基于多目标遗传算法的航空发动机多目标优化控制

《基于多目标遗传算法的航空发动机多目标优化控制》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、承诺书本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进行研究工作所取得的成果。尽我所知，除文中已经注明引用的内容外，本学位论文的研究成果不包含任何他人享有著作权的内容。对本论文所涉及的研究工作做出贡献的其他个人和集体，均已在文中以明确方式标明。本人授权南京航空航天大学可以有权保留送交论文的复印件，允许论文被查阅和借阅,可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段保存论文。(保密的学位论文在解密后适用本承诺书)作者签名：日期：III南京航空航天大学硕士学位论文第一章绪论1.1国内外遗传算法

2、发展状况[1][2]1.1.1遗传算法的产生与发展1859年达尔文创立的进化论，曾经作为生物界以及人类文明史上的一个里程碑，促进了科学技术的发展。20世纪60年代以来，生物学的进化论又被推广应用于工程技术，形成了一种新型的计算方法——进化算法（EvolutionaryAlgorithms），又称进化计算（EvolutionaryComputation）。通常，进化算法包括遗传算法（GeneticAlgorithms）、遗传规划（GeneticProgamming）、进化策略（EvolutionStrategies）、进化规划（Exolut

3、ionaryProgramming）等4种典型方法。它们在进化原则上是一致的，但是在实施进化的手段上却各有特点，互不相同。遗传算法（GeneticAlgorithm）简称GA，是美国密执安大学的JohnHolland教授于七十年代中期首先提出来的，它是一种在思想上与方法上都别具特色的新的搜索与优化方法。遗传算法是从生物进化的过程中得到灵感与启迪，模拟大自然“物竞天择，适者生存”的自然选择的法则创立的，但当时由于计算机的发展水平低，容量小，计算速度慢，而且遗传算法的计算量大，需要存储的信息多，难以应用于工程实际，因而没有受到广泛重视。但J.

4、H.Hollan与他的学生们一直坚持不懈的努力，进行了大量的理论研究并开拓其应用领域。八十年代中期以来，由于计算机容量和速度的不断提高，以及遗传算法本身的逐步成熟，遗传算法已经逐步引起了国际学术界的普遍重视，得到了迅速的发展。从这一时期开始，遗传算法和进化计算进入了蓬勃发展期，各种以遗传算法、进化计算为主题的国际会议定期在世界各地召开，有关遗传算法基础理论的学术活动也十分活跃。值得注意的是，20世纪80年代中期以前，国际上的学者主要是针对单目标简单遗传算法（SimpleGeneticAlgorithm，SGA）的相关理论和应用进行研究，进

5、入20世纪80年代中、后期，随着对大型复杂系统进行优化的需求日益增多，针对多目标遗传算法（Multi-objectiveEvolutionaryAlgorithm，MOEA）的研究和应用得到了广泛开展。Schaffer于1984年首次提出了多目标遗传算法的思想，开创了遗传算法应用于多目标优化的先例。他提出了一种名为向量评价1基于多目标遗传算法的航空发动机多目标优化控制[1]遗传算法（VectorEvaluatedGeneticAlgorithm,VEGA）的多目标遗传算法，VEGA的思想十分简单，实际上只是单目标遗传算法的扩展，同时存在很

6、多缺点，但它毕竟是利用遗传算法解决多目标优化问题的第一步，所以直到现在，它仍具一定的参考价值。Hajela和Lin于1992年提出一种基于加权求和的多目标问题求解方法。1993年，Fonseca和Fleming提出了一种基于Pareto秩排[3]序的多目标遗传算法MOGA（Multi-objectiveGeneticAlgorithm），它在保持种群多样性和提高算法的搜索效率等方面都采用了一些独到的想法，并引入了Pareto秩的概念来进行适值分配，这对后来多目标遗传算法的发展有着相当重要的影响。1994年，Horn、Nafpliotis和

7、Goldberg提出了基于Pareto支配性的[]4][5小生境遗传算法（NichedParetoGeneticAlgorithm，NPGA），在选择过程上作出了改进。同一年，印度学者Srinivas和Deb对Goldberg所提出的思想进行了发展，提出了名为NSGA（Non-DominatedSortingGeneticAlgorithm）的多[6]目标遗传算法，这一算法提出了一种名为快速无支配性排序的方法，按照无支配性对整个种群进行排序。1995年起，多目标优化算法出现了更多新的思想与变化。进入本世纪以后，各国学者不断对早期的多目标遗

8、传算法进行研究与改进，提出了一系列新型的多目标遗传算法，针对早期多目标遗传算法的不足，采用了许多更为先进合理的有利措施，取得了更加出色的优化效果。1.1.2国内遗传算法的发展状况在国内，对遗传