(guī)模的大小。 </p><p>　　步驟3：如果NSH≤nshmax，然后轉(zhuǎn)到步驟7，nshmax手段建議最大尺寸 </p><p>　　步驟4：評價密級DG的每一個人</p><p>　　當(dāng)DK是i和K之間的歐氏距離x(i )?? x(k ) , i = 1,??, NSh; i?≠ k時，Dg = max (dik) + mean

16、 (dik)</p><p>　　步驟5：排名個人DG。 </p><p>　　步驟6：選擇高nshmax個人排名第一。 </p><p>　　步驟7：儲存解決方案，在上海和走出去。 </p><p>　　圖2所示的零件圖的細節(jié)代表檢查的禁忌表有一個多樣性的解決方案。在遺傳算法的交叉過程中選擇的一個人，以確保解決方案的多樣性。如果保證了解決方

17、案的多樣性，則選擇了單獨的，如果沒有，則重復(fù)的過程是重復(fù)的。也就是說，當(dāng)它被選中時，它位于遠離密集區(qū)域。濃溶液和個別驗收標(biāo)準(zhǔn)等級標(biāo)準(zhǔn)D??RN歸一化域和V??RN為域具有相等nshmax D N為設(shè)計變量的個數(shù)。讓??V?是V的大小，然后</p><p>　　其中L是域D的一邊的長度，??（∈R）是一側(cè)的歐幾里得長度超多邊形V定義如下：</p><p>　　對于一個給定的目標(biāo)設(shè)計向量的愿望

18、函數(shù)表示為決定接受的個人如下：</p><p>　　設(shè)H（R）= E?R，R =XK?Xi，其中xi是目標(biāo)個體的位置。設(shè)置c，假定滿足理想條件：（i）SH是滿的，和（ii）SH的所有成員都被放置在中心的nshmax子域都應(yīng)該有相同的設(shè)計，沒有任何交叉的相互適應(yīng)域D絕對，意味著接受 概率準(zhǔn)則。</p><p>　　右邊的二個術(shù)語對應(yīng)于目標(biāo)個體的最近一個成員。第三個術(shù)語是殘差。的性質(zhì)，這是指數(shù)

19、遞減的距離，使遠小于第一項。愿望準(zhǔn)則如下： </p><p>　　如果蘭德公司的話，那么接受，蘭德= [ 1 0 ] </p><p>　　如果試用號>最高審判號， </p><p>　　如果目標(biāo)個體不滿足于上述的愿望準(zhǔn)則，則一個交叉點被再次生成，過程重復(fù)。該程序總結(jié)如下： </p><p>　　步驟1：讀N?1個人選擇的過程。 <

20、;/p><p>　　步驟2：交叉N?2個人按交叉概率和5步走。 </p><p>　　步驟3：一個單獨選擇的禁忌表。 </p><p>　　步驟4：如果蘭德公司，然后去一步5，否則返回到步驟3。 </p><p>　　步驟5：添加生成的個人。 </p><p>　　C部分圖1-3所示，細節(jié)代表一個RSM區(qū)域。它主要分為3個

21、部分。首先，考慮到優(yōu)化的響應(yīng)曲面的邊界條件，設(shè)計變量的上下限值可在計算過程中考慮。然而，這種方法的優(yōu)點是減少了附加約束，喜歡自然頻率的考慮，因為它對目標(biāo)函數(shù)從外部計算得到結(jié)果，解決這一問題，本研究采用SH作為訓(xùn)練數(shù)據(jù)和推斷約束條件的滿足，利用徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)[ 13 ]。這樣，可以避免實際問題的計算。其次，它使一個響應(yīng)表面SH采用最小二乘法（LSM）。最后，對響應(yīng)面最佳解決方案是采用TS的基于梯度的算法可以用來提高優(yōu)化計算的

22、收斂速度。然而，滿足約束條件的解決方案不能保證，因為約束條件是很難準(zhǔn)確地定義。此外，我們采用了一個很好的初始收斂速度，因為響應(yīng)曲面的概念是搜索的近似候選解決方案。所產(chǎn)生的最終解決方案是與其他現(xiàn)有的遺傳算法的個人根據(jù)圖1的序列，并進行計算的健身。</p><p>　　2.2 ieoa實施程序 </p><p>　　該算法的程序可以概括如下： </p><p>　　步驟

23、1：設(shè)置參數(shù)（psize、PC、PM、MS、MC）。 </p><p>　　其中個人電腦，下面分別是交叉概率和變異概率。女士和主持人的選擇和交叉的方法。 </p><p>　　步驟2：生成初始染色體VK（k = 1，2，3，psize）隨機N元素。 </p><p>　　vk?=? [ xk 1, xk 2 , , xkn ]</p><p>

24、;　　當(dāng)染色體的產(chǎn)生，每個染色體的元素取值范圍應(yīng)為斜輪顆粒機xkj?≤ x j?≤ xU 許滿意。每個染色體滿足所有約束的GI（VK）?≥0，??當(dāng)染色體不滿足條件，則染色體具有最低的健身，所以它有一個低可能性的選擇給下一代，畢竟。 </p><p>　　步驟3：生成初始解，估計約束并設(shè)置參數(shù)范圍。 </p><p>　　步驟4：評估個人的健身。 </p><p>

25、　　步驟5：評價因素，如果它滿足FAC = 1， </p><p>　　走到12步，否則要走6步。 </p><p>　　每個候選最佳的解決方案是由[ 14 ]決定因素。FAC是估計初始的候選的收斂標(biāo)準(zhǔn)值。</p><p>　　在網(wǎng)絡(luò)連接的行向量，由個體的適應(yīng)度值在第i個代和F T是轉(zhuǎn)置的F. </p><p>　　行的大小取決于最優(yōu)解的個數(shù)

26、根據(jù)設(shè)計師的要求。從理論上講，F(xiàn)AC的范圍是從0到1.0.when值等于1，優(yōu)化收斂完畢。然而，價值難以收斂到1考慮要評價的許多候選解決方案。因此，在這項研究中，F(xiàn)AC設(shè)置為0.9999。 </p><p>　　步驟6：更新sh：sh= {（XSH，F(xiàn)） XSH?∈RN，F(xiàn)?∈ R }，在XSH = [ X1，X2，XN ]。 </p><p>　　步驟7：執(zhí)行選擇和交叉，并檢查禁忌表。

27、</p><p>　　步驟8：構(gòu)建響應(yīng)面：</p><p>　　在??0，??II和??ij是系數(shù)的計算 LSM。</p><p>　　步驟9：訓(xùn)練RBF網(wǎng)絡(luò)的SH構(gòu)建約束條件約。 </p><p>　　步驟10：計算響應(yīng)面上的最佳設(shè)計，并根據(jù)其產(chǎn)生一個單獨的。 </p><p>　　步驟11：變異和4步走。 <

28、/p><p>　　步驟12：利用最佳候選改性SM的局部濃度搜索最優(yōu)解。</p><p>　　3.函數(shù)優(yōu)化的數(shù)值例子 </p><p><b>　　3.1測試功能 </b></p><p>　　三個基準(zhǔn)測試函數(shù)被用來驗證所提出的混合算法的效率，如圖2所示。這些函數(shù)通常用于測試優(yōu)化方法。模擬進行的2維的情況下。第一個函數(shù)是最大化

29、，其他的是被最小化，第一個是四峰值函數(shù)，它有一個全局最優(yōu)，其中有三個局部最優(yōu)解，并且被定義為</p><p>　　當(dāng)?0.4?≤ x1, x2?≤ 1時，</p><p>　　這個測試函數(shù)具有全局最優(yōu)解f（x）= 1.954342 X1 = 0，X2 = 0，和三的局部最優(yōu)解f（x）= 1.807849, 1.705973和1.559480如圖2所示（一）。傳統(tǒng)的基于梯度的爬山算法可以很容

30、易地在一個局部最優(yōu)，因為他們在全局搜索算法全局最優(yōu)解的同時，依賴于起始點。</p><p><b>　?。╝）四峰值功能</b></p><p>　　（b）Rosenbrock函數(shù)</p><p>　?。–）Rastrigin函數(shù)</p><p>　　當(dāng) ?2.0≤ x1, x2?≤ 2.0 時Rosenbrock函數(shù)

31、定義為f ( x1, x2 )?=? 100( x1?? x2 )2?? (1?? x1)2</p><p>　　這個功能被稱為香蕉的作用[ 15 ]，其形狀是在圖（b）。這個函數(shù)的目的是要找到這個變量，從而最大限度地減少目標(biāo)函數(shù)。這個函數(shù)只有一個最優(yōu)解f（x）= 0 X1 = 1，X2 = 1。由于沿拋物線X12??x2導(dǎo)致全球最低[ 16 ]一個非常深的山谷，它找到一個最優(yōu)解是很困難的。</p>

32、<p>　　此函數(shù)通常用于評估全球搜索能力，因為有許多局部極小值在全球最低如圖2所示（三）。在有限函數(shù)調(diào)用中找到全局最小值是不容易的。這個函數(shù) </p><p>　　有220個局部極小值和一個最小的f（x）=0在（0,0）上。</p><p><b>　　3.2仿真結(jié)果 </b></p><p>　　圖3顯示了每個測試函數(shù)的目標(biāo)函數(shù)

33、的收斂趨勢。結(jié)果表明，這個模型（GA + RSM）和ieoa（GA +丹參+禁忌表）是一種基于RSM算法具有更快的收斂速度和更準(zhǔn)確的解決方案比標(biāo)準(zhǔn)的遺傳算法，并驗證了RSM的效率計算。此外，禁忌表，使收斂到解決方案，由于系統(tǒng)的多樣性的多峰函數(shù)的快速收斂。為每個算法的設(shè)置參數(shù)列出在表2，表1顯示了上述三個測試函數(shù)的優(yōu)化結(jié)果的比較。評價數(shù)是指在優(yōu)化過程中所使用的目標(biāo)函數(shù)的總數(shù)，并與總的計算時間成正比。根據(jù)研究結(jié)果，所有的測試功能，ieoa可

34、以提供更好的解決方案比遺傳算法在精度和收斂速度。對于Rastrigin函數(shù)，進行全局搜索能力非常有用，因為周圍有許多局部極小值的全局最小值，ieoa發(fā)現(xiàn)具有較高的精度和更少的時間比遺傳算法根據(jù)這些結(jié)果全局最小，本文提出的算法是一個功能強大的全局優(yōu)化算法的收斂速度和全局搜索能力觀。</p><p>　　表1.GA和ieoa設(shè)置參數(shù)</p><p><b>　　（a）四峰值功能<

35、;/b></p><p>　　（b）Rosenbrock函數(shù)</p><p>　?。–）Rastrigin函數(shù)</p><p>　　圖3.目標(biāo)函數(shù)收斂趨勢</p><p><b>　　表2.優(yōu)化結(jié)果比較</b></p><p><b>　　表2.優(yōu)化結(jié)果比較</b>&l

36、t;/p><p>　　4.船舶淡水艙的優(yōu)化設(shè)計 </p><p>　　在發(fā)動機室和一艘船的后方，有許多罐結(jié)構(gòu)，接觸新鮮的和海水或燃料和潤滑油。此外，這些都可能受到過多的振動，在航行中，因為它們是圍繞船舶的主要激勵源，如主機和螺旋槳。如果出現(xiàn)問題，需要花費相當(dāng)大的成本，時間和精力來改善情況，因為加強工作以排空流體的罐，額外的焊接和特殊的繪畫等，是必需的。在設(shè)計階段，對儲罐結(jié)構(gòu)的精確振動特性進行預(yù)

37、測是非常重要的。優(yōu)化設(shè)計需要應(yīng)用。特別是當(dāng)結(jié)構(gòu)與流體接觸，多分析必須考慮時間。因此，一種新的優(yōu)化算法得到一個短的分析時間和準(zhǔn)確的解決方案。在這項研究中，在實際的船舶淡水箱的優(yōu)化設(shè)計進行了驗證該算法的有效性（ieoa）結(jié)果是比較標(biāo)準(zhǔn)的遺傳算法 </p><p>　　4.1淡水艙振動分析 </p><p>　　由于受激振力的傳遞機理和阻尼比的困難，難以預(yù)測局部結(jié)構(gòu)的振動響應(yīng)。傳統(tǒng)上，因此，考慮

38、設(shè)計避免共振的振動分析，以防止局部振動。 </p><p>　　在這項研究中，對淡水艙振動分析采用Nastran是一個商業(yè)有限元程序，廣泛用于船舶結(jié)構(gòu)進行大的像。分析模型和淡水艙布置如圖4所示。圖5顯示了淡水池的設(shè)計變量和邊界條件?？紤]到分析的精度和耗時的建模過程中，新的水箱建模的范圍被限制在一個側(cè)面的坦克。指定的邊界條件為如下：簡單的支架用于與其它艙壁和甲板相連的槽的邊界區(qū)域，表3顯示了主要激勵源的規(guī)范。 &l

39、t;/p><p>　　在一般情況下，避免局部結(jié)構(gòu)諧振的設(shè)計要求的結(jié)構(gòu)的固有頻率必須是2倍高于葉片的螺旋槳的最大轉(zhuǎn)速下的最大轉(zhuǎn)速下的。在這項研究中，設(shè)計目標(biāo)頻率設(shè)定為上述14.0hz，考慮安全邊際和螺旋槳兩葉片通過頻率（12.13hz）。 </p><p>　　圖6顯示了前三階模態(tài)和NASTRAN的淡水箱的固有頻率。這三種模式經(jīng)常發(fā)生在淡水艙航行。特別是，第一種模式（8.60hz）是一個加強筋（

40、細）模式產(chǎn)生強烈的振動和結(jié)構(gòu)影響較大。在這個模型中，該結(jié)構(gòu)的第一階固有頻率也是共振區(qū)域的兩次葉片通過頻率的螺旋槳是12.13hz內(nèi)。因此，結(jié)構(gòu)的固有頻率應(yīng)增加到目標(biāo)頻率，槽滿的情況下。根據(jù)罐的水性可以改變結(jié)構(gòu)的固有頻率。因此，為了設(shè)計一個安全的結(jié)構(gòu)，這項研究涉及到三種新的水箱的設(shè)計。</p><p>　　表3.主要激勵源規(guī)范</p><p>　　圖5.新的設(shè)計變量和邊界條件</p&g

41、t;<p>　?。╝）第一模式（8.60hz）</p><p>　?。╞）第二模式（18.82hz）</p><p>　?。–）第三模式（19.17hz</p><p>　　圖6.淡水箱模態(tài)振型</p><p>　　4.2新水箱的優(yōu)化設(shè)計 </p><p>　　在淡水艙的主要振動模式在橫向加勁肋的模式。最

42、重要的因素之一是加勁肋的剛度。在這項研究中，加強筋尺寸和圖4水箱板厚為設(shè)計變量，在方程（7）。</p><p>　　其中S和P的意思分別是加強筋的尺寸和板的厚度。</p><p>　　根據(jù)船廠的實踐。加勁肋的腹板長度限制為LW兩類如式（8）</p><p>　　150?≤LW?≤450毫米的加勁肋（S1 S7），500?≤LW ≤1000毫米桁條（S8）(8)<

43、;/p><p>　　此外，局部振動設(shè)計的基本概念是在每個點的響應(yīng)最小化。然而，它是很難評估多少的激振力影響的局部結(jié)構(gòu)。所以，為了避免共振，該結(jié)構(gòu)的第一階固有頻率限制為式（9）認(rèn)為約在螺旋槳葉片通過頻率15%倍的安全邊際（12.14hz）。 </p><p>　　?1≥14.0hz （ 9）</p

44、><p>　　目標(biāo)函數(shù)結(jié)合線性的鮮重水箱結(jié)構(gòu)固有頻率如式（10）。目的是得到經(jīng)濟合理的結(jié)構(gòu)以減輕重量和增加取第一階固有頻率 </p><p>　　其中，下標(biāo)t，平均0的目標(biāo)和當(dāng)前的價值 </p><p>　　分別用α和β 。即加權(quán)因子。在本文中設(shè)α = 0.5, β = 0.5</p><p>　　4.3 優(yōu)化結(jié)果與討論 </p>

45、<p>　　實現(xiàn)了對淡水箱筋板厚度的最優(yōu)規(guī)模保持其抗振設(shè)計的優(yōu)化設(shè)計。表4優(yōu)化前后的設(shè)計變量的結(jié)果。這表明，斯金格S8是提高72%、4.0-52 %的人。這一結(jié)果表明，最合理的改性方法是增加縱梁，具有降低垂直加勁肋跨度的影響。在這種情況下，板厚對結(jié)構(gòu)的固有頻率沒有任何影響，表5顯示了優(yōu)化前后結(jié)構(gòu)的固有頻率和結(jié)構(gòu)重量的變化。根據(jù)研究結(jié)果，第一階固有頻率增加到163% 8.6hz 14.02hz，和安全裕度兩次通過頻率的螺旋槳發(fā)生

46、相應(yīng)的變化，從29.1%到15.5%。因此，結(jié)構(gòu)無共振。此外，加強筋設(shè)計中的廣泛應(yīng)用變量在高頻率雖然也降低權(quán)重?？傊?，局部振動的問題，需要通過結(jié)構(gòu)避免共振的固有頻率的運動而無需額外的重量已通過該方法成功地解決了。表6和圖7表明，GA和ieoa之間優(yōu)化結(jié)果的比較。評價編號是指在優(yōu)化過程中所使用的目標(biāo)函數(shù)的總數(shù)，并與總的計算時間成正比。根據(jù)研究結(jié)果，ieoa可以比遺傳算法在精度和收斂速度，更好的解決方案。這些結(jié)果使我們得出結(jié)論，提出的新算法

47、是一個更強大的全局優(yōu)化算法的收斂速度和全局搜索能力的觀點。</p><p>　　表4.原與最優(yōu)設(shè)計變量的比較</p><p><b>　　表5.結(jié)果比較</b></p><p><b>　　表6.優(yōu)化結(jié)果比較</b></p><p>　　圖7.目標(biāo)函數(shù)收斂趨勢</p><p>

48、;<b>　　5.結(jié)論 </b></p><p>　　本文提出了一個集成的進化優(yōu)化算法，結(jié)合流行的算法，如遺傳算法、禁忌的優(yōu)點的一種新的混合優(yōu)化算法，SM和RSM。這個算法，為了提高收斂速度，被認(rèn)為是遺傳算法的缺點，采用RSM和SM。雖然變異遺傳算法提供隨機的品種，可以通過系統(tǒng)的各種禁忌列表的使用。特別是，在初始階段，遺傳算法的收斂速度，可以通過使用RSM使用通過GA處理然后進行響應(yīng)面獲得目

49、標(biāo)函數(shù)的信息的改進（近似函數(shù)）和優(yōu)化。一個優(yōu)化的解決方案進行了計算，沒有額外的實際目標(biāo)函數(shù)的評價，和遺傳算法的收斂速度可以提高。這種方法的效率和有效性已被證明采用流行的測試函數(shù)結(jié)果與遺傳算法進行比較，尋找全局最優(yōu)解的新提出的算法的有效性證明了運用它的重量最小化設(shè)計，避免了淡水艙位于船體后部共振。</p><p><b>　　參考文獻</b></p><p>　　[1]

50、 D. E. Goldberg, Genetic Algorithms in Search,Optimization & Machine Learning. AddisonWesley Publishing Company, (1989), 1-146.</p><p>　　[2] L. Davis, Handbook of Genetic Algorithms, Van Nostrand Reinhol

51、d, New York, USA (1991).</p><p>　　[3] T. Sato and M. Hagiwara, Bee System: Finding Solution by a Concentrated Search, Trans. IEE Japan 118-C (5) (1998),721-726.</p><p>　　[4] B. G. Choi and B. S.

52、 Yang, Multi-Objective Optimization of Rotor-Bearing System with Dynamic Constraints using Immune-Genetic Algorithm,Trans. ASME, Journal of Engineering for Gas Turbines and Power, 123 (1) (2001) 78-81.</p><p&g

53、t;　　[5] Y. C. Kim and B. S. Yang, An Enhanced Genetic Algorithm for Global and Local Optimizatio Search, Trans. KSME (Ser. A), 26 (6) (2002) 1008-1015.</p><p>　　[6] Y. K. Ahn, Y. C. Kim and B. S. Yang, Opti

54、mum Design of Engine Mount using an Enhanced Genetic Algorithm with Simplex Method, Vehicle System Dynamics, 43 (1) (2005) 57-81.</p><p>　　[7] H. M. Raymond and D. C. Montgomery, Response Surface Methodology

55、: Process and Product Optimization Using Designed Experiment, Wiley-Inter-science Publication, New York, USA, (1995).</p><p>　　[8] G. E. P. Box, K. B. Wilson, On the Experimental Attainment of Optimum Condit

56、ions, Journal of Royal Statistical Society (Ser. B), 13 (1951) 1-38.</p><p>　　[9] J. A. Nelder and R. Mead, A Simplex Method for Function Minimization, Computer Journal, 7(4) (1965) 308-313.</p><p

57、>　　[10] F. Glover, Tabu Search- Part I, ORSA Journal on Computing, 1 (1989) 190-206.</p><p>　　[11] F. Glover, Tabu Search- Part II, ORSA Journal on Computing, 2 (1989) 4-32.</p><p>　　[12] N.

58、Hu, Tabu Search Method with Random Moves for Globally Optimal Design, International Journal of Numerical Methods in Engineering, 35 (1992) 1055-1070.</p><p>　　[13] D. Howard, B. Mark and H. Martin, Neural Ne

59、twork Toolbox for Use with MATLAB, The MathWorks, (2005).</p><p>　　[14] M. I. Friswell and J. E. Mottershead, Finite Element Model Updating in Structural Dynamics, Kluwer Academic Publishers, New York, USA,(

60、1996). .</p><p>　　[15] A. Homaifar, C. Qi and S. Lai, Constrained Optimization via Genetic Algorithm Simulation, Electronics Letter, 62 (4) (1994) 242-254.</p><p>　　[16] T. Kohonen, Self-Organiz