周書敬++何潤田

摘要：在多目標快速群搜索算法（MQGSO）的基礎上，針對該缺點進行了約束處理方面的改進，引入了過渡可行域，提出了改進的多目標快速群搜索算法。改進后的算法，充分利用了過渡可行域中不可行解的價值。通過一10桿平面桁架的截面優(yōu)化，對改進后的算法進行了優(yōu)化性能測試。與MQGSO對比，改進后的算法收斂速度和收斂精度更優(yōu)，解集的分布也更加均勻，可以應用于實際工程的優(yōu)化設計中。

Abstract： The improved multi-objective quick group search optimizer， which is based on multi-objective quick group search optimizer， poses the idea of transition-feasible region. It makes full use of the value of infeasible solutions in the feasible region. The optimization result of the improved MQGSO algorithm was compared with the MQGSO algorithm by an example of a 10-bar planar truss structure. The improved MQGSO algorithm gets preferable convergence rate convergence precision and wide distribution. The improved multi-objective quick group search optimizer can be used for practical structural optimal design problems.

關鍵詞：智能算法；結構優(yōu)化；群搜索算法；桁架結構

Key words： intelligent algorithm；structure optimization；group search optimizer；truss structure

中圖分類號：TU323.4 文獻標識碼：A 文章編號：1006-4311（2016）32-0125-02

0 引言

由于實際工程結構的復雜性，單目標的優(yōu)化問題已不能滿足優(yōu)化的需要，越來越多的建筑工程師將焦點轉移到了多目標優(yōu)化問題中。傳統(tǒng)的多目標優(yōu)化算法是通過加權求和將多目標優(yōu)化問題轉化為單目標優(yōu)化問題。這種優(yōu)化方法原理簡單，計算方便，但解的利用價值不高。實際工程中的多目標優(yōu)化問題都存在一組均衡的解集，即Pareto最優(yōu)解集。本文結合Pareto支配關系理論與擁擠距離機制，對多目標快速群搜索算法MQGSO（Multi-objective Quick Group Search Optimizer）的約束處理方法進行了改進，提出了一種適用性更強的智能優(yōu)化算法——改進的多目標快速群搜索算法（以下用IMQGSO表示），并與多目標快速群搜索算法進行了對比。

1 多目標快速群搜索算法（MQGSO）

工程優(yōu)化設計中，多個目標之間往往是相互矛盾和相互制約的。這時，為了得到盡可能滿意的優(yōu)化結果，需要進行協(xié)調折中處理。MQGSO算法通過支配與非支配的關系來比較個體的適應值，從而得到一組Pareto最優(yōu)集。

發(fā)現(xiàn)者的選取對優(yōu)化結果至關重要，它直接關系到Pareto最優(yōu)集能否分布均勻及算法會不會進入局部收斂。為了保證解集的質量，在迭代搜索的前期，采用擁擠距離機制對解集進行更新和維護，并選取擁擠距離為無窮大的個體作為發(fā)現(xiàn)者，若精英集當中存在擁擠距離不為無窮大的個體，則可隨機選取其中一個作為發(fā)現(xiàn)者，這樣，解的分布性得到了優(yōu)化。在迭代搜索的后期，引入禁忌搜索算法，利用它的記憶功能，使算法對未被選擇過的個體進行搜索，從而避免了算法的局部收斂。

在算法迭代過程中，搜索者追隨發(fā)現(xiàn)者的同時，還不斷以一個隨機步長對自己的歷史最優(yōu)位置進行更新，如公式（1），這樣摒棄了GSO中角度搜索的繁雜，汲取了PSO算法中步長搜索的精華。

游蕩者對發(fā)現(xiàn)者進行隨機搜索，結合自身的歷史位置，同時以一定的概率變異，與發(fā)現(xiàn)者交換信息。這樣大大提高了算法的多樣性，也提升了算法的收斂精度。具體如公式（2）：

在約束處理方面，MQGSO算法借助外點罰函數(shù)來約束違反性能約束的粒子。這種處理方式忽略了許多有用的信息。有時位于可行域邊界附近的不可行解的利用價值很高，甚至有可能優(yōu)于可行解。針對MQGSO的缺點，本文對其約束處理的方式進行了改進，提出了新的算法—改進的多目標快速群搜索算法（IMQGSO）。

2 改進的多目標快速群搜索算法（IMQGSO）

受多目標群搜索算法（MGSO）的啟發(fā)，本文引用了過渡可行域，對可行域邊界附近的不可行解進行分析，提取有價值的信息。用d（x，F(xiàn)）表示搜索空間內的任一點x與可行域F之間的距離。若d（x，F(xiàn)）=0，則x∈F；若d（x，F(xiàn)）>0，則x？埸F。給定一正數(shù)ε∈R+，將0

發(fā)現(xiàn)者的選取至關重要，直接關系到個體的更新、解集的分布和結果的收斂，而過渡可行域可以保證發(fā)現(xiàn)者是可行域或過渡可行域中的個體，進一步保證了算法進化方向的正確性。

3 IMQGSO算法的計算流程

①隨機初始化種群中每個成員的位置，并初始化上下限值；②確定過渡可行域的寬度ε；③選取發(fā)現(xiàn)者：計算每個個體的適應值，根據(jù)Pareto支配關系構造非支配集并計算擁擠距離，選取擁擠距離最大的個體作為發(fā)現(xiàn)者；④設置數(shù)量為M的精英集和外部容量無窮大的非劣解集，利用擁擠距離機制對收集到的所有非劣解進行排序，精英集收集前M個非支配集，若不足M個，則全部收集。⑤若該個體的擁擠距離無窮大，則該個體為發(fā)現(xiàn)者；若[0，1]均勻分布隨機數(shù)r小于維變異概率ω3，則該個體為搜索者，考慮自身信息并以一個隨機步長向發(fā)現(xiàn)者靠近；否則為游蕩者，生成游蕩者變異，做完全隨機搜索；⑥計算每個個體的適應值，重新構造非支配集，按照之前的原則更新精英集并重新選取發(fā)現(xiàn)者；⑦若達到最大迭代次數(shù)，則結束計算；否則，返回步驟⑤繼續(xù)計算。

4 應用算例

以某10桿平面桁架為例，如圖1所示，各桿件為鋁合金材料，彈性模量E=6.887×1010N/m3，材料密度ρ=2.767×103kg/m3，各個桿件的許用拉壓應力[σ]=±1.722×102MPa，荷載p=444.5kN，①②③④⑤⑥桿的長度均為9.144m。目標函數(shù)為結構總重量W最小及2、3、5、6節(jié)點沿荷載方向的最大位移δ最小。結構優(yōu)化變量為桿件的橫截面積。約束條件為：各桿的應力σ小于許用應力[σ]，各桿的橫截面積S滿足6.452mm2？燮S？燮25806.4mm2。

桁架優(yōu)化計算時，種群個數(shù)設定為300，精英集的容量設定為50，過渡可行域的寬度設定為0.1[σ][7]，分別進行200次、500次迭代，并將計算結果與改進前的MQGSO算法進行對比，如圖2和圖3所示。

由圖2、圖3可以明顯看出，IMQGSO的Pareto非劣解集均支配MQGSO算法的非劣解集。經(jīng)過200次迭代后，改進的多目標快速群搜索算法的理想解（minW，minδ）=（662.317kg，0.024m）較多目標快速群搜索算法（MQGSO）的理想解（minW，minδ）=（878.227kg，0.026m）更優(yōu)；經(jīng)過500次迭代后，改進的多目標快速群搜索算法的理想解（minW，minδ）=（491.156kg，0.021m）較多目標快速群搜索算法（MQGSO）的理想解（minW，minδ）=（746.374kg，0.024m）亦更優(yōu)。同時，同一算法，500次迭代后的結果優(yōu)于200次迭代的結果。

5 結論

本文對MQGSO算法的約束處理方式進行了改進，得到了新的優(yōu)化算法--IMQGSO算法，并通過實例對該算法的優(yōu)化性能進行了檢測。結果證明：改進后的算法收斂速度和收斂精度均有了很大提高，解集分布也更加均勻，可以廣泛的應用于工程結構的優(yōu)化設計中。

參考文獻：

[1]任鳳鳴，王春，李麗娟.多目標群搜索優(yōu)化算法及其在結構設計中的應用[J].廣西大學學報：自然科學版，2010，35（2）：216-221.

[2]金晶，李麗娟，何嘉年，劉鋒.基于快速群搜索算法的鋼框架結構多目標優(yōu)化[C]//全國現(xiàn)代結構工程學術研討會，2013.

[3]金晶，李麗娟，何嘉年，等.快速群搜索算法用于桁架結構多目標優(yōu)化[J].空間結構，2013，19（4）：47-53.

[4]李麗娟，黃振華，劉鋒.用于結構優(yōu)化設計的改進多目標群搜索算法[J].工程設計學報，2013，20（1）：11-17.

[5]黃振華.基于群搜索算法的桁架結構多目標優(yōu)化研究[D].廣東工業(yè)大學，2013.

[6]He S，Wu Q H，Saunders J R.A Novel Group Search Optimizer Inspired by Animal Behavioral Ecology[C].Evolutionary Computation，2006.CEC 2006.IEEE Congress on.IEEE， 2006：1272-1278.

[7]Shikai Zeng，Lijuan Li.The Particle Swarm Group Search Optimization Algorithm and Its Application on Structural Design[J].Advanced Science Letters，2011（3）：900-905.

[8]張雯雰，劉華艷.改進的群搜索優(yōu)化算法在MATLAB中的實現(xiàn)[J].電腦與信息技術，2010，18（3）：44-46.

[9]Fragiadakis M， Lagaros N D. An overview to structural seismic design optimisation frameworks[J]. Computers & Structures， 2011，89（89）：1155-1165.

[10]張雯雰，陸武魁，羅玉玲.群搜索優(yōu)化算法在桁架結構優(yōu)化中的應用[J].現(xiàn)代計算機：專業(yè)版，2009（12）：17-20.