基于退火遗传算法的弧形闸门优化系统的开发及应用

2016-02-17章昕，黄铭，2，王超

水力发电 2016年12期

关键词：弧形闸门遗传算法

章昕，黄铭，2，王超

(1.合肥工业大学土木与水利工程学院，安徽合肥230009 ；2.三峡库区地质灾害教育部重点实验室(三峡大学)，湖北宜昌443000)

基于退火遗传算法的弧形闸门优化系统的开发及应用

章昕1，黄铭1，2，王超1

(1.合肥工业大学土木与水利工程学院，安徽合肥230009 ；2.三峡库区地质灾害教育部重点实验室(三峡大学)，湖北宜昌443000)

阐述了退火遗传算法应用在弧形闸门结构优化的原理和步骤，使用有限元软件ANSYS建立了某水库溢流表孔弧形闸门三维有限元模型，提出使用VB封装ANSYS的方法开发出弧形钢闸门结构优化系统。利用该系统对比了普通遗传算法与退火遗传算法的优化结果，并且研究对几组不同的弧形钢闸门优化参数组合进行结构优化的结果，探讨了不同参数在弧形闸门结构优化中的作用。

退火遗传算法；弧形闸门；结构优化；ANSYS；VB

0 引言

水工钢闸门是水工金属结构中采用最多的一种设备，水利枢纽很大程度上都是通过闸门灵活可靠地启闭来发挥它们的功能与效益。弧形闸门具有不设门槽，启闭力较小，水力学条件好等优点，作为工作闸门被广泛用于各种类型的水道上。弧形闸门结构是一个空间结构体系，目前弧形钢闸门的设计规范多采用平面结构体系设计方法进行设计，忽略了构件间的整体性，按经验将外荷载分配给各构件，再对每个构件按平面受力进行分析。该方法不能准确地反映整个闸门各构件间的相互联系和变形协调关系，存在一定的不足，所设计的弧形钢闸门往往偏于保守，导致闸门用钢量偏大，工程投资增加，造成一些不需要的浪费。

遗传算法(GA)具有智能性、并行性、收敛性和不需要辅助信息等优点，全局搜索能力强，是一种可以运用于复杂优化计算的鲁棒性很强的搜索算法，但遗传算法的“爬山”能力弱，收敛速度慢，易出现早熟收敛现象。模拟退火算法(SAA)是一种启发式随机搜索算法，具有很强的局部搜索能力和“爬山”能力。本文结合两种算法的特性，使用退火遗传算法(ASAGA)对弧形钢闸门的结构进行优化，通过有限元软件ANSYS建立弧形钢闸门有限元模型，使用编程语言VB编写可视化界面和优化算法，利用VB封装有限元软件ANSYS开发出弧形闸门优化系统。并在此基础上，利用此优化系统对不同参数组合情况下的弧形闸门结构优化效果进行了分析比较。

1 优化系统的开发

1.1 退火遗传算法

遗传算法是一种基于自然选择和遗传变异等生物进化机制的全局优化算法，本文采用实数编码的方式将弧形钢闸门结构优化问题与遗传算法的染色体结构建立联系，实数编码遗传算法[1]具有精度高，便于大空间搜索等优点。遗传算法包括3个基本操作：交叉、变异、选择。为了克服遗传算法局部搜索能力不强的缺点，本文在进行选择操作时引入模拟退火算法中的基于Metropolis判别准则的退火机制[2-3]，模拟退火算法源于固体退火的原理，局部搜索能力强。通过计算机语言VB封装ANSYS的方法来实现基于退火遗传算法的弧形闸门结构优化。现将本文使用的退火遗传算法的计算步骤表述如下：

(1)给定种群大小2N，循环代数n，初始温度T，退火系数β，给出初始种群。种群中每个个体即为弧形闸门优化变量的组合。

(2)计算种群中个体的适应度值fit(X)。

(4)对所有个体适应度进行排序，保留最优的两个个体进入新种群。计算T′=T×β。

(5)检验是否达到循环代数，若没有，返回第三步，继续循环，直至满足结束条件，输出最优解。

1.2 弧形钢闸门多参数多约束模型

多参数多约束函数的一般形式[4]为

(1)

1.2.1 优化变量

1.2.2 目标函数

1.2.3 优化约束问题的处理

弧形闸门的优化设计的条件，依据SL74—2013《水利水电工程钢闸门设计规范》[5]确定优化约束条件。

1.2.3.1 强度条件

整体结构强度采用第四强度理论：

(2)

面板的折算应力σzh应满足

σzh≤1.1α[σ]

(3)

1.2.3.2 刚度条件

刚度条件为

f≤[f]

(4)

式中，[f]为容许挠度。

1.2.3.3 罚函数法及适应度函数

由于本文采用的退火遗传算法为无约束优化算法，因此必须将求解有约束最优化问题转化为求解无约束最优化问题，常用的方法[6]有修复不可行解法、改进遗传算子法、罚函数法等。本文使用罚函数法来处理约束问题，使用罚函数法构建的综合目标函数

F(X,δ)=f(X)+δp(X)

(5)

借鉴相关文献[7，8]，结合本文优化约束条件，经过多次试验，构造罚函数

(6)

式中，S为折算应力；D为挠度。

结合式(5)和式(6)，得到综合目标函数为

(7)

对于闸门的优化问题，目的是使闸门的质量最小化，因此取一个相对较大的值Cmax，对综合目标函数作出转换得到弧形闸门结构优化适应度函数

(8)

1.3 基于VB封装ANSYS的弧形闸门优化系统

本文通过编程语言VB来实现退火遗传算法，利用ANSYS的APDL语言建立弧形钢闸门的参数化有限元模型命令流文件。详细过程描述如下：建立VB可视化界面，输入原始数据，产生初始种群。VB读取ANSYS命令流文件并修改弧形钢闸门有限元模型，后台调用ANSYS软件运行来实现对弧形钢闸门的有限元计算，通过设置参数使ANSYS运算过程中VB保持等待状态，在ANSYS运算结束后将运算结果反馈到VB界面计算个体适应度，并进行交叉、变异、退火选择等步骤，产生新的种群，进行循环迭代，直至达到结束条件，输出优化结果。整体流程如图1所示。建立的弧形闸门优化系统界面如图2所示。

图1 弧形钢闸门结构优化系统开发流程

图2 弧形钢闸门结构优化系统运行界面

2 工程案例

2.1 工程资料及有限元模型

本文选用某水库溢流表孔弧形钢闸门，闸门类型为斜支臂双主横梁式潜孔弧形钢闸门。孔口尺寸为13.0m×18.5m(宽×高)，闸门的主要组成部分有面板、主梁、隔板、小梁以及支臂等。闸门的曲率半径为19.5m，结构材料为Q345B(16Mn)钢，分别取弹性模量E=2.06×105MPa，泊松比μ=0.3，容重γ=78.5 kN/m3。闸门的设计水位为21.36m。

本文使用有限元软件ANSYS建立弧形钢闸门有限元模型。闸门的小梁、支臂的斜撑及横撑部件采用梁单元BEAM188离散，其他部位使用壳单元SHELL63单元建模。主要荷载为自重荷载和水压力荷载。约束为支铰处受X、Y、Z方向位移约束及绕X、Y轴的转动约束，闸门门体底部与门槛相交的位置施加Y方向的位移约束。弧形钢闸门的结构有限元模型如图3所示。

图3 弧形钢闸门结构有限元模型

2.2 模型结构优化结果分析

使用本优化系统对案例工程进行结构优化，设置种群大小为20，迭代次数为50次，初始温度为10 000，退火因子为0.6。优化结果与原始数据、普通遗传算法优化结果对比见表1所列。

表1 原始数据、普通遗传算法、退火遗传算法结果对比

优化后的面板折算应力分布如图4所示。普通遗传算法与退火遗传算法迭代次数与闸门最优质量关系如图5所示。可以见到标准遗传算法全局寻优性强，但易陷入局部最优化，迭代计算36次找到最优解；退火遗传算法可以有效地减轻这种缺陷，收敛速度快且稳定，经过13次迭代计算找到最优解。

图4 优化后闸门面板折算应力(单位：Pa)

图5 迭代次数与闸门最优质量关系

优化参数组合优化后质量/t优化百分比/%优化参数组合优化后质量/t优化百分比/%主梁+次梁117.9415.62%主梁118.2115.43%面板+主梁114.5618.04%全部参数112.1919.74%次梁+隔板115.3217.50%原始参数139.780%主梁+隔板113.2119.01%

2.3 闸门优化参数组合分析

为了了解各优化参数组合对弧形闸门结构优化的影响，在本优化系统中加入多种优化参数组合供使用者选择，可以很便利地将弧形钢闸门的各优化参数组合分别进行优化计算。本文使用各选项对案例工程进行50次迭代计算，得到结果如表2所示。可以见到各优化参数对于闸门质量优化的作用并不相同，如优化参数中的主梁截面参数，在其他优化参数不变的情况下，单独优化主梁截面也可取得较好的结果。通过比较各优化参数组合结果，可以找出对结构优化意义重大的优化参数。

3 结论

(1)使用退火遗传算法对弧形钢闸门进行结构优化，利用VB封装ANSYS计算，成功开发出弧形闸门结构优化系统，可以实现弧形闸门的结构优化，具有一定的工程参考价值。

(2)在遗传算法中，引入模拟退火算法的选择机制，提高了算法的运算效率，有效的缓解了遗传算法的局部收敛问题。

(3)对弧形钢闸门设计变量进行讨论，得出了对弧形钢闸门结构优化有显著影响的设计变量。

[1]田小梅，龚静. 实数编码遗传算法的评述[J]. 湖南环境生物职业技术学院学报，2005，11(1)：25-31.

[2]王宏刚，曾建潮. 基于Metropolis判别准则的遗传算法[J]. 控制与决策，1998，13(2)：86-89.

[3]王英. 退火-遗传算法寻优及其实现[J]. 中国工程科学，2008，10(7)：57-59.

[4]张宁，马孝义，杨震宇，等. 采用退火遗传算法的配电网优化方法[J]. 重庆大学学报，2014，37(2)：75-80，97.

[5]SL 74—2013 水利水电工程钢闸门设计规范 [S].

[6]孙艳丰，郑加齐，王德兴，等. 基于遗传算法的约束优化方法评述[J]. 北方交通大学学报，2000，24(6)：14-19.

[7]蔡元奇，彭波，朱以文，等. 基于ANSYS的遗传算法在水工弧形钢闸门优化设计中的应用[J]. 武汉大学学报：工学版，2005，38(5)：52-55.

[8]苏力. 基于遗传算法的桥式起重机结构进化设计[D]. 武汉：武汉理工大学，2012.

(责任编辑高瑜)

Development and Application of Radial Gate Optimization System Based on Annealing Genetic Algorithm

ZHANG Xin1, HUANG Ming1,2, WANG Chao1

(1. School of Civil Engineering, Hefei University of Technology, Hefei 230009, Anhui, China;2. Key Laboratory of Geological Hazards on Three Gorges Reservoir Area (China Three Gorges University ),Ministry of Education, Yichang 443000, Hubei, China)

The principles and steps of applying annealing genetic algorithm in radial gate optimization are described. The three-dimensional finite element model of a reservoir exterior overflow radial gate is built by using ANSYS, and a new structure optimization strategy which using VB to encapsulate the ANSYS is introduced. The optimization results of general genetic algorithm and annealing genetic algorithm are compared based on this new system, and the optimizations of several different radial steel gate parameter combinations are studied. The effects of different parameters on radial gate structure optimization are discussed.

annealing genetic algorithm; radial gate; structure optimization; ANSYS; VB