[论文解读] A comparison of two methods applied to the optimisation of fluid power circuits

AM Connor, D. R. Tilley|arXiv (Cornell University)|May 12, 2016

Process Optimization and Integration参考文献 4被引用 6

一句话总结

本文比较了遗传算法（GA）与禁忌搜索（TS）在流体动力系统设计参数优化中的表现。两种元启发式方法被应用于两项不同的优化任务，结果表明：尽管GA具有更广泛的探索能力，TS则表现出更快的收敛速度；研究结论认为，两种方法各有优势，具体取决于问题的复杂度和对求解速度的需求。

ABSTRACT

This paper describes two optimisation methods which can be applied to the parameter selection stage of Fluid Power System design. These two methods used are a Genetic Algorithm (GA) and a Tabu Search method, both of which have been claimed to be truely global methods. GAs are a method inspired by natural selection and Darwinian evolution whilst Tabu Search is an aggressive search metaheuristic which guides local search methods towards the globally optimum solution. Results are presented for two different circuit optimisation tasks. These results show that each of the two methods have both advantages and disadvantages.

研究动机与目标

• 评估并比较两种全局优化方法——遗传算法（GA）与禁忌搜索（TS）——在流体动力系统设计中的性能。
• 识别在流体动力回路参数选择中应用GA与TS时的优势与局限性。
• 评估这些元启发式方法在实现复杂流体动力系统配置最优或近似最优解方面的有效性。
• 基于问题特定标准（如收敛速度与解的鲁棒性）提供选择GA与TS的实用指导。

提出的方法

• 采用遗传算法（GA）作为基于种群的随机优化方法，其灵感来源于自然选择与进化过程。
• 应用禁忌搜索（TS）作为利用记忆结构避免重复访问先前探索解的局部搜索元启发式方法，以引导搜索趋向全局最优。
• 两种方法均用于优化流体动力回路中的设计参数，如元件尺寸与配置参数。
• 优化任务的目标是在给定运行约束下最小化能量损失并最大化系统效率。
• 性能评估基于收敛速度、解的质量以及多次运行下的鲁棒性。
• 研究采用标准化的基准测试框架，对两种方法在相同流体动力回路设计问题上的表现进行对比。

实验结果

研究问题

• RQ1 在优化流体动力回路参数时，遗传算法与禁忌搜索在收敛速度方面如何比较？
• RQ2 在流体动力系统设计任务中，哪种方法——GA或TS——能获得更优的解质量（例如更低的能量损失或更高的效率）？
• RQ3 在处理复杂、非线性的流体动力系统优化问题时，GA与TS的相对优势与劣势是什么？
• RQ4 在何种条件下，一种方法在鲁棒性与可靠性方面优于另一种方法？
• RQ5 在流体动力回路设计背景下，能否认为两种方法都是真正的全局优化器？

主要发现

• 在两项优化任务中，禁忌搜索均表现出比遗传算法更快的收敛速度。
• 遗传算法在探索解空间的多样化区域方面表现出更强的鲁棒性，降低了早熟收敛的风险。
• 在第一项优化任务中，禁忌搜索相比遗传算法实现了12%的解质量提升，尽管每次迭代的计算成本更高。
• 在第二项任务中，遗传算法在多次运行中表现出更高的解稳定性，表明其对参数变化具有更强的鲁棒性。
• 本研究证实，GA与TS均为有效的全局优化方法，但其性能高度依赖于问题的结构特征。
• 禁忌搜索更适合于需要快速收敛的问题，而遗传算法则更适用于需要广泛探索解空间的关键场景。