基于频响函数和改进PSO算法的结构损伤识别方法

为解决在一定噪声水平影响下的结构损伤识别问题,提出一种基于频响函数和改进的粒子群算法的结构损伤识别方法。以单元刚度折减因子为优化变量,采用实测频响函数和计算频响函数的相关系数来构造粒子群算法(PSO)的优化目标函数和适应度函数;考虑到简单PSO算法在寻优过程易"早熟"的问题,采用增大粒子后期位置改变量的改进策略,最后通过该算法对IASC-ASCE SHM Benchmark结构进行损伤识别。结果表明:改进后的算法是有效的,且较简单PSO算法结果更精确,收敛速度更快。     

粒子群优化算法在桁架优化设计中的应用

粒子群优化（PSO）算法是近年来发展起来的一种基于群智能的随机优化算法,具有概念简单、易于实现、占用资源低等优点。为了解决有应力约束和位移约束的桁架的尺寸优化问题,将PSO算法应用于桁架结构的尺寸优化设计。首先介绍了原始的PSO算法的基本原理,然后引入压缩因子改进了PSO算法,并提出合理的参数设置值。对几个经典问题进行了求解,并与传统的优化算法和遗传算法进行了比较。数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的尺寸优化设计。     

粒子群算法在网架结构损伤识别中的应用研究

粒子群算法作为新兴的智能优化算法,因其处理优化问题突出已逐步应用在结构损伤检测领域,基于粒子群算法,提出了网架结构损伤识别方法。首先利用模态保证准则(MAC),结合频率和振型在损伤识别中各自的优势,构造了基于频率和振型的适应度函数;其次,以两个测试函数来对比分析,说明改进的粒子群算法寻优性能更佳;最后,通过一个网架结构仿真模型算例,对所提方法的有效性进行验证。设置了3种工况进行损伤识别并对结果进行分析,结果表明基于粒子群算法的损伤识别方法能够准确识别出损伤发生的位置及程度。     

一种基于遗传算法的动载荷识别方法

提出了一种基于遗传算法的时域内载荷识别方法,并通过工程实例加以分析,将遗传算法应用到载荷识别过程中,将结构动力学的反问题转化为正计算,避免了传统方法的不足,进一步证明了该算法的有效性。     

基于分布式传感网络的结构模态识别方法

结构的模态参数识别是结构健康监测系统的基本任务。随着工程结构的日益大型化和复杂化,振动测试时需要布置大量的传感器。传统的集中采集和处理技术将难以胜任海量数据的处理要求,采用无线智能传感器的结构健康监测系统正是应运而生的新方向,而分布式采集和处理是其特点。在无线智能传感网络拓扑结构中采用分布式算法求解结构整体振型,利用随机子空间法识别各子结构模态,结合粒子群优化算法调整子振型获取结构整体振型。通过混凝土钢管拱桥模型试验验证了分布式算法的可行性,并利用模态置信度(MAC)对比分析了由分布式模态识别方法和集中式模态识别方法得到的结果,结果表明两种算法吻合较好。     

EEMD和SVM相结合的储层流体识别模型

针对深层储层地震响应微弱、含气性识别困难的问题,提出了一种基于聚合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)的地震属性提取及储层含气性识别方法。对地震信号运用EEMD方法进行分解,得到一系列本征模态函数(intrinsic mode function,IMF)。优选具有强相关性的本征模态函数重构特征子信号提取地震属性。通过相关性和R型聚类分析评估地震属性,最终选取4种相对独立的属性作为SVM的输入特征参数,并利用粒子群优化(particle swarm optimization,PSO)算法优化参数后得到的SVM模型实现对储层含气性的识别。实验结果表明,所提方法能够有效地提取储层地震属性及进行含气性识别。     

启发式粒子群优化算法及其在空间结构优化中的应用

介绍了应用于结构离散变量的标准粒子群优化算法(PSO)及被动群集的粒子群优化算法(PSOPC),指出了两者在处理约束条件方面的不足之处.在基于“和谐搜索“算法(Harmony Search)产生新解的思想基础上,提出了应用于结构离散变量的启发式粒子群优化算法(HPSO).应用所提出的HPSO算法对多个平面及空间桁架结构进行了截面优化设计,数值计算结果表明本文提出的启发式粒子群优化算法(HPSO)可以搜索到最优解,并且具有较高的收敛速度,尤其在迭代计算的初期,计算效率非常明显.HPSO算法明显提高了PSO算法的效率.     

蝉鸣优化算法在组合优化问题中的应用

文献(1)提出了蝉鸣优化(CSO)算法,利用CSO、 PSO和DE对9个高维Benchmark函数的仿真,得到了非常好的优化结果,该算法尚未在组合优化问题中应用,本文利用CSO算法对旅行商问题(TSP),这一典型的组合优化问题,进行优化,建立了CSO算法解决TSP问题的模型,并利用MATLAB进行仿真。实验结果表明, CSO也是一种非常适于求解组合最优化问题的进化算法。     

基于灵敏度的热传导辨识问题求解方法

本文采用灵敏度分析和优化方法求解热传导参数辨识问题。根据测量点已知温度值 ,将测量点的计算温度值与测量温度值之差平方和作为优化问题的目标函数 ,将待识别的热传导参数作为设计变量 ,极小化目标函数得到设计变量最优值就是真实的识别参数值。优化问题采用序列线性规划算法求解 ,基于温度场灵敏度分析构造线性规划问题。数值计算结果表明 ,本文方法求解热传导参数辨识这类反问题的效率和精度很高。