粒子群算法在网架结构损伤识别中的应用研究

粒子群算法作为新兴的智能优化算法,因其处理优化问题突出已逐步应用在结构损伤检测领域,基于粒子群算法,提出了网架结构损伤识别方法。首先利用模态保证准则(MAC),结合频率和振型在损伤识别中各自的优势,构造了基于频率和振型的适应度函数;其次,以两个测试函数来对比分析,说明改进的粒子群算法寻优性能更佳;最后,通过一个网架结构仿真模型算例,对所提方法的有效性进行验证。设置了3种工况进行损伤识别并对结果进行分析,结果表明基于粒子群算法的损伤识别方法能够准确识别出损伤发生的位置及程度。     

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。     

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。     

基于IPSO-DBN 的管道故障诊断方法

针对城市燃气管道故障诊断效果不佳的问题，提出了一种基于改进粒子群算法优化深度信念网络（IPSO-DBN）的管道故障诊断方法。该方法首先对粒子群算法（PSO）中的惯性权重ω、加速因子C1 和C2 进行修正，得到改进粒子群优化算法（IPSO），并采用两种基准函数对比测试PSO 与IPSO 的网络性能，证明所选改进方法的优越性。其次利用IPSO 优化深度信念网络（DBN）的初始权重，建立合适的DBN 网络，将4 种不同燃气管道工况下的实验数据用于IPSO- DBN 网络训练及预测。最后将实验所得的故障诊断准确率与BP、DBN、PSO-DBN 方法进行对比分析。实验结果表明，对于燃气管道不同工况下的故障分类识别，IPSO- DBN 方法的平均测试集诊断准确率高达94.5%，诊断效果优于传统的BP、DBN 以及PSO-DBN 方法。     

粒子群算法求解函数优化问题

求解函数优化问题的方法有很多种,如传统求解函数优化问题的算法有:罚函数、解析法等。但这些传统算法都存在运行慢、收敛性差、迭代次数过多缺点。针对这些问题,本文引入粒子群优化算法进行函数优化问题求解,该算法收敛速度快、结构简单、调节参数少、易于实现等优点。经过充分发挥粒子群算法的优点,解决了传统优化算法中存在的不足。最后,仿真实验结果表明,粒子群优化算法是可行的和有效的。     

基于启发式算法的悬臂式挡土墙尺寸优化

悬臂式挡土墙结构在工程中应用广泛,但传统的trial-and-error设计方法比较依赖设计师的经验,且称不上优化。选取9个尺寸设计变量来描述悬臂式挡土墙结构,以墙体结构造价最优为目标函数,以结构尺寸限制和挡墙稳定性条件为约束条件,建立了悬臂式挡土墙结构尺寸约束最优化模型,通过模型求解,高效、智能的输出悬臂式挡土墙尺寸。结合工程实例,利用内点罚函数处理约束条件,采用3种启发式算法,包括遗传算法(GA)、粒子群算法(PSO)以及模拟退火(SA)对该约束最优化模型进行了求解。结果表明:启发式算法能有效的应用于悬臂式挡土墙的尺寸最优化,通过效率和可靠性分析比较,粒子群算法(PSO)在3种方法中具有优势。     

改进粒子群算法的两阶段梁式结构损伤识别

针对实际工程监测时损伤识别误差大的问题,提出一种基于改进粒子群算法的两阶段识别方案。第1阶段利用D-S证据理论融合算法进行损伤定位;第2阶段利用改进的粒子群算法,对定位结果进行修正,同时准确定量损伤。仿真算例和实验分析结果表明:由于第1阶段损伤定位减少了可能损伤单元的数量,第2阶段基于改进粒子群算法的搜索范围减小,能更准确地识别多损伤和小损伤的位置和程度,且抗噪性能良好。     

基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用

神经网络具有结构简单,鲁棒性强,能够逼近任意函数的非线性映射能力,在多个领域得到了广泛应用。但其梯度下降法容易陷入局部最优,训练效率较低。采用粒子群算法(PSO)对BP神经网络进行改进,利用粒子群算法为BP神经网络提供精确的全局搜索能力,提高其训练效率和预测精度。基于建筑物实际沉降观测数据,对BP神经网络和PSO-BP神经网络进行对比分析。结果表明,PSO-BP神经网络的训练效果获得了较大提升,预测精度提升了约61%,预测结果明显优于传统BP神经网络。     

改进的粒子群优化算法在结构优化中的应用

结构优化设计对于实际工程具有重要的意义。本文通过对标准的粒子群优化算法进行分析,将惯性权重系数引入到原算法中,并建立了相应的优化模型。介绍了改进的粒子群算法的基本思想、结构优化模型及其实施的具体步骤,最后通过算例及与标准PSO优化算法的比较,验证了改进后的方法的效率和有效性。结果表明该方法提高了优化性能,具有很好的应用前景。     

基于极限学习机的电力短期负荷预测

本文首先对人工神经网络中的单隐含前馈神经网络和极限学习机(ELM)的基本原理和理论进行了概述,然后将极限学习机算法与粒子群算法结合,利用粒子群优化算法(PSO)对极限学习机的参数进行优化,将PSO和ELM的优点结合在一起,使其具备参数调整简单、可以在全局范围寻优、泛化能力强等特点,最后使用基于粒子群算法优化极限学习机的预测模型,在具体数据中进行算例分析,确定预测模型的可行性。     

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.     

基于改进粒子群算法的海洋钻机系统布局优化

为提高海洋钻机的工作效率和平台的空间利用率,应用改进的粒子群算法对海洋钻机系统进行布局优化研究。针对多目标、多约束的钻机系统布局优化问题,建立钻机系统布局优化数学模型,应用多目标粒子群算法直接求解,得出相应的最优解集。利用线性加权法将多目标转变为单目标进行求解分析,针对单目标粒子群算法的缺点,基于约束条件、惯性权重以及遗传算法的选择和杂交对粒子群算法进行改进,完成不同改进算法的测试实验。结果表明,在应用粒子群算法求解布局问题时将约束条件作为目标函数、单独引入遗传算法的杂交思想求解速度和精度更好。提出的基于杂交的动态惯性权重粒子群算法的布局优化问题求解性能更优,得到的优化方案符合海洋钻井作业要求且占用甲板面积较小。     

考虑流变参数弱化综合影响的软岩蠕变损伤本构模型及其参数智能辨识

根据损伤的定义和软岩的蠕变破坏特点,提出反映应力水平和时间因素对弹性模量弱化综合影响的软岩蠕变损伤变量的一般表达式,推导并建立软岩蠕变损伤演化方程,探讨损伤变量随应力水平和时间的变化规律。以Burgers模型为基础,建立可考虑参数综合弱化的软岩蠕变损伤本构方程。修正后的Burgers蠕变损伤本构模型体现了参数随时间增长和应力水平增大的弱化现象,反映了岩石材料的损伤劣化过程。基于粒子群优化算法(PSO)具有迭代过程简单、能有效地收敛到全局最优解等优良特性,提出基于PSO的蠕变损伤本构模型参数智能辨识的方法和步骤。采用MATLAB软件,编制基于粒子群优化算法的参数辨识程序。以某深部软岩试样蠕变试验为例进行验证分析,结果表明采用考虑参数综合弱化的蠕变损伤本构模型具有较好的实用性。     

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.     

改进粒子群优化BP神经网络的轮毂分类算法

针对轮毂识别系统前期图像特征提取误差较大时分类准确性降低的问题,提出了基于改进粒子群算法优化BP神经网络的轮毂识别模型。在标准粒子群中引入遗传算法的变异因子、惯性权重、时间因子、速度边界限制和反弹策略,以改进粒子群算法,从而提高寻找最优阈值与权值的性能。经过与不同算法的对比数据看出,采用改进粒子群优化BP神经网络算法的分类识别率比其他算法提高了9%左右,且收敛速度、收敛精度均有提高,证明了所提IPSO(improved particle swarm optimization)算法的有效性。     

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。     

改进的粒子群算法在挖掘机设计中的应用

根据粒子群算法(PSO)的特点,在兼顾局部搜索能力的基础上对其进行了改进,提出一种粒子重生策略,从而提高全局优化能力.为了对算法进行检验,将之用于挖掘机工作装置的优化设计中.挖掘机工作装置的优化设计是一个复杂的多维非线性约束优化问题,在对实际约束进行化简的基础上,建立数学模型,并使用改进后的PSO算法进行了优化设计.经过对比表明,该方法切实可行.     

联合BP神经网络和粒子群的结构有限元模型修正

为解决有限元模型修正中寻优速度慢和算法易于陷入局部最优的问题,提出了采用BP神经网络作为代理模型,采用粒子群算法作为优化算法的模型修正方法。为验证算法的有效性和高效性,采用所提方法对一个钢桁架进行了模型修正,修正结果表明,所提算法能够准确找到结构损伤位置,并且对杆件的损伤程度的识别精度较高,并且与传统的直接调用有限元模型计算结构响应的方法对比,所提方法在寻优速度上具有明显提升。     

基于应变频响函数曲率的结构损伤识别

为了研究结构损伤并探索其损伤识别指标,基于多自由度体系频响函数,提出了以应变频响函数（SFRF）曲率作为损伤识别参数的结构损伤识别方法,并提出了结构损伤识别指标——SFRF曲率比。在此基础上采用有限元方法,进行了简支板单一损伤、多处损伤等多种工况的算例分析。结果表明：SFRF曲率比对损伤的敏感程度高于由振型、应变、频响函数（FRF）等推演出的特征指标;该方法可用于结构损伤定位以及定性评价多处损伤。