专利名称：基于自然选择和群体遗传机理的搜索方法
技术领域：
本发明涉及一种基于自然选择和群体遗传机理的搜索方法。
背景技术：
天然气集输系统是一个密闭的、非常复杂的多级网络系统，同时又是一个巨大的能量耗散系统，它作为气田地面生产系统的核心和主体部分，其投资占整个气田地面工程的60% 70%以上。因而，对集输管网进行优化设计显得尤为重要。一般来说，天然气集输管网系统的优化设计分两个方面:布局优化和参数优化。其中布局优化是集输管网系统优化的首要任务和关键阶段，布局优化合理与否，不仅关系到整个油气田地面工程的投资费用，而且也关系到管网系统后续参数优化的进一步开展。在此，布局优化将是本文讨论的核心。目前，天然气管道日趋朝着长距离、大口径、高压力、多用户、大网络和向极地(海上)延伸的方向发展，再加上开采气井的日渐复杂化，传统的管道优化技术已满足不了目前管道发展的需要，这使得整个管网系统的布局优化设计变得更加困难。此外，集输管网拓扑优化问题是包含大量离散变量的复杂组合优化问题，从优化的角度来看，该优化问题涉及离散优化、非线性优化等多方面的优化理论，从计算复杂性的角度来看，它又属于NP-hard问题，许多学者从分级优化的角度出发，将整个管网系统的布局优化分若干个阶段进行，且均在一定程度上做了简化，在求解算法选取上主要偏重于传统优化方法，将混合启发式算法应用到集输管网布局优化中的例子还比较少。同时，世界尚未出现十分完善的规划设计软件，这也有待于工程技术人员和科研工作者进一步开拓。当今优化决策方法正朝着集成化、大系统、最优化、电算化方向发展，但大型复杂系统的优化方法还处在起步阶段，现有的成型算法只适用于特定形态的模型。随着遗传算法、粒子群算法和模拟退火算法的兴起，这些现代优化算法正成为解决组合优化问题的一种有力工具，它们在求解多目标组合优化难题上体现了很大的优势，因而将智能优化方法应用到油气集输系统，建立油气集输系统中组合优化的求解理论及优化方法，从而指导规划设计和生产运行，这也正是今后组合优化发展的一个方向。目前，气田集输系统所采用的管网布局方式主要是星式网络和环型网络。一般说来，环状管网的可靠性好，但投资大；树状管网的投资小，但可靠性较差，应从可靠性和投资两方面来考虑。由于集输管网布局优化问题是一个多学科互相交叉运用的问题，涉及到最优化方面的数学理论、技术经济评价以及如何通过计算机实现优化的问题，因而最优化理论与技术、计算机技术、数值计算方法的发展和广泛应用，可为管网布局优化研究提供必要的理论基础和实现手段。长期以来，针对气田集输管网布局优化问题，国内外学者做了大量的研究工作。在20世纪60年代，哈克斯首先将优化方法引入到管道系统设计上来，他利用库恩-塔克定理确定管道系统的最优条件，但该方法较简单，在实际应用时受到限制。1979年，Bharkaran等人研究了天然气集输管网的优化设计,他们将该系统的设计问题区分为系统布局子问题、节点位置子问题和直径分派子问题。但是只解决了以管网总费用最小为目标函数，不考虑压缩机站的位置，用线性规划的方法解决了直径分派子问题。1987年，Soliman F.1.and Nurtagh, B.A.对大型输气管网系统进行了优化设计，建立了以管网造价最低为目标函数的数学模型，并采用传统线性化方法对模型进行了求解，获得了较好的优化结果。Tatsuo Oyama对最优站址问题进行了研究，建立了以路径最短为目标函数的数学模型，并采用传统优化算法进行了求解。2000年，Eusuff和Lansey首次提出采用新兴的智能算法-娃跳算法来解决组
合优化问题。2003年，Muzaffar和Kevin利用蛙跳算法求解组合优化问题的优越性，将其应用到给水管网的参数优化这类组合优化问题中，并取得了较好的参数优化效果。2005年,A.de Sa Neto and V.J.M.F.Filho等人首次将仿真优化方法成功地应用于虚拟输气管道的经济费用模型求解中，虚拟输气管道主要是将CNG或LNG从储罐输送到偏远地区。实例计算表明该法在优化成本效益上具有较大的优越性，对寻找输气管道优化问题的求解方法具有一定的借鉴作用。由上可知，集输管网布局优化问题属于一类组合优化问题，目前采用的求解方法主要是线性化法、分级优化法、动态规划法等传统优化方法，虽然有人将智能优化算法(遗传算法、模拟退火算法、禁忌算法等)成功地应用到该类问题的求解中，但应用混合智能算法进行优化求解的例子并不多。另外，以上研究成果虽然在工程实际规划设计过程中取得了一定的经济效益，但在模型的完整性、优化算法的可靠性和通用性、软件研制等多个方面还需要进一步研究，以期获得更大的效益。在以往井组划分过程中，由于受所用算法及计算机编程采用顺次计算的限制，为每一集气站分配气井的过程中，往往存在一定的弊端。井组最优划分问题属于大规模、非线性、混合整数规划问题，由于问题是多变量、多约束性的，所以不能保证目标函数是凸函数，更不能保证其可微可导性。传统的优化理论分析方法如线性规划、非线性规划、混合整数规划、灵敏度分析、内点法等由于对目标函数和约束条件有连续、可微的要求，一般得到的结果往往是局部最优解，不能保证全局最优。近年来，各种智能算法，特别是遗传算法对问题适应性强、适合处理整数变量的组合优化问题、理论上具有全局收敛性等特点，自然地被人们应用于该类优化计算，虽然取得了一定进步，但是仍然存在计算速度慢，局部收敛性差以及处理大规模问题时容易陷入局部最优等问题，这就促使它结合其它智能方法需要进行改进。
发明内容
本发明的目的在于克服上述现有技术的缺点和不足，提供一种基于自然选择和群体遗传机理的搜索方法，该基于自然选择和群体遗传机理的搜索方法不是简单的随机比较搜索，而是通过对染色体的评价和对染色体中基因的作用，有效地利用已有信息来指导搜索有希望改善优化质量的状态。本发明的目的通过下述技术方案实现:基于自然选择和群体遗传机理的搜索方法，包括以下步骤:(a)首先，随机产生一组初始个体构成的初始群体，并评价每个个体的适应度值；
(b)判断算法收敛准则是否满足；(c)根据适应度值大小以一定的方式执行选择操作化；(d)按照一定的交叉概率执行交叉操作；(e)按照一定的变异概率执行变异操作。所述步骤(e)结束后,返回步骤(b)。所述步骤(b)中，若算法收敛准则满足，则输出搜索结果。所述步骤(b)中，若算法收敛准则不满足，则继续执行步骤(C)。综上所述，本发明的有益效果是:不是简单的随机比较搜索，而是通过对染色体的评价和对染色体中基因的作用，有效地利用已有信息来指导搜索有希望改善优化质量的状态。
具体实施例方式下面结合实施例，对本发明作进一步的详细说明，但本发明的实施方式不仅限于此。实施例:本发明涉及的基于自然选择和群体遗传机理的搜索方法，包括以下步骤:(a)首先，随机产生一组初始个体构成的初始群体，并评价每个个体的适应度值；(b)判断算法收敛准则是否满足；(C)根据适应度值大小以一定的方式执行选择操作化；(d)按照一定的交叉概率执行交叉操作；(e)按照一定的变异概率执行变异操作。所述步骤(e)结束后,返回步骤(b)。所述步骤(b)中，若算法收敛准则满足，则输出搜索结果。所述步骤(b)中，若算法收敛准则不满足，则继续执行步骤(C)。根据上述方法可知，问题的编码方案、适应度函数设计、基因操作、算法参数选取以及算法终止条件是影响算法优化性能的主要环节，在设计算法时应根据问题的特点进行设计。现简要介绍如下:(I)问题编码方案遗传算法的编码好坏直接影响了遗传算子的设计，进而影响到算法的性能和效率。根据问题不同，人们提出了许多种不同的编码方法，这些编码方法大致可以分为三大类:二进制编码、实数编码和符号编码。采用遗传算法进行井组划分问题的求解时，根据所建模型的特点采用整数编码方案。遗传个体位置上的整数代表着该位置所对应气井所隶属的站号。(2)适应度函数适应度函数值是遗传操作中用来度量个体能达到或接近于最优解的优良程度，是遗传算法优化过程发展的依据。适应度较高的个体遗传到下一代的概率较大，而适应度较低的个体遗传到下一代的概率较小。一般而言，适应度函数是由目标函数变换而成的。对于简单的优化问题，一般可以直接利用目标函数转换成适应度函数；对于复杂的优化问题，往往需要将目标函数值域进行某种映射变换，这种变换称为适应函数的尺度变换。
(3)遗传算子遗传算子主要包括选择(或复制)、交叉(或重组)和变异等。算子设计一般因问题的编码方式不同而有所不同，算子设计的好坏将直接影响到算法的收敛性和收敛速度。(4)参数选取方法中需要选择的参数包括群体规模N、交叉概率Pc和变异概率Pm等，这些参数的选取对遗传算法的性能有很大的影响。在求解实际问题时，这些参数主要是凭经验值给出，其范围一般为:N = 20 100 ；Pc = 0.5 1.0 ;Pm = 0.001 0.05。在简单遗传算法中，这些参数是不变的。(5)终止主要条件上述方法是一种反复迭代的搜索方法，它通过多次进化逐渐逼近最优解而不是恰好等于最优解，因此需要确定其终止条件。最常用的终止方法是规定遗传的代次。目标函数是方差这一类有最优目标值的问题时，可采用控制偏差的方法实现终止。一旦遗传算法得出的目标函数值与实际目标函数值之差小于允许值后，算法终止。终止条件也可通过检查适应函数值的变化来实现，如果群体平均适应度函数值变化率和最优个体适应函数值变化率小于许可精度，则可以认为群体处于稳定状态，群体进化基本收敛，可结束群体进化过程，否则继续群体的进化过程。综上可知:本发明不是简单的随机比较搜索，而是通过对染色体的评价和对染色体中基因的作用，有效地利用已有信息来指导搜索有希望改善优化质量的状态。以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质，对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
权利要求
1.基于自然选择和群体遗传机理的搜索方法，其特征在于，包括以下步骤: (a)首先,随机产生一组初始个体构成的初始群体,并评价每个个体的适应度值； (b)判断算法收敛准则是否满足； (C)根据适应度值大小以一定的方式执行选择操作化； (d)按照一定的交叉概率执行交叉操作； (e)按照一定的变异概率执行变异操作。
2.根据权利要求1所述的基于自然选择和群体遗传机理的搜索方法，其特征在于，所述步骤(e)结束后，返回步骤(b)。
3.根据权利要求1所述的基于自然选择和群体遗传机理的搜索方法，其特征在于，所述步骤(b)中，若算法收敛准则满足，则输出搜索结果。
4.根据权利要求1所述的基于自然选择和群体遗传机理的搜索方法，其特征在于，所述步骤(b)中，若算法收敛准则不满足，则继续执行步骤(C)。
全文摘要
本发明公开了一种基于自然选择和群体遗传机理的搜索方法，包括(a)首先，随机产生一组初始个体构成的初始群体，并评价每个个体的适应度值；(b)判断算法收敛准则是否满足；(c)根据适应度值大小以一定的方式执行选择操作化；(d)按照一定的交叉概率执行交叉操作；(e)按照一定的变异概率执行变异操作。本发明不是简单的随机比较搜索，而是通过对染色体的评价和对染色体中基因的作用，有效地利用已有信息来指导搜索有希望改善优化质量的状态。
文档编号G06N3/12GK103106536SQ20111037529
公开日2013年5月15日 申请日期2011年11月14日 优先权日2011年11月14日
发明者蒋波 申请人:蒋波