使用MATLAB遗传算法实现弧形闸门主框架优化设计的详细资料说明

　　简要介绍了遗传算法的基本原理， 建立了弧形闸门主框架优化数学模型， 探讨了各种寻优算法的优劣及约束问题的处理方法， 并结合MATLAB 语言将遗传算法应用于该主框架优化设计中。结果表明， 遗传算法对闸门优化设计是有效的、可行的。

　　遗传算法（ Genetic Alg orithm， 简称GA） 是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索算法。它是模仿自然界生物进化过程中/ 物竞天择， 适者生存0 的原理而进行的一种多参数、多群体同时优化方法。经过20 多年的发展， 遗传算法已经在数据挖掘、生产调度、函数优化、机器学习、图像处理等领域得到成功的应用， 并显示出其良好的性能。本文利用遗传算法在函数优化方面的应用特点， 对弧形闸门主框架的结构优化进行探讨。

　　搜索最优解的方法， 据不完全统计目前已超过300 多种，大概可以归纳为3 类： 数学规划法、最优准则法和仿生学方法。对于非线性问题， 虽然方法很多， 但还没有一种通用的成熟方法， 这主要是非线性形式多样、程度不一的原因。目前数学规划法中的方法大致有如下几种： 一种是序列无约束极小化技术（ SUMT） ， 如惩罚函数法、乘子法等; 另一种是线性近似技术，如序列线性规划法、序列二次规划法、割平面法等; 第三种是探讨在约束边界处搜索的可行方向法， 如可行方向法、梯度投影法、广义简约梯度法等; 最后一种是只利用函数值不使用导数信息的直接法， 如复合形法、可变容差法、随机试验法等。

　　为评价数学规划法中各种算法的优劣， 不少学者采用统一考题对主要算法和相应软件进行了数值试验比较。近年KSchittkowske 与C Zillober 还应用基于有限元分析的结构优化程序通过79 个考题对主要几种非线性规划算法进行了考核，结果表明在效率与健壮性方面较好的是序列二次规划法。