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。     

群体智能优化算法的研究进展与展望

针对群体智能算法在结构优化设计领域中的应用，介绍了当前存在的一些群体智能算法，包括蚁群算法、鱼群算法和粒子群算法，阐述了其工作原理和特点，同时，对该算法在结构优化设计中的应用发展进行了展望。     

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.     

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.     

基于改进人工鱼群算法的空间桁架结构优化研究

以工程应用为目标,针对基本人工鱼群算法在优化过程中存在的很多不足,对人工鱼的搜索视野和移动步长进行了改进,提出了一种改进的自适应人工鱼群算法,并结合对一个25杆空间桁架结构进行形状优化设计,比较详细的介绍了运用该方法进行优化的思想和策略,表明了改进的鱼群算法的可行性。     

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。     

岩土工程参数反演的一种新方法

介绍了新近提出的一种模拟进化算法——粒子群算法,相对于其他进化算法,粒子群算法的优势在于简单、易实现且收敛快。把该算法引入岩土工程参数反演领域,同时为了克服粒子群算法后期搜索效率降低的缺陷,把单纯形法嵌入到粒子群算法中,提出岩土工程参数反演的一种新方法——基于粒子群算法和单纯形法的混合算法。算例表明,混合算法在参数反演计算中体现出良好的优化性能和很快的收敛速度,是一种新颖可行的参数反演方法。     

改进粒子群算法在电力系统无功优化中的应用

为研究解决电网无功优化问题的可行算法[1],对粒子群算法进行探讨和改进,引入共轭梯度法,克服标准粒子群算法容易进入局部收敛、收敛精度不高等缺点[2]。改进的粒子群算法寻优质量高,收敛速度快,节点电压满足系统运行要求,系统网损较小,是解决电力系统无功优化的高效可行算法。     

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.