基于拟满应力遗传算法的桁架结构形状优化设计

以拟满应力法和改进遗传算法为基础,提出了一种可以解决具有连续变量和离散变量的桁架结构形状优化问题的拟满应力遗传算法。该算法既充分利用了遗传算法全局寻优能力强的特点,也发挥了力学准则法局部寻优长处,具有很高的搜索效率。用拟满应力遗传算法解决15杆桁架结构形状优化问题的结果表明,这是一种解决具有连续、离散混合变量的桁架结构优化设计问题的很有效方法。     

基于混合遗传算法的桁架优化设计研究

应用十进制编码的遗传算法,通过MATLAB编程实现桁架结构截面优化。考虑满应力解通常处在最优解附近的原理,在应用遗传算法的同时,将满应力解作为一个个体引入种群中进行计算。算例表明,该方法能得到理想效果,并能减少程序运算时间。     

某体育馆双层柱面网壳结构的优化设计

系统介绍了某体育馆双层柱面网壳结构的优化设计。通过APDL语言在ANSYS环境中利用满应力方法实现不同工况下杆件截面的离散变量优化,并分析截面优化的稳定性、收敛性与可靠性。利用遗传算法在MATLAB环境中实现网格类型、网格数、厚度、矢高的正整数变量优化。联合利用上述方法编制相关程序,实现了结构的多变量的综合优化,取得了较理想的优化效果。该种方法对空间网格结构优化设计具有通用性。     

有关桁架结构优化设计的方法研究

对桁架结构设计的一种优化方法进行了详细介绍,并编制了计算程序,通过具体算例,并和其他方法的计算结果进行了分析比较,结果表明,计算结果基本一致,可用于桁架结构的优化设计。     

基于标准遗传算法的结构优化设计

介绍了标准遗传算法的基本理论,探讨了其在结构优化设计上的模型与应用方法,并通过两个数值算例验证了遗传算法的高效性。     

基于改进遗传算法桁架结构优化设计

探讨了遗传算法在离散变量结构优化设计中应用。在优化设计模型中采用凝聚函数处理约束条件,引入小生境(niche)技术、改进交叉方法以及采用竞争最优保留策略来改善遗传算法性能。最后通过算例验证了本文方法的可行性和有效性。     

改进遗传算法在桁架优化设计中的应用

利用遗传算法对桁架进行优化时,将ANSYS作为有限元结构分析工具,把遗传算法优化程序与结构的有限元分析程序结合起来,在这两个程序中进行数据传递,能节约结构优化问题的求解时间,提高计算结果的可靠性.文中针对简单遗传算法具有"收敛早熟"、局部搜索能力差等缺点,提出了改进的遗传算法.算例表明此方法正确、可行,能充分发挥ANS...     

桁架门式起重机结构优化设计

运用最优化方法，以起重机金属结构重量最轻为目标函数，以结构的主要染构件的截面尺寸为设计变量，以强度、刚度为约束，应用有限元分析软件MSC/NASTRAN对门式起重机金属结构进行结构优化。通过优化分析，获得了起重机结构主要梁构件的优化设计参数，有效地改进设计。     

空间桁架结构的神经网络优化设计

应用神经网络的结构优化设计原理,对空间桁架结构优化进行研究。利用神经网络的模拟退火算法对结构优化设计作了一些探讨。通过空间钢桁架结构的优化设计算例,验证了神经网络用于结构优化的有效性与准确性。     

遗传算法在空间杆系结构优化中的应用

介绍了一种基于遗传算法和满应力准则法的空间杆系结构优化方法，该法综合了满应力准则法的搜索定向性和遗传算法的全局搜索能力，数值计算实例表明该法可以显著提高收敛速度，具有很强的适应性。     

基于Matlab语言的结构优化设计

简要介绍Matlab软件工具箱的特点和功能 ,对优化工具函数进行了分析 ,探索其在建筑结构优化设计中的应用。基于Matlab语言的结构优化设计具有语言简单、函数丰富、编程效率高、扩展能力强等特点 ,具有很好的应用前景 ,值得推广。     

基于遗传神经网络的桁架损伤诊断

介绍了BP神经网络应用于损伤诊断时的局限性,将全局寻优能力很强的遗传算法作为其改进算法来优化神经网络的初始权值和阈值,并将改进的遗传神经网络应用于桁架结构的损伤诊断,数值模拟试验证实了方法的有效性。     

基于有限元分析的平面桁架的优化设计研究

在有限元分析的基础上,利用ANSYS软件,对一个工程平面桁架实例分别使用了两种分组方法进行材料用量的优化设计,并且进行了比较。相同结构受到相同载荷和约束作用后,根据有限元分析方法计算的结果,将内力绝对值相近的杆件作为一组的分组方法比使用工程实际经验的分组方法更有效地降低了材料用量,提供了一种比工程实际更为有效的分组方法,供工程技术人员进行设计和分析时参考使用。     

基于神经网络的钢屋架结构优化设计

阐述了基于神经网络的结构优化设计原理 ,利用神经网络的模拟退火算法对结构优化设计作了一些探讨。通过钢屋架结构的优化设计算例验证了神经网络用于结构优化的有效性与准确性     

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。     

桁架结构优化设计的改进蚁群算法

通过对已有的优化方法进行分析,针对蚁群算法容易收敛到局部最优解的缺陷,通过遗传算法和禁忌算法来提高增加蚁群算法的全局优化能力,并改进了算法的灵活性和扩展性;将改进的蚁群算法应用到桁架结构优化设计中,提出了桁架结构优化设计的改进蚁群算法,并建立了相应的优化模型;最后,对10杆平面桁架的优化进行了研究和分析,结果表明,提出的改进蚁群算法是科学可行的。     

改进的BP神经网络在混凝土碳化深度预测中的应用

通过对混凝土碳化深度实测资料的分析,建立了基于 BP 神经网络原理的混凝土碳化深度预测方法.由于传统的 BP 神经网络有收敛慢,易陷入局部极小点的问题,采用改进的 BP 神经网络,通过与混凝土碳化深度的实测值、理论值的对比,证明了该方法在混凝土碳化深度预测方面的有效性并且具有令人满意的精度。