一种用于带约束条件的工程优化问题的遗传算法

摘要

本发明公开了一种用于带约束条件的工程优化问题的遗传算法，该算法包括：确定工程优化问题的优化目标，根据优化目标建立目标函数；设置参数和变量的范围，所述参数包括种群大小、交叉率、变异概率；随机产生N个个体，确定算法的初始参数；根据实际问题的约束条件确定n个变量的取值范围；对N个个体进行评估，计算出适应度值以及惩罚值；对所有个体排序，先采用精英策略选择子代，剩余子代由轮盘赌生成；遍历每个个体，确定每个个体的交叉位数，进行交叉操作；遍历每个个体，对符合变异条件的个体进行变异操作；检查算法是否结束，如结束则输出结果；否则继续计算。本发明算法通过改进，使得算法更小几率陷入局部最优。

主权项

一种用于带约束条件的工程优化问题的遗传算法，其特征在于，包括以下步骤：1)确定工程优化问题的优化目标，根据优化目标建立目标函数；将带有约束的问题化为如下：min L(X)＝f(X)+(1+|f(X)|)^α(∑|max(0，g_j(X))|+∑|h_i(X)|)s.t.X_L≤X≤X_U其中α是表示惩罚因子，∑|max(0，g_j(X))|、∑|h_i(X)|为惩罚值；f(X)为适应度值，L(X)为罚函数；2)设置参数和变量的范围，所述参数包括种群大小、交叉率、变异概率；随机产生N个个体，确定算法的初始参数；根据实际问题的约束条件确定n个变量的取值范围；3)对N个个体进行评估，计算出适应度值f(X)以及惩罚值∑|max(0，g_j(X))|、∑|h_i(X)|；4)对所有个体排序，先采用精英策略选择子代，剩余子代由轮盘赌生成；5)遍历每个个体，确定每个个体的交叉位数，进行交叉操作；6)遍历每个个体，对符合变异条件的个体进行变异操作；7)检查算法是否结束，如结束则输出结果；如否则返回步骤3)。