CN105426965B - 一种应用于多目标区间遗传算法的排序方法 - Google Patents
一种应用于多目标区间遗传算法的排序方法 Download PDFInfo
- Publication number
- CN105426965B CN105426965B CN201510902573.8A CN201510902573A CN105426965B CN 105426965 B CN105426965 B CN 105426965B CN 201510902573 A CN201510902573 A CN 201510902573A CN 105426965 B CN105426965 B CN 105426965B
- Authority
- CN
- China
- Prior art keywords
- design
- individual
- population
- sub
- hypervolume
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用于多目标区间遗传算法的排序方法,根据设计对象确定设计变量与设计目标;搜索满足设计要求的个体,使用计算流体力学方法计算新个体的适应度,即设计目标值;根据设计目标值,同时使用超体积大小和非支配排序对所有个体进行排序,生成子种群一、子种群二;在子种群一中,计算所有个体的超体积,根据超体积大小,从大到小进行排序,考虑了解的区间特性;在子种群二中,使用非支配排序方法,对所有个体进行排序,解决多目标问题;将子种群一与子种群二合并排序;利用选择操作产生新种群:直至新种群符合收敛标准,设计过程结束。本发明同时解决了遗传算法的多目标问题和区间解问题。
Description
技术领域
本发明涉及区间设计技术领域,特别是涉及一种应用于多目标区间遗传算法的排序方法。
背景技术
遗传算法是一种全局优化算法,它把每个变量可能的解表示成一个染色体的片段,所有变量可能的解按顺序排列成一条完整的染色体,每条染色体代表进化过程中的一个个体,处于同一代的所有个体称为一个种群。在执行遗传算法之前,首先给出初始种群,也就是一些假设的解。然后,把这些假设解置于问题的环境中,并按照适者生存的原则,通过交叉、变异、选择等过程产生更适应环境的新一代种群。这样一代一代地进化,最后就会收敛得到问题的最优解。
使用遗传算法时,经常会涉及多目标问题以及区间解问题。多目标问题是指优化过程中存在多个优化目标,需同时考虑各目标对优化结果的影响。区间解问题是指遗传算法计算过程中,每个个体代表一个变量区间,优化结果需使用区间的形式表示。
对于多目标问题,可以使用非支配排序的方法对所有个体进行排序,进而选出最优个体。这里以最大化问题为例,表述非支配关系,对于两个任意个体A,B:
(1)对于任意目标函数f,均满足f(A)>f(B),称A占优或A支配B;
(2)若A不占优于B,且B不占优于A时,称A与B无差别。
非支配个体是指不被其它任何一个个体所支配的个体,它们的特点是如果对其中一个目标进行提高,必将损害其它至少一个目标。所有非支配个体构成或帕累托前沿,在帕累托前沿上的个体不受任何其它个体支配。
对于区间解问题,可使用超体积评价个体的区间性能,进而根据超体积大小对所有个体进行排序。超体积计算公式如下:
λ为勒贝格测度,y为帕累托前沿,yref为参考点。
当使用遗传算法对室内环境进行设计时,往往存在多个设计目标,而且期望的设计结果往往是一个区间范围,因此需同时解决多目标问题和区间解问题。仅使用非支配排序方法对个体进行排序,不能体现个体的区间特性;仅根据超体积大小对个体进行排序,需计算所有个体的超体积,计算量大。因此,现有方法不能很好解决此问题。
发明内容
针对上述的现有技术及存在的问题,本发明提出了一种应用于多目标区间遗传算法的排序方法,当使用遗传算法对室内环境进行设计时,实现了在一个区间范围同时解决多目标问题和区间解的问题。
本发明提出了一种应用于多目标区间遗传算法的排序方法,包括以下步骤:。
步骤1、根据设计对象确定设计变量与设计目标;座舱模型的设计变量为入口速度Vin,入口温度Tin,入口角度Ain、入口位置Lin以及出口位置Lout;座舱模型的设计目标是(1)|PMVc|<0.5;(2)0.1m/s<Vhead<0.2m/s;(3)Vfeat<0.2m/s;(4)ΔT<2.8℃。Vhead、Vfeat与ΔT代表头部速度、脚部速度与垂向温差,PMVc为修正的PMV,其计算公式如下:
PMVc=-0.0758PMV2+0.6757PMV-0.1262;
步骤2、利用遗传算法的交叉变异过程得到多组符合设计要求的设计变量值,计算新个体的设计目标值,即,根据设计变量值确定设计对象的边界条件,计算得到设计对象内部的速度、温度的分布,遗传算法交叉概率为0.8,变异概率为0.1,每代个体数为24,获得每个个体对应的设计目标值,收敛条件是得到8个满足设计要求的区间解;设计过程中,同时使用非支配排序和超体积对个体进行排序。使用非支配排序时,根据个体的设计目标值确定所有个体的排序;计算超体积时,首先确定不同设计变量的子区间,即变量变化范围,然后使用拉丁超立方体抽样的方法,在子区间内抽取一定量个体,进行计算,得到相应的设计目标值,最后选出满足设计要求的个体作为局部解,计算这些局部解构成的超体积;进而得到设计目标值;
步骤3、根据设计目标值,同时使用超体积大小和非支配排序对所有个体进行排序:若个体的设计目标值符合设计标准,将其归入子种群一;若个体的设计目标值不符合设计标准,将其归入子种群二;在子种群一中,计算所有个体的超体积,根据超体积大小,从大到小进行排序,考虑了解的区间特性,使用个体超体积大小评价解的区间特性,超体积越大,说明该个体所在的区间越好;在子种群二中,使用非支配排序方法,对所有个体进行排序,解决多目标问题;
步骤4、将子种群一与子种群二合并排序,子种群一排在子种群二之前;
步骤5、通过非支配排序方法对种群中的个体进行排序,并使用锦标赛算法进行选择,利用选择操作产生新种群:若新种群符合收敛标准,设计过程结束;否则继续进行交叉变异过程,产生新种群。
所述超体积的计算包括以下步骤:
确定不同设计变量的子区间,即变量变化范围,然后使用拉丁超立方体抽样的方法,在子区间内抽取一定量个体,以计算流体力学进行计算,得到相应的设计目标值,选出满足设计要求的个体作为局部解,计算这些局部解构成的超体积。
与现有技术相比,本发明同时解决了遗传算法的多目标问题和区间解问题。
附图说明
图1为本发明的一种应用于多目标区间遗传算法流程模型示意图;
图2为座舱模型示意图;
图3为解数量与遗传代数的关系;
图4为座舱模型设计计算量与遗传代数的关系。
具体实施方式
以下结合附图及具体实施方式,进一步详述本发明的技术方案。
座舱模型的设计变量为入口速度Vin,入口温度Tin,入口角度Ain、入口位置Lin以及出口位置Lout。入口和出口的尺寸相同,在窗户的上侧设置了14个可选的出入口,下侧设置了16个可选出入口。
表1、座舱模型设计变量参数
表1为各设计变量的变化范围及变化间隔。由于入口速度、入口温度以及入口角度是连续变量,入口位置及出口位置是离散变量,而区间解只针对连续变量,因此计算超体积时只考虑入口速度、入口温度以及入口角度三个变量。
座舱模型的设计目标如下:
(1)|PMVc|<0.5;(2)0.1m/s<Vhead<0.2m/s;(3)Vfeat<0.2m/s;(4)ΔT<2.8℃。Vhead、Vfeat与ΔT代表头部速度、脚部速度与垂向温差。PMVc为修正的PMV(predicted mean vote)公式,其计算公式如下:
PMVc=-0.0758PMV2+0.6757PMV-0.1262 (2)
遗传算法交叉概率为0.8,变异概率为0.1,每代个体数为24,使用计算流体力学技术(CFD)获得每个个体对应的设计目标值,收敛条件是得到8个满足设计要求的区间解。设计过程中,同时使用非支配排序和超体积对个体进行排序。使用非支配排序时,根据个体的设计目标值确定所有个体的排序。计算超体积时,首先确定不同设计变量的子区间,即变量变化范围,然后使用拉丁超立方体抽样的方法,在子区间内抽取一定量个体,进行CFD计算,得到相应的设计目标值,最后选出满足设计要求的个体作为局部解,计算这些局部解构成的超体积。
图3为解数量随遗传代数的变化曲线,遗传算法计算到13代时,设计过程结束,8个解分别产生于第1、3、4、7、8、11、13代,其中第7代同时产生了两个解。
设计过程得到了8个解,按出现的先后顺序使用字母a~h进行了编号,表2、表3分别为各个解对应的设计变量值与设计目标值。由于设计标准中并未说明头部速度越大越好,还是越小越好,因此分析最优解时,在头部速度满足设计要求的前提下,只对其它三个设计目标进行分析。结果显示,不存在任何一个解,使其所有设计目标值均优于其它解的设计目标值,因此无法通过简单的比较设计目标值确定最优解。
表2、各解对应的设计变量值
表3、各解对应的设计目标值
计算超体积时,只对入口速度、入口温度与入口角度三个参数进行抽样,抽样数量为20个,入口速度的子区间范围为±0.05m/s,入口温度的子区间范围为±0.5℃,入口角度的子区间范围为±5°,若区间范围超出设计变量的变化范围,使用设计变量的界限作为区间的边界。由于头部速度有两个界限值,无法判定值越大越好或越小越好,因此只考虑了|PMVc|、脚部速度和垂向温差和三个设计目标。计算超体积时参考点为(0.5,0.2,2.8),三个坐标分别代表|PMVc|、脚部速度(m/s)和垂向温差(℃)。
表4、局部解数量与超体积
表4为各解对应的局部解数量和超体积,N代表局部解数量,H代表超体积大小。解e拥有最大超体积,为此设计过程的最优解,使用控制区间形式表示的区间解为:Vin=1.25~1.3m/s,Tin=21.1~22.1℃,Ain=-41~-31°,Lin=No.4,Lout=No.15。其中:入口速度Vin,入口温度Tin,入口角度Ain、入口位置Lin以及出口位置Lout。No代表编号,入口和出口共30个可选位置,No.1代表第一个位置。
图4为计算量随遗传代数变化的曲线。遗传算法收敛时,共计算了355个case(计算量),其中195个case用于搜索解,160个case用于计算解的超体积。
Claims (2)
1.一种应用于多目标区间遗传算法的排序方法,其特征在于,该方法包括以下步骤:
步骤(1)、根据设计对象确定设计变量与设计目标;座舱模型的设计变量为入口速度Vin,入口温度Tin,入口角度Ain、入口位置Lin以及出口位置Lout;座舱模型的设计目标是(1)|PMVc|<0.5;(2)0.1m/s<Vhead<0.2m/s;(3)Vfeat<0.2m/s;(4)ΔT<2.8℃;Vhead、Vfeat与ΔT代表头部速度、脚部速度与垂向温差,PMVc为修正的PMV,其计算公式如下:
PMVc=-0.0758PMV2+0.6757PMV-0.1262
步骤(2)、利用遗传算法的交叉变异过程得到多组符合设计要求的设计变量值,计算新个体的设计目标值,即,根据设计变量值确定设计对象的边界条件,计算得到设计对象内部的速度、温度的分布,遗传算法交叉概率为0.8,变异概率为0.1,每代个体数为24,获得每个个体对应的设计目标值,收敛条件是得到8个满足设计要求的区间解;设计过程中,同时使用非支配排序和超体积对个体进行排序;使用非支配排序时,根据个体的设计目标值确定所有个体的排序;计算超体积时,首先确定不同设计变量的子区间,即变量变化范围,然后使用拉丁超立方体抽样的方法,在子区间内抽取一定量个体,进行计算,得到相应的设计目标值,最后选出满足设计要求的个体作为局部解,计算这些局部解构成的超体积;进而得到设计目标值;
步骤(3)、根据设计目标值,同时使用超体积大小和非支配排序对所有个体进行排序:若个体的设计目标值符合设计标准,将其归入子种群一;若个体的设计目标值不符合设计标准,将其归入子种群二;在子种群一中,计算所有个体的超体积,根据超体积大小,从大到小进行排序,考虑了解的区间特性,使用个体超体积大小评价解的区间特性,超体积越大,说明该个体所在的区间越好;在子种群二中,使用非支配排序方法,对所有个体进行排序,解决多目标问题;
步骤(4)、将子种群一与子种群二合并排序,子种群一排在子种群二之前;
步骤(5)、通过非支配排序方法对种群中的个体进行排序,并使用锦标赛算法进行选择,利用选择操作产生新种群:若新种群符合收敛标准,设计过程结束;否则继续进行交叉变异过程,产生新种群。
2.如权利要求1所述的应用于多目标区间遗传算法的排序方法,其特征在于,其中所述超体积的计算包括以下步骤:
确定不同设计变量的子区间,即变量变化范围,然后使用拉丁超立方体抽样的方法,在子区间内抽取定量个体,以计算流体力学进行计算,得到相应的设计目标值,选出满足设计要求的个体作为局部解,计算局部解构成的超体积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510902573.8A CN105426965B (zh) | 2015-12-09 | 2015-12-09 | 一种应用于多目标区间遗传算法的排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510902573.8A CN105426965B (zh) | 2015-12-09 | 2015-12-09 | 一种应用于多目标区间遗传算法的排序方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426965A CN105426965A (zh) | 2016-03-23 |
CN105426965B true CN105426965B (zh) | 2018-05-04 |
Family
ID=55505160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510902573.8A Expired - Fee Related CN105426965B (zh) | 2015-12-09 | 2015-12-09 | 一种应用于多目标区间遗传算法的排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426965B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038306A (zh) * | 2017-04-14 | 2017-08-11 | 哈尔滨工业大学 | 一种基于自适应遗传算法的最优拉丁超立方试验设计方法 |
EP4063469A4 (en) * | 2019-11-20 | 2023-08-30 | Tianjin University | REVERSE DESIGN DEVICE FOR GASIFICATION PROCESS AND PROCEDURE |
CN112825159B (zh) * | 2019-11-20 | 2022-11-29 | 天津大学 | 气化工艺参数区间确定装置及方法 |
CN111582552B (zh) * | 2020-04-16 | 2023-04-25 | 浙江大学城市学院 | 一种基于多目标遗传算法的共享单车停放点分配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7996344B1 (en) * | 2010-03-08 | 2011-08-09 | Livermore Software Technology Corporation | Multi-objective evolutionary algorithm based engineering design optimization |
US8015127B2 (en) * | 2006-09-12 | 2011-09-06 | New York University | System, method, and computer-accessible medium for providing a multi-objective evolutionary optimization of agent-based models |
CN103440377A (zh) * | 2013-08-27 | 2013-12-11 | 北京航空航天大学 | 基于改进并行de算法的飞行器气动外形优化设计方法 |
CN103473424A (zh) * | 2013-09-23 | 2013-12-25 | 北京理工大学 | 基于序列径向基函数代理模型的飞行器***优化设计方法 |
CN103473597A (zh) * | 2013-09-05 | 2013-12-25 | 中国寰球工程公司 | 一种基于遗传算法的天然气液化流程工艺参数优化方法 |
-
2015
- 2015-12-09 CN CN201510902573.8A patent/CN105426965B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8015127B2 (en) * | 2006-09-12 | 2011-09-06 | New York University | System, method, and computer-accessible medium for providing a multi-objective evolutionary optimization of agent-based models |
US7996344B1 (en) * | 2010-03-08 | 2011-08-09 | Livermore Software Technology Corporation | Multi-objective evolutionary algorithm based engineering design optimization |
CN103440377A (zh) * | 2013-08-27 | 2013-12-11 | 北京航空航天大学 | 基于改进并行de算法的飞行器气动外形优化设计方法 |
CN103473597A (zh) * | 2013-09-05 | 2013-12-25 | 中国寰球工程公司 | 一种基于遗传算法的天然气液化流程工艺参数优化方法 |
CN103473424A (zh) * | 2013-09-23 | 2013-12-25 | 北京理工大学 | 基于序列径向基函数代理模型的飞行器***优化设计方法 |
Non-Patent Citations (2)
Title |
---|
应用遗传算法求解流体力学反问题;吴宏平;《人民黄河》;20080331;第30卷(第3期);全文 * |
用于区间参数多目标优化问题的遗传算法;孙靖;《中国博士学位论文全文数据库 信息科技辑》;20121015;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105426965A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105426965B (zh) | 一种应用于多目标区间遗传算法的排序方法 | |
CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
CN106527381B (zh) | 一种面向并行批处理机动态调度的快速评估方法 | |
CN104899463B (zh) | 高炉铁水硅含量四分类趋势预报模型的建立方法及应用 | |
CN107203590B (zh) | 基于改进nsga-ii的个性化电影推荐方法 | |
CN109657847A (zh) | 基于粒子群优化支持向量回归的工业生产中故障预测方法 | |
CN104375478B (zh) | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 | |
CN106650314A (zh) | 预测氨基酸突变的方法及*** | |
CN103488561B (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
CN106934722A (zh) | 基于k节点更新与相似度矩阵的多目标社区检测方法 | |
CN104881707B (zh) | 一种基于集成模型的烧结能耗预测方法 | |
CN107909194B (zh) | ***级测试性设计多目标优化方法 | |
CN108460213A (zh) | 基于多聚类原型的t-s模型对炉腹煤气量的预测方法及程序 | |
CN108334898A (zh) | 一种多模态工业过程模态辨识与故障分类方法 | |
CN114167898A (zh) | 一种无人机收集数据的全局路径规划方法及*** | |
CN102129242A (zh) | 基于两层混合智能优化的批处理生产过程产品质量控制方法 | |
CN109493916A (zh) | 一种基于稀疏性因子分析的基因-基因交互作用识别方法 | |
CN111833970A (zh) | 一种水泥熟料质量表征参数预测模型构建方法及其应用 | |
CN105389442A (zh) | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 | |
Zhang et al. | Embedding multi-attribute decision making into evolutionary optimization to solve the many-objective combinatorial optimization problems | |
Wu et al. | Many-objective brain storm optimization algorithm | |
CN105550437A (zh) | 一种基于遗传算法的室内环境反向设计方法 | |
CN103902706A (zh) | 一种基于svm的大数据分类预测方法 | |
CN108537249A (zh) | 一种密度峰值聚类的工业过程数据聚类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180504 Termination date: 20211209 |
|
CF01 | Termination of patent right due to non-payment of annual fee |