一种减少智能优化算法计算耗时的方法
【专利摘要】本发明涉及一种减少智能优化算法计算耗时的方法，采用遗传算法(GA)对机械设计领域的高重合度人字齿轮修形优化设计问题进行优化求解时，以修形参数为设计变量，以沿啮合线方向的振动加速度的均方根值为目标函数。由于适应值计算的过程复杂，包括人字齿轮承载接触分析(LTCA)，非线性动力学微分方程的求解等，计算适应值的耗时在工程中是不能接受的。因此，应用本发明所述的方法减小遗传算法适应值计算过程中的计算耗时，关键在于对部分计算个体的适应值进行预测，取代耗时的适应值计算。
【专利说明】-种减少智能优化算法计算耗时的方法
【技术领域】
[0001] 本发明属于计算机在智能优化算法中减少计算耗时的方法，具体设及一种减少智 能优化算法计算耗时的方法，是一种利用适应值预测来减少智能优化算法计算耗时的方 法。
【背景技术】
[0002] 基于群体的智能优化算法，如遗传算法（GA)、蚁群算法（ACO)、粒子群算法（PSO) 等，由于相比于传统优化算法具有更快的寻优速度、更好的全局收敛性能、对初值选取的不 敏感性、W及解决不连续、多峰、高维优化问题的能力，在复杂机械系统优化设计中得到广 泛的应用。然而，该些智能优化算法都面临着寻优过程中适应值计算的耗时问题。例如有些 黑盒问题，该类问题不能直接给出明确的适应值计算模型，通常需要使用有限元分析（FEA) 仿真或计算流体力学（C抑）进行适应值计算，而该些仿真也是非常费时的。Yaochu Jin在 文献中描述了进行一次=维流体仿真，在高性能计算机上需要消耗超过10个小时；G. Gary Wang在文献中描述了福特摩托公司执行一次碰撞仿真模拟大概需要36小时到160小时。 如果要对该种问题进行种群迭代优化，那么该个优化的时间在工程中是无法接受的。
[0003] 目前，提高智能优化算法运行速度的方法主要有两种；一种是采用并行算法，其实 现原理为；主处理器监控整个种群，而子处理器完成费时的适应值计算，并根据一定规则与 主处理器交换数据。并行算法的有效性取决于通信时间与计算时间的博弈，当通信时间大 于计算时间，反而降低算法的效率。此外，并行算法的实现还依赖于组建高性能计算平台， 实现口槛较高，不具备通用性和易用性。另一种是使用预测策略，对部分个体的适应值进行 预测，从而避开耗时的适应值计算。目前，比较常用的适应值预测方法主要包括；多项式回 归、Kriging模型、人工神经网络（ANN)、支持向量机（SVM)等。该些模型都属于样本预测模 型，构建此类模型的实质在于通过对大量样本数据的学习实现对原始适应值函数的逼近， 模型构建的正确性与选取的样本有很大关系。而选取大量样本数据，本身也需要大量的时 间消耗。
【发明内容】
[0004] 要解决的技术问题
[0005] 为了避免现有技术的不足之处，本发明提出一种减少智能优化算法计算耗时的方 法，减小智能优化算法计算消耗的方法存在实现口槛高、通用性不强或需要选取大量样本 数据的缺点。该方法容易实现，通用性强，且避开了需要选取大量数据样本的缺点。
[0006] 技术方案
[0007] 一种减少智能优化算法计算耗时的方法，其特征在于步骤如下：
[000引步骤1 ;初始化种群数据库化pulation和历史种群数据库化story_Data ;
[0009] 所述初始化种群数据库化pulation的操作为：指定种群规模化psize，指定编码 方式，给种群中每个个体随机产生一个基因编码L (i)，置每个个体的适应值fitness (i)和 适应值可信度R(i)均为0 ;
[0010] 所述初始化历史种群数据库化story_Data的操作为；置历史种群数据库 History_Data 为空；
[0011] 步骤2 ;将当前种群化pulation中所有个体的基因编码进行解码操作，获得对应 个体的表现型X ;所述表现型X指的是个体优化变量的真实值；
[001引步骤3;计算当前种群适应值共享半径/;0)二弓'/單野;[|丽(.。0))-11110(-。0))}， 其中；max户4 (0)和minP/. (0/)分别表示第t代种群个体在第k维的无量纲坐标的上界和 下界，n表示优化变量的总维数，q为压缩因子；
[0013] 所述无量纲坐标的计算为
【权利要求】
1. 一种减少智能优化算法计算耗时的方法，其特征在于步骤如下： 步骤1 :初始化种群数据库Population和历史种群数据库History_Data; 所述初始化种群数据库Population的操作为：指定种群规模Popsize，指定编码方式， 给种群中每个个体随机产生一个基因编码L(i)，置每个个体的适应值fitness(i)和适应 值可信度R(i)均为〇 ; 所述初始化历史种群数据库History_Data的操作为：置历史种群数据库History_Data为空； 步骤2 :将当前种群Population中所有个体的基因编码进行解码操作，获得对应个体 的表现型X;所述表现型X指的是个体优化变量的真实值；
中：maxpi(/》和minfri(/》分别表示第t代种群个体在第k维的无量纲坐标的上界和下 界，n表示优化变量的总维数，q为压缩因子；
其中：max(xk)和min(xk)分别表示优化变量xk的上界和下界； 步骤4 :在历史种群数据库History_Data中找出适应值共享区域Q(i)包含的个体的 集合S，具体步骤为： 步骤DL对于历史种群数据库History_Data中的一个个体j，计算其到个体i的无量 纲欧氏距离^; 步骤D2.若个体i和j之间的无量纲欧氏距离A小于适应值共享半径rs，则将个体j放到集合S中； 步骤D3.循环执行步骤Dl?D2,直至历史种群数据库History_Data中的所有个体都 已完成计算和判断； 所述适应值共享区域D(i)为变量空间中与个体i的无量纲欧氏距离小于适应值共享 半径匕的超空间区域； 所述无量纲欧氏距离3为：J=I二I7 其中：f和文7分别为个体i和j的无量纲坐标，II?II2表示对?求2范数； 步骤5 :根据集合S= (S1,S2, ...，sm}中的个体信息计算个体i的适应值可信度R(i);
式中，表示个体i的适应值共享区域Q(i)中包含的一个个体，R(sp表示该个体的 可信度，《 (sp表示该个体可信度对于个体i的可信度的贡献权重；
式中，IU=U,...,表示个体Sj到个体i的无量纲欧氏距离；a为权重放缩系数； 步骤6、根据适应值可信度R(i)计算该个体的适应值fitness(i):首先判断可信 度R(i)是否超过信任阈值R%若R(i)多R%则按照加权平均法预测个体i的适应值 fitness(i);否则，计算个体i的真实适应值fitness(i)，并置其适应值可信度R(i)为1 ;
式中，《 (Sj)是个体Sj对个体i的可信度的贡献权重，fitness(sp是个体Sj的适应 值； 步骤7 :将个体i的基因编码L(i)、表现型X(i)、适应值fitness(i)以及适应值可信 度R(i)依次添加到历史种群数据库History_Data中； 步骤8 :对历史种群数据库History_Data进行更新，步骤为： 步骤II.计算历史种群数据库History_Data中所有个体的冗余度Ip将历史种群数据 库Hist〇ry_Data中个体冗余度1,小于冗余度阈值/)的个体信息删除； 步骤12.降低历史种群数据库Hist〇ry_Data中所有个体的适应值可信度R，将历史种 群数据库Hist〇ry_Data中个体适应值可信度R低于给定剔除阈值Rtl的个体信息删除；
式中Ai以表示在变量空间的第k维上，个体i的前一个投影点与后一个投影点的坐 标差值（取绝对值），n是变量空间的维数； 所述步骤12中降低个体的适应值可信度R(t+1) = |3 ?R(t) 式中，R(t)表示当前的适应值可信度，R(t+1)表示下一代的适应值可信度，0是可信 度流失速率因子，且O< 0 < 1 ; 步骤9 :判断是否满足收敛准则，是则结束算法；否则，对种群进行进化操作，产生新的 种群，转步骤2。
【文档编号】G06F19/00GK104504289SQ201510016121
【公开日】2015年4月8日 申请日期:2015年1月13日 优先权日:2015年1月13日
【发明者】赵宁, 秋朋园, 赵永志 申请人:西北工业大学