多島遺傳算法的案例
ISIGHT里面的部分優化方法介紹
（7）序列二次規劃法（DONLP）：
此方法對拉各朗日法的海森矩陣進行了微小的改動，進行變量的縮放，并且改善了armijo型步長算法。這種算法在設計空間中通過梯度投影法進行搜索。
（8）序列二次規劃法（NLPQL）：
這種算法假設目標函數是連續可微的。基本思想是將目標函數以二階拉氏方程展開，并把約束條件線性化，使得轉化為一個二次規劃問題。二階方程通過quasi－Newton公式得到了改進，而且加入了直線搜索提高了算法的穩定性。
（9）逐次逼近法（SAM）：
逐次逼近法把非線性問題當作線性問題來處理。使用了稀疏矩陣法和單純形法求解線性問題。如果某個變量被聲明成整型，單純形法通過重復大量的矩陣運算來達到預期的最優值。逐次逼近法是在M. Berkalaar和J.J. Dirks提出的二次線性算法。
2.探索優化方法
探索優化法避免了在局部出現最優解的情況。這種方法通常在整個設計空間中搜索全局最優值。iSIGHT中有以下兩種：
（1）多島遺傳算法（MIGA）：
在多島遺傳算法中，和其他的遺傳算法一樣每個設計點都有一個適應度值,這個值是建立在目標函數值和約束罰函數值的基數上。個體如有好的目標函數值，罰函數也就有一個更高的適應度值。多島遺傳法區別于傳統遺傳算法的最大區別在于每個種群都被分為若干個子種群，也稱為島。分別在各自的子種群中進行傳統的遺傳算法。一些個體被選出來周期的“移民”到其他的島上。這種操作成為“移民”。有兩個參數控制著移民過程：移民間隔（每次移民之后繁殖后代的個數）；移民率（移民個體所占的百分比）。
（2）自適應模擬退火算法（ASA）：
自適應模擬退火算法非常適用于用算法簡單的編碼來解決高度非線性優化問題，尤其是當發現找全局目標值比尋求好的設計方法更為重要的時候。這種方法能夠辨別不同的局部最優解。該算法能夠以最小的成本就獲得最優解。
展開 ISIGHT中的優化方法
（7）序列二次規劃法（DONLP）：
此方法對拉各朗日法的海森矩陣進行了微小的改動，進行變量的縮放，并且改善了armijo型步長算法。這種算法在設計空間中通過梯度投影法進行搜索。
（8）序列二次規劃法（NLPQL）：
這種算法假設目標函數是連續可微的。基本思想是將目標函數以二階拉氏方程展開，并把約束條件線性化，使得轉化為一個二次規劃問題。二階方程通過quasi－Newton公式得到了改進，而且加入了直線搜索提高了算法的穩定性。
（9）逐次逼近法（SAM）：
逐次逼近法把非線性問題當做線性問題來處理。使用了稀疏矩陣法和單純形法求解線性問題。如果某個變量被聲明成整型，單純形法通過重復大量的矩陣運算來達到預期的最優值。逐次逼近法是在M. Berkalaar和J.J. Dirks提出的二次線性算法。
2. 探索優化方法
探索優化法避免了在局部出現最優解的情況。這種方法通常在整個設計空間中搜索全局最優值。iSIGHT中有以下兩種：
（1）多島遺傳算法（MIGA）：
在多島遺傳算法中，和其他的遺傳算法一樣每個設計點都有一個適應度值,這個值是建立在目標函數值和約束罰函數值的基數上。個體如有好的目標函數值，罰函數也就有一個更高的適應度值。多島遺傳法區別于傳統遺傳算法的最大區別在于每個種群都被分為若干個子種群，也稱為島。分別在各自的子種群中進行傳統的遺傳算法。一些個體被選出來周期的“移民”到其他的島上。這種操作成為“移民”。有兩個參數控制著移民過程：移民間隔（每次移民之后繁殖后代的個數）；移民率（移民個體所占的百分比）。
（2）自適應模擬退火算法（ASA）：
自適應模擬退火算法非常適用于用算法簡單的編碼來解決高度非線性優化問題，尤其是當發現找全局目標值比尋求好的設計方法更為重要的時候。
展開 iSIGHT中優化方法種類
（7）序列二次規劃法-Sequential Quadratic Programming（SQP-DONLP）：
此方法對拉各朗日法的海森矩陣進行了微小的改動，進行變量的縮放，并且改善了armijo型步長算法。這種算法在設計空間中通過梯度投影法進行搜索。
（8）序列二次規劃法（SQP-NLPQL）：
這種算法假設目標函數是連續可微的。基本思想是將目標函數以二階拉氏方程展開，并把約束條件線性化，使得轉化為一個二次規劃問題。二階方程通過quasi－Newton公式得到了改進，而且加入了直線搜索提高了算法的穩定性。
（9）逐次逼近法- Successive Approximation Method（SAM）：
逐次逼近法把非線性問題當做線性問題來處理。使用了稀疏矩陣法和單純形法求解線性問題。如果某個變量被聲明成整型，單純形法通過重復大量的矩陣運算來達到預期的最優值。逐次逼近法是在M. Berkalaar和J.J. Dirks提出的二次線性算法。
2、探索優化方法
探索優化法避免了在局部出現最優解的情況。這種方法通常在整個設計空間中搜索全局最優值。iSIGHT中有以下兩種：
（1）多島遺傳算法-Multi-Island.GA（MIGA）：
在多島遺傳算法中，和其他的遺傳算法一樣每個設計點都有一個適應度值,這個值是建立在目標函數值和約束罰函數值的基數上。個體如有好的目標函數值，罰函數也就有一個更高的適應度值。多島遺傳法區別于傳統遺傳算法的最大區別在于每個種群都被分為若干個子種群，也稱為島。分別在各自的子種群中進行傳統的遺傳算法。一些個體被選出來周期的“移民”到其他的島上。這種操作成為“移民”。
展開 兩篇關于多目標遺傳算法NSGA
詳細介紹了iSIGHT中的多目標遺傳算法NSGA-II
1. A Fast and Elitist Multiobjective Genetic Algorithm:NSGA-II
2. An efficient constraint handling method for genetic algorithms
下載解壓縮
NSGA-II.part1.rar
NSGA-II.part2.rar
NSGA-II.part3.rar
NSGA-II.part4.rar
NSGA-II.part5.rar
Isight耦合ANSYS APDL優化分析案例及算法講解 ￥299
Isight中有很多算法，比如拉丁超立方、多島遺傳算法、多目標優化算法等等，共計十幾種算法，相信大家在學習中一定犯暈。其實這么多算法中，按大類分的話包括：試驗設計、梯度優化、直接搜索、全局優化及多目標優化五類，各類優化算法有各自的優缺點，對于我們初級、中級使用者來說，只要學會選擇相應算法即可，而不必過于糾結各類算法的原理。小編以簡支梁應力計算為例，詳細講解Isight中的優化算法及應用，并詳細講解Isight與ANSYS APDL耦合及優化結果分析。QQ: 315673349
展開 鑄鋁一體化發動機罩的可靠性優化設計
3.2.4基于MIGA算法的鑄鋁一體化發動機罩優化
對于輕量化而言，最理想的結果是不僅簡化了發動機罩的質量，還能提高發動機罩的力學性能。多島遺傳算法相比于標準遺傳算法具有較高的計算效率，可以避免遺傳算法中局部最優解陷阱。鑄鋁一體化發動機罩的多島遺傳算法的參數設置見表4。
許多試驗設計在本質上往往屬于多目標優化問題，因為它們通常涉及多個指標。以鋼制發動機罩的剛度性能為約束，在鑄鋁一體化發動機罩的輕量化優化設計中，約束一階模態G6越大越好，質量M越小越好，構建確定性分析數學模型如下。
3.2.5優化結果分析
利用Isight軟件經過8002次迭代計算，第7815個結果被選為全局最優解。該最優解同時滿足5個約束條件的情況下，目標質量也為最小。因此，最優解的厚度為T1=3.2906mm、T2=2.2485mm、T3=3.9989mm。經有限元仿真計算后，可得出優化模型值與仿真分析值的誤差均小于5%，優化結果基本吻合。通過確定性優化結果與原鋼制發動機罩進行比較，見表5，約束一階模態提高了48.57%，質量減輕了18.22%。
3.3可靠性優化
與傳統的確定性優化相比，6Sigma可靠性優化增加了目標函數中目標的均方誤差，以尋求最優解。可靠性設計的表達式為：
式中：μ為目標函數的均值；P[gj(x)≤0]為滿足數目為j的約束函數的概率；Rj為約束函數為gj(x)的期望可靠度。
展開 208基于matlab的多目標遺傳算法的無人機航路規劃 ￥49.9
基于matlab的多目標遺傳算法的無人機航路規劃。在三維航路中進行航路代價估計，綜合考慮路徑長度、隱蔽性、危險度，規劃出最優路徑。輸出3D規劃路徑。程序已調通，可直接運行。
多目標水資源系統運行決策優化的遺傳算法1
多目標水資源系統運行決策優化的遺傳算法
方紅遠1，鄧玉梅2，董增川3
(1.揚州大學；2.國家防汛抗旱總指揮部辦公室；3.河海大學)
摘 要：針對一多目標水資源系統優化運行問題，本文闡述了多目標決策遺傳算法(MODGA)的應用。按遺傳算法原理，采用浮點向量表達解的結構；并依據多目標決策協調規劃法定義適應度為任一目標點與理想點的距離。對構建的模型，文中使用的計算方法的收斂過程相當有效，計算結果合理。
關鍵詞：多目標決策；水資源系統；遺傳算法
在過去的20多年中，基于計算機的各種智能算法已在許多領域得到應用，其中遺傳算法(GA)是運用較普遍的一種方法。這種搜索法借助于生物激勵機制，通過種群換代達到改善參與競爭的染色體的特征［1，2］。GA法是一種隨機優化技術，它是通過產生準隨機數代替候硯以完成解空間的搜索，隨著種群的不斷換代，前代候硯的概率分布相應地被后代更新。雖然由于生成各代種群中染色體的隨機性能否確保達到全局最優搜索尚無定論，但GA法的高度魯棒性以及在許多領域的成功應用，仍使它成為一種具有吸引力的尋優方法。水資源系統規劃與管理中的許多問題都屬于復雜的多狀態、多目標離散化問題。多目標決策遺傳算法(MODGA)在每一代種群的更新過程中，都能產生大量滿足決策指標的權衡解，故它能給出一個較廣范圍的非劣解［5］。本文以解決這一實際的多目標水資源系統優化運行問題為例，闡述GA法在水資源多目標決策中的應用。
1 系統概況
蘇北平原湖區水資源短缺現象普遍存在，供需矛盾十分突出，而已有的多級泵站提水調水成本較高，如何通過科學規劃和管理，使系統能有效利用天然徑流和已建工程調蓄能力，滿足工業、農業、生活和航運用水的需求，是該地區水資源合理利用的一個重要課題［7］。
展開 多目標優化之非支配排序遺傳算法（NSGA-II） ￥39.99
遺傳算法GA ( Genetic Algorithms)是受生物學進化學說和遺傳學理論的啟發而發展起來的，是一類模擬自然生物進化過程與機制求解問題的自組織與自適應的人工智能技術，是一種借鑒生物界自然選擇和自然遺傳機制的隨機的搜索算法，由Holland教授于1975年提出。
經過十幾年的努力，遺傳算法不論是在應用研究上，算法設計上，還是在基礎理論上，均取得了長足的發展，己經成為信息科學、計算機科學、運籌學和應用科學等諸多學科所共同關注的熱點研究領域。
遺傳算法雖然在過去的20年中得到了廣泛的應用，但研究人員己經意識到，遺傳算法采用簡單的、固定不變的進化策略對復雜應用場合的效果并不理想，傳統的遺傳算法逐漸暴露出一些缺點。所以，為了提高遺傳算法的性能，使其更好地應用于實際問題的解決中，研究者們開始對基本遺傳算法進行改進，通過不同的遺傳基因表達方式，不同的交叉和變異算子的選擇，特殊算子的引用，以及不同的再生和選擇方法，產生了以基本遺傳算法為核心的各種算法。遺傳算法的這些擴展和改進給一般問題特別是工業工程中的難以求解的優化問題帶來了新的希望和方向。
由于多目標優化問題在科學和工程實踐中普遍存在，但又缺少確實有效的解決方法，研究人員把目光投向了具有多方向和全局搜索特點的遺傳算法。遺傳算法的這一基本特點可以確保帶有潛在解的種群能夠一代一代地維持下來，這種從種群到種群的方法對于搜索Pareto解非常有益，因此，利用遺傳算法解決多目標優化問題極具研究意義。于是，遺傳算法應用于單目標問題之后的20多年以后，多目標遺傳算法逐漸成為研究熱點。
展開 兩篇關于多目標遺傳算法NSGA-II的好文章
詳細介紹了iSIGHT中的多目標遺傳算法NSGA-II
1. A Fast and Elitist Multiobjective Genetic Algorithm:NSGA-II
2. An efficient constraint handling method for genetic algorithms
下載解壓縮
NSGA-II.part1.rar
226 基于matlab的改進的量子遺傳算法對多變量函數尋優完整代碼 ￥12.2
基于matlab的改進的量子遺傳算法對多變量函數尋優完整代碼，內容詳細，包含運行說明，該代碼在量子旋轉門調整中做了一些改進，在“Qgate1”中可以看到，旋轉角度并不是固定不變的，而是將其與適應度以及根的值聯系起來，使得計算更為精確。程序已調通，可直接運行。
Isight耦合ANSYS APDL優化分析案例及算法講解
— 優化算法
Isight中有很多算法，比如拉丁超立方、多島遺傳算法、多目標優化算法
等等，共計十幾種算法，相信大家在學習中一定犯暈。其實這么多算法中，按大類分的話包括：試驗設計、梯度優化、直接搜索、全局優化及多目標優化五類，各類優化算法有各自的優缺點，對于我們初級、中級使用者來說，只要學會選擇相應算法即可，而不必過于糾結各類算法的原理。
02 項目概述
03 軟件配置
Isight耦合ANSYS APDL進行優化計算之前，需要對軟件進行配置，才能實現isight對ANSYS APDL的成功調用，主要是耦合計算的環境變量的設置及isight的install.bat批處理文件的運行。
展開 iSIGHT中優化方法種類
（7）序列二次規劃法（DONLP）：
此方法對拉各朗日法的海森矩陣進行了微小的改動，進行變量的縮放，并且改善了armijo型步長算法。這種算法在設計空間中通過梯度投影法進行搜索。
（8）序列二次規劃法（NLPQL）：
這種算法假設目標函數是連續可微的。基本思想是將目標函數以二階拉氏方程展開，并把約束條件線性化，使得轉化為一個二次規劃問題。二階方程通過quasi－Newton公式得到了改進，而且加入了直線搜索提高了算法的穩定性。
（9）逐次逼近法（SAM）：
逐次逼近法把非線性問題當做線性問題來處理。使用了稀疏矩陣法和單純形法求解線性問題。如果某個變量被聲明成整型，單純形法通過重復大量的矩陣運算來達到預期的最優值。逐次逼近法是在M. Berkalaar和J.J. Dirks提出的二次線性算法。
2探索優化方法
探索優化法避免了在局部出現最優解的情況。這種方法通常在整個設計空間中搜索全局最優值。iSIGHT中有以下兩種：
（1）多島遺傳算法（MIGA）：
在多島遺傳算法中，和其他的遺傳算法一樣每個設計點都有一個適應度值,這個值是建立在目標函數值和約束罰函數值的基數上。個體如有好的目標函數值，罰函數也就有一個更高的適應度值。多島遺傳法區別于傳統遺傳算法的最大區別在于每個種群都被分為若干個子種群，也稱為島。分別在各自的子種群中進行傳統的遺傳算法。一些個體被選出來周期的“移民”到其他的島上。這種操作成為“移民”。有兩個參數控制著移民過程：移民間隔（每次移民之后繁殖后代的個數）；移民率（移民個體所占的百分比）。
（2）自適應模擬退火算法（ASA）：
自適應模擬退火算法非常適用于用算法簡單的編碼來解決高度非線性優化問題，尤其是當發現找全局目標值比尋求好的設計方法更為重要的時候。這種方法能夠辨別不同的局部最優解。
展開 