1.一种应用高斯和声搜索的振动筛优化设计方法，其特征在于，包括以下步骤：步骤1，根据待优化设计的振动筛的物理机械特性建立以下形式的最小化优化目标的数学模型：最小化振动筛的优化设计目标函数f(X)，并满足优化设计约束条件：gk(X)≤0,k＝

1,2,...,M，其中X＝[x1 x2 ... xD]为振动筛的优化设计变量组成的向量；D为振动筛待优化设计的变量个数；gk(X)≤0为第k个优化设计约束条件，M为优化设计约束条件个数；

步骤2，用户初始化参数，所述初始化参数包括振动筛待优化设计的变量个数D，和声库大小Popsize，记忆库学习率HMCR，音调调整率PAR，最大评价次数MAX_FEs；

步骤3，当前演化代数t＝0，当前评价次数FEs＝0；

步骤4，随机产生初始和声库 其中：个体下标i＝

1,...,Popsize，并且 为和声库Pt中的第i个个体，其随机初始化公式为：

其中下标j＝1,...,D，并且D表示振动筛有多少个要优化设计的变量； 为在和声库Pt中的第i个个体，存储了D个优化设计变量的值，rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数，Loj和Upj分别为第j个优化设计变量的取值范围的下界和上界；

步骤5，采用演化优化领域中常用的惩罚函数法计算和声库Pt中每个个体 的适应值其中个体下标i＝1,...,Popsize，个体 的适应值 的计算公式如下：其中pow为幂函数，abs为取绝对值函数，exp为指数函数，max为取最大值函数；

步骤6，当前评价次数FEs＝FEs+Popsize；

t t

步骤7，保存和声库P中适应值最小的个体为最优个体Best ；

t t

步骤8，结合高斯音调调整策略产生一个试验个体U，并计算试验个体U的适应值tFit(U)，具体步骤如下：

步骤8.1，令计数器j＝1；

步骤8.2，在[0,1]之间随机产生一个实数r1，如果r1小于记忆库学习率HMCR，则转到步骤8.3，否则转到步骤8.11；

步骤8.3，在[1，Popsize]之间随机产生一个正整数RI1；

步骤8.4，令

步骤8.5，在[0,1]之间随机产生一个实数r2，如果r2小于音调调整率PAR，则转到步骤8.6，否则转到步骤8.12；

步骤8.6，令优秀个体数量pBestN＝max(2,Popsize×r3)，实数r3为[0.01,0.2]之间随机产生的一个实数；

步骤8.7，从当前和声库的前pBestN个优秀个体中随机选择出一个个体步骤8.8，令随机权值RW＝rand(0,1)；

步 骤 8.9，令 均 值 并令方差步骤8.10， 其中NormalRand(MeanV,SDV)表示以MeanV为均值，SDV为方差的高斯随机数产生函数；然后转到步骤8.12；

步骤8.11，令

步骤8.12，令计数器j＝j+1，如果计数器j小于或等于D，则转到步骤8.2，否则转到步骤8.13；

步骤8.13，计算试验个体Ut的适应值Fit(Ut)，转到步骤9；

步骤9，令当前评价次数FEs＝FEs+1；

步骤10，找到当前和声库中适应值最差个体的下标WorstI；

步骤11，按以下公式在当前和声库中的最差个体 与个体Ut两者之间选择出更优个体进入下一代和声库：步骤12，随机选择出一个个体，然后对选择出来的个体执行差分变异局部搜索操作得t到个体DU，具体步骤如下：

步骤12.1，在[1，Popsize]之间随机产生一个正整数RI2；

步骤12.2，令计数器i＝1，并令差分变异局部搜索最大次数DSN＝max(5,D/5)，其中max为取最大值函数；

步骤12.3，如果计数器i小于或等于DSN，则转到步骤12.4，否则转到步骤13；

步骤12.4，在[1，Popsize]之间随机产生两个互不相等，并且也不等于RI2的正整数RI3和RI4；

步骤12.5，令计数器j＝1；

步骤12.6，如果计数器j小于或等于D，则转到步骤12.7，否则转到步骤12.9；

步骤12.7，令

步骤12.8，令计数器j＝j+1，转到步骤12.6；

步骤12.9，计算差分变异局部搜索操作得到的个体DUt的适应值，并令当前评价次数FEs＝FEs+1；

t

步骤12.10，如果个体DU的适应值比个体 的适应值更优，则在当前和声库中用个t体DU替换个体 并转到步骤13，否则转到步骤12.11；

步骤12.11，令计数器i＝i+1，转到步骤12.3；

t

步骤13，保存和声库Pt中适应值最小的个体为最优个体Best ；

步骤14，当前演化代数t＝t+1；

步骤15，重复步骤8至步骤14直至当前评价次数FEs达到MAX_FEs后结束，执行过程t中得到的最优个体Best即为振动筛优化设计的结果。