《表2 不同优化算法下稳健设计优化结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于区间分析方法的船舶不确定稳健设计优化》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表2为2种优化算法下目标函数的中值与半径的对比结果。从表中可以看出:NSGA-II算法的半径为3.078，明显小于MIGA下的半径。由于半径越小，稳健性水平越高，从整体水平来看，采用NSGA-II算法的优化效率明显且稳健性较好。因此，本文采用全局探索法中的多岛遗传算法（Multi-Island Genetic Algorithm）作为内层优化算法，外层采用加入精英保持策略和去除重复个体的NSGA-II算法对目标函数的中值和半径2个目标进行不确定优化分析。由于外层优化器的主要任务是在全局范围内生成覆盖面广的设计变量，NSGA-II具有较强的探索性能、寻优范围广和群体协作程度高等特点，能很好地满足外层优化要求。内层优化是不确定优化体系的核心，MIGA具有比传统遗传算法更优良的全局求解能力和计算效率，能够很好地满足内层优化器对搜索能力和效率的要求。2种优化算法结合，使计算时间节约50%的同时，优化目标提高了0.9%，这在复杂船舶系统中是较为显著的结果。综上可知，将2种优化算法组合应用到船舶的不确定优化体系中具有明显的优势。