大型射電望遠(yuǎn)鏡背架結(jié)構(gòu)優(yōu)化

劉 巖

（長安大學(xué) 建筑工程學(xué)院，陜西 西安710061）

0 引 言

隨著結(jié)構(gòu)優(yōu)化設(shè)計、電算技術(shù)的發(fā)展，國內(nèi)外學(xué)者曾提出若干關(guān)于望遠(yuǎn)鏡結(jié)構(gòu)設(shè)計的優(yōu)化方法［1－3］。Hoerner提出了保型設(shè)計這一概念，后來陳樹勛進一步提出了嚴(yán)格保型優(yōu)化設(shè)計。這一方法在理論上可行，但據(jù)實際應(yīng)用仍然有距離。其原因是：背架結(jié)構(gòu)節(jié)點數(shù) （N）過多，其約束條件數(shù) （共3 N）會顯著超過設(shè)計變量數(shù) （通常以截面尺寸為變量），導(dǎo)致方程組無解。于是，Leve又提出采用準(zhǔn)則法對望遠(yuǎn)鏡結(jié)構(gòu)進行優(yōu)化設(shè)計，但該方法理論基礎(chǔ)不是太牢固，迭代設(shè)計過程不夠穩(wěn)定，同時存在對不同問題需要推導(dǎo)不同的準(zhǔn)則通式等缺陷，在一定程度上影響了其被廣泛應(yīng)用的進程。本文的研究對象——新疆110m 全可動射電望遠(yuǎn)鏡背架結(jié)構(gòu)形式較為復(fù)雜，即使同一位置的一圈桿件采用相同截面，仍然有上百個獨立變量，且均為型材式的圓鋼管，這一特征導(dǎo)致截面優(yōu)化尤為困難。

由此可見，傳統(tǒng)的優(yōu)化算法隨著反射面口徑的不斷擴大，在變量數(shù)目激增且均為離散型變量的情況下顯得不再那么奏效，因此需要結(jié)合本文的研究對象尋求簡便且能解決大規(guī)模變量數(shù)優(yōu)化的高效算法。

1 背架結(jié)構(gòu)優(yōu)化分析方法

目前，遺傳算法是一種通過模擬自然進化過程搜索問題最優(yōu)解的方法。其主要特點是所采用的整體搜索策略和優(yōu)化搜索方法在計算時不依賴于梯度信息或其它輔助信息，本身易于實現(xiàn)并行化以及更好的全局尋優(yōu)能力，其標(biāo)準(zhǔn)算法的基本分析流程如圖1所示。

圖1 標(biāo)準(zhǔn)遺傳算法分析流程

具體針對新疆即將建造的110 m 巨型全可動射電望遠(yuǎn)鏡，選取角錐系背架結(jié)構(gòu)方案進行優(yōu)化計算，給出背架結(jié)構(gòu)桿件布置如圖2所示。

圖2 背架結(jié)構(gòu)

整個背架結(jié)構(gòu)上弦共1056個節(jié)點，8654根桿件。同一環(huán)桿件定義為一個截面變量，這樣對一榀單元給予變量標(biāo)定，共有120個變量。以反射面面型精度最高 （即RMS值最?。槟繕?biāo)，對背架結(jié)構(gòu)截面進行優(yōu)化，其優(yōu)化數(shù)學(xué)模型如下

其中，式 （1）代表將截面尺寸作為自變量，式 （2）表示約束條件，在具體優(yōu)化程序中體現(xiàn)為拉彎構(gòu)件按照強度、壓彎構(gòu)件按照穩(wěn)定分別進行驗算并對自變量的選取予以約束，式 （3）體現(xiàn)了背架結(jié)構(gòu)桿件截面作為圓鋼管型材，其截面庫可選截面種類對截面的約束。

通過對背架結(jié)構(gòu)的相關(guān)描述可知，本優(yōu)化問題的特點——變量數(shù)龐大且均為型材式變量，若采用標(biāo)準(zhǔn)遺傳算法，在初始階段，變量數(shù)與種群個體數(shù)在同一數(shù)量級，導(dǎo)致初始種群多樣性較為簡單，不夠豐富；其次，由于初始種群個體間相似度本身較高，若采用標(biāo)準(zhǔn)的交叉和變異，而不針對個體特征加以有效干預(yù)，會使得交叉后產(chǎn)生的父、子兩代個體間并無顯著改善［4，5］。因此為避免這種 “近親繁殖”，提高遺傳算法效率，通過對標(biāo)準(zhǔn)遺傳算法中的一些關(guān)鍵算子及相關(guān)參數(shù)提出改進，最終采用改進遺傳算法作為本問題的優(yōu)化分析方法，解決了背架結(jié)構(gòu)大規(guī)模型材式變量的優(yōu)化問題。如下就這些具體的相關(guān)改進措施予以必要的闡述。

2 標(biāo)準(zhǔn)遺傳算法的相關(guān)操作改進

2.1 種群初始化的改進

種群的多樣性可作為評價遺傳進化過程的重要標(biāo)志。當(dāng)遺傳算法找到存在極值的某個區(qū)域時 （無論是全局還是局部），種群中的個體會持續(xù)不斷的向該區(qū)域集中，從而出現(xiàn)諸多相似甚至相同的個體，導(dǎo)致種群多樣性程度逐漸降低，最終影響到算法操作的效率以及搜索其它區(qū)域極值的能力。

為解決這個問題，采用Hamming 距離 （Hamming 距離是指兩個體相應(yīng)基因片段不同基因位的總數(shù)）控制初始種群的個體差異，用來豐富種群多樣性，遏制超長個體的快速繁殖。具體方法如下：種群初始化中，每產(chǎn)生新的個體，都與前面所有個體進行比較，若新個體與前面某一個體的Hamming距離小于某一設(shè)定值 （例如：2～4，該數(shù)與個體編碼長度有關(guān)），則停止比較，跳出循環(huán)，重新產(chǎn)生新個體。如此往復(fù)循環(huán)，直到產(chǎn)生個體間均有一定差異的種群［6，7］。

2.2 選擇算子的改進

適應(yīng)度比例法是目前遺傳算法中最基本也是最常用的選擇方法，是一種回放式隨機抽樣的方法。但若單純采用適應(yīng)度比例法進行選擇，有可能會出現(xiàn)最優(yōu)個體在選擇過程中沒有被選擇復(fù)制到下一代。因此，本文在傳統(tǒng)選擇算子的基礎(chǔ)上，引入父子競爭機制［8］。具體表現(xiàn)為父代的兩個體交叉產(chǎn)生出子代的兩個體，對這4個個體 （父子兩代共4個）按照適應(yīng)度高低排列，最高的2個個體進入下一代；如果父子兩代的個體適應(yīng)度相等，子代個體優(yōu)先進入下一代［9］。將這兩種方法結(jié)合起來，既能保證全局多峰性質(zhì)的空間搜索，同時又能保證算法的收斂性。

2.3 交叉算子的改進

交叉操作是遺傳算法的主要進化手段，交叉算子的設(shè)計包括以下3個方面：交叉點位置的確定、個體交叉概率的選擇以及交叉配對方式的選擇。標(biāo)準(zhǔn)算法中交叉算子對所有個體采用同一概率，并未具體結(jié)合個體的特點予以考慮。結(jié)合本問題特點——變量規(guī)模數(shù)龐大，若采用標(biāo)準(zhǔn)算法進行配對交叉，很容易產(chǎn)生前述提及的 “近親繁殖”問題。因此對這三方面做出了如下改進：

（1）交叉位置的選擇：兩個體交叉最常用的就是單點交叉，當(dāng)對兩個體X、Y 進行交叉操作時，設(shè)X ＝｛x1，x2，…，xM｝，Y ＝｛y1，y2，…，yM｝，假 使交叉點選 擇不當(dāng)，仍有可能得到與父代一模一樣的個體，導(dǎo)致交叉操作失效，算法無法跳出局部極值點［10］，如圖3所示。因此有必要合理準(zhǔn)確的定出其有效交叉域，并且在該范圍內(nèi)隨機的進行交叉點選擇，確保父子兩代個體具有明顯的差異性。其有效域確定方法如下［11］

有效域為：（vmin，vmax）。如：例如兩個體X ＝1101101，Y ＝1010011，其交叉有效區(qū)域為 （2，6）。

圖3 單點交叉無效操作

（2）自適應(yīng)交叉概率：遺傳算法的收斂性直接受到交叉概率的影響，較大的交叉概率pc使得新個體產(chǎn)生的速度較快，從而也導(dǎo)致優(yōu)秀個體被破壞的可能性越高；而較小的交叉概率pc又會使得算法的有效進程大大降低。因此需要因個體的差異性不同而采用自適應(yīng)交叉概率，即適應(yīng)度值較高的個體采用較小的交叉概率，適應(yīng)度值較低的個體采用較高的交叉概率，如式 （4）所示，公式中各符號的意義請參見文獻 ［9］

（3）相關(guān)性配對交叉：相關(guān)性描述了兩個體間的相似程度，設(shè)兩個體X、Y 分別為

其中：xi∈｛0，1｝，yi∈｛0，1｝，i＝1，2，...，M。二者間的不相關(guān)指數(shù)如式 （5）所示

由此可以看出r（X，Y）代表了個X 和Y 之間不同基因的數(shù)目，因此在選擇算子結(jié)束時，對篩選出的個體兩兩之間分別進行相關(guān)性計算，將相關(guān)性較小的兩兩個體組成配對，使得后續(xù)交叉操作的有效性大大提高。

2.4 變異概率

變異算子對遺傳算法的局部搜索能力起到了輔助作用。該算子主要包含兩方面：變異點位置的確定以及基因值的替換方式。最常用的變異算子是以某概率進行隨機單基因座變異，而變異概率是隨著進化階段的更迭，不同階段針對不同個體采用自適應(yīng)的變異概率，如式 （6）所示

其中，pm1＝0.1；fmax是群體中最大適應(yīng)度值；為各代群體平均適應(yīng)度值；f 是待變異的個體適應(yīng)度值。

3 改進算法仿真實例分析

為了說明改進算法的有效性，首先選取優(yōu)化領(lǐng)域中常用的經(jīng)典測試函數(shù)和典型結(jié)構(gòu)模型為算例，分別采用標(biāo)準(zhǔn)遺傳算法和本文的改進遺傳算法，對其展開優(yōu)化計算分析。通過對優(yōu)化結(jié)果的優(yōu)越性、迭代進化過程快慢、優(yōu)化空間改進幅度大小等多方面進行對比，表明改進遺傳算法的優(yōu)勢。

3.1 測試函數(shù)

（1）問題描述：利用標(biāo)準(zhǔn)遺傳算法和改進遺傳算法對2個常用的二元多峰數(shù)值Shaffer函數(shù)進行優(yōu)化測試計算，并進行比較。其中函數(shù)f1是求最小值，函數(shù)f2是求最大值。且兩個函數(shù)的定義域均為－100＜x，y＜100

（2）算法設(shè)置：對于標(biāo)準(zhǔn)遺傳算法和改進遺傳算法選擇相同的參數(shù)：種群規(guī)模數(shù)M＝100，交叉和變異算子均采用自適應(yīng)的交叉概率和變異概率，遺傳的進化終止代數(shù)T＝200。由于f2是求最大值，可直接用函數(shù)本身作為其適應(yīng)度函數(shù)；而f1是求最小值，需采用置大數(shù)（可設(shè)置為100）與函數(shù)做差后的結(jié)果，作為其適應(yīng)度函數(shù)。同時，引入父子競爭機制。兩種算法各自隨機運行50次，其數(shù)值計算結(jié)果見表1。

表1 標(biāo)準(zhǔn)算法和改進算法測試結(jié)果對比

（3）標(biāo)準(zhǔn)算法與改進算法優(yōu)結(jié)果比較：從表1以及圖4可知，改進算法最小收斂代數(shù)、平均收斂代數(shù)都比標(biāo)準(zhǔn)算法相應(yīng)值要少，改進算法更為穩(wěn)定，不但很快收斂到全局最大值，且種群的優(yōu)良性程度好。表明在優(yōu)化過程中由于改進遺傳算法引入了初始種群的多樣性，以及交叉算子有效性的大大增強，使得優(yōu)秀個體得以更快的產(chǎn)生。

圖4 測試函數(shù)平均適應(yīng)度曲線

3.2 十桿桁架

（1）問題描述：十桿桁架結(jié)構(gòu)如圖5 所示，已知P＝10kN。材料屬性為：彈性模量E＝2.0×105Mpa，密度＝7.8×103kg／m3，材料的容許應(yīng)力為 ［σ］＝100 MPa，a＝b＝2 m。根 據(jù) 材 料 供 應(yīng) 的 截 面 庫A ＝ ［1.132，1.432，1.459，1.749，1.859，2.109，2.276，2.359，2.659，2.756，3.086，3.382，3.486，3.791，4.292，5.076］cm2，該問題屬于離散變量優(yōu)化設(shè)計，采用遺傳算法設(shè)計此結(jié)構(gòu)，使得結(jié)構(gòu)最輕。

圖5 十桿桁架

（2）算法設(shè)置：以桿件截面面積為設(shè)計變量，結(jié)構(gòu)質(zhì)量最輕為設(shè)計目標(biāo)，其優(yōu)化數(shù)學(xué)模型如式（7）～式（9）所示

式中：C 為罰因子，采用大數(shù)，本文取C＝10 000

式中：Cmax為一個適當(dāng)?shù)南鄬^大的數(shù)。

由材料力學(xué)強度理論可知，各桿件應(yīng)力應(yīng)滿足約束條件，如式 （8）所示。具體計算時，由于是求質(zhì)量最輕，即最小值問題，并考慮到約束條件，采用罰函數(shù)將目標(biāo)函數(shù)轉(zhuǎn)化為遺傳算法所能處理的無約束問題，如式 （9）所示，這樣解空間中某一點目標(biāo)函數(shù)值W 到搜索空間對應(yīng)個體的適應(yīng)度函數(shù)采用如式 （10）表示。運行參數(shù)為：群體規(guī)模M＝100，遺傳的進化終止代數(shù)T＝100，改進遺傳算法采用上述相關(guān)性配對交叉，并采用自適應(yīng)交叉和變異概率，同時引入父子競爭機制。

（3）標(biāo)準(zhǔn)算法與改進算法結(jié)果比較：最終優(yōu)化的迭代曲線如圖6所示，由圖5可以看出采用標(biāo)準(zhǔn)遺傳算法目標(biāo)函數(shù)從第80代基本開始收斂，最優(yōu)值為19.9kg；而采用改進遺傳算法，目標(biāo)函數(shù)從第55代基本開始收斂，最優(yōu)值為16.3kg。

從如上給出的多峰值數(shù)學(xué)函數(shù)、平面桁架結(jié)構(gòu)優(yōu)化分析可以看出，本文提出的改進遺傳算法較標(biāo)準(zhǔn)遺傳算法而言，在優(yōu)化全程中，由于采用了自適應(yīng)的交叉和變異概率，使其能依據(jù)個體的優(yōu)劣程度靈活的選擇交叉和變異概率，且在交叉中通過引入不相關(guān)性指數(shù)配對個體，確定有效區(qū)域來進行交叉，有效避免了近親繁殖，從而使得每代種群的多樣性及平均適應(yīng)度值始終高于標(biāo)準(zhǔn)算法的結(jié)果。而在獲取優(yōu)秀個體方面，改進算法比標(biāo)準(zhǔn)算法能較早的獲得更為優(yōu)秀的解，且改進幅度也比標(biāo)準(zhǔn)算法更大。較好體現(xiàn)出了本文改進算法的有效性和先進性。

4 背架結(jié)構(gòu)截面優(yōu)化結(jié)果

如前所述，選取常用的圓型鋼管截面構(gòu)建截面庫，共有16種截面?zhèn)溥x，編碼與型鋼截面對應(yīng)關(guān)系如表2所示。按照已建立的優(yōu)化數(shù)學(xué)模型 （式 （1）～式 （3）），以反射面RMS值為優(yōu)化目標(biāo)，構(gòu)件強度 （或穩(wěn)定性）為約束條件，分別采用標(biāo)準(zhǔn)遺傳算法以及改進遺傳算法對背架結(jié)構(gòu)桿件進行截面優(yōu)化，兩種算法的參數(shù)取值及說明見表3，最終優(yōu)化迭代曲線如圖7所示。這里給出采用改進遺傳算法優(yōu)化后的背架結(jié)構(gòu)桿件截面尺寸：上弦徑向桿件最大截面為146×7mm，最小截面為121×6mm；環(huán)向桿件最大截面為146×7mm，最小截面為121×6mm；下弦徑向桿件最大截面為245×8mm，最小截面為121×6mm；環(huán)向桿件最大截面為146×7mm，最小截面為121×6mm；腹桿最大截面為219×8mm，最小截面為83×4mm。

圖6 十桿桁架優(yōu)化結(jié)果

表2 編碼串與截面尺寸的映射關(guān)系

表3 遺傳算法中的參數(shù)取值

圖7 背架結(jié)構(gòu)截面優(yōu)化結(jié)果

從優(yōu)化歷程曲線來看，本文提出的集成多種改進措施后的遺傳算法，針對該巨型射電望遠(yuǎn)鏡背架結(jié)構(gòu)截面優(yōu)化，其優(yōu)化進程較標(biāo)準(zhǔn)算法能較快的產(chǎn)生優(yōu)秀個體；從優(yōu)化歷程變化幅度來看，采用改進算法其變化幅度更大；從最后的優(yōu)化目標(biāo)來看RMS 值更小，即結(jié)果更優(yōu) （標(biāo)準(zhǔn)算法為0.34mm，改進算法為0.306 mm）；較為有效地解決了望遠(yuǎn)鏡背架結(jié)構(gòu)大規(guī)模數(shù)型材式變量的優(yōu)化問題。

5 結(jié) 論

（1）選取經(jīng)典的數(shù)學(xué)測試函數(shù)以及十桿優(yōu)化模型作為算例，較好的驗證了本文提出的改進遺傳算法。

（2）以110 m 角錐式網(wǎng)架方案背架結(jié)構(gòu)為分析對象，主反射面RMS值為優(yōu)化目標(biāo)，在標(biāo)準(zhǔn)算法對截面優(yōu)化取得高精度結(jié)果的前提下，采用本文提出的改進算法對結(jié)構(gòu)予以優(yōu)化，發(fā)現(xiàn)不但精度提高10%，而且獲得優(yōu)化結(jié)果的速度更快，優(yōu)化幅度更大。

6 結(jié)束語

（1）對目前主要的望遠(yuǎn)鏡結(jié)構(gòu)優(yōu)化分析方法進行了總結(jié)，在分析了各自優(yōu)缺點的基礎(chǔ)上，針對背架結(jié)構(gòu)截面變量數(shù)較多，且均為圓鋼管型材截面這一特點，對其算法中的部分算子進行了局部改進，提出了改進的優(yōu)化算法，解決了大規(guī)模離散型變量的優(yōu)化問題，目前適用于望遠(yuǎn)鏡結(jié)構(gòu)型鋼截面的優(yōu)化。

（2）本文提出的優(yōu)化方法主要是針對背架結(jié)構(gòu)截面尺寸的優(yōu)化，并且是在重力荷載下的優(yōu)化。今后可繼續(xù)拓寬全可動望遠(yuǎn)鏡背架結(jié)構(gòu)優(yōu)化層次，逐漸過渡到節(jié)點坐標(biāo)優(yōu)化以及背架結(jié)構(gòu)拓?fù)鋬?yōu)化，最終能夠達到對背架結(jié)構(gòu)實現(xiàn)多工況下的多類變量優(yōu)化。

［1］LIU Yan.Structural selection and accuracy control of the large aperture all－movable telescope ［D］.Harbin：Harbin Institute of Technology，2013：4－6 （in Chinese）.［劉巖.超大口徑全可動望遠(yuǎn)鏡結(jié)構(gòu)選型及精度控制 ［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2013：4－6.］

［2］ZHAO Yun.Design of the three millimeter wave beam Cassegrain antenna ［D］.Nanjing：Nanjing University of Science and Technology，2012：32－38（in Chinese）. ［趙蕓.毫米波三波束卡塞格倫天線設(shè)計［D］.南京：南京理工大學(xué)，2012：32－38.］

［3］Fu L，Du XW，Wan ZM.Analysis of effect of pressure on surface accuracy for inflatable antenna ［J］.Journal of Harbin Institute of Technology，2008，15 （6）：786－789.

［4］BIAN Xia，MI Liang.Development on genetic algorithm theory and its applications ［J］.Application Research of Computers，2010，27 （7）：2425－2429 （in Chinese）.［邊霞，米良.遺傳算法理論及其應(yīng)用研究進展 ［J］.計算機應(yīng)用研究，2010，27 （7）：2425－2429.］

［5］ZHUANG Jian，YANG Qingyu，DU Haifeng.High efficient complex system genetic algorithm ［J］.Journal of Software，2010，21 （11）：2790－2801 （in Chinese）.［莊健，楊清宇，杜海峰.一種高效的復(fù)雜系統(tǒng)遺傳算法 ［J］.軟件學(xué)報，2010，21 （11）：2790－2801.］

［6］WANG Yinnian.Research and applications of the genetic algorithm ［D］. Wuxi：Jiangnan University，2009：35－40 （in Chinese）.［王銀年.遺傳算法的研究與應(yīng)用 ［D］.無錫：江南大學(xué)，2009：35－40.］

［7］KUANG Suqiong.Research on the adaptive control of genetic algorithm parameters and convergence ［D］.Changsha：Central South University，2009：86－94 （in Chinese）. ［鄺溯瓊.遺傳算法參數(shù)自適應(yīng)控制及收斂性研究 ［D］.長沙：中南大學(xué)，2009：86－94.］

［8］YUE Qin，F(xiàn)ENG Shan.The statistical analyses for computational performance of the genetic algorithms［J］.Chinese Journal of Computers，2009，32 （12）：2389－2392 （in Chinese）.［岳嵚，馮珊.遺傳算法的計算性能的統(tǒng)計分析 ［J］.計算機學(xué)報，2009，32 （12）：2389－2392.］

［9］CAO Daoyou，CHENG Jiaxing.A genetic algorithm based on modified selection operator and crossover operator ［J］.Computer Technology and Development，2010，20 （2）：44－47 （in Chinese）.［曹道友，程家興.基于改進的選擇算子和交叉算子的遺 傳 算 法 ［J］.計 算 機 技 術(shù) 與 發(fā) 展，2010，20 （2）：44－47.］

［10］JIANG Wei.Improvement of crossover operator in the genetic algorithm ［D］.Changchun：Jilin University，2009：104－113（in Chinese）.［姜薇.遺傳算法中交叉算法的改進 ［D］.長春：吉林大學(xué)，2009：104－113.］

［11］ZHANG Chen，ZHAN Zhihui.Comparison of selection strategy in genetic algorithm ［J］.Computer Engineering and Design，2009，30 （23）：5471－5474 （in Chinese）. ［張琛，詹志輝.遺傳算法選擇策略比較 ［J］.計算機工程與設(shè)計，2009，30 （23）：5471－5474.］