CC BY
44
Известия ТРТУ
Тематический выпуск
Если РКО, то особь с заведомо лучшими характеристиками остается "жить" в новой популяции (с вероятностью = 1).
Если Р1>0, то особь остается в популяции с вероятностью. Р=ехр(- РЬТ). Другими словами, если температура (Т) высока, то таких особей будет приниматься много, и набор их хромосом будет очень разнообразным и богатым. При понижении температуры принятие особей с плохими характеристиками становится все менее вероятным, причем чем хуже характеристика особи ,тсм менее вероятно ее принятие.
3) Температура понижается для следующей итерации(Т:=а*Т).
4) Вновь созданная популяция переходит к новому шагу рекомбинации.
Проведенные эксперементальные исследования подтвердили эффективность
предложенной методики. На основе данного алгоритма была разработана программа на языке Паскаль для ПЭВМ 1ВМ РС для решения задачи размещения в прямоугольной решетке с целевой функцией - сумма длин всех связей.
УДК 621.3.681.3
Ткачев А.Г.
Генетический алгоритм для технологических операций регулировки и
настройки оборудования
В общей проблеме технологического проектирования объектов сельхозмашиностроения важными являются задачи регулировки и настройки оборудования.
В сельхозмашиностроении этот комплекс работ по установлению параметров изготовляемого объекта до величин, соответствующих заданным техническим требованиям. Этот этап работ особенно актуален, когда необходимо устранение погрешностей изготовления деталей и сборочных единиц. Объем данных работобычно определяется общим объемом производства, уровнем автоматизации и оснащенностью технологического процесса. Как известно, если объект регулировки представить в целом как автомат, тогда регулировочные и операции настройки можно моделировать как процесс оптимизации. В результате него выполняется поиск экстремума некоторой целевой функции качества изделия. Эта функция является объединением частных функций качества. К частным функциям относят различные погрешности, время изготовления. Обобщенная функция качества строится на основе справедливого компромисса. Итак, необходимо найти варьируемые параметры настраиваемой системы. Это предлагается выполнять на основе поиска экстремума обобщенной функции качества. В отличие от таких методов поиска как случайный, наискорейшего спуска Гаусса-Зейделя, золотого сечения и др. предлагается метод генетического поиска, основанный на моделировании эволюции с реализацией критерия «выживают сильнейшие». Основная идея генетического поиска следующая. Случайным образом конструируется набор решений. Каждое решение оценивается и два лучших выбираются для дальнейшего преобразования. К ним применяются генетические операции модифицированных операторов кроссинговера с заданной вероятностью. К полученным новым решениям последовательно применяются операторы мутации, инверсии, транслокации. Все операторы представляют собой перераспределение элементов решения для поиска экстремума целевой функции. Лучшие из новых решений пополняют популяцию решений, а худшие исключаются. При этом размер популяции остается постоянным. Процесс продолжается аналогично заданное число генераций или пока не будет получено лучшее значение целевой функции. На каждой генерации происходит подбор управляющих параметров, т.е. размеров популяции, вероятности применения генетических операторов. За счет исследования и преобразования набора решений одновременно повышается вероятность скорейшего нахождения экстремума искомой функции, т.е. набора параметров технологических операций регулировки и настройки оборудования.
