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。     

混合遗传算法在离散变量结构优化中的应用

针对遗传算法在离散变量结构优化设计中的缺陷,将进退搜索算法同遗传算法相结合,提出了一种混合遗传算法。建立了离散变量结构优化模型,并对一11杆桁架结构进行了优化设计。算例结果表明,混合遗传算法收敛快、精度高,应用于离散变量结构优化设计是有效的。     

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。     

考虑竖向地震影响的滑移隔震结构及其参数优化

对水平-竖向耦合地震作用下滑移隔震结构模型理论进行研究,建立其运动微分方程和滑移隔震结构参数优化设计模型。针对滑移隔震结构的特点,提出标准遗传算法的改进措施,并采用直接搜索算法与遗传算法相结合构成改进混合遗传算法。采用改进混合遗传算法对6层滑移隔震结构进行参数优化设计,可以很好地分析竖向地震作用对隔震层的影响。表明优化设计模型与优化设计算法对于滑移隔震结构的参数优化是有效的。     

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。     

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)。     

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。     

基于遗传算法的工程结构优化设计应用研究

通过对遗传算法和结构优化设计等方面的内容的进行了介绍与分析,在此基础上提出了遗传算法在工程结构优化设计的应用模型,并根据遗传算法的原理和特点,利用一个计算实例验证了遗传算法作为优化方法的高效性的优势。     

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。     

基于拟满应力遗传算法的桁架结构形状优化设计

以拟满应力法和改进遗传算法为基础,提出了一种可以解决具有连续变量和离散变量的桁架结构形状优化问题的拟满应力遗传算法。该算法既充分利用了遗传算法全局寻优能力强的特点,也发挥了力学准则法局部寻优长处,具有很高的搜索效率。用拟满应力遗传算法解决15杆桁架结构形状优化问题的结果表明,这是一种解决具有连续、离散混合变量的桁架结构优化设计问题的很有效方法。     

基于HGA的闸泵优化调度模型求解

平原河网闸泵调控改善水环境是一个十分复杂的问题,对于闸泵优化调度模型的求解,传统的优化算法已不再适用。本文提出了一种基于MATLAB平台及混合遗传算法(HGA)的闸泵水动力调控优化模型的求解思路和方法。结果表明,该方法在闸泵优化调度模型的求解中具有很大的优势,可获得最优引水方案。     

混合遗传算法在桁架优化中的应用

应用遗传算法,并对基本遗传算法进行相应的改进,对空间桁架结构截面进行优化。在应用遗传算法的同时,考虑满应力解通常处在最优解附近的原理,将满应力解作为种群中的一个个体参与计算,并通过MATLAB编制相应的程序实现。算例表明,该方法能得到理想效果,并减少程序运算时间。     

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。     

基于层次分析OC-GA算法的钢骨混凝土框架柱优化设计

在工程结构优化理论的基础上,将钢骨混凝土框架柱的工程造价最小化和斜截面抗剪承载力最大化定为优化目标。根据型钢混凝土的受力特性,在多遇烈度地震下,应用最优性准则K-T条件对钢骨混凝土构件的混凝土截面尺寸进行优化设计;在基本烈度地震下应用层次分析遗传(GA)算法对钢骨混凝土构件中的型钢进行优化设计,从而建立层次分析OC-GA算法。综合考虑各种约束条件,运用层次分析OC-GA算法实施钢骨混凝土框架柱的优化设计,并通过优化设计实例证实所采用优化方法和设计思路的有效性和可行性。     

遗传算法和高斯牛顿法联合反演地下水渗流模型参数

充分利用遗传算法善于进行全局搜索和高斯牛顿法善于进行局部搜索的优点,克服了两种方法各自的不足,用改进的遗传算法和高斯牛顿法联合反演地下水数值模型参数,首先用遗传算法求出地下水模型参数的初值,然后利用这组初值用高斯牛顿法进行数值模型参数的反演,并以非均质各向同性承压二维非稳定流动模型,结合有限元法讨论了用遗传算法和高斯牛顿法联合反演地下水数值模型参数的过程。计算结果表明,联合参数反演方法,具有收敛速度快、解的精度高的特点。     

Genetic evolutionary structural optimization

Evolutionary structural optimization (ESO) is based on a simple idea that an optimal structure (with maximum stiffness but minimum weight) can be achieved by gradually removing ineffectively used materials from design domain. In general, the results from ESO are likely to be local optimums other than the global optimum desired. In this paper, the genetic algorithm (GA) is integrated with ESO to form a new algorithm called Genetic Evolutionary Structural Optimization (GESO), which takes the advantage of the excellent behavior of the GA in searching for global optimums. For the developed GESO method, each element in finite element analysis is an individual and has its own fitness value according to the magnitude of its sensitivity number. Then, all elements in an initial domain constitute a whole population in GA. After a number of generations, undeleted elements will converge to the optimal result that will be more likely to be a global optimum than that of ESO. To avoid missing the optimum layout of a structure in the evolution, an interim thickness is introduced into GESO and its validity is demonstrated by an example. A stiffness optimization with weight constraints and a weight optimization with displacement constraints are studied as numerical examples to investigate the effectiveness of GESO by comparison with the performance of ESO. It is shown through the examples that the developed GESO method has powerful capacity in searching for global optimal results and requires less computational effort than ESO and other existing methods.     

混合变量桁架结构的拟分层遗传算法优化设计

混合变量桁架结构形状优化中采用并行计算思想,在单台计算机上实现了一种类似分层遗传算法的拟分层遗传算法。该算法能够产生更加平等的竞争机会,提供更多的优良个体,提高了种群多样性,同时不用人为的控制信息交换,再加上多层分级控制,一定程度上避免了标准遗传算法容易出现的"早熟"现象,加快了收敛速度,具有很高的搜索效率。用拟分层遗传算法解决25空间杆桁架结构形状优化问题的结果表明,这是一种解决具有连续、离散混合变量的桁架结构优化设计问题的很有效方法。     

工程结构优化设计的新方法

阐述了遗传算法求解工程结构非线性优化问题的方法 ,实例计算表明 ,具有全局优化和并行计算特点的遗传算法是求解工程结构非线性优化问题可行有效的方法。     

基于模式-遗传-神经网络的流变参数反演

介绍了一种岩石流变多参数反演的智能方法。该方法把遗传算法和神经网络有机结合起来,并在遗传算法中嵌入模式搜索加速优化进程;该方法基于均匀设计获得的样本进行神经网络学习,用模式–遗传–神经网络进行岩体流变参数的最优辩识。该方法用经过最佳预测学习算法训练的神经网络来表达岩体流变参数和位移之间的映射关系,除具有一般遗传算法的优点外,还提高了参数反演的精度,节省了参数反演的计算时间,使得某些原来用传统优化方法在时间上几乎无法进行的参数反演如今变为可能,并用工程实例验证了此方法的可行性与优越性。