1、進化計算，作為一種新興的強大的智能優(yōu)化技術，已經廣泛地應用在工程科學的幾乎所有的領域。與傳統(tǒng)優(yōu)化方法相比，進化計算在全局優(yōu)化、復雜設計區(qū)域、復雜目標函數及易用性等方面都顯示出了其優(yōu)越性。遺傳算法是進化計算中最重要的算法之一，本文主要研究了改進的遺傳算法及其在工程優(yōu)化領域中的應用。 本文的主要研究內容分章介紹如下： 第一章首先簡要介紹了進化計算的基本知識，在工程優(yōu)化領域的歷史與研究現狀。本章的最后給出了本論文的基本框架。

2、 第二章介紹了遺傳算法的基本理論與方法。首先給出了遺傳算法的基本流程，然后介紹了染色體的編碼方法及遺傳算子，最后分析了遺傳算法的搜索機理與收斂性。 第三章提出了一種新的遺傳算法——基于子域搜索的遺傳算法(簡稱為SBGA)。SBGA將設計區(qū)域分成多個小的子域，根據已搜索過的樣本點在這些子域內的分布情況來指導后續(xù)的搜索。同時，SBGA還提供了一種新的處理約束的方法。應用SBGA進行了復雜函數和桿系結構的優(yōu)化，數值實驗還發(fā)現它能

3、夠有效地抑制早熟現象的發(fā)生。 第四章研究了基于遺傳算法的連續(xù)體結構拓撲優(yōu)化問題。提出了一種新的變長的緊湊編碼方式——鏈碼編碼方法，用四方向鏈碼的組合來描述結構拓撲。以機器學習中的范例推理為原型，設計出一種基于范例推理的遺傳算法。在該算法中，根據多尺度變換的原理，提出了結構拓撲的“目標向量”描述方式，從而可能定量地描述不同拓撲的相似性。研制了上述方法的計算機軟件GATOCS，并利用該軟件對多工況連續(xù)深梁和自行車框架進行拓撲優(yōu)化，取

4、得了較為滿意的結果，從而說明了應用遺傳算法進行連續(xù)體結構拓撲優(yōu)化是完全可行的。 第五章研究了多目標遺傳算法及其并行實現。實際的工程優(yōu)化問題通常都是多目標的，而且計算量很大。因此，本文研究了并行虛擬機(高速互聯(lián)機群)環(huán)境下的多目標遺傳算法SPEA2的分布式實現，開發(fā)了并行的SPEA2的算法，并且完成了深梁的多目標拓撲優(yōu)化。 第六章研究小生境技術在遺傳算法中的應用，設計了基于小生境技術和局部搜索算法的混合遺傳算法，應用“互信