机械优化设计遗传算法PDF电子书下载

前言 1

第1章 绪论 1

1.1　生物进化的基本知识 1

目录 1

1.2　遗传算法简述 3

1.3　遗传算法的特点 7

1.4　遗传算法的发展概况 8

1.5　遗传算法在机械工程中的应用前景 10

2.1.1　模式的定义 12

第2章　遗传算法的数学基础理论 12

2.1　模式定理 12

2.1.2　模式定理的引证 14

2.2　隐含并行性 19

2.3　基因块假设 20

2.4　欺骗性问题 22

2.5　遗传算法的收敛性 27

2.5.1　基本定义 27

2.5.2　守恒交叉算子 29

2.5.3　完全变异算子 30

2.5.4　遗传算法的马尔可夫链分析 31

第3章　遗传算法的实现方法 34

3.1　编码方法 34

3.1.1　编码原则 34

3.1.2　二进制编码方法 35

3.1.3　格雷码编码方法 37

3.1.4　实数编码 38

3.1.6　可变长编码方法 39

3.1.5　多参数映射编码 39

3.2　群体设定 40

3.3　适应度函数 41

3.3.1 目标函数映射成适应度函数 41

3.3.2　适应度标度变换 42

3.3.3　适应度函数的设计对遗传算法的影响 44

3.4　遗传算子 45

3.4.1　选择算子 45

3.4.2　交叉算子 47

3.4.3　变异算子 49

3.5　遗传算法运行参数的选择 52

3.6　约束条件的处理问题 54

3.6.1 区域约束的处理方法 55

3.6.2　处理一般约束的方法 55

3.6.3　罚函数方法 56

第4章 组合优化的遗传算法 58

4.1　混合遗传算法 58

4.1.1　概述 58

4.1.2　混合遗传算法的基本构成原则 58

4.2　模拟退火算法 59

4.2.1　概述 59

4.2.2　模拟退火算法（SA） 60

4.2.3　冷却进度表 62

4.2.4　模拟退火算法的改进和变异 69

4.3　遗传模拟退火算法 73

4.4.1　概述 74

4.4　二倍体与显性操作算法 74

4.4.2　遗传算法中的二倍体结构与显性技术 76

4.5　小生境技术 77

4.5.1　概述 77

4.5.2　遗传算法中小生境技术的实现方法 78

4.6　背包问题（Knapsack problem） 81

4.6.1　问题描述 81

4.6.3　适应度函数 82

4.6.4　混合遗传算法在求解背包问题中的应用 82

4.6.2　遗传编码 82

4.7　装箱问题 84

4.7.1　问题描述 84

4.7.2　装箱问题的启发式算法 85

4.7.3　遗传编码 85

4.7.4　遗传算子 87

4.7.5　适应度函数 88

4.7.6　初始群体 89

4.8　遗传模拟退火算法解平面连杆变幅机构轨迹优化问题 89

4.8.1　求解连杆曲线非线性方程组的同伦算法 89

4.8.2　平面连杆变幅机构轨迹优化模型 91

4.8.3　遗传退火算法 93

4.8.4　实际工程算例 95

第5章　并行遗传算法 97

5.1　概述 97

5.1.1　遗传算法源于自然的并行性 97

5.1.2　遗传算法理论中的并行性 97

5.1.3　遗传算法并行化的目的和存在的问题 98

5.2　遗传算法的并行性分析和实现方法 99

5.2.1　遗传算法的并行性分析 99

5.2.2　并行遗传算法的实现方法 100

5.2.3　并行遗传算法的硬件支持环境及性能评价 101

5.3　单群体并行遗传算法 102

5.3.1　主从式并行方法（Master-slave） 102

5.3.2　异步同时式并行遗传算法 103

5.3.3　单群体并行遗传算法的效能特点 104

5.3.4　单群体并行遗传算法的研究现状 104

5.4.1　多群体并行方法的基本原理 105

5.4　多群体并行遗传算法 105

5.4.2　多群体并行遗传算法模型描述 107

5.4.3　踏脚石群体模型（Stepping-stone Model） 109

5.4.4 粗粒度孤岛模型 111

5.4.5　细粒度邻域模型 113

5.5　并行遗传算法的层次模型 115

5.6　伪并行遗传算法简介 117

5.6.1　伪并行遗传算法的基本思想 117

5.6.2　伪并行遗传算法描述 117

5.7.1 目标函数 118

5.7　并行遗传算法在天线结构优化设计中的应用 118

5.7.2　约束条件 119

5.7.3　多群体并行遗传算法 119

5.7.4　算法实例 120

第6章　基于神经网络的遗传算法 124

6.1　基本神经元模型 124

6.2　BP网络 126

6.3　神经网络的遗传算法 . 129

6.3.1　神经网络连接权的进化方法 129

6.3.2　神经网络结构的进化方法 132

6.3.3　神经网络学习规则的进化 137

6.4　基于神经网络和遗传算法的斜齿圆柱齿轮传动优化设计 138

6.4.1　数学模型 139

6.4.2　斜齿圆柱齿轮传动优化模型的遗传算法实现 140

6.4.3　神经网络模型 141

6.4.4　优化结果 143

第7章　模糊优化的遗传算法 144

7.1　引言 144

7.2.1　对称模糊优化的基本思想 145

7.2　模糊优化的概述 145

7.2.2　非对称模糊优化的最优水平截集法 146

7.3　多目标遗传算法的模糊优化 148

7.3.1　多目标优化问题 148

7.3.2　遗传多目标优化 148

7.4　行星齿轮多目标模糊优化的遗传算法 151

7.4.1　建立多目标模糊优化数学模型 151

7.4.2　基于遗传算法的多目标优化模型求解 153

7.4.3　工程算例 154

第8章　机械优化设计的遗传算法 155

8.1　遗传算法在机构优化设计中的应用 155

8.1.1 平面六杆机构优化设计的遗传算法 155

8.1.2　平面四杆机构优化设计的遗传算法 159

8.1.3　带液压缸平衡机构优化设计的遗传算法 162

8.2　遗传算法在螺栓弹簧优化设计中的应用 166

8.2.1　紧固螺栓优化设计的遗传算法 166

8.2.2　弹簧优化设计的遗传算法 168

8.3　遗传算法在机械传动方案中的应用 170

8.4　遗传算法在齿轮传动优化设计中的应用 173

8.4.1　锥齿轮传动模糊优化的遗传算法 173

8.4.2　少齿差行星齿轮传动参数优化设计的遗传算法 176

8.4.3　圆柱齿轮减速机优化设计的遗传算法 180

8.5　新型节能电磁换向阀优化设计的遗传算法 183

8.6　机械零件可靠性设计的遗传算法 185

8.6.1 自适应遗传算法用于机械零件的可靠性设计 185

8.6.2　牙嵌式离合器可靠性优化设计的遗传算法 189

参考文献 194