改进的多目标启发式粒子群算法及其在桁架结构设计中的应用

针对工程结构多目标优化设计中出现的约束条件处理能力差、编程复杂,计算效率低且收敛精度差等问题,对启发式粒子群算法(HPSO)进行改进,提出了多目标启发式粒子群算法(MOHPSO),并与多目标粒子群算法(MOPSO)和改进的多目标群搜索算法(IMGSO)进行比较。通过对15杆平面桁架、40杆平面桁架和72杆空间桁架3个经典算例的计算,证明了所提出的MOHPSO算法的有效性。结果表明:MOHPSO算法具有收敛精度高、约束处理能力强、全局最优解选取更合理、非劣解集维护效率高等特点。     

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.     

基于快速群搜索算法的双层球面网壳多目标优化

提出一种新的群智能算法,即多目标快速群搜索优化（MQGSO）算法,以双层球面网壳为研究对象,进行结构节点最大位移最小化和结构质量最轻化的多目标优化设计,网壳优化后的Pareto前沿分布均匀且范围较广,分别对多目标优化和单目标优化后的结构进行多维地震作用时程响应分析。结果表明:多目标优化得到的结构优于单目标的优化结果,所提出的多目标快速群搜索算法能很好地实现复杂空间结构的多目标优化设计。     

基于改进群搜索优化算法的桁架结构拓扑优化研究

对桁架结构拓扑优化设计方法进行了研究,基于和声搜索方法和边界粘附机制,提出了用"启发式拓扑"或"拓扑变量离散化"处理变量的改进群搜索优化方法,分别对一个10杆桁架和一个15杆桁架进行了拓扑优化设计,计算结果与已有的文献结果进行了对比分析.研究表明,该算法不受传统的桁架拓扑优化中"基结构"的限制,避免了奇异最优解的问题,表现出较强的适用性,采用本文提出的方法对桁架结构进行拓扑优化是可行和有效的.     

粒子群-鱼群混合算法在桁架结构优化设计中的应用

群智能算法由于其优异的搜索性能被广泛应用于结构优化设计,人工鱼群算法和粒子群算法都是基于动物群体行为的智能优化随机算法.本文介绍了人工鱼群算法和粒子群算法的基本原理,并提出了粒子群和鱼群杂交混合的一种新方法:粒子群-鱼群混合算法,将粒子群-鱼群混合算法应用到四个桁架结构的重量优化设计,包括平面桁架结构和空间桁架结构,通过比较粒子群-鱼群混合算法、人工鱼群算法、粒子群算法的优化结果,发现改进的粒子群-鱼群混合算法具有收敛精度高、收敛速度快等特点,同时具有较好的稳定性,可用于结构优化设计.     

桁架结构优化设计的改进蚁群算法

通过对已有的优化方法进行分析,针对蚁群算法容易收敛到局部最优解的缺陷,通过遗传算法和禁忌算法来提高增加蚁群算法的全局优化能力,并改进了算法的灵活性和扩展性;将改进的蚁群算法应用到桁架结构优化设计中,提出了桁架结构优化设计的改进蚁群算法,并建立了相应的优化模型;最后,对10杆平面桁架的优化进行了研究和分析,结果表明,提出的改进蚁群算法是科学可行的。     

基于WCA优化算法的空间桁架结构优化设计

群智能优化算法已被证实可以用于解决实际工程的优化问题。水循环算法可对约束问题进行求解。基于自然界中水循环过程提出的一种新型智能优化算法———水循环算法(WCA),研究了其应用于空间桁架结构优化设计问题的可行性及有效性,论文对两个空间桁架结构进行了截面优化计算分析,并与已有文献优化结果进行了比较,研究结果表明:WCA优化算法相对于群搜索算法(GSO)、启发式粒子群优化算法(HPSO)等优化算法能够提供更快的收敛速度,收敛结果也更好。     

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.     

改进的群搜索优化算法及其应用

群搜索(GSO)算法是一种新的群智能优化算法,适用于结构优化设计.本文通过对GSO算法进行改进,简化了算法的计算过程,提高了优化性能.对算法的改进主要有二个方面:一是采用随机搜索,放弃了按角度搜索的方式;二是在生成个体新位置时,增加了一个随迭代次数递减的控制变量-分量变异概率,用于限制允许变异的维的数量.通过对经典桁架算例的优化以及与标准GSO算法的计算结果比较,可以看出改进后的群搜索优化算法(SGSO)具有更好的收敛速度和收敛精度,SGSO算法的结构比GSO算法更简单、易于实现并且计算用时更少.     

基于粒子群算法的桁架结构优化

粒子群算法(PSO)是一种基于种群智能的优化算法。由于其具有快速收敛和操作简单等特点,粒子群算法在工程、经济管理等诸多领域均得到广泛应用,成为近年来智能计算领域研究的新热点。首先介绍粒子群算法,进而提出对于惯性权重进行线性变化。利用改进的粒子群算法对实际工程桁架结构进行尺寸优化以提高经济效益,并提出合理的参数设置。数据对比分析结果表明,改进的粒子群算法对于桁架结构尺寸优化设计是可行的。     

改进的蚁群算法及其在桁架结构优化中的应用

蚁群算法是优化领域中的一种新型模拟进化算法,具有很强的搜索较优解的能力,其缺点是搜索时间长、容易出现停滞现象。引用局部搜索能力较强的模拟退火算法对其改进,使其跳出局部最优,发现更高质量解。并将其成功应用在25杆桁架中,结果表明,基于模拟退火的改进蚁群算法是有效可行的,是解决组合优化问题的有效方法。     

基于改进粒子群算法CHPSO-DS的面板 坝堆石体力学参数反演

面板堆石坝堆石体力学参数反演优化问题是一个多变量、多约束的混合非线性规划问题,当正演过程用神经网络模拟器替代后,高效快捷的优化算法成为解决问题的关键.提出一种用以解决这一复杂优化问题的混合算法--混沌直接搜索粒子群(CHPSO-DS)算法.在改进的算法中,首先结合混沌优化思想对粒子群进行初始化,减轻粒子初始位置的选择对算法优化性能的影响;利用直接搜索法克服了粒子群算法后期搜索效率降低的缺陷,提高算法局部搜索能力.为证明该算法的优越性,同时将该算法与遗传算法(GA)用于水布垭面板堆石坝堆石体力学参数的位移反分析计算中.实践证明,利用CHPSO-DS算法搜索时能快速收敛到全局最优解,且算法具有较强的鲁棒性;两算法对比结果也表明,不论是优化精度还是收敛时间,CHPSO-DS算法都较GA有明显提高.最后利用CHPSO-DS算法反演的堆石体力学参数进行测点沉降预测,结果表明各个测点的计算位移值与监测值吻合较好,说明CHPSO-DS算法在复杂岩土工程位移反分析中具有良好的实际应用价值,值得进一步研究和推广.     

多目标群智能杂交算法及双层球面网壳动力优化

为了改善多目标粒子群算法在结构多目标优化中的收敛精度和速度,提出了一种新型多目标算法——基于启发式粒子群算法和遗传算法的多目标杂交算法(MHGHA).以双层网壳结构为研究对象,对其在地震作用下的时程响应进行分析,以结构节点最大位移最小化和结构质量最轻化为目标进行多目标优化设计,并与经典算法进行对比.结果表明,杂交算法的收敛精度更高,同时能够实现复杂空间结构多目标优化.     

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。     

改进的PSO算法在桁架结构形状优化设计中的应用

利用随机方向法初始化种群提高粒子群算法初始种群的质量．将模糊推理应用于粒子群算法的参数调整克服了人为经验设定参数的不足,种群搜索过程中嵌入Metropolis准则改善粒子群算法的鲁棒性能。将改进的粒子群算法应用于桁架结构形状优化设计中。实验仿真表明．改进后的算法具有较好的搜索性能和较高的计算精度,有望实现应用在复杂的桁架结构优化设计中．其具有重要的理论研究价值和广阔的工程应用前景.     

粒子群优化算法在离散变量结构优化中的应用

介绍了用于离散变量的粒子群优化(PSO)算法以及加入了约束处理的启发式粒子群优化(HPSO)算法.将HPSO算法的约束处理策略与另一种适用于粒子群算法的约束处理方法结合,并将改进后的算法应用到3个离散变量桁架结构截面优化设计算例中,同时与HPSO算法进行了对比分析.对于每个算例,改进算法和HPSO算法都运行了多次,从多次运行的统计数据中可以看出,改进算法比HPSO算法更稳定、收敛速度更快、搜索精度更高,且其约束处理方法减少了结构分析的次数,从而提高了整个程序运行的速度.     

基于可靠度指标的桁架优化研究

利用加权线性响应面法计算结构杆件可靠度指标,将可靠度指标作为桁架优化约束条件,用改进粒子群算法进行桁架截面优化,通过经典10杆平面桁架截面优化算例,与已有文献进行对比,为工程实践提供理论借鉴。     

基于一维搜索算法的张弦桁架离散变量优化

本文采用Matlab语言编写张弦桁架结构模型程序,对张弦桁架在各荷载工况下的受力性能进行了分析;首先采用Matlab语言编写了张弦桁架结构各种约束条件程序,同时编写了基于离散变量的张弦桁架优化设计程序,采用基于离散变量的一维搜索优化算法对拟定的张弦桁架计算模型进行了优化,优化结果表明基于离散变量的一维搜索优化算法,由于目标函数和约束函数的单调性质,得到的解显然是最优解,而且优化结果可以直接应用于结构实际设计。最后,在确保编写的离散变量优化程序正确的前提下,对不同矢高的张弦桁架结构进行了离散变量优化设计,得出了最优矢高结论。     

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。     

基于改进萤火虫算法的杆系结构拓扑优化

基于萤火虫算法的基本原理及相应的改进策略,研究了离散变量杆系结构的拓扑优化问题。通过对初始萤火虫位置和位置更新公式进行离散,以使该算法适用于离散变量优化问题;同时,为克服在优化初期寻优速度慢的问题,对公式中的吸引力项进行改进,提出一种兼顾寻优效果和收敛速度的改进萤火虫算法。以基结构法为结构初始拓扑生成方法,以杆件截面为优化变量,以结构质量最轻为优化目标,提出了一种基于改进萤火虫算法的杆系结构拓扑优化方法。利用该方法分别对平面桁架和空间桁架结构进行拓扑优化分析,证明了所提方法的可行性和高效性。