外文翻译l.docVIP

遗传算法（GA）的基本原则首先由荷兰人提出。它的灵感来自于适者生存的自然选择机制。遗传算法直接类比于自然进化法则。它假定潜在的解决方案是一个代表一组参数的个体。这些参数被看做是染色体上的基因，并且能够以二进制的形式进行编码。正数适应度值用来衡量染色体的适应能力，它的值和目标函数有关。 GA主要有三个方面的应用，即智能有哪些信誉好的足球投注网站、优化和机器学习。目前，遗传算法与神经网络和模糊逻辑联合起来应用，能够解决更加复杂的问题。由于在许多问题上的联合使用，人们经常以“软计算”这个通用名字来命名它们。 遗传算法有个简单的循环过程： 1.组成一组候选解， 2.测算这些候选解的适应度， 3.选择比较好的某些候选解， 4.基因重组，生成新的候选解。 循环过程如图5所示。 遗传算法的每个周期产生新一代可能解决问题的方案。在第一阶段，问题的潜在解决方案构成初始种群，它初始化有哪些信誉好的足球投注网站过程。群体中的个体叫做染色体。个体对环境的适应程度叫做适应度，其值通过函数来度量。根据染色体的适应度值，在遗传操作中他们将被选择。应当指出的是，选择的过程是确保最适应环境的个体生存。经过选择运算，将要进行基因操作的两个步骤。第一步，交叉运算是将把两个选择运算中选择的个体加以替换重组而生成新个体的操作。交叉算子在各种文献中都被记载。单点和双点交叉运算分别见图6和图7。进行交叉运算的染色体是任意两个染色体。基因操作的第二步是变异运算，是指在随机选择的染色体上的一个或多个位置进行基因突变。突变的过程有助于克服局部最大值。遗传操作过程中产生的下一代群体将成为下一轮演化的初始群体，直到达到所需的终止条件进化才会停止，循环可以通过设定循环次数或不同辈分个体的变异数或适应度值来终止。这时，产生能够解决有关问题的染色体。 5 换热器的优化设计问题 依赖于基因密码的编码工作是遗传算法成败的关键环节之一。早期的研究建议使用二进制字符串来进行编码工作。从那以后，研究者研究了许多离散、组合编码方式。人们相信，格雷码能够比标准二进制编码更好的解决问题。这里，换热器设计变为利用解向量求解的大规模、离散、组合优化设计问题，解向量包括x1到x66个元素。每个xi分别为换热管外径、换热管间距、换热管排列方式、管程数、壳体外径、折流板间距、折流板形式。因此，向量X的选择对应着换热器不同的设计配置。考虑一下替代方法： x1：数据集合中有14种换热管外径可供选择。换热管外径从10mm到32mm，换热管间距是换热管外径的1.25倍。 x2:换热管两种排列方式。分别是三角形排列或正方形排列。 x3:五种管程类型的壳体可供选择。 图5.基因算法循环过程 图6. L.S.B第3位后单点交叉 图7.双点交叉：L.S.B第4位和其后面的 x4：壳体外径有14种常用数据。它们在150mm到1200mm之间。 x5:6种折流板间距可供选择。它们在壳体外径的0.2到0.45倍之间。 x6:折流板开孔率有4种，分别在15%-45%之间。 基于这些可供选择的设计变量，共有14×2×5×14×6×4 =47040种设计组合，这就意味着一个详尽的运算程序最多将在47040次评估前找到全局最小换热面积。尽量少的评估次数是最好的运算策略。 表二 换热器优化设计问题 Minimum cost (X) X ∈ {x1, x2, x3, x4, x5, x6, x7} Where x1 = {1, 2, ...,14} x2 = {1, 2} x3 = {1, 2, 3, 4, 5} x4 = {1, 2, ...,14} x5 = {1, 2, ...,6} x6 = {1, 2, 3, 4} Subject to Feasibility constraints, pressure drop 考虑总换热成本并且将其作为目标函数，利用遗传算法进行结构优化设计。本案例的解决方案流程图见图8。如流程图所示，遗传算法程序随机选择设计参数。随后，它会产生初始种群，并对每一个个体进行评估。最终的解决方案要进行压降评估，看其是否在许用范围之内。计算过程一直到找到许用压降范围内的最优化参数。 6 案例研究 在本案例研究中需要考虑下列问题。 设计一个换热器，实现以下任务：75℃的水以20kg/s的流量来自基础系统，用来自城市管道的20℃的水通过换热器将其将冷却到50℃，并且冷却水出口温度达到35℃。液体的物理性质通过热物理特性表查取，水根据（Ti-To）/2这个平均温度查表。通过热量衡算，本研究的热负荷是2093kW。热水在管程流动，冷水在壳程流动。 对经济上的运算，fd，单位面积上的造价达25$/m2,fe，电能消耗，土耳其电价为0.1 $/kWh，H，每年运行时长，17,280,000 s/year，I，利率，60%，ec，能源成本的增长速度，50%，tp，总共使用期限，