遗传算法求解多方案设计问题的研究似的

遗传算法求解多方案设计问题的研究

99—4—10 A study on the problems of solving multiple scheme design by the use of genetic algorithm Ouyang Miaoan(South China University of S主要问题是所使用的材料cience and Technology, Postdoctoral Workstation of Foshan Enterprises) Abstract: This paper put forward a genetic algorithm for solving the problems of multiple scheme design in the design of intelligence. It discussed the key technique, including a kind of an improved genetic algorithm, for solving the problems of multi-scheme in genetic algorcthm and thus avoided a too early convergence at a partial optimum solution happened in the standard genetic algorithm and also accelerated the convergent speed in an overall optimization. An example of making solutions for multiple schemes in the modular synthesis of machine tools is presented. The genetic algorithm can settle problems effectively on the selection of modules and the "combined explos分析缘由：ion" in issues of combination.

Key words: Intelligent design, Genetic algorithm, Multiple schemede design, Modular synthesis of machine tool.

Fig 2 Tab 0 Ref 3“Jixie Sheji”81721 引言

智能设计是知识密集型工业阶段，设计自动化领域中，以追求最高效率求得工程系统最优方案或技术问题最优解为目的的计算机应用技术。工程问题的智能设计不可避免要面对多方案问题，多方案求解是工程问题普遍存在的问题，也是智能设计的关键问题之一，没有多方案也就没有方案的最优，没有最优方案也就体现不出智能设计的真正意义。然而，至今大保持空气流通；多数智能设计主题集中在知识获取、知识表示、知识处理、人机界面等方面。同时以往的智能系统，在解决多方案设计时，基本上采用一种原理综合方法，如形态学矩阵方法，键合图方法，这些方法一般从功能分析角度列举并组合出可选方案，但这些组合方法的方案数太多，且难以进行评价与优化，鉴于以上原因，有必要探索一种新的处理机制来解决智能设计中的多方案设计问题。

遗传算法（Genetic Algorithm, GA）是计算智能（CI）的一个分支，与人工神经络一样，遗传算法师法大自然，98.07从大自然的杰作——“生物进化”中得到灵感与启迪。自然界的进化过程总是客观地遵循着“物竞天演，适者生存”的法则。1961年，Bledsoe就已提出将生物学中的一些概念用于系统的分析研究，60年代末美国密歇根大学John Holland提出了遗传算法的概念，从此，“自然选择”的法则开始在工程应用中得到发展。1975年John Holland所著的《自然和人工系统中的适应性》（Adaptation in Natural and Artificial System）为生物学、控制论和人工智能综合应用的引导与分析奠定了整个算法的理论基础。遗传算法的研究特别对人工智能中计算智能的发展有着重要的意义，为计算智能这一新的学科打下了基础。

遗传算法的应用前景极为广泛，已应用于神经络结构优化设计、神经络权重训练，替代传统的优化设计、模糊逻辑控制器的矩阵的参数优化设计、决策支持系统、推销员路径的优化、VLSI数字电路设计。在制造领域，应用于广泛的制造智能系统中，如机构零部件和切削刀具的优化设计、生产调度、非线性系统的辨识、控制和测量系统等等。本文试图在智能设计中采用遗传算法，解决多方案求解问题。2 多方案求解的算法描述

2．1 遗传算法的数学描述

假设有一个待优化的问题：

F=f(x,y,z), F∈R, (x,y,z)∈C(1)式中：x,y,z——自变量，它可以是数值量，也可以是逻辑量，甚至可以是符号量。每一组xi,yi,zi∈C构成问题的一个解；

C——既可以看成自变量x,y,z的定义域，也可以看成TPV广泛利用于汽车、建筑、交通、电子电器领域问题的约束条件，或所有满足约束条件的解构成的解空间；

F——属于实数域R的一个实数，也可看成对一组解(xi,yi,zi)∈C的质量优劣的度量；

f——表示由解空间C到实数域R的一个映射，对它的唯一要求是它必须有定义，即对于一个确定的解(xi,yi,zi)∈C，都可算出一个确定的Fi与之对应。

优化目标是：找到(x0,y0,z0)∈C，使得F=f(x0,y0,z0)→max，在求解多方案问题时，应该找到一系列的解，得到最优解，次优解等等。

2．2 遗传算法求解多方案问题的求解策略

遗传算法采用群体全局搜索技术，初始群体的产生意味着多个初始方案的产生，这些初始方案其性态一般都不好，其好坏通过适合度计算来衡量，根据适合度的大小进行方案的排序，遗传算法的求解通过三种主要算子，即选种、杂交和突变来实现。算子的目的是产生新一代群体，即产生更好的方案，这种算子一连续生产预浸料半成品后会停止1段时间直进行到得到用户满意的一个或多个方案。遗传算法求解策略如图1所示。