层状地层粘弹性优化反分析与混合遗传算法

本文针对基坑开挖过程所表现出来的时间效应，采用Voigt粘弹性模型进行模拟，并结合具体的施工过程，进行粘弹性位移优化反分析。由于遗传算法具有早熟收敛，并且在进化后期有搜索能力较低等特点，把阻尼最小二乘法和遗传算法结合起来；并结合具体的工程实例，对遗传算法以及混合遗传算法进行了对比分析。结果发现，混合遗传算法在保证搜索精度的基础上加快了搜索速度。     

层状地层粘弹性优化反分析与优化方法对比分析

针对基坑开挖过程所表现出来的时间效应，采用Voigt粘弹性模型进行模拟，并结合具体的施工过程，进行粘弹性位移优化反分析。结合具体的工程实例，分析了阻尼最小二乘法、遗传算法以及混合遗传算法对粘弹性位移反分析的适应性，结果发现，阻尼最小二乘法对粘性参数优化不明显，而遗传算法则不同，可以对参数进行全面优化，而混合遗传算法集合了两者的优点，克服了阻尼最小二乘法的不足。     

基于混合遗传算法的结构优化设计

针对遗传算法在迭代过程中经常出现早熟、收敛速度慢、局部搜索能力差等缺点,对遗传算法中的遗传算子进行了改进,提出梯度算法与遗传算法相结合的混合遗传算法。分析表明,这种混合遗传算法既发挥了梯度算法局部搜索能力强的特点,又结合了遗传算法全局搜索能力强的优点,避免出现早熟现象,使收敛速度大大改善,具体算例表明该混合遗传算法是一种有效的工程结构优化方法。     

混合遗传算法在工程结构优化设计中的应用

根据工程实际 ,充分考虑规范规定的约束条件和各项技术标准要求 ,建立了建筑结构优化模型。并提出一种离散变量结构优化设计的斐波那契算法与标准遗传算法结合成混合遗传算法。优化设计结果表明 ,这种混合遗传算法既发挥了斐波那契算法省时、高效、局部搜索能力强的特点 ,又发挥了遗传算法全局性好的特点 ,是兼二者之长 ,弃二者之短的高效的理想的工程结构优化设计方法。     

加速混合遗传算法在搜索边坡最危险滑动面中的应用

基于简化Janbu条分法,提出一种加速混合遗传算法,在无需对边坡最危险滑动面的几何形状进行假设的前提下,自由搜索最危险任意形状滑动面,并计算其对应的最小安全系数。该方法是通过把无约束优化的Powell算法作为一个与遗传算法的选择、交叉和变异平行的算子,嵌入到改进的实数编码遗传算法中而得到的,它同时具有两种方法的优点:(1)有较强的自适应能力,使得收敛速度加快;(2)还有可能搜索到最优化问题的全局最优解。首先通过一算例验证加速混合遗传算法的准确性,然后应用于一工程实例。与现场勘察结果对照表明,加速混合遗传算法搜索到的最危险滑动面与实际情况吻合得很好,优于简单遗传算法。     

层状地层横观各向同性粘弹性优化反分析

针对基坑开挖过程所表现出来的时间效应以及地层横向与竖向变形的差异,采用Voigt模型进行横观各向同性粘弹性模拟,并结合具体的施工过程,采用遗传算法进行横观各向同性粘弹性位移优化反分析,即考虑时间效应,同时又对施工过程进行了详细的模拟与预测,对指导施工具有重要意义。     

SQP-GA混合遗传算法在接地网腐蚀诊断中的应用研究

针对应用在接地网腐蚀诊断中基本遗传算法(genetic algorithm,GA)局部寻优能力较差现象,提出了一种改进的遗传算法,即序列二次规划-遗传算法(sequential quadratic program-ming-genetic algorithm,SQP-GA)。SQP-GA混合遗传算法引入序列二次规划(sequential quadraticprogramming,SQP)算法作为基本GA的局部搜索算子,有效地提高了基本GA的性能,该混合算法充分利用了序列二次规划法的强大的局部搜索能力和遗传算法优秀的全局寻优能力,使得诊断结果得到改善并且减少仿真时间。通过ATP-Draw软件模拟一个41节点、61支路实例接地网进行腐蚀仿真实验,仿真结果表明,SQP-GA混合遗传算法在接地网腐蚀诊断中的收敛速度与寻优精度均优于基本GA,验证了该算法的有效性。     

智能组卷系统的研究

本文研究智能组卷系统,针对传统遗传算法极易未成熟收敛和后期搜索效率低的情况,引入小生境技术,提出优化的混合遗传算法,改进了组卷策略等关键技术,实验结果表明,新算法在全局搜索性能和收敛速度上有显著提高。     

地下洞室地表非线性沉降模型参数确定新方法

根据随机介质理论构建地下洞室地表非线性沉降模型,把 DFP 变尺度算法作为一个与遗传算法的选择、交叉和变异平行的算子,嵌入到改进浮点编码遗传算法中,从而获得基于 DFP 算法和改进浮点编码遗传算法的加速混合遗传算法(AHGA),该方法既保留了 DFP 算法和改进浮点编码遗传算法的优点,又使收敛速度较快,还有可能搜索到最优化问题的全局优化解。通过某地下洞室地表沉降的工程实例分析表明,加速混合遗传算法不仅能解决地下洞室地表非线性沉降模型参数确定问题,而且优化结果优于其它方法。     

基于加速混合遗传算法搜索复杂边坡的最危险滑动面

基于简化Bishop条分法分析复杂边界边坡的稳定性,以圆弧滑裂面与边坡面的左右交点的两个X坐标--XL和XR以及滑裂面圆心坐标的Y坐标--Y0作为设计变量,提出一种加速混合遗传算法(AHGA)对设计变量进行优化。该方法是通过把无约束优化的Powell算法作为一个与遗传算法的选择、交叉和变异平行的算子,嵌入到改进的实数编码遗传算法中而得到的,它同时具有两个方法的优点,有较强的自适应能力,使得收敛速度加快,还有可能搜索到最优化问题的全局最优解。通过一高速公路边坡工程实例验证,加速混合遗传算法(AHGA)搜索到的圆弧滑动面与现场勘察结果很吻合,优于简单遗传算法(SGA)。     

位移反分析的进化神经网络方法研究

将人工神经与遗传算法相结合,提出了一种用于位移反分析的进化神经网络方法,这种方法基于正交试验获得的样本进行学习,用遗传算法搜索最优的神经网络结构,并用最佳推广预测学习算法训练此网络,以此训练好的网络描述岩体（土）的力学参数与岩体位移是非线性关系,再应用遗传算法从全局空间上搜索,进行岩体力学参数的最优辩识。作为例子,文中给出了弹性问题的反分析,结果是令人满意的。     

基于均匀设计及遗传神经网络的大坝力学参数反分析方法

将均匀设计理论、BP神经网络和遗传算法三者结合起来,应用于大坝力学参数反分析中。首先对基本遗传算法进行改进,使得改进后的遗传算法具有很好的全局和局部寻优能力,将它作为BP神经网络的学习算法,形成遗传神经网络。然后利用均匀设计方法设计大坝坝体和坝基的材料力学参数样本,通过有限元正分析得到坝体的计算位移样本,训练遗传神经网络映射坝体计算位移值与材料力学参数之间的复杂非线性关系。最后将实测位移值输入训练好的遗传神经网络,即可得到各参数的反演值。本文以清江隔河岩水电站重力拱坝为例,反演分析了坝体混凝土的弹性模量、线膨胀系数以及坝基主要岩体的弹性模量等参数。经检验、评价与对比验证,结果表明该方法可以大大地缩短反分析时间,提高反分析效率和准确性。     

高拱坝坝址区初始地应力场的二次计算

 建立小湾水电站坝址区大范围有限元模型,考虑工程附近较大区域内的地形、地势和河流大转弯等因素,采用遗传算法与有限单元法相结合的联合反演方法,对坝址区初始地应力场进行一次反演;然后,考虑坝址区附近主要地质构造,建立坝基开挖松弛效应分析的小范围有限元模型,基于子模型方法,通过在一次反演模型中插值获得小范围模型的位移边界条件,对初始地应力场进行二次计算。研究结果表明：软弱地质构造对初始地应力场的反演有一定影响,一次反演中不连续结构面附近应力计算值与实测值相差较大;考虑软弱地质构造后的二次计算改善了一次反演所得的初始地应力场精度,大部分测点应力计算值更接近实测值,相对误差也逐渐减小,可将其应用于后续坝基开挖松弛效应分析中;反演结果同时也表明所采用的研究方法是可行的,对类似工程具有参考意义。     

滑坡非线性演化行为的自组织进化识别

滑坡行为表现出复杂的非线性演化特征,位移是滑坡演化过程中所反馈出的重要信息之一。引入进化算法的全局优化思想,结合时间序列分析基本理论,以斜坡位移时间序列为基础,将遗传规划和遗传算法有机结合在一起,设计了一种模型结构和参数分别进化、共同识别的进化方案,实现对斜坡演化的非线性动力学模型结构和参数的全局最优识别。以新滩及八尺门滑坡为例对滑坡的发展孕育过程进行分析,结果表明,新方法识别获得的非线性动力学模型预测效果较理想,而且表现出较高的自组织进化识别能力。     

基于遗传算法的SMW围护结构水泥土刚度系数计算

SMW工法是水泥土搅拌桩内插H型钢的复合围护结构,其结构主要包括水泥土和芯材两大主要部分。围护结构的受力特性非常复杂,型钢的物理力学性质在施工过程时应力水平下比较稳定,基本处于线弹性范围,而水泥土的应力应变特性呈现明显的非线性特性,围护结构的刚度变化主要是水泥土的刚度变化。由于试验数据与工程经验还很有限,准确确定水泥土的刚度贡献值存在一定困难。本文引进遗传算法,在深基坑工程底板浇筑完成时各测点位移量测资料基础上,进行位移反分析,得到复合结构弹模Ecs与惯性矩Ics的优化取值,从而得出各测点在该工况下的刚度系数,该值与推荐曲线较为接近,说明反演分析的可行性。     

BP 网络和遗传算法在岩石边坡位移反分析中的应用

 探讨了计算速度和可靠性这两个在位移反分析工作中非常重要的问题。一方面用BP 网络代替有限元计算提高了计算效率, 另一方面用遗传算法代替常规的优化算法, 使反分析结果与初值无关。三介质边坡算例验证了上述解决方案的可行性。     

位移反分析的进化支持向量机研究

将支持向量机与遗传算法相结合，提出了一种用于位移反分析的进化支持向量机方法。这种方法基于试验设计和有限元计算获得学习样本和检验样本，用遗传算法搜索最优的支持向量机参数，用获得的最优模型进行学习，从而获得岩体的力学参数与位移之间的非线性映射关系，再用遗传算法从全局空间上搜索，进行岩体力学参数的识别。给出的两个算例结果是令人满意的。     

边坡岩体力学参数反分析遗传-神经网络算法

基于均匀设计、有限元法、人工神经网络和遗传算法建立了新的边坡岩体力学参数反分析方法.按照均匀设计要求,确定数值模拟方案;用有限元程序计算出相应的神经网络训练样本,建立边坡变形的神经网络预测模型,再利用遗传算法进行反演分析,其中反演过程适应度的计算则采用已训练好的神经网络预测来替代有限元数值仿真,这样大大缩短了计算时间.通过算例分析,反演结果比较理想,表明该反分析方法是可行性和精确的.     

考虑动态施工过程的岩土介质横观各向同性粘弹性反分析及其工程应用

在充分考虑岩土介质的各向异性和流变特性基础上 ,建立了层状地基横观各向同性粘弹性位移反分析模型 ;结合上海典型深基坑工程 ,利用遗传算法 ,进行深基坑横观各向同性粘弹性动态施工反演分析 ,利用反演得到的每层岩土介质的弹性模量、粘性系数 ,预测相继施工阶段的结构和土体变形、内力 ,从而为工程的信息化、施工反馈设计提供了新的技术手段 ,同时促进了位移反分析的发展。