遗传算法在电力结构优化设计上的应用

遗传算法在电力结构优化设计上的应用

孙沐曦

（东北电力设计院吉林长春130021）

摘要：优化设计是电力工程竞标核心竞争力的一种体现。本文介绍了遗传算法的形成和基本理论，并将其利用于电力结构优化设计中。算例基于实际工程，采用遗传算法通过MATLAB中的GADS工具箱对该工程进行优化设计，并对比分析得出了针对该工程实际情况的经济跨距和最经济工程量。

关键词：电力结构；遗传算法；设计优化；方案评价

ApplicationofGeneticAlgorithmson

ElectricPowerStructureDesignOptimization

SunMuxi1

（1.North-EastElectricPowerDesignInstitute，ChangChun，130021，China）

Abstract：Designoptimizationisthecorecompetitivenessofelectricpowerprojectwhilebidding.Thearticleintroducesthecomingofgeneticalgorithmanditsbasictheory，andapplyitinthedesignoptimizationofelectricpowerstructures.Theexamplebasesonrealproject，itisoptimizedbygeneticalgorithmsthroughGADStoolboxwhichcontentedinMATLAB.Bycomparingthestatistics，thearticlegivestheconclusionofeconomyspanofcomplexpiperackstructureandoptimizedquantitiesaccordingtothesituationofrealproject.

Keywords：electricpowerstructure，geneticalgorithms，designoptimization，planvaluation

1.概述

在经过了火力发电建设的高峰期后，市场需求的节奏和脚步在逐步放缓。在此大背景下，火力发电厂的设计市场受到了较大的冲击，同时业主对设计的细化要求也在逐步增高。于是针对火力发电设计的优化和细化就成为了当下各大区域电力设计院亟待解决的问题。

方案优化，是采用数学方法研究各种系统的优化途径及方案，为决策者提供科学决策的依据。针对结构的构件优化，解决方法必须能够较方便的描述非线性边界条件，并且需要有应对非线性边界条件问题的解决能力。故本文选取遗传算法作为结构方案优化的解决工具。

遗传算法（GeneticAlgorithms），最早是由美国Michigan大学的JohnHolland教授于上世纪70年提出的一种模拟生物进化来解决复杂优化问题的有效算法。做为当今影响最为广泛进化计算方法，遗传算法具有强有力且广泛的随机搜素和优化能力，使其在工业工程领域的实践中被作为寻求优质解决方案的工具和手段。

本文利用MATLAB中GA工具箱，针对实际工程问题进行优化设计。通过设定物理意义上及规范指定的边界条件，使被优化的结构设计方案在满足安全性的情况下，达到降低成本（材料使用量）的目的。

2.遗传算法的理论描述

日本的玄光男教授在《遗传算法与工程优化》[1]有过如下描述：遗传算法维持由一群个体组成的种群（t代表遗传代数）。每一个个体均代表某问题的一个潜在解。通过恰当的适应性指标评价每一个个体的优劣，然后选取某个或某些个体使其经历遗传操作（变异或杂交）的随机变换（或有指向性的变换），由此产生新的个体。新的个体被称为后代，并继续被评价优劣。若干代后，算法收敛到一个最优个体，那么该个体就有可能代表着一个问题的最优解或次优解。

3.算例问题描述及数学模型的建立

以我院印度KMPCL工程为例，该工程厂区综合管道支架全部采用钢支架结构形式，在路径确定的情况下，支架的间距直接影响支架及其上横梁的截面，而这些又直接影响造价和工程量。现以造价和工程量的最小化（或较小化）为目标，在该工程背景下，对已知路径长度的综合管道支架的跨度和截面进行优化设计。

算例已知条件：

线荷载，钢重度，许用应力，管道支架总长度，管道支架高度，支架单边悬挑长度；优化变量、、和分别表示1#、2#、3#杆件的横截面面积和管道支架段数。

由于以工程材料量最小为目标，则选取材料总重量作为适应度指标对个体进行评价，那么：

定义适应度函数：

本文考虑共3种均匀分段方式的情况下，对比各分段方式下的最优化方案，从中选取问题的最优解。

4.GA工具箱的参数选取及应用

本文利用MATLAB中自带的GA工具箱对上述问题进行求解。GA工具箱（又称GADS，GeneticAlgorithmandDirectSearchToolbox），即遗传算法与直接搜索工具箱。它的使用方法较为灵活，既可以在命令行中直接使用，通过M文件在程序中调用GA函数；也可以通过GUI界面，输入必要的参数由程序自动形成M文件进行计算。由于GUI界面较为友好，对于MATLAB语言不熟悉的结构工作者，建议通过参数定义完成GA操作。通过定义，就可以使用GADS对算例问题进行求解。

5.算例结果及分析

5.1.适应度收敛曲线

a.时，

由上表可知，在分段数时，对应的总用钢量最小，即跨度选取在6m~7m之间为经济跨度。

对比本施工图在跨度9m的情况下给出的截面，经优化后，截面优化率为65.5%；截面优化率为1.4%；截面优化率为15.1%。

6.结论与展望

通过上述算例分析，表明经过遗传算法对方案进行优化，能够有效地减少工程造价，对于我院日后的投标方案确定有积极的指导意义。由于该问题在数学上属于数值逼近非线性边界条件的最小解，情况较为复杂，通过对问题的简化及程序化处理，能够利用GADS工具箱对实际工程问题进行优化，并取得了显著的成效，说明遗传算法能够较好的适应复杂的工程方案评价。

参考文献：

[1]玄光男、程伟润.遗传算法与工程优化[M].北京：清华大学出版社，2004.