在船舶设计中应用新的多代理混合协同进化的粒子群优化方法外文翻译资料

 2022-07-28 14:22:18

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

在船舶设计中应用新的多代理混合协同进化的粒子群优化方法

作者：崔郝*，奥斯曼·图兰

格拉斯哥大学和斯特拉斯克莱德大学海军建筑与海洋工程系，格拉斯哥，G4 0LZ，英国

文章历史：

于2008年12月10日收到

2009年7月27日接受

关键词：优化、粒子群优化、船舶设计、多代理、“扰动”

摘要：

在本文中，提出了一种多目标“混合协同进化的粒子群优化”方法（HCPSO）。这种方法能够处理船舶设计领域的多个客观优化问题，同时优化了几个冲突的目标。所提出的方法是将共同演化和纳什均衡的特征与“干扰技术消除停滞”相结合的混合技术，该方法还提供了一种识别有效的帕累托（冲突）设计集合并选择一个共同进化方法和Nash-optima的组合通过利用更快的搜索和演进特性为HCPSO做出贡献，设计搜索在多代理设计框架内执行，以促进分布式同步协作。最广泛使用使用多目标优化的正式文献中的测试功能来测试HCPSO，此外，还提供了一个真实案例研究，即ROPAX容器的内部细分问题，以举例说明开发方法的适用性。

引言：

船舶设计是一个动态过程，近年来船舶设计的多目标优化引起了很多的兴趣。在船舶设计中，内部船体细分对于损坏稳定性，生存能力和货物能力性能非常重要，特别是对于必须符合SOLAS标准的滚装或者滚装（ROPAX）客船，包括SOLAS 90和“水” 甲板上，被称为”斯德哥尔摩公约“。为了满足这些严格的规定，船舶设计师需要通过简单有效的方法，优化船体细分，达到高安全标准，同时提高船舶的能力和性能。

多目标优化是船舶设计的主要研究领域之一。近年来，船舶设计中采用了多目标优化方法。 Lee [1]通过“约束”方法提出了一种海洋车辆的多目标设计，再加上模拟两个目标和三种约束的遗传算法，使用GA（遗传算法）来找到单独的最优由“约束技术”所要求的。托马斯[2,3]使用帕累托排名，MOGA和NPGA来调查全船潜艇的可行性。考虑了三个目标：最大化内部体积，最小化导管推进潜艇的功率系数，并最小化空化指数。使用二进制表示和不同的选择技术。托马斯还比较了几种不同的算法，并得出结论，MOGA在所有方面都胜过其他方法考虑的方面。布朗和托马斯[4]使用一个GA与帕累托排名的海军舰艇概念设计。考虑了两个目标：最大限度地提高总体效能（这个因素代表客户要求，并将性能与任务有效性相关联）并最大限度地降低生命周期成本。使用随机通用抽样的二进制表示和轮盘选择。 Brown和Salcedo [5,6]在海军舰艇设计中引入了多目标遗传算法。 Todd和Sen [7]使用MOGA的变体进行预先规划集装箱布局（大规模组合问题）。考虑了四个目标：最大限度地接近集装箱，最小化横向重心，最大限度地减小垂直重心，并尽量减少卸载。二进制表示和使用基于非优势的精英主义的轮盘选择。他们对造船厂的切割车间问题采用了相同的算法[8,9]。考虑了两个目标：尽量减少制造时间并最大限度地减少总惩罚成本。Peri和Campana [10]提出了海军陆战队员的多学科设计优化，并开发了基于仿真的设计中的高保真模型和多目标全局优化算法[11]。 Olcer [12]提出了船舶设计和运输中的多目标优化问题的混合方法。在他的研究中，软件“Frontier”被用来通过MOGA执行优化。 Boulougouris和Papanikolaou [13]对浮式LNG终端进行了多目标优化。使用带有MOGA的软件“Frontier”。

1995年J.Kennedy和R.Eberhart提出的粒子群优化算法（PSO）已经成功地应用于单目标优化问题。由于摩尔和查普曼[15]提出了1999年PSO战略解决多目标问题的第一次延伸，在多目标优化中已经表现出很大的兴趣，文献中提出了许多不同的方法/技术。PSO已经成功应用于众多工程领域，只有少量参数需要调整，易于实现。

在船舶设计中，Pinto等人 [16]强调了初始点配置的重要性，并且解决了PSO向静态点的全局趋同的一些初步方面。在后续论文[17]中，他们提出了一种多PSO的确定性方法，并将该方法应用于集约化问题的多目标（两个目标）。

自从Mistree [18]从决策的角度来看船舶设计，基于决策的船舶设计环境发展很快。 近年来，多代理船舶设计决策得到了极大的关注，同时通过互联网进行的分布式同步协同船舶设计方法正在成为一个新的研究领域。 然而，在简单性和效率方面，它需要适用于多代理系统的新的优化方法。

本文介绍了一种新的“混合协同进化多目标粒子群优化”（HCPSO）方法。HCPSO将协同进化，游戏理论和“干扰技术”结合起来，开发了一种在多代理系统中表现出色的优化方法，然后演示了具有三个目标的HCPSO在ROPAX的内部细分布置中的应用船只。

本文的组织结构如下：第2节介绍PSO和多目标粒子群优化（MOPSO），第3节介绍了一种新的多目标粒子群优化方法和该算法的详细说明。测试功能在第4节中进行处理，而在第5节中进行了真实的案例研究“船体细分设计优化”。最后，在第6节中，介绍了讨论和结论。

背景：

粒子群优化是一种全局优化算法，被描述为社会学的灵感。1995年肯尼迪和埃伯哈德首先提出了这一点[14]。在PSO算法中，候选解是搜索空间中的粒子位置。每个粒子的结构都有两个参数：位置和速度，然后粒子通过更新位置和速度来搜索解空间。PSO有两个最好的职位。第一个是Pbest，它代表了粒子本身可以达到的最佳位置; 另一个是Gbest，这是整个群体中最好的位置。

PSO可以描述如下：

其中xn id是粒子i的位置，在第n次迭代和d维度中; vid n是粒子i的速度，在第n次迭代和d维度; pn id为Pbest是粒子达到的最佳位置，pd gd，因为Gbest是当前群体中的最佳位置; c1和c2是两个系数; r1和r2是两个随机数，范围[0,1];！ 是惯性权重，chi;是收缩因子。

PSO已被证明是单目标优化中的简单而有效的算法，近年来多目标研究得到快速发展。 自1999年第一次延期提出以来，已经提出了许多不同的多目标PSO [19]，下面简要介绍其中的一些方法。

聚合方法：将问题的所有目标结合到一个目标中，采用三种聚合函数：常规线性聚合函数，动态聚合函数和Bang-bang加权聚合方法（Parsopoulos和Vrahatis [20]，Baumgartner et al。 [21]和Jin等[22]）。

词典排序：在Hu和Eberh [23]引入的这个算法中，只有一个目标是使用词典排序方案进行优化的。

次人口方法：这些方法涉及使用几个亚群作为单目标优化器。然后，亚群以某种方式交换信息或在其间进行重组，旨在在不同解决方案之间产生权衡，以前为单独优化的目标生成。 Parsopoulos et al。 [24] Chow et al。[25]和郑等人 [26]使用这种方法。

基于帕累托的方法：这些方法使用基于帕累托优势的领导者选择技术，参考文献包括Moore和Chapman [27]，Ray和Liew [28]，Fieldsend和Singh [29]，Coello et al。 [30,31]和李[32]。

在文献中也可以找到其他使用组合方法和MaxMin方法的不同技术的方法。

Sefrioui和Periaux [33]将游戏理论的纳什均衡引入到多目标优化中。 纳什均衡是一套具有财产的策略，即玩家可以通过改变其策略来获益，而其他玩家保持战略不变。给出了与帕累托GA比较的纳什遗传算法。他们得出结论，Nash遗传算法为多目标优化提供了快速而强大的替代方案。

提出方法的描述 – HCPSO

提出的方法结合了协同进化方法，纳什均衡和“干扰技术”形成了一种新的改进的混合方法，同时采用基于代理的结构进行分布式同步协作。

在HCPSO中，共同进化方法与纳什最优（Nash optima）相结合，寻找纳什均衡。对于代理环境中M个目标的优化问题，使用M个代理组来优化其自己的目标，同时改变其他/剩余代理组的目标。当没有代理组织能够进一步改进其目标时，这意味着该系统已经达到称为纳什均衡的均衡状态。在HCPSO中，共同演进方法提供了一种公共信息共享机制，以改善代理组之间的沟通。

在这里采用共同演化方法的原因是，一方面，共同演进方法可以提供更快的搜索能力，另一方面，通过使用协同演进方法， 代理系统。在工程应用中，可以在多计算机环境中研究该方法，从而通过并行计算减少时间。

纳什最佳[33]和[34]部署在HCPSO中，因为纳什最佳信息共享简单有效。此外，在纳什最优中，有一个目标的一个代理人接收到其他代理人的信息，这是概念和计算机实现中的多代理系统的良好模型。

在多目标PSO方法中，有时候算法会产生局部最优值，并采用“干扰技术来避免它”，当Pbest和Gbest都处于固定值，粒子位置在边界上停滞时，随机 “需要干扰来帮助算法跳出停滞点。 对于给定的步骤T，如果停滞步骤tsgt; T，将Pbist和Gbest引入随机的“干扰”，例如，设置TD 10步骤，算法将在每个步骤检查Pbest和Gbest的值，如果 Pbest和Gbest都保持与最后一步相同的值，算法中的计数器将增加一个，在下一次迭代中，如果Pbest和Gbest都保持相同的值，则计数器将进一步增加1，否则计数器返回 当计数器等于10时，算法将给出随机的“干扰值”来改变Pbest和Gbest，以保持粒子移动。

对于K设计变量和M目标的优化问题，算法将采用N个粒子进行优化，N应为M的倍数。首先，HCPSO根据目标将N个粒子划分为M个子群组。其次，设计变量K也分为K1; K2; ：：：Km子组根据目标。这意味着每个子群体都有自己相应的目标和设计变量。然后每个子群体根据自己的组织中的相关目标优化相关设计变量。优化结果将作为共享信息发送到“公共委员会”。在下一步中，子群组将从公共板读取其他设计变量和相应的信息作为更新。最后，当达到纳什均衡时，算法给出了最终结果。在每个子群中，为了给予足够的压力以将解空间推到帕累托空间，将两代中的粒子进行比较以更新位置。

算法HCPSO：

下面给出了所提出的算法HCPSO的逐步描述，如图1所示。

1.初始化人口，包括位置和速度：

（i）创建一个存储信息的公共板;该公告板是存储所有粒子信息的简单数据库

（ii）给出每个次级群体的次数和大小

（iii）将人口分为亚群

每个子群开始迭代;例如（mth subwarm with（N = M）particle and Km design variables）

3.从公共板读取信息并计算适合度

4.通过根据第m个目标比较个人位置历史来更新Pbest

5.通过基于帕累托的方法进行非主导排序

6.向公告板提供指向数量最多的最佳粒子

7.将步骤6中的粒子从所有子群体收集到公共板上并形成Gbest池

8.每个子游戏从池中随机选择Gbest

9.将Pbest和Gbest与过去的值进行比较，以决定是否引入“干扰”

10.计算速度并给出极限速度

11.更新和限制粒子的位置

12.将最后一次迭代粒子与该迭代相结合，形成一个具有2 * .N = M /群体的新组，并通过基于帕累托的方法进行非排序分类;

13.首先选择N =来自新组的M /粒子，骤12中具有2 * .N = M /种群，更新位置和速度

14.向公众发送相应的信息

15.如果每个解决方案都不能改进，停下来，如果可以改进，继续迭代

16.输出最终结果

子群分区：

在HCPSO中，整个群体根据目标数量分为不同的子群体。如果一个优化问题有M个目标，那么这个群被分为M个子群。变量和子群之间的关系非常重要。对于特殊目标函数，应在分区之前对这些关系进行详细分析。例如，两个客观问题：f1.x / D x1; f2.x / D g.x2;X3; ：：： xn / I按照上述原则，群体应该分为两个子群。变量的第一选择被分配给包含变量x1的第一子群，第二子群包括从x2到xn的变量。第二选择是平均的，每个子群有一半变量。在工程中的粒子应用中，当关系不清楚时，推荐使用平均分布。

信息共享机制：

信息共享机制通过子群优化实现。 HCPSO中的公共板概念来自多代理系统环境。为了在代理环境中进行简单高效的通信，使用黑板来共享公共信息。这里使用同样的机制，黑板被称为公共信息共享公共委员会。在每个子群中，粒子根据子群优化目标对变量进行优化，并将系统中的公共板发送信息，包括优化目标值，最佳粒子位置等。同步，子群从其他子群优化中读取信息作为下一步的信息。

Pbest和Gbest更新：

HCPSO中的最新更新采用subswarm内的更新，而Gbest使用子群外的更新。 对于Pbest，第n个子群中的粒子将当前位置与先前最佳位置之间的对应目标适应度值进行比较。 如果第n个目标适应度中的当前位置优于前一个值，则Pbest被当前值替换值，如果当前值不更好，则保留先前值。

Gbest选择使用公共板中的Gbest池。每个子群体向公共板提供最佳价值，并构建一个Gbest池。HCPSO从Gbest池中随机选择一个粒子作为Gbest位置。

粒子更新：

为了给予帕累托前线足够的压力，使用更新位置方法来改变每个粒子。在每个次级群体中，系统将比较上一代的适应度和当前世代（人口的大小为2times;N = M），然后选择N = M位置作为这一代; 一些颗粒保持自己的位置，其他颗粒将被最近的邻居取代。

<p

全文共16344字，剩余内容已隐藏，支付完成后下载完整资料</p

资料编号：[143885]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章