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。     

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.     

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。     

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。     

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。     

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。     

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.     

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。     

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。     

Design of water distribution networks using particle swarm optimization

Application of particle swarm optimization (PSO) is demonstrated through design of a water distribution pipeline network. PSO is an evolutionary algorithm that utilizes the swarm intelligence to achieve the goal of optimizing a specified objective function. This algorithm uses the cognition of individuals and social behaviour in the optimization process. For the optimization of water distribution system, a simulation – optimization model, called PSONET is developed and used in which the optimization is by PSO. This formulation is applied to two benchmark optimization design problems. The results are compared with the results obtained by other optimization methods. The results show that the PSO is more efficient than other optimization methods as it requires fewer objective function evaluations.     

微粒群优化算法在Theis公式参数识别中的应用

采用一种微粒群优化算法来识别承压完整井非稳定地下水运动Theis公式中的水文地质参数。微粒群算法是一种新型的群体智能算法,它将每个个体看作在多维搜索空间中的一个没有重量和体积的微粒,并在搜索空间中以一定的速度飞行,该飞行速度由个体的飞行经验和群体的飞行经验进行动态调整。然后根据个体适应值大小运算,根据适应度函数对微粒的速度和位置进行进化,最终得到足够好的适应度值。本文采用微粒群算法可根据抽水试验资料快速反演Theis公式近似解析解中的水文地质参数。实例计算结果表明该微粒群算法计算速度快,在水文地质逆问题求解中值得推广应用。     

Reliability-based design optimization with discrete design variables and non-smooth performance functions: AB-PSO algorithm

The purpose of reliability-based design optimization (RBDO) is to find a balanced design that is not only economical but also reliable in the presence of uncertainty. Practical applications of RBDO involve discrete design variables, which are selected from commercially available lists, and non-smooth (non-differentiable) performance functions. In these cases, the problem becomes an NP-complete combinatorial optimization problem, which is intractable for discrete optimization methods. Moreover, the non-smooth performance functions would hinder the use of gradient-based optimizers as gradient information is of questionable accuracy. A framework is presented in this paper whereby subset simulation is integrated with a new particle swarm optimization (PSO) algorithm to solve the discrete and non-smooth RBDO problem. Subset simulation overcomes the inefficiency of direct Monte Carlo simulation (MCS) in estimating small failure probabilities, while being robust against the presence of non-smooth performance functions. The proposed PSO algorithm extends standard PSO to include two new features: auto-tuning and boundary-approaching. The former feature allows the proposed algorithm to automatically fine tune its control parameters without tedious trial-and-error procedures. The latter feature substantially increases the computational efficiency by encouraging movement toward the boundary of the safe region. The proposed auto-tuning boundary-approaching PSO algorithm (AB-PSO) is used to find the optimal design of a ten-bar truss, whose component sizes are selected from commercial standards, while reliability constraints are imposed by the current design code. In multiple trials, the AB-PSO algorithm is able to deliver competitive solutions with consistency. The superiority of the AB-PSO algorithm over standard PSO and GA (genetic algorithm) is statistically supported by non-parametric Mann-Whitney U tests with the p-value less than 0.01.     

Design optimization of tall steel buildings by a modified particle swarm algorithm

Optimal design of tall buildings, as large‐scale structures, is a rather difficult task. To efficiently achieve this task, the computational performance of the employed standard meta‐heuristic algorithms needs to be improved. One of the most popular meta‐heuristics is particle swarm optimization (PSO) algorithm. The main aim of the present study is to propose a modified PSO (MPSO) algorithm for optimization of tall steel buildings. In order to achieve this purpose, PSO is sequentially utilized in a multi‐stage scheme where in each stage an initial swarm is generated on the basis of the information derived from the results of previous stages. Two large‐scale examples are presented to investigate the efficiency of the proposed MPSO. The numerical results demonstrate the computational advantages of the MPSO algorithm. Copyright © 2012 John Wiley & Sons, Ltd.     

基于微粒群算法的污水管网优化设计

针对遗传算法存在的问题，提出一种利用微粒群算法（PSO）优化污水管网的模型，并阐述了应用微粒群算法进行污水管网优化设计的原理、特点。在南京市某地区的污水系统设计中采用了该算法，取得了良好的社会效益和经济效益。     

基于微粒群算法的工程项目资源均衡优化

将微粒群算法运用到工程项目管理的资源均衡优化问题,定义了以活动的实际开始时间作为微粒坐标的微粒群;建立了资源方差与活动实际开始时间直接联系的评价函数;通过微粒群在飞行中位置的进化过程来搜索对应于最优方案的活动实际开始时间。最后通过算例的计算分析,用微粒群算法得到的资源强度比初始方案降低了75.2%,比遗传算法的结果降低了26.97%,验证了该方法在工程项目管理的资源均衡优化中的可行性及有效性,同时还获得了若干个次优方案,对于工程项目管理中的资源均衡优化具有实际应用价值。     

基于PSO-BP算法的隧道非线性位移分析模型

粒子群优化(PSO)算法是近年来发展迅速,并得到广泛应用的一种仿生全局最优化算法.与遗传算法相比,该算法具有操作简单、易于编程的优点.结合铜黄高速公路汤屯段大田连拱隧道施工,采用PSO算法对BP神经网络的权值进行自动优化,获得训练效果最好的BP网络模型参数以提高网络的泛化能力,建立起基于PSO-BP算法的大田隧道施工位移非线性智能分析模型,并采用此模型对后续施工隧道变形进行了预测分析.与实测位移对比表明,本文建立的PSO-BP模型平均预测相对误差仅为3.1%,可很好地作为隧道信息化施工的一种辅助方法,并为其他类似岩土工程提供借鉴.