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.     

微分演化算法在桁架形状优化中的应用

为了获得全局最优和解决具有应力约束、几何约束以及局部稳定性约束的桁架形状优化问题中2类不同设计变量耦合给优化带来的困难,将1种新型智能优化算法——微分演化（Differential Evolution,DE）应用于桁架结构的形状优化问题中。给出了考虑节点坐标和截面面积两类不同性质的设计变量的桁架结构优化的数学模型,并对几个经典的桁架结构进行优化,将所得结果与其他优化算法结果进行了比较。数值结果表明了DE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形状优化设计。     

改进的群搜索优化算法在桁架结构形状优化设计中的应用

介绍了两种改进的群搜索优化算法IGSO（Improved Group Search Optimizer）——快速群搜索优化算法QGSO（Quick Group Search Optimizer）与快速被动群搜索优化算法QGSOPC（Quick Group Search Optimizer with Passive Congregation）,并应用于离散变量桁架结构形状优化设计,包括平面和空间桁架结构.几个实例计算结果表明两种改进的群搜索优化算法（QGSO与QGSOPC）与GSO算法及已有文献方法相比具有较好的收敛精度和较快的收敛速度,只需较少的迭代次数就能寻找到最优解,并且QGSO与QGSOPC算法程序语句比GSO算法程序语句简略得多,易于编程实现,可应用于工程结构的优化设计.     

基于梯度和海森矩阵计算在地震作用下桁架的形状优化

大型复杂桁架地震响应的形状优化需要大量的计算量,非梯度类算法由于效率低下通常很难成功解决该类问题.本文提出一种在地震作用下以获取质量最小化的二阶优化设计同时满足应力和位移约束的桁架形状优化设计方法.1)在Newmark-β法的基础上导出动力响应及其对设计变量一阶和二阶导数的计算方法;2)通过积分型罚函数将含时间参数的不等式约束问题转变为一系列不含时间参数的无约束问题,并利用动力响应的一阶和二阶导数计算罚函数的梯度和海森矩阵;3)充分利用梯度和海森矩阵的Marquardt方法求解无约束优化问题;演示了一个45杆桁架的形状优化设计.结果表明本文方法是一种桁架在地震作用下有效和高效的形状优化设计方法.     

桁架优化的改进粒子群算法

为了解决带有应力约束和位移约束的桁架的尺寸优化问题,将一种新型智能优化算法--基于“综合学习策略”的粒子群算法（comprehensive learning parcle swarmoptimization,CLP-SO）应用于桁架结构的优化问题中．首先介绍了CLPSO算法的基本原理,给出了基于CLPSO算法的桁架结构优化设计的数学模型,并对经典桁架结构进行优化,将所得结果与其他优化算法结果进行了比较．分析结果表明了该方法进行结构优化设计的有效性．     

基于结构优化的大跨张弦平面桁架经济性分析

以最小用钢量为目标函数,考虑应力、位移和稳定性等约束,采用二次优化法对大跨平面张弦桁架的截面面积和索力进行了优化设计,并建立了以最小造价为目标函数的优化模型,参考市面上各种钢管和钢绞线的报价,提出了考虑结构位移和稳定性约束条件下钢管直径、厚度的最优造价优化法.分别对大跨预应力张弦平面桁架和非预应力张弦平面桁架进行优化,通过算例分析得出大跨预应力张弦平面桁架相对于非预应力张弦平面桁架经济上的优越性.     

PSO算法在油船双底结构优化设计中的应用研究

为了研究粒子群优化(PSO)算法用于解决大型复杂结构的优化设计问题的有效性,分别采用基本PSO算法、标准PSO算法与遗传算法(GA)对某一大型油船双层底结构优化设计问题进行了求解.优化过程中双层底结构的响应分析计算过程采用正交异性组合板理论实现.将这3种优化算法的计算结果进行对比分析表明,与基本PSO算法和GA算法相比较,标准PSO算法的收敛速度最快,且能够获得该问题的全局最优解.研究结果表明,基本PSO算法可有效应用于解决如船体双层底等大型复杂结构优化设计问题.     

基于人工鱼群算法的桁架结构的优化

针对基本人工鱼群算法在解决桁架结构优化问题时存在的后期收敛速度慢、寻优精度不高等缺陷,在算法初期采用Logistic方程初始化解群,提高求解效率和质量,在算法运行过程中利用粒子群优化算法惯性权重调整策略对人工鱼的步长进行改进,以提高寻优的速度和精度。将改进后的算法应用到桁架结构优化中,以桁架截面尺寸为设计变量,结构最小重量为目标函数建立优化设计模型,运用MATLAB进行模型优化分析,并与其它算法优化结果进行对比。结果表明,改进的算法在收敛速度与寻优精度方面均有所提高,尤其在迭代计算的初期,效果非常明显。     

基于人工鱼群算法的桁架结构的优化

针对基本人工鱼群算法在解决桁架结构优化问题时存在后期收敛速度慢、寻优精度不高的缺陷,在算法初期利用混沌运动遍历性、随机性等特点初始化解群,提高求解效率和解的质量,在算法运行过程中利用粒子群优化算法惯性权重调整策略对人工鱼的步长进行改进,提高寻优的速度和精度。将改进后的算法应用到桁架结构优化中,以桁架截面尺寸为设计变量,结构重量最小为目标函数建立优化设计模型,运用Matlab进行模型优化分析,并与其它算法优化结果进行对比。结果表明,改进的算法在收敛速度与寻优精度方面均有所提高,尤其在迭代计算的初期,效果非常明显,迭代次数为55次左右时优化结果基本平稳。     

传统优化算法与竞选算法应用于机械优化设计的比较

论述了机械优化设计中的传统优化设计算法,同时介绍了一种现代的优化设计方法——竞选算法的原理及其求解步骤.采用传统优化设计算法与竞选算法分别对箱形盖板和两杆桁架结构的优化设计问题进行求解,比较了两者间求解方式上的特点,并就竞选算法与传统优化算法间求解效果进行了比较.结果表明,竞选算法是一种非常有效的机械优化设计方法.     

序列线性规划方法在桁架类结构优化设计中的应用

本文介绍利用序列线性规划方法,进行桁架类结构优化设计的算法.通过引进桁架杆件可以分组,而同组杆件截面积相同的概念,本文利用了缩减维度的技术.采用一组缩减的设计变量,改进了优化算法,大大减少了大型结构问题通常要求的计算工作量,提供一组上限解.本文中给出了三个计算实例,从中不难看出本优化算法的有效性.     

基于遗传算法的桁架结构布局优化设计

利用遗传算法在Matlab语言环境中对桁架结构进行布局优化设计方法的研究,分别选择杆件截面面积、节点坐标、杆件存在状态为设计变量,同时进行截面尺寸、形状、拓扑三个方面的优化.讨论了实现过程中一些问题的处理,利用结构可能的拓扑形式编号为设计变量进行拓扑优化等,提出利用一个变量控制参数boundsops解决了多类型参数联合编码和离散变量的问题,提出一种结构优化设计实用方法.算例表明,提出的基于遗传算法的桁架结构布局优化设计方法进行桁架结构的布局优化设计比较容易实现,简单、有效,可以产生很好的效益.     

一种带交叉算子的改进的粒子群优化算法

针对粒子群优化算法(PSO)固有的缺点,在研究标准的粒子群优化算法理论的基础上,提出了一种带交叉因子的改进的粒子群优化算法(MPSO),以解决算法的早熟收敛问题。该算法在搜索过程中引入了交叉因子,增加了粒子的多样性,克服了标准粒子群优化算法易陷入局部极优点的不足,并且算法有较快的收敛速度。该算法有较强的收敛性,还可以引入变异算子。将改进后的算法运用常见的几个测试函数进行了寻优仿真,仿真结果验证了带交叉因子的粒子群算法的可行性和有效性。     

粒子群优化算法分析

粒子群优化算法是一种基于群体智能的随机全局优化技术，尽管其原理简单易、于实现且功能强大，但目前研究人员还没有对它的工作原理做出足够的解释．将群体优化过程看成一个动态系统的演变，采用线性离散时间系统的分析方法对算法的收敛性进行了分析，导出了简化PSO算法的收敛条件．考虑到参数是影响算法性能和效率的关键因素，利用标准测试函数对算法的参数选择进行了详细的分析，并给出一些指导性原则．     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

改进PSO算法及其在函数优化中的应用

针对微粒群算法PSO（Particle Swarm Optimization）应用于函数优化存在的问题，提出一种加入了梯度信息改进的微粒群算法。微粒群算法用于函数的优化，具有简单、效果好等优点。但是研究也表明该方法也存在着一些缺点，如计算时间较长、容易陷入局部最小等，这是由于算法本身的随机性决定的。梯度法是传统的优化方法，典型的特征是在确定优化解的方向时遵循梯度下降原则，因此在寻找优化值时方向比较确定，可以减少优化时间。为了克服PSO的缺点，在标准PSO优化策略中引入梯度原则，设计了一个具有梯度指导的PSO算法。现将改进的PSO算法应用于函数的优化，并与标准PSO算法的效果进行了比较。函数优化实验的结果表明，改进的PSO算法提高了标准PSO算法的收敛时间。     

改进PSO算法解决电力系统机组优化组合问题

机组组合优化问题是一个大规模、离散、非线性的混合整数规划问题,所以求解比较困难,不容易找到理论上的最优解。本文在基本粒子群算法（PSO）的基础上,使用一种空间收缩策略,加快了算法的收敛速度。同时,为了避免算法出现“早熟”现象,让粒子不仅根据自身和同伴中的最好个体进行调整自己的飞行速度,并且向其他个体学习,以及通过改进的粒子群算法（MPSO）进行仿真计算,证明了该算法的有效性。