桁架结构形状优化的粒子群优化算法

为解决有应力约束、几何约束以及局部稳定性约束的桁架结构的形状优化设计,将粒子群优化(PSO)算法应用于桁架结构的形状优化设计.首先详细介绍了原始PSO算法的基本原理,然后引入压缩因子改进了原始的PSO算法,并提出了合理的参数设置值.优化计算过程中,综合考虑了节点坐标和截面面积等两类不同性质的设计变量.最后对几个经典问题进行了求解,并与传统的优化算法进行了比较.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.     

桁架结构尺寸和形状、拓扑的渐进优化方法

提出了一种求解桁架结构尺寸，形状和拓扑组合优化的渐进优化方法。将优化问题分解为拓扑优化和尺寸、形状优化两个子问题分层求解。通过连续化的拓扑变量和近似方法构造了拓扑变量灵敏度系数计算式，由拓扑变量灵敏度系数识别和删除杆件单元。结构尺寸、形状优化采用准则法和渐进移点法的组合方法。分层优化时，在桁架中加上所有可能的杆件，先进行尺寸、形状优化，再进行拓扑优化，随后二者交替进行迭代，迭代过程的结构重量最小值即为最优解。算例表明了文中方法的有效性，以及组合优化最优解不一定是杆件数目较少的解。     

基于微分演化算法的系统识别

微分演化算法（DE）是一种启发式算法,它对于解决复杂的优化问题有很好效果。它构成简单,使用方便,收敛速度快,求解有效,并且有很好的鲁棒性。本文把DE算法运用到了结构体系的参数估计中,可以描述为一个多维优化问题。本文在无噪声干扰和有噪声干扰的情况下,用所提出的方法来识别非线性结构体系,结果表明了此方法的有效性。     

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.     

一种改进遗传算法在建筑结构优化设计中的应用

针对遗传算法在迭代过程中经常出现的未成熟收敛、振荡、随机性太大等缺点，引入一种新的遗传算子——单亲遗传算子，用于对标准遗传算法的改进。包含单亲遗传算子的改进遗传算法能直接计算具有应力约束和截面尺寸约束的离散变量结构优化问题，也能处理同时具有稳定约束和位移约束的多工况、多约束、多变量的离散变量结构优化设计问题，进而对框架结构的多种工况进行优化设计的结果进行了对比验证，结果表明：改进遗传算法比标准遗传算法有好得多的收敛特性，迭代次数明显减少，优化设计结果也远好于标准遗传算法。     

改进遗传算法在桁架拓扑优化中的应用

基于桁架拓扑优化,对遗传算法提出了一些改进措施,形成了一种高效综合的遗传算法。在桁架的截面尺寸和拓扑结构混合设计中,对尺寸变量和拓扑变量分别进行二进制编码、交叉和变异,得到桁架拓扑结构和杆件截面尺寸的初解,适当降低尺寸变量编码精度,以加快算法的收敛速度。然后对截面尺寸重新编码,以较高的尺寸精度进行搜索,为了防止陷入局部最优解,取部分初解加入新的父代。算例表明,该算法对离散变量的桁架拓扑优化是快速有效的。     

遗传算法在结构优化中的应用

主要介绍了遗传算法的特点和实现方法.针对遗传算法在优化进程中易陷入局部最优解的弱点,通过桁架优化设计实例证明,采用保护优良个体和改变参数设置的措施,可以使遗传算法的搜索速度和获得全局最优解的可靠性大为提高.     

遗传算法在结构优化中的应用

主要介绍了遗传算法的特点和实现方法。针对遗传算法在优化进程中易陷入局部最优解的弱点,通过桁架优化设计实例证明,采用保护优良个体和改变参数设置的措施,可以使遗传算法的搜索速度和获得全局最优解的可靠性大为提高。     

混凝土桁架在侧煤仓结构优化中的应用

侧煤仓方案成为大机组主流,侧煤仓间横向框架主要有4列柱、3列柱、2列柱布置结构型式,其中以2列柱单跨结构布置的空间及投资最小.单跨布置时,框架跨度大,承受煤斗的荷载大,如何使结构合理经济成为结构方案布置的难点.某百万机组侧煤仓间的煤斗层梁采用混凝土桁架的结构方案,桁架具有受力合理、构造简单、自重较轻、材料节省、承载力高等优点.桁架的缺点是平面外刚度弱,很难通过自身的刚度抵抗水平地震力,结构布置中需采取措施解决桁架平面外刚度弱的问题.百万机组的侧煤仓间设置混凝土桁架比混凝土实腹梁有利于"强柱弱梁"的概念设计,对控制顶层位移、层间相对位移等有一定的优势,混凝土桁架方案比普通混凝土框架结构方案更利于抗震,可为类似工程提供参考.     

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．     

杆件结构大变形问题的优化精确算法

目的研究解决弹性杆件结构在载荷作用下产生大变形时内力和变形量的精确计算问题．方法提出了以变形后平衡状态下杆件变形量与作用力的非线性函数关系构造目标函数，以最终平衡时坐标为设计变量，建立了确定杆件结构大变形问题的无约束直接优化算法．结果通过杆件结构大变形计算方法，采用Fortran PowerSta-tion编制杆件大变形问题计算的通用程序，进行杆件大变形问题实例分析，算例表明可获得较为合理的结果．结论通过建立杆件大变形问题计算新方法，为复杂结构系统大变形问题计算，提供一种可行的分析方法．     

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.     

智能桁架结构的最佳形状分析

以四主动元的平面桁架结构为对象进行了强度分析，给出了在不同方向载荷作用下的最佳强度曲线和最佳结构形状，为设计最佳的桁架结构提供了理论基础。     

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.     

离散变量结构形状优化设计的拟满应力遗传算法

为了弥补遗传算法局部寻优能力差的缺点,将拟满应力算法嵌入到遗传算法中构成一种结合二者优点的混合遗传算法,并将该算法应用于离散变量结构形状优化设计问题.将形状设计变量和截面设计变量统一考虑,编码表示在同一染色体中.既解决了两类变量间耦合上的困难,同时也避免了将两类变量分开考虑只能求得局部最优解的问题.算例的结果表明,该方法用于离散变量结构形状优化是有效的.     

改进差分进化算法及其在模糊聚类分析中的应用

针对差分进化算法早熟与搜索效率不理想的问题,提出一种改进的差分进化算法。算法在变异阶段采用多策略与多参数并行的方法一次产生多个变异个体,有效地保持了种群中个体的多样性,抑制了早熟现象的发生。根据竞争机制选择适应度最好的变异个体进行选择操作,提高了搜索效率。与差分进化及其改进算法的对比实验表明了算法的有效性,并把提出的算法应用到模糊聚类分析中,较好的解决了原始聚类模型求解容易陷入局部极值的问题。     

改进的差分演化算法及其在函数优化中的应用

提出了一种改进的差分演化算法，该算法记录下了差分演化算法在对每个个体进行变异操作时的差向量，然后以被变异的个体作为邻域的中心，以所记录的差向量作为邻域的半径，再在这个邻域内进行一次挖掘式的搜索。这一改进增强了原差分演化算法的局部搜索能力。典型多峰函数优化的仿真结果表明，改进后的算法具有比原差分演化算法更快的收敛速度，同时新算法也保持了原差分演化算法良好的全局搜索能力。