Plant growth simulation algorithm based on double growth point parallel growth mechanism and its structural optimization

针对模拟植物生长算法(PGSA)系列算法中存在的搜索路径相对单一、搜索覆盖面不够广等问题，结合复杂结构优化问题中设计变量多、存在多个局部最优解、算法难以自动终止等特点，基于PGSA的基本原理和植物的实际生长规律，提出一种新的算法机制——双生长点并行生长机制，并与基于生长空间限定与并行搜索(GSL&PS-PGSA)算法相融合。通过典型数学及空间桁架结构算例进行了验证，结果表明：双生长点并行生长机制增加了寻优搜索路径，拓宽了搜索覆盖面，降低了陷入局部最优解的概率，并为算法提供更为有效的终止机制，从而具有更加显著的优化效率及全局搜索能力；与序列两级算法、蚁群算法等常用优化方法相比，融入双生长点并行生长机制的GSL&PS-PGSA进一步提升了算法的优化求解能力，在结构优化问题中表现出良好的适应性及有效性。     

基于生长空间限定与并行搜索的模拟植物生长算法的空间结构优化方法

为弥补传统设计理念和优化方法的不足,促进空间结构的发展与创新,结合前沿优化理论,依据模拟植物生长算法(PGSA)的基本原理,提出基于生长空间限定与并行搜索的模拟植物生长算法(GSL&PS-PGSA),并与空间结构优化相结合,建立了基于GSL&PS-PGSA的空间结构优化方法。给出了相应的结构优化流程,并采用MATLAB及ANSYS二次开发语言APDL编制了优化程序。通过单层球面网壳截面优化和弦支穹顶预应力优化的典型空间结构算例分析,结果表明：所提出的GSL&PS-PGSA为算法提供了有效的终止机制,且具有高效的计算效率及全局搜索能力;与遗传算法(GA)、粒子群算法(PSO)、ANSYS自带优化方法以及其他改进PGSA算法等相比,GSL&PS-PGSA的优化效果更为显著且具有明显优势;所建立的基于GSL&PS-PGSA的空间结构优化方法,可适用于各类传统和新型空间结构体系的优化问题。     

模拟植物生长算法的改进策略及桁架结构优化研究

模拟植物生长算法(PGSA)是一种以植物向光性机理(形态素浓度理论)为启发准则的新型智能优化算法。对PGSA的基本原理进行了分析，指出并证实了该优化算法的局限性。在此基础上，提出了两种新的算法改进策略：形态素浓度计算的精英策略及智能变步长策略。前者通过在生长过程中快速剔除劣质生长点以提高算法的优化效率，后者通过不断变化步长以减少算法搜索时间。通过算例验证了所提出的改进策略可有效提高优化效率及解决算法缺乏终止判断机制的问题。最后采用改进PGSA和PGSA对典型桁架进行优化计算，结果表明改进PGSA的优化效率明显高于PGSA，在结构优化问题中具有较好的适用性。     

基于蚁群算法的复合形法及其在边坡稳定分析中的应用

首先将基于排序的路径选择方法引入基本蚁群算法 ,并用之于连续变量的优化问题和边坡的最小安全系数搜索 ,结果发现对于设计变量较少的数值优化问题和简单边坡的最小安全系数搜索问题 ,该蚁群算法可以找到全局最优解或比较接近全局最优解。但对于复杂边坡的最小安全系数搜索问题 ,该蚁群算法很容易陷入局部最优。另外复合形法对于不同的初始复合形也会得到不同的最小安全系数 ,利用本文提出的基于最小海明距离的替换准则将蚁群算法得到的局部最优解替换掉初始复形中的一个顶点 ,则复合形法容易找到全局最优 ,成为一种全局搜索能力很强的优化算法。     

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。     

具有机器适用性约束的相同工件平行机近似调度算法

针对考虑机器适用性的相同工件平行机调度问题,提出1种二阶段近似调度算法。算法建立了问题的半匹配模型G=[J∪M,E,W],将原问题转化为最优半匹配搜索问题,然后通过初始解构造和优化得到问题的近似解。通过分析G=[J∪M,E,W]的拓扑统计信息对机器均载的影响,设计了初始解构造启发式规则。在此基础上,采用贪心原理,提出了基于启发式规则的初始解构造算法。初始解优化算法以初始解为起点,采用基于交错路径的局部优化方法得到近似解。通过交错路径树,搜索最优交错路径是影响初始解优化算法的重要因素。为提高搜索效率,限定交错路径的最大长度为4。最后,从理论上分析了算法的最坏情况界和时间复杂度。     

快速群搜索算法用于桁架结构多目标优化北大核心CSCD

基于快速群搜索优化算法QGSO(Quick Group Search Optimizer),结合Pareto最优解理论与拥挤距离机制,提出了一种适用于结构优化的简单而实用的多目标算法:多目标快速群搜索优化算法MQGSO(Multi-objective Quick Group Search Optimization),并将其应用于10杆平面桁架结构的截面优化与25杆空间桁架结构的形状优化.将MQGSO算法与已有的MGSO和IMGSO算法进行了比较,发现其非劣解均优于其他两个算法的非劣解,且具有良好的稳定性与收敛精度,收敛速度也有所提高,说明本文提出的算法用于求解结构多目标优化问题是可行有效的.     

联合黏菌—乌鸦算法及其在机械设计中的应用

乌鸦搜索算法（Crow Search Algorithm,CSA）和黏菌优化算法（Slime Mould Algorithm,SMA）是近年被提出的两个新型元启发式优化算法。CSA具有机制简洁、不易陷入局部最优、在工程问题上表现较好等特点,但其局部搜索能力偏弱,搜索效率不高。SMA具有可拓展性强、局部搜索能力强等优点,但其在求解高维复杂问题和最优解不在原点的函数时表现不稳定,且容易陷入局部最优。为了克服上述算法的不足,使用种群分级策略对两个算法的优点进行整合,提出基于时间阶级因子的联合黏菌—乌鸦搜索算法（SMCSA）。新算法利用时间阶级因子,将种群表示为一个时变动态结构,使CSA和SMA同步开展优化,并通过改变不同子种群的数量实现在优化初期侧重于探索,在后期开展更多开发。为验证所提出算法的优化能力和搜索效率,将SMCSA和其他7种不同类别的启发式算法应用到15个基准测试函数和3个机械设计问题的求解中。测试结果表明,SMCSA的收敛速度相较于原始算法得到提升,且具有比对照算法更好的鲁棒性与寻优精度。     

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。     

基于改进蚁群算法的物流配送车辆路径优化

车辆路径问题是物流系统优化中的关键内容之一,是现代物流管理研究中的重要内容。为了克服基本蚁群算法搜索时间过长、易陷于局部最优等缺点,提出了一种改进的蚁群算法——IACA,在算法中引入迭代局部搜索算法,该算法能保持解的多样性,跳出局部最优,增强全局搜索的能力。实验在VRP基准测试集上进行,并与基本蚁群算法进行对比分析,验证了改进蚁群算法的有效性和可行性。     

Design optimization of truss structures with continuous and discrete variables by hybrid of biogeography‐based optimization and differential evolution methods

This paper presents a hybrid BBO‐DE algorithm by hybridizing biogeography‐based optimization (BBO) and differential evolution (DE) methods for optimum design of truss structures with continuous and discrete variables. In BBO‐DE, the migration operator of BBO method serves as a local exploiter mechanism during the search process. Besides, DE has a role of the global exploration by performing multiple search directions in the search space to preserve more diversity in the population. By embedding of DE algorithm in BBO method as a mutation mechanism, the balance between the exploration and exploitation abilities is further improved. The comparative results with some of the most recently developed methods demonstrate the fast convergence properties of the proposed algorithm and confirm its effectiveness to solve optimum design problems of truss structures with continuous and discrete variables.     

A Meta‐Heuristic Algorithm for Multi‐Objective Optimal Design of Hybrid Laminate Composite Structures

Abstract: In this article, we propose a meta‐heuristic algorithm for solving multi‐objective combinatorial optimization problems. The proposed multi‐objective combinatorial optimization algorithm is developed by combining the good features of popular guided local search algorithms like simulated annealing (SA) and tabu search (TS). It has been organized as a multiple start algorithm to maintain a good balance between intensification and diversification. The proposed meta‐heuristic algorithm is evaluated by solving the stacking sequence optimization of hybrid fiber‐reinforced composite plate, cylindrical shell, and pressure vessel problems. The standard performance metrics for evaluating multi‐objective optimization algorithms are used to demonstrate the effectiveness of the proposed algorithm over other popular evolutionary algorithms like Nondominated Sorting Genetic Algorithms (NSGA‐II), Pareto Archived Evolutionary Strategy (PAES), micro‐GA, and Multi‐Objective Particle Swarm Optimization (MOPSO).     

改进的粒子群-模拟退火算法在桁架结构优化设计中的应用

由于粒子数目多,维数大,用粒子群算法求解多约束问题的迭代求解过程需耗费大量时间。受达尔文的优胜劣汰自然法则启发,在粒子群算法中引入淘汰择优机制。使算法随着迭代次数增加,适应能力较差的粒子逐步被淘汰。最后留下的最优粒子需要较低的温度进行退火求解,寻得全局最优解。多峰值函数测试表明,改进后的算法能够高效率跳出局部最优寻得全局最优解。将改进的算法用于空间桁架结构优化,经算例表明,改进后的粒子群模拟退火串行算法降低了算法的求解复杂度,具有较好的稳定性和较优的收敛性,适用于空间桁架结构截面尺寸优化设计。     

A Hybrid Particle Swarm—Gradient Algorithm for Global Structural Optimization

Abstract: The particle swarm optimization (PSO) method is an instance of a successful application of the philosophy of bounded rationality and decentralized decision making for solving global optimization problems. A number of advantages with respect to other evolutionary algorithms are attributed to PSO making it a prospective candidate for optimum structural design. The PSO‐based algorithm is robust and well suited to handle nonlinear, nonconvex design spaces with discontinuities, exhibiting fast convergence characteristics. Furthermore, hybrid algorithms can exploit the advantages of the PSO and gradient methods. This article presents in detail the basic concepts and implementation of an enhanced PSO algorithm combined with a gradient‐based quasi‐Newton sequential quadratic programming (SQP) method for handling structural optimization problems. The proposed PSO is shown to explore the design space thoroughly and to detect the neighborhood of the global optimum. Then the mathematical optimizer, starting from the best estimate of the PSO and using gradient information, accelerates convergence toward the global optimum. A nonlinear weight update rule for PSO and a simple, yet effective, constraint handling technique for structural optimization are also proposed. The performance, the functionality, and the effect of different setting parameters are studied. The effectiveness of the approach is illustrated in some benchmark structural optimization problems. The numerical results confirm the ability of the proposed methodology to find better optimal solutions for structural optimization problems than other optimization algorithms.     

Parallelization of the Evolution Strategy for Discrete Structural Optimization Problems

The parallelization of a modified multimembered evolution strategy for solving structural optimization problems with discrete variables is described. Evolution strategies imitate biologic evolution and combine the concept of artificial survival of the fittest with evolutionary operators to form a robust search mechanism. An important characteristic of evolution strategies that differs from other conventional optimization algorithms is that instead of a single design point, the evolution strategies work simultaneously with a population of design points in the space of variables. This allows for an implementation in a parallel computing environment. In this paper two ways for the parallel implementation of evolution strategies, and their realization in two parallel computing environments are presented.     

基于v-SVR和MVPSO算法的边坡位移反分析方法及其应用

 针对传统粒子群算法存在搜索空间有限、容易陷入局部最优点的缺陷,通过引入迁徙算子和自适应变异算子,提出基于粒子迁徙和变异的粒子群优化(MVPSO)算法。基准测试函数结果表明,改进的MVPSO算法较传统的粒子群优化算法在收敛效率上有大幅度提高,在处理非线性、多峰值的复杂优化问题中能快速地搜索,得到全局最优解。应用改进的MVPSO算法搜索最佳的支持向量机(v-SVR)模型参数,建立岩体力学参数与岩体位移之间的非线性支持向量机模型,提高v-SVR的预测精度和推广泛化性。然后,利用v-SVR模型的外推预测替代耗时的FLAC正向计算,利用改进的MVPSO算法搜索岩体力学参数的最优组合,提出v-SVR和MVPSO相结合的边坡位移反分析方法(v-SVR-MVPSO算法),与传统的BP-GA算法和v-SVR-GA算法相比,该算法在反演精度和反演效率上均有较大幅度提高。最后,将本文发展的v-SVR-MVPSO算法应用到大岗山水电站右岸边坡岩体参数反演分析,并对边坡后续开挖位移和稳定性进行预测,取得较好的效果。