基于生长空间限定与并行搜索的模拟植物生长算法的空间结构优化方法

为弥补传统设计理念和优化方法的不足,促进空间结构的发展与创新,结合前沿优化理论,依据模拟植物生长算法(PGSA)的基本原理,提出基于生长空间限定与并行搜索的模拟植物生长算法(GSL&PS-PGSA),并与空间结构优化相结合,建立了基于GSL&PS-PGSA的空间结构优化方法。给出了相应的结构优化流程,并采用MATLAB及ANSYS二次开发语言APDL编制了优化程序。通过单层球面网壳截面优化和弦支穹顶预应力优化的典型空间结构算例分析,结果表明：所提出的GSL&PS-PGSA为算法提供了有效的终止机制,且具有高效的计算效率及全局搜索能力;与遗传算法(GA)、粒子群算法(PSO)、ANSYS自带优化方法以及其他改进PGSA算法等相比,GSL&PS-PGSA的优化效果更为显著且具有明显优势;所建立的基于GSL&PS-PGSA的空间结构优化方法,可适用于各类传统和新型空间结构体系的优化问题。     

Plant growth simulation algorithm based on double growth point parallel growth mechanism and its structural optimization

针对模拟植物生长算法(PGSA)系列算法中存在的搜索路径相对单一、搜索覆盖面不够广等问题，结合复杂结构优化问题中设计变量多、存在多个局部最优解、算法难以自动终止等特点，基于PGSA的基本原理和植物的实际生长规律，提出一种新的算法机制——双生长点并行生长机制，并与基于生长空间限定与并行搜索(GSL&PS-PGSA)算法相融合。通过典型数学及空间桁架结构算例进行了验证，结果表明：双生长点并行生长机制增加了寻优搜索路径，拓宽了搜索覆盖面，降低了陷入局部最优解的概率，并为算法提供更为有效的终止机制，从而具有更加显著的优化效率及全局搜索能力；与序列两级算法、蚁群算法等常用优化方法相比，融入双生长点并行生长机制的GSL&PS-PGSA进一步提升了算法的优化求解能力，在结构优化问题中表现出良好的适应性及有效性。     

基于双生长点并行生长机制的模拟植物生长算法及其结构优化

针对模拟植物生长算法(PGSA)系列算法中存在的搜索路径相对单一、搜索覆盖面不够广等问题,结合复杂结构优化问题中设计变量多、存在多个局部最优解、算法难以自动终止等特点,基于PGSA的基本原理和植物的实际生长规律,提出一种新的算法机制——双生长点并行生长机制,并与基于生长空间限定与并行搜索(GSL&PS-PGSA)算法相融合。通过典型数学及空间桁架结构算例进行了验证,结果表明：双生长点并行生长机制增加了寻优搜索路径,拓宽了搜索覆盖面,降低了陷入局部最优解的概率,并为算法提供更为有效的终止机制,从而具有更加显著的优化效率及全局搜索能力;与序列两级算法、蚁群算法等常用优化方法相比,融入双生长点并行生长机制的GSL&PS-PGSA进一步提升了算法的优化求解能力,在结构优化问题中表现出良好的适应性及有效性。     

基于自适应协方差矩阵进化策略的结构可靠度计算

自适应协方差矩阵进化策略(CMA-ES)算法是一种引导式随机优化算法,兼顾了深度搜索最优解和广度搜索解空间的能力。针对采用遗传算法(GA)、粒子群优化算法(PSO)等仿生优化算法求解复杂结构可靠度时往往遇到计算代价过高的问题,基于结构可靠度指标的几何涵义并结合验算点法,提出了结构可靠度计算的自适应协方差矩阵进化策略方法。研究结果表明,该方法是可行的,具有全局性好、收敛速度快的优点,与遗传算法、粒子群优化算法相比较,可大幅度地提高计算效率,为结构可靠度计算提供了一条新的途径。     

基于修正萤火虫算法的多模函数优化

萤火虫优化(glowworm swarm optimization,GSO)算法是一种计算多模函数优化问题的新型算法,该算法和蚁群优化、粒子群优化一样,都是一种群智能算法。针对GSO算法在优化多模函数时收敛速度慢、求解精度不高和发现峰值率低的缺点,首先在算法中采用变步长的运动策略,使得步长随着迭代时间自适应地逐渐减小;其次采用较小的初始决策范围值;最后添加了萤火虫的自探索机制。改进后的学习行为更符合自然界生物的学习规律,更有利于萤火虫发现问题的所有局部最优解。利用标准测试函数对修正后的萤火虫算法进行测试,仿真结果表明,修正的萤火虫算法具有良好的收敛性和计算精度,在寻找多模函数的峰值个数时显示出很大的优势。     

基于GASA混合优化策略的双层规划模型求解算法研究

本文提出用遗传—模拟退火算法(GASA)混合优化策略来求解双层规划模型。混合优化策略结合了遗传算法的并行结构和模拟退火算法的概率突跳性,提高了找到全局最优解的可靠性和计算效率。数值模拟实验表明算法性能良好,GASA混合优化策略求得全局最优解时的进化代数比单一的遗传算法减少约35％,比模拟退火算法的迭代次数减少约50％。     

ICS-BPNN在信息安全风险评估中的应用

提出了一种改进的布谷鸟算法优化反向传播神经网络(improved cuckoo search optimization back-progation neural network,ICS-BPNN)方法,用以提高其在信息安全风险评估中的应用效果,通过引入动态的步长和抛弃概率来提高布谷鸟算法(cuckoo search,CS)的性能,并使用改进的布谷鸟算法(improved cuckoo search,ICS)对反向传播神经网络(back-propagation,BP)的初始权值和阈值进行优化。以某信息系统的30个信息安全风险评估结果为样本进行仿真实验,结果表明,所提方法相较于其他方法在信息安全风险评估方面有着更为出色的表现。     

地下工程并行优化反演分析及算例验证

 通过重构非线性惯性权重函数和引入“加速因子”,对传统粒子群优化算法的收敛性进行改进。同时基于消息传递平台对算法进行主从式并行改进,编程实现基于普通计算机机群系统分布式存储并行模式的大型地下工程并行优化反演分析。算例分析表明,改进的粒子群优化算法其收敛性能得到显著改善,并行改进策略可显著加快反演速度和提高计算效率。探讨围岩松动损伤劣化、监测数据可靠性、并行粒度和负载均衡等并行优化反演分析中所面临的主要问题及其对计算精度和效率的影响,并提出有效解决方案,为大型地下工程的参数反演和动态优化设计提供一种新思路。     

一种高效的全局数值优化方法:演化-单纯形算法

演化计算是上世纪六十年代后基于生物进化的思想发展起来的一类求解优化问题的自适应、自组织、随机搜索的全局优化算法。本文针对遗传算法、演化策略两种演化计算存在的问题进行了改进,将演化计算与单纯形算法相结合,设计了一种基于浮点编码的演化-单纯形算法。针对七个典型的测试函数进行的对比分析表明本文提出的演化-单纯形算法是一种具有较高搜索效率的数值优化方法。     

基于改进人工鱼群算法的空间桁架结构优化研究

以工程应用为目标,针对基本人工鱼群算法在优化过程中存在的很多不足,对人工鱼的搜索视野和移动步长进行了改进,提出了一种改进的自适应人工鱼群算法,并结合对一个25杆空间桁架结构进行形状优化设计,比较详细的介绍了运用该方法进行优化的思想和策略,表明了改进的鱼群算法的可行性。     

桁架形状优化的自适应协方差矩阵进化策略方法

自适应协方差矩阵进化策略(CMA-ES)是在进化策略算法(ES)基础上发展起来的一种新的全局优化算法,对于处理复杂非线性多峰值优化问题具有很好的适用性.结合有限元方法,提出一种桁架形状优化的自适应协方差矩阵进化策略方法.采用空间25杆桁架和平面37杆桥形桁架两个桁架形状优化的经典算例对方法的可行性和先进性进行验证,其中,空间25杆桁架分为不考虑局部稳定约束和考虑局部稳定约束两种情况进行计算.研究结果表明,该方法是可行的,与基于遗传算法、粒子群优化算法等现代全局优化算法的桁架形状优化方法相比较,具有寻优效率高、收敛速度快、全局优化能力强的优点,在获得相同精度最优解的条件下,调用有限元分析的次数明显较少,从而有效地减少了计算耗时.     

基于并行改进遗传算法的三维电阻率反演方法

计算效率极低是阻碍遗传算法用于三维电阻率反演的瓶颈,使得很多对改善反演效果和搜索质量有利但又很耗时的改进方法无法应用到遗传算法中。针对上述问题,基于遗传算法天然的并行计算特性,提出了新的多重主从并行计算策略及其算法。提出了初始群体的严格均布产生方法,以提高初始群体接近最优解的概率;提出了基于交叉个体适应度差异的比例随机算术交叉算法,以保证优良个体的遗传竞争优势;建立了混合变异算法,将传统的随机变异算法与线性反演中确定性搜索优化算法相结合,即保持了变异的随机性又控制了优化方向。最后将并行改进遗传算法用于合成算例和实际应用案例中,发现并行改进遗传算法的计算效率显著提高,且在寻找最优解、压制假异常、提高反演效果方面具有明显优势,为实际工程中电阻率探测的三维成像提供了有效途径。     

基于并行NSGA-Ⅱ算法的桥梁网络养护策略优化

制定辖区全体桥梁的养护策略是在役桥梁管养方法研究的前进方向。给出桥梁网络养护策略的优化目标与约束方程,建立网级桥梁策略优化框架。引入带精英策略的非支配排序遗传算法(NSGA-Ⅱ),将其与并行遗传算法(PGA)相结合,提出基于并行NSGA-Ⅱ的网级养护策略优化方法。采用约束联赛法处理单座桥梁的最低性能约束问题,通过修改支配关系的定义改进原有NSGA-Ⅱ算法。应用于工程案例,输出结果为一系列Pareto最优解集,管理方可根据自身实际方便选择。算例分析验证该框架的有效性,以及建议算法的可靠性与高效性。     

基于QPSO-BP 神经网络的火灾预警算法

为了进一步提高油库消防系统的安全性,针对其火灾报警信息系统进行了改进,构建基于量子粒子群算法优化BP神经网络的火灾智能预警算法,以温度、烟雾浓度以及CO 浓度数据作为神经网络的输入,以无火、明火以及阴燃火的概率作为神经网络的输出。使用量子粒子群算法优化BP 神经网络运行中随机产生的权值和阈值,加快神经网络收敛到期望误差的速度,增强全局搜索能力。通过MATLAB 软件对智能火灾预警算法的模型进行仿真,模型输出的火情概率与实际值基本吻合。设计了多传感器数据采集设备,获取火灾现场数据,输入网络模型,能够有效识别明火、阴燃火和无火情况,验证了该算法可提高消防预警系统的准确性。     

改进的粒子群-模拟退火算法在桁架结构优化设计中的应用

由于粒子数目多,维数大,用粒子群算法求解多约束问题的迭代求解过程需耗费大量时间。受达尔文的优胜劣汰自然法则启发,在粒子群算法中引入淘汰择优机制。使算法随着迭代次数增加,适应能力较差的粒子逐步被淘汰。最后留下的最优粒子需要较低的温度进行退火求解,寻得全局最优解。多峰值函数测试表明,改进后的算法能够高效率跳出局部最优寻得全局最优解。将改进的算法用于空间桁架结构优化,经算例表明,改进后的粒子群模拟退火串行算法降低了算法的求解复杂度,具有较好的稳定性和较优的收敛性,适用于空间桁架结构截面尺寸优化设计。     

基于改进萤火虫优化算法和考虑空间变异特性的边坡最小安全系数确定研究

在基本萤火虫算法中引入“短视”策略,结合一典型不排水边坡短期稳定问题,考虑土体材料的空间变异特性,构建相应参数的随机场,探讨了萤火虫个体数目N、移动步长β对萤火虫算法搜索效率的影响。结果表明:在其他条件相同的前提下,引入“短视”策略的萤火虫算法较未采取“短视”策略的萤火虫算法结果标准差要小,说明“短视”策略可以提高萤火虫算法的寻优能力;萤火虫个体数目N的增加也会提高算法的寻优能力,但是算法的计算时间T与N^2.1成正比;从安全系数平均值角度来看,移动步长β的合理取值建议介于0~2之间;相同参数设置下萤火虫算法在波动范围较大时搜索到的安全系数标准差较之波动范围较小时的标准差要小,证明了波动范围增大后,边坡稳定最小化安全系数这一优化问题的复杂程度减弱;在考虑土体材料空间变异特性时,要变换算法的参数或者尝试不同的优化算法,以确保找到最小的安全系数及失稳模式。     

AVO岩性参数反演的改进人工鱼群算法研究

为及时获取地震岩性参数,提出了基于动物自治体模型的人工鱼群算法进行参数反演。该方法对鱼群算法采取分阶段策略进行改进,并增加了跳跃与吞食行为,从而使鱼群更容易跳出局部最优得到性能优化。对振幅随炮检距变化(AVO)的实际数据参数反演的结果表明,与标准人工鱼群算法相比,改进的鱼群算法的反演精度与寻优时间都得到很大改进,表现出更强的寻优泛化能力。