一、自适应遗传算法在桁架结构优化设计中的应用(论文文献综述)
徐培东[1](2021)在《基于改进狼群算法的桁架结构优化研究》文中提出结构优化设计是在满足规范要求和特定要求的限制下,能够合理的设计结构,从而使重量、刚度、造价等达到更优的设计方案。通过对结构构件进行优化不仅可以大大降低结构的重量和成本,而且还有助于改进结构的强度、刚度等,提高结构性能。桁架结构具有材料综合利用率高、质量相对较轻、承载能力强、施工方便、装配性好、可被循环利用等诸多优点,已被广泛应用于我国建筑工程结构中。因此,桁架结构优化方法对结构优化设计具有重要意义。随着结构形式的日趋复杂,传统的结构优化设计方法在求解时的计算精度和收敛速度等已经不能完全满足实际工程的需要。近年来逐渐发展出现的计算智能优化算法已经开始应用于结构智能优化中,并取得了较好的优化结果。狼群算法是一种新型、具有较强寻优能力的智能计算方法,但在传统的狼群算法中,经常出现陷入局部最优和低精度等算法常见的问题。为找到一种更有效的结构优化方法,本文提出一种基于自适应步长和莱维飞行策略的改进狼群算法,并将改进后的狼群算法与桁架结构优化设计相结合,希望为桁架设计人员提供一种新的计算方法和设计思路。狼群算法的具体改进方法如下:首先,在狼群初始化过程中加入一个随机扰动因子,扩大搜索的随机性,提高全局寻优性能;其次,在探狼执行游走行为时,采用莱维飞行随机游动的搜索策略,使算法后期搜索的更充分,搜索能力得到提高;最后,在猛狼执行奔袭的过程中引入自适应步长策略,通过自适应步长的合理变化,实现算法的自适应调节,既提高了搜索精度也缩短了找到最优解的时间。为验证改进后狼群算法的可靠性,将其运用到求解旅行商的问题中,分析结果表明,改进算法具有更高的可靠性。将改进狼群算法与经典桁架结构算例优化设计相结合,桁架结构的横截面积作为基本优化变量,结构的整体重量作为桁架优化设计的目标函数,构建结构的基本数学模型,并利用经过改进后的狼群算法对其进行优化求解,将其优化结果与其他优化算法进行比较。分析表明,改进后的狼群算法在处理桁架优化问题更有效,可达到为结构减重的结果。该方法为结构优化问题提供了一种新的解决方案。
韩沐轩[2](2021)在《基于改进果蝇算法的输电塔结构局部优化研究》文中提出伴随着人民日常生产生活中耗电产品的增多,设计出满足高电压、长距离、大容量的新型输电塔成为了亟待解决的难题。因具有诸多显着优点,桁架结构被广泛应用于输电塔结构设计,使得结构构件自重减小、整体稳定性提高、相对荷载性能增强、各杆件之间协调更灵活。研究人员通常利用桁架结构优化的方法提升输电塔结构性能。输电塔优化设计首先要满足结构基本功能和正常使用需求,然后以最小的成本消耗换取最大的使用效益。鉴于有限元软件及智能优化方法的不断发展和完善,以及果蝇算法在工程结构优化设计中的良好表现,此次提出了一种应用于输电塔结构优化设计的新方法,即将免疫算法与果蝇算法进行融合,融合免疫算法的改进果蝇算法(Improved fruit fly optimization algorithm based on immune algorithm,IAFOA)可以有效提升标准果蝇算法面对输电塔结构优化问题的求解能力。该方法先将输电塔结构的截面、拓扑和形状变量统一转化为离散变量,再把输电塔截面优化设计转化为标准化0-1背包问题,改进后的果蝇优化算法被应用于实现输电塔的结构优化设计过程中。IAFOA利用免疫算法改善基本算法易陷入局部极值的缺陷,即当进化停滞步数t大于进化停滞步数阈值T时,执行免疫操作来该改进种群多样性进而平衡果蝇优化算法的全局与局部搜索能力,通过标准函数及求解0-1背包问题的测试验证改进算法具有较好的鲁棒性。优化实例表明,IAFOA的各方面性能均有较大提升,尤其是在针对优化稳定性和可能陷入局部最优解等问题时有显着改进,具有良好的全局搜索能力。输电塔结构优化方法在IAFOA的参与下优化性能得到增强,且通用性强,应用前景广阔。该研究为输电塔结构优化提供了新思路。
陆伊宁[3](2021)在《混凝土桥梁施工复杂支撑体系安全评价及优化方法研究》文中指出为了适应桥梁向大跨、高空方向发展的趋势,由满堂支架、贝雷梁以及钢管柱组成的混凝土桥梁施工复杂支撑体系以其承载能力大,适应性强,搭设简便以及可重复利用等优点,在混凝土现浇桥梁施工中被广泛应用。但桥梁施工复杂支撑体系构件繁多、结构复杂,并且没有具体的设计标准和规范,在设计时如何实现安全性和经济性的双赢,是值得探索和研究的问题。本文采用理论研究、数值模拟和机器学习相结合的方法,对混凝土桥梁施工复杂支撑体系的安全综合评价以及结构优化方法进行研究,主要开展了以下研究工作:(1)针对桥梁施工复杂支撑体系的传力模式和受力特点进行分析,建立安全综合评价指标体系,提出综合安全度的概念作为结构安全储备定量评价结果,采用客观赋值法中的熵权法确定指标权重,并引入指标间冲突性对权重进行修正,建立了桥梁施工复杂支撑体系安全综合评价模型。(2)提出了基于支持向量机近似模型和遗传算法的结构优化方法,对遗传算法基本概念和步骤进行研究,采用罚函数法解决了遗传算法在有约束优化问题中的局限性,研究了支持向量机回归算法原理,以及训练样本选取、参数选择优化方法,提出了支持向量机构建结构近似模型的方法,以此代替遗传算法在结构优化中大量的有限元计算。(3)基于结构优化设计基本理论提出了桥梁施工复杂支撑体系优化方法,以结构总用钢量为目标函数,以各构件截面尺寸为设计变量,将结构综合安全度达到某一目标值以及各构件应力或位移满足安全要求为约束条件,建立了复杂支撑体系优化数学模型,研究了采用基于支持向量机近似模型和遗传算法的优化方法求解优化模型的步骤。(4)某斜拉桥主梁现浇施工采用由满堂支架、贝雷梁和钢管柱组合成的复杂支撑体系,对其进行安全评价和结构优化,得到原始设计参数下的综合安全度为2.51,安全储备较充足,存在一定优化空间,以综合安全度达到2.0时总用钢量最少为优化目标,优化后结构的综合安全度为2.09,相对于原始设计,总用钢量降低了20.99%,表明该桥梁施工复杂支撑体系优化方法可以使结构在保持一定的安全储备情况下达到最优经济用量。
刘亚鹏[4](2021)在《基于并行优化算法的结构优化设计系统研究》文中认为机械结构优化设计经常面临设计变量多、约束条件复杂等难题,为典型的多维、非线性问题,求解过程复杂,常规局部优化算法(比如序列二次规划法、内点法、有效集法、信赖域法等)通常很难求得全局最优解,而全局群智能优化算法则计算效率偏低。本文针对机械结构优化设计中常用的全局群智能优化算法(以遗传算法和粒子群算法为例)存在的不足,提出了一种改进的遗传算法和一种改进的粒子群算法;结合并行算法策略,进一步设计了一种基于并行优化策略的结构优化设计策略,结合改进的遗传算法和改进的粒子群算法,提出了一种并行式改进遗传算法和并行式改进粒子群算法;最后开发了相应的系统,并进行算例验证。具体研究工作如下:针对传统遗传算法存在的收敛结果不稳定、迭代寻优的效率较低等缺陷,本文对传统遗传算法过程进行了适当的改进。首先,采用基于正态分布的交叉算子和基于自适应度变化的变异算子,提高了遗传变异过程中寻优的效率。其次,对原优化问题的约束条件使用内点罚函数法进行处理,形成新的目标函数。新函数的定义域将包含原来的约束,这样就可以较好地解决一般遗传算法在处理有约束条件的优化问题时存在的寻优效率低、最优解受约束条件处理程度影响较大等缺陷。针对传统粒子群算法在求解过程中容易出现的早熟、粒子多样性差等缺点,本文采用精英策略的外部档案集、逐渐减小的惯性权重和领域变异的方法对传统粒子群算法做出改进。并使用五个典型基准算例验证了本文所提方法的有效性。针对群智能优化算法计算效率偏低问题,结合群智能优化算法天然的可并行性,本文提出了一种基于粗粒度的多进程并行策略,针对结构设计需优化的参数特点,对初始种群进行处理,并给每个子种群单独分配进程进行独立的迭代寻优过程。结合上面提出的改进遗传算法和改进粒子群算法,基于粗粒度多进程并行策略,本文进一步提出一种并行式改进遗传算法和一种并行式改进粒子群算法。最后通过五个典型基准算例验证了本文所提方法的计算效率及计算精度。为方便机械结构优化设计应用,本文采用Qt Creator平台及Python语言开发了一套结构优化设计系统,该系统设计了与ANSYS有限元分析软件的交互接口,以方便开展实际结构的优化设计。最后,采用十杆桁架结构优化设计问题以及汽车侧面碰撞响应面模型结构优化问题验证了本文所提算法及所开发系统的工程适应性,结果表明本文所提算法和所开发的系统具有一定的工程应用价值。
张杨[5](2020)在《改进群体智能优化算法及其应用》文中认为随着科学和技术的快速发展,很多领域都会涉及到优化问题,如:旅行商问题、函数优化、电力调度、桁架结构设计等。然而,很多优化问题都是多峰、高维度,存在着难解性。传统的优化算法如共轭梯度法、单纯形法、牛顿法等都已经很难满足人们的需求。因此设计高效的优化算法成为很多科研工作者的研究目标。本文主要研究群智能优化算法,针对各个优化算法的优缺点进行改进,并将其应用到实际问题中,使其发挥出自身的应用价值。本文主要对人工蜂群算法进行改进,并将其应用到实际领域,本文的具体研究内容如下:(1)比较各种流行的算法,为后续改进的人工蜂群算法提供了理论支持。(2)针对传统人工蜂群算法全局搜索能力强,局部搜索能力弱的特点,本文提出了一个新的策略来保留整个种群搜索的历史最优解群。在这个基础之上,对人工蜂群算法的雇佣蜂阶段和观察蜂阶段的搜索公式进行改进,将改进的人工蜂群算法(MNABC)放在标准测试函数上以及电力经济调度的实际问题上进行实验测试其性能,实验结果表明提出的算法高效可靠。(3)针对人工蜂群算法收敛速度慢,后期精度不高,在处理复杂的优化问题时不易陷入局部最优的特点,受粒子群算法的启发,本文为人工蜂群算法的雇佣蜂阶段和观察蜂阶段提供了一个智能化的学习策略。此外,在侦察蜂阶段,根据侦察蜂的特性,本文提出了一种新颖的学习策略。然后,将改进的算法(EABC)放在标准测试函数上以及桁架结构设计的实际问题上进行实验测试其性能,和当前流行的多种算法比较结果验证了算法的可靠性。本文针对人工蜂群算法的收敛速度慢,在迭代后期其局部搜索能力弱的特点,提出了两种改进的算法,即基于智能学习策略的人工蜂群算法(MNABC)和基于精英搜索策略的人工蜂群算法(EABC);然后将这两种算法应用到实际问题中,其中将MNABC算法应用到电力经济调度问题中,将EABC算法应用到桁架结构设计问题中,实验结果验证了算法的有效性。
钟昌廷[6](2020)在《基于智能优化算法的工程结构可靠度研究》文中进行了进一步梳理在结构的设计和风险分析中,需要考虑与尺寸、荷载、材料性能等有关的各种不确定性的影响,可靠性分析是考虑这些不确定性的一种非常有效的技术,其主要任务是获得结构的失效概率。在可靠性分析的各种数值方法中,一阶可靠度法(FORM)是结构可靠性界非常流行的方法。然而,在求解具有高度非线性极限状态函数的高维问题时,一阶可靠度法通常会遇到不收敛或发散的情况。这一困难限制了一阶可靠度法在工程和复杂问题中的进一步应用。针对高非线性和高维可靠性分析问题,提出了四种基于不同群智能优化算法来改善一阶可靠度法的性能,并在复杂工程结构中进行了应用。本文主要工作如下:(1)提出了一种结合樽海鞘群算法(SSA)和一阶可靠度法的可靠性分析混合方法。SSA算法受深海樽海鞘群体食物搜索行为的启发,能够在优化问题中找到全局解。在所提出的SSA-FORM方法中,利用外部惩罚函数法来处理约束条件,以方便元启发式优化策略。然后,利用具有较强全局寻优能力的SSA算法寻找全局最优可靠指标。使用了8个算例对SSA-FORM方法进行了验证,并比较了多种基于梯度和基于启发式的改进一阶可靠度法。结果表明,所提出的SSA-FORM在非线性问题上有良好的性能。(2)提出了一种结合栗翅鹰优化(HHO)的改进一阶可靠度法用于高维问题的可靠度分析。HHO是一种模仿栗翅鹰捕食行为的元启发式算法,能有效地求解高维问题的全局最优解。为了实现所提出的HHO-FORM算法,首先根据形式理论将可靠性指标表示为约束优化问题的解。然后,利用外部罚函数法对约束条件进行处理。此外,最优可靠性指标由栗翅鹰优化算法确定,该优化通过基于种群的机制和莱维飞行策略加速收敛。HHO-FORM不需要极限状态函数的导数,从而减少了高维问题的计算负担。因此,HHO-FORM的简单性大大提高了求解高维可靠性问题的效率。将HHO-FORM应用于多个高维数值问题,并将其应用于一个高维框架结构可靠度分析。并将几种FORM算法与HHO-FORM进行了比较。实验结果表明,HHO-FORM算法在所测试的高维问题上有着良好的性能。(3)提出了一种基于教学优化的改进一阶可靠度法(TLBO-FORM)。TLBO的灵感源于课堂内教师学生的学习行为,以提高学习成绩作为优化目标。TLBO-FORM算法利用一阶可靠度理论将可靠性指标表示为一个约束优化问题的解。然后,采用外部罚函数法对优化问题进行约束处理。之后,采用TLBO的教师和学习两阶段策略,通过迭代过程寻找全局最优可靠指标。另外,还发展了多个版本的混沌TLBO-FORM方法。通过19个可靠度算例对所提算法进行测试,验证了所提方法的准确性和有效性,充分说明了TLBO-FORM能够在不同类型和各维度问题上的适用性。另外,通过参数讨论,说明了TLBO-FORM比HHO-FORM有着更好适应性的原因。(4)提出了采用平衡优化算法(EO)来改进一阶可靠度法进行结构可靠度分析。EO的灵感来源于用于评估动态和平衡状态的控制体积-质量平衡模型。为了实现EO-FORM算法,将可靠性指标表示为一个约束优化问题的解,而约束则由外部罚函数法处理,然后利用EO算法搜索全局可靠性指标。通过多个数值和工程算例对所提出的EO-FORM进行了验证,结果表明EO-FORM在各类问题中具有良好的精度和效率。最后给出了四种改进FORM方法求解不同类型可靠度问题的使用建议。(5)研究了大型复杂工程结构的可靠度分析,三个工程结构分别为布洛溪大桥、测地线空间网架穹顶结构、三维岩质边坡,并测试了第二章至第五章所提的SSA-FORM、HHO-FORM、TLBO-FORM、EO-FORM方法的性能,且分别设置了不同大小的算法参数进行性能对比。在布洛溪大桥结构可靠度分析中,TLBO-FORM在算法参数较小的时候性能最佳,EO-FORM则在算法参数较大时性能最佳。在测地线空间网架穹顶结构可靠度分析中,EO-FORM和SSA-FORM表现最好。在三维岩质边坡可靠度分析中,TLBO-FORM的性能最好,EO-FORM在算法参数较大时全局收敛性较好。结果表明,本论文所提方法可用于复杂工程结构可靠度分析中。(6)研究了新型带暗支撑组合核心筒结构的可靠度分析。首先基于编号为CW3X-1的核心筒低周往复实验结果,采用Open SEES软件对组合核心筒结构进行有限元分析。然后,考虑各种因素(荷载、混凝土与钢筋材料性能)的变异性和不确定性,计算新型核心筒结构的可靠指标,评估结构安全性能,并讨论了在不同轴压比、高宽比、连梁跨高比、墙肢钢板暗支撑含钢率、加载方式等因素对可靠指标和失效概率的影响。之后,采用本文所提智能优化FORM方法,评估了随机变量对可靠指标的参数敏感性。
马潇雨[7](2020)在《基于子集模拟优化的密肋复合板结构优化设计和参数识别》文中进行了进一步梳理子集模拟优化算法是一种新型随机优化算法,对解决高维复杂优化问题具有收敛快、不易陷入局部最优解的优势,适用于连续变量无约束及有约束优化问题和离散变量优化问题。密肋复合板结构作为一种建筑结构新体系,主要由预制密肋复合墙板、隐形外框架以及楼板装配现浇而成。其主要受力构件密肋复合墙体由不同材料的构件多层嵌套组成,受力状态复杂,优化设计是其抗震设计理论的重要组成部分,对其进行优化设计时同时存在离散变量和连续变量,且未考虑动力效应的影响。因此,本文将子集模拟优化算法分别扩展用于同时包含连续和离散变量以及考虑结构动力效应的密肋复合板结构优化设计。此外,恢复力模型反映了密肋复合板结构的抗震性能,是进行响应预测的基础,对其参数的识别至关重要,本文将子集模拟优化算法与贝叶斯理论相结合,用于密肋复合板结构的层间恢复力模型参数识别。本文研究内容及所得结论如下:(1)将同时考虑离散变量和连续变量的子集模拟优化算法应用于构件承载力约束下的密肋复合板结构造价优化设计。基于分部优化思想,以密肋复合墙体承载力为约束,建立多层密肋复合板结构造价优化设计数学模型,并应用于某7层密肋复合板结构的优化设计;基于多级优化思想,首先以层间侧移为约束、以结构所受地震作用最小为优化目标,再以墙体承载力为约束、以墙体造价最小化为目标,建立中高层密肋复合板结构优化设计数学模型,并对某12层密肋复合板结构进行优化设计。优化后结构造价降低且均满足侧移及承载力要求,证明了子集模拟优化算法在同时考虑离散变量和连续变量的建筑结构优化设计应用中的可行性和有效性。(2)由于结构分部优化和多级优化并不能完全代替整体优化,同时为考虑结构在强动力荷载下的动力弹塑性效应,进一步对结构进行基于抗震性能的优化设计。以密肋复合板结构整体材料用量为约束,以地震作用下结构最大层间位移角为优化目标,提出基于有约束子集模拟优化算法的密肋复合板结构优化设计方法和流程,并分别对某4层和某12层密肋复合板结构优化设计,优化后结构层间位移角明显减小,结构地震易损性降低。(3)考虑结构恢复力模型参数识别过程中的不确定性,为有效避免局部最优解并提高计算效率,提出基于贝叶斯原理和子集模拟优化算法的恢复力参数识别方法。以密肋复合板结构实测层间位移响应作为观测数据,以贝叶斯理论推导得到的恢复力参数后验概率分布函数为目标函数,利用子集模拟优化算法识别结构层间恢复力模型参数最有可能值。使用所提方法对某4层密肋复合板结构的层间恢复力参数进行识别,采用退化双线型模型模拟结构的层间动力特性,采用子集模拟优化算法进行层间恢复力参数识别,并与TMCMC算法的识别结果进行对比,表明子集模拟优化算法的识别精度和计算效率较高。
张惠嘉[8](2020)在《结构优化设计中郊狼优化算法的研究与应用》文中研究指明结构优化设计能在保证工程结构质量的前提下减少不必要的材料和损耗,为工程结构的经济性和安全性提供重要保障,近几十年来它成为土木领域的研究热点。由于结构优化设计涉及大量结构参数的计算分析,利用智能优化算法求解优化问题是对结构进行有效优化设计的重要手段。然而,由于结构运营条件不断变化,结构形式和构件材料不断复杂化,这些都对结构优化算法的性能提出了更高的要求,当前结构优化算法的收敛性和鲁棒性仍面临巨大挑战。另一方面,计算机领域不断发展出更高性能的智能优化算法,为其工程应用提供了潜在可能性。本研究应用计算机领域新近提出的基于仿生学的郊狼优化算法(COA)进行桁架结构优化设计,为当前结构优化算法的改进提供参考。本文学习研究了郊狼优化算法的基础理论,并在此算法的基础上针对不同类型的桁架优化设计问题做出了不同的改进,然后将算法应用于一系列关于离散变量桁架结构与连续变量桁架结构的优化设计中。研究工作主要包括以下内容:(1)郊狼优化算法是一种基于群体智能和进化机制的随机算法,其求解过程模拟郊狼种群的群体结构,遵循自然进化机制,各个种群部落之间通过学习交流增加多样性。本文研究郊狼优化算法并将其应用于桁架尺寸优化问题,无论是连续变量优化设计问题,还是离散变量优化设计问题,其优化结果都证实了该优化算法具有良好的鲁棒性和收敛性。(2)针对原算法收敛速度较慢以及在高维工况下收敛结果不稳定的问题,利用算法融合的策略,引入和声搜索算法求解策略对郊狼优化算法进行改进,提出了适用于求解桁架结构连续变量和离散变量单目标尺寸优化问题的改进郊狼优化算法(COAHS)。为验证COAHS的有效性,将其应用于各种经典桁架结构优化算例,结果证实COAHS全局寻优能力更强、收敛速度更快、且鲁棒性更高,并可有效适用于单目标尺寸优化问题。(3)在郊狼优化算法用于桁架结构单目标形状优化设计问题过程中,为了解决离散尺寸变量和连续形状变量两种不同类型的设计变量带来的挑战,本文采用将两者耦合的方法,构成混合编码形式,其中包含整数和实数编码,这样的编码方式可以解决桁架结构刚度矩阵发生奇异现象,有效求解优化问题。(4)本文在改进郊狼优化算法与pareto解集概念的基础上,提出一种新的多目标郊狼优化算法以求解多目标优化设计问题。该新算法在迭代过程中结合子代、父代郊狼个体,运用NSGA-Ⅱ中的快速非支配排序策略筛选出下一次迭代过程中的父代狼群,然后使用动态距离保持解的多样性,以使pareto最优解均匀分布,也避免陷入局部最优。(5)首先将提出的多目标郊狼优化算法应用于测试函数,分析结果的收敛性,再将其应用于多目标经典桁架优化设计问题。数值模拟的结果表明,该算法具有较好的收敛性,可以应用于多目标桁架优化设计问题。(6)对原算法、改进算法以及提出的多目标郊狼算法应用于桁架优化设计问题的研究结果进行总结,对未来研究的方向提出展望。
刘琦[9](2020)在《自适应肋环型索穹顶结构形态多目标优化控制研究》文中研究说明随着人工智能理论和技术的日益成熟,智能结构的概念开始在土木工程领域兴起与发展。索穹顶结构体态轻盈、形态控制易于实现的特点正是结构智能化所必须的关键属性。因此对引入了智能结构概念的自适应索穹顶结构进行研究具有重要意义。本文以130m跨度设内拉环的肋环型索穹顶结构作为研究对象,通过在构件中加入作动器,使之成为能根据需求对结构形态进行调整的自适应结构。从索穹顶结构基本理论出发,系统的对其进行了多种目标的优化控制研究。具体包括荷载作用下内力、形状优化控制以及多变量的形态优化控制、形态多目标同步优化控制。基于索穹顶结构的非线性有限元分析理论,编写了迭代求解结构单元长度变化下的结构响应MATLAB计算程序。采用有限元软件ANSYS对程序结果进行验证,得出了程序结果有效准确的结论。并通过算例总结出了结构响应与杆单元、索单元长度变化的规律。基于多种群遗传算法和粒子群算法进行了内力、形状优化控制研究。分别以荷载作用下的内力、形状优化控制为目标,以作动器作动量为自变量,建立了内力、形状优化控制数学模型,提出了基于这两种算法的求解策略,编制了相应程序。通过算例比较了两种算法的优劣,分别得出了内力、形状优化控制中的最优作动器布置方案,并且总结归纳了控制单元数量、控制单元位置等对优化效果的影响规律,为设计者选取控制单元提供了理论指导。在内力、形状优化控制的基础上,引入控制单元位置变量作为自变量,进行了多变量的形态优化控制研究。并在考虑必须约束条件外,增加形态控制要求条件作为约束条件,建立了数学模型。提出了基于粒子群算法的循环遍历求解策略,并验证了算法的适用性。接着以内力优化为优化目标,并设定具体的形态控制要求进行算例分析,分别得出了一类单元控制、两类单元协同控制、三类单元协同控制这三种情况下考虑所有可能作动器布置方案的最优方案。最优方案分别为内圈脊索、内圈脊索+中圈斜索、中圈脊索+中圈斜索+外圈脊索,分别使结构工作状态系数较荷载态下降17.36%、21.45%、30.29%。最后探讨了控制单元数量、控制单元位置对结果的影响。以内力优化与形状优化作为两个优化目标进行同步优化控制,建立了多目标数学模型,提出了基于Pareto最优解机制的NSGA-Ⅱ求解策略。在此基础上,将离散变量——控制单元位置向量加入到了数学模型中,建立了多变量的形态多目标同步优化控制数学模型,并提出了外层遍历循环,内层多目标寻优,最终非支配排序的基于改进的NSGA-Ⅱ的求解策略。通过算例验证了两种求解策略的实用性与准确性,并分别得出了两种优化模型下的Pareto最优解集,对结果进行了比较分析,总结了控制单元数量对Pareto前沿的影响规律,为决策者可以根据自身需求做出合理选择提供了理论支持。
陈杰颖[10](2020)在《考虑成本的装配式建筑结构优化研究》文中研究说明为了转变建筑业高能耗、高污染、低产出的局面,有必要通过技术创新,走新型建筑工业化的发展道路,当前趋势的引导下,走进工厂已然是建筑生产的最好选择。针对目前建筑业的问题,如果对装配式建筑的一些技术进行有效研究,则可以大大的提升我国建筑质量、减少建筑业的浪费、提高施工效率。对于传统的装配式建筑结构设计方法,做初步结构设计时,一般不考虑工程造价问题,并且设计人员在有限的时间内很难取得一个令人满意的最优解。假设在初步结构设计中应用考虑成本的结构设计优化,在一定程度上能够帮助设计人员在结构设计时既考虑了结构的成本,又能保证结构的安全性。论文选用遗传模拟退火算法对装配式建筑结构进行结构设计优化,以成本作为目标函数,寻求工程造价最低的最优解。首先根据结构设计的一般模型建立了预制柱、预制叠合梁、预制叠合板的目标函数和构件的约束条件。然后运用Matlab工具箱通过一个寻找Rastrigin函数的最小值的例子来实现遗传算法,再以此为依据进而实现改进遗传算法。最后针对某个项目建立了预制构件考虑成本的目标函数和限制条件,从而建立了改进遗传算法的结构优化程序,得出优化结果。用优化后的结构尺寸,利用PKPM对建筑进行结构设计,对结构的各项指标如:轴压比、位移比、周期比、剪重比、层间位移角等参照现有相关规范进行了检验校核且都满足要求。结果表明1.采用遗传模拟退火算法建立数学模型进行优化设计,避免设计人员在对结构进行初步设计时,只注重结构是否能满足规范要求的各项指标,而忽视了工程造价也是衡量设计结果好坏的标准;2.将遗传算法和装配式建筑结构优化相结合,不仅能扩大装配式建筑的结构优化算法的应用范围,而且还可以为装配式结构设计优化提供一种新的思路和一种有效的方法;3.Matlab具有编程效率高、用户使用方便、扩充能力强、语句简单,内容丰富等特点,简化了遗传算法的实现,提高结构优化效率。
二、自适应遗传算法在桁架结构优化设计中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、自适应遗传算法在桁架结构优化设计中的应用(论文提纲范文)
(1)基于改进狼群算法的桁架结构优化研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 结构优化设计 |
1.2.1 结构优化设计的内容 |
1.2.2 结构优化设计的方法 |
1.3 智能优化算法在结构优化设计中应用的国内外研究现状 |
1.3.1 国内研究现状 |
1.3.2 国外研究现状 |
1.4 本文的主要工作 |
第2章 桁架结构优化设计概述 |
2.1 桁架结构的发展历程 |
2.2 桁架结构优化的特点 |
2.3 桁架结构优化的国内外研究现状 |
2.3.1 国内研究现状 |
2.3.2 国外研究现状 |
2.4 桁架优化设计的数学模型 |
2.4.1 设计变量 |
2.4.2 约束条件 |
2.4.3 目标函数 |
2.5 桁架结构优化程序的实现 |
2.5.1 桁架结构截面优化 |
2.5.2 桁架结构形状优化 |
2.6 本章小结 |
第3章 狼群算法的改进及其应用 |
3.1 狼群算法 |
3.1.1 狼群算法的生物学背景 |
3.1.2 狼群算法的原理 |
3.1.3 狼群算法的步骤及流程图 |
3.1.4 狼群优化算法的国内外研究现状 |
3.2 基于自适应步长和莱维飞行策略的改进狼群算法 |
3.2.1 自适应步长和莱维飞行策略 |
3.2.2 基于自适应步长和莱维飞行策略的改进狼群算法 |
3.2.3 改进狼群算法的步骤及流程图 |
3.3 改进狼群算法性能验证与分析 |
3.3.1 基本测试函数的介绍与参数设置 |
3.3.2 算法的对比验证分析 |
3.3.3 LWPA主要参数分析 |
3.3.4 LWPA收敛性分析 |
3.3.5 结果分析 |
3.4 改进狼群算法在TSP中的应用 |
3.4.1 TSP问题的数学模型 |
3.4.2 仿真实验与结果分析 |
3.5 本章小结 |
第4章 改进狼群算法在桁架结构优化中的应用 |
4.1 10杆平面桁架结构截面优化设计 |
4.2 25杆空间桁架结构截面优化设计 |
4.3 52杆平面桁架结构截面优化设计 |
4.4 72杆空间桁架结构截面优化设计 |
4.5 200杆平面桁架结构截面优化设计 |
4.6 本章小结 |
结论与展望 |
结论 |
展望 |
参考文献 |
攻读硕士学位期间发表的论文和科研成果 |
致谢 |
作者简介 |
(2)基于改进果蝇算法的输电塔结构局部优化研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题的背景及意义 |
1.1.1 选题背景 |
1.1.2 选题意义 |
1.2 输电塔结构优化研究现状 |
1.2.1 国外研究现状及分析 |
1.2.2 国内研究现状及分析 |
1.3 本文的研究内容 |
第2章 输电塔结构优化常见求解方法 |
2.1 输电塔结构的分类 |
2.2 输电塔结构的组成构建 |
2.3 常见的输电塔结构及特点 |
2.3.1 干字型塔 |
2.3.2 上字型塔 |
2.3.3 羊角塔 |
2.3.4 门字型塔 |
2.3.5 V字型塔 |
2.3.6 T字型塔 |
2.3.7 酒杯型塔 |
2.3.8 鼓型塔 |
2.3.9 特殊塔 |
2.4 输电塔结构优化原则 |
2.5 输电塔结构优化方法 |
2.5.1 传统优化方法 |
2.5.2 智能优化算法 |
2.6 本章小结 |
第3章 混合免疫反应的改进果蝇优化算法 |
3.1 果蝇优化算法生物学基础 |
3.2 标准果蝇优化算法 |
3.2.1 标准果蝇优化算法步骤 |
3.2.2 标准果蝇优化算法流程图 |
3.2.3 标准果蝇优化算法性能特点 |
3.2.4 标准果蝇优化算法的优势与缺陷 |
3.2.5 标准果蝇优化算法的改进研究 |
3.3 基于免疫反应的混合果蝇优化算法 |
3.3.1 免疫算法 |
3.3.2 免疫算法和果蝇优化算法对应关系 |
3.3.3 融合免疫反应的混合果蝇算法种群多样性改进 |
3.3.4 融合免疫反应的混合果蝇算法执行 |
3.4 仿真试验 |
3.4.1 标准函数测试 |
3.4.2 求解 0-1 背包问题 |
3.5 本章小结 |
第4章 基于混合果蝇优化算法的输电塔结构优化设计 |
4.1 结构优化数学模型 |
4.1.1 设计变量 |
4.1.2 目标函数 |
4.1.3 约束条件 |
4.2 平面桁架结构多目标优化算例 |
4.2.1 10 杆平面桁架结构多目标优化算例 |
4.2.2 200 杆平面桁架结构多目标优化算例 |
4.3 空间桁架结构多目标优化算例 |
4.3.1 25 杆空间桁架结构多目标优化算例 |
4.3.2 72 杆空间桁架结构多目标优化算例 |
4.4 输电塔塔腿结构优化 |
4.4.1 输电塔塔腿结构优化假定 |
4.4.2 输电塔塔腿结构优化模型 |
4.4.3 输电塔塔腿结构优化算例 |
4.5 本章小结 |
结论与展望 |
参考文献 |
攻读硕士学位期间发表的论文和参加科研情况 |
致谢 |
作者简介 |
(3)混凝土桥梁施工复杂支撑体系安全评价及优化方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 支撑体系的发展现状 |
1.3 复杂支撑体系安全综合评价研究现状 |
1.3.1 综合评价方法 |
1.3.2 复杂支撑体系安全综合评价研究 |
1.4 复杂支撑体系优化设计研究现状 |
1.4.1 结构优化设计方法研究现状 |
1.4.2 优化中结构近似模型研究现状 |
1.4.3 复杂支撑体系优化研究现状 |
1.5 研究内容与技术路线 |
1.5.1 研究内容 |
1.5.2 研究技术路线 |
第2章 混凝土桥梁施工复杂支撑体系安全综合评价 |
2.1 引言 |
2.2 桥梁施工复杂支撑体系安全综合评价指标体系 |
2.3 评价指标权重确定方法 |
2.4 桥梁施工复杂支撑体系安全综合评价模型 |
2.5 本章小结 |
第3章 基于支持向量机近似模型-遗传算法的优化方法 |
3.1 引言 |
3.2 遗传算法理论 |
3.2.1 遗传算法基本概念 |
3.2.2 遗传算法基本步骤 |
3.2.3 罚函数法 |
3.3 支持向量机近似模型 |
3.3.1 支持向量机回归算法 |
3.3.2 样本点的选取 |
3.3.3 支持向量机核函数 |
3.3.4 支持向量机参数寻优 |
3.3.5 建立支持向量机近似模型的基本步骤 |
3.4 基于支持向量机近似模型-遗传算法的结构优化步骤 |
3.5 算例验证 |
3.6 本章小结 |
第4章 混凝土桥梁施工复杂支撑体系结构优化模型 |
4.1 引言 |
4.2 结构优化设计基本理论 |
4.2.1 结构优化设计一般数学模型 |
4.2.2 结构优化设计的层次 |
4.3 桥梁施工复杂支撑体系优化数学模型 |
4.4 优化模型求解步骤 |
4.5 本章小结 |
第5章 工程实例 |
5.1 工程概况 |
5.2 支撑体系受力分析 |
5.2.1 荷载计算 |
5.2.2 荷载组合 |
5.2.3 有限元模型 |
5.2.4 有限元计算结果分析 |
5.3 支撑体系安全评价 |
5.3.1 确定指标权重 |
5.3.2 安全评价 |
5.4 支撑体系结构优化 |
5.4.1 支撑体系优化数学模型 |
5.4.2 支撑体系支持向量机近似模型 |
5.4.3 支撑体系优化 |
5.5 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表论文情况 |
(4)基于并行优化算法的结构优化设计系统研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题背景与研究意义 |
1.2 国内外研究现状 |
1.2.1 结构优化设计的研究历史与现状 |
1.2.2 智能优化算法的研究历史与现状 |
1.2.3 并行运算的研究历史与现状 |
1.3 本文的主要工作及章节安排 |
第二章 优化算法理论研究与改进 |
2.1 优化问题描述 |
2.2 遗传算法 |
2.2.1 传统遗传算法 |
2.2.2 改进的遗传算法 |
2.3 粒子群算法 |
2.3.1 传统粒子群算法 |
2.3.2 改进的粒子群算法 |
2.4 算例测试 |
2.4.1 测试函数 |
2.4.2 测试结果分析 |
2.5 本章小结 |
第三章 改进优化算法的并行方法研究与实现 |
3.1 并行计算技术 |
3.1.1 MPI |
3.1.2 OpenMP |
3.1.3 基于Python语言的并行编程 |
3.2 并行算法模型 |
3.2.1 主从模型 |
3.2.2 分解并行模型 |
3.3 并行评价指标 |
3.3.1 并行加速比 |
3.3.2 并行效率 |
3.4 基于粗粒度的多进程并行策略 |
3.5 改进优化算法的并行化实现 |
3.6 算例测试 |
3.7 本章小结 |
第四章 结构优化设计系统的总体设计与实现 |
4.1 系统需求分析 |
4.2 系统开发环境要求 |
4.3 系统总体设计 |
4.3.1 系统总体架构 |
4.3.2 系统功能分析 |
4.4 系统主要模块设计 |
4.4.1 用户界面设计 |
4.4.2 数据接口设计 |
4.4.3 优化分析模块设计 |
4.4.4 数据存储模块设计 |
4.5 系统的实现与基本流程 |
4.5.1 创建项目 |
4.5.2 优化问题设置 |
4.5.3 算法设置及求解 |
4.6 本章小结 |
第五章 结构优化设计系统功能测试 |
5.1 测试环境简介 |
5.2 测试算例一 |
5.2.1 十杆平面桁架结构优化设计 |
5.2.2 模型构建 |
5.2.3 参数设置 |
5.2.4 结果分析 |
5.3 测试算例二 |
5.3.1 汽车侧面碰撞响应面模型优化问题 |
5.3.2 模型构建 |
5.3.3 参数设置 |
5.3.4 结果分析 |
5.4 本章小结 |
第六章 全文总结与展望 |
6.1 全文总结 |
6.2 展望 |
致谢 |
参考文献 |
(5)改进群体智能优化算法及其应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 研究意义 |
1.4 本文的主要创新 |
1.5 本文的章节安排 |
第二章 优化算法相关介绍 |
2.1 差分进化算法 |
2.1.1 差分进化算法的基本原理 |
2.1.2 差分进化算法的基本流程 |
2.1.3 差分进化算法的特点 |
2.2 粒子群算法 |
2.2.1 粒子群算法的基本原理 |
2.2.2 粒子群算法的基本流程 |
2.2.3 粒子群算法的特点 |
2.3 人工蜂群算法 |
2.3.1 人工蜂群群算法的基本原理 |
2.3.2 人工蜂群算法的基本流程 |
2.3.3 人工蜂群算法的特点 |
2.4 算法在标准测试函数上的实验设计 |
2.4.1 标准测试函数 |
2.4.2 实验参数设置 |
2.4.3 实验结果 |
2.4.4 实验结果分析 |
2.5 本章小结 |
第三章 基于智能学习策略的人工蜂群算法在电力经济调度问题中的应用 |
3.1 基于智能学习策略的人工蜂群算法 |
3.2 改进的人工蜂群算法在标准测试函数上的实验设计 |
3.2.1 标准测试函数 |
3.2.2 实验参数设置及比较算法 |
3.2.3 实验结果 |
3.2.4 实验结果分析 |
3.3 MNABC算法在电力经济调度问题中的应用 |
3.3.1 电力经济调度问题 |
3.3.2 实验结果 |
3.3.3 实验结果分析 |
3.4 本章小结 |
第四章 基于精英搜索策略的人工蜂群算法在桁架结构设计问题中的应用 |
4.1 基于精英搜索策略的人工蜂群算法 |
4.2 改进的算法在标准测试函数上的实验设计 |
4.2.1 标准测试函数 |
4.2.2 实验参数设置及比较算法 |
4.2.3 实验结果 |
4.2.4 实验结果分析 |
4.3 EABC算法在桁架结构设计问题中的应用 |
4.3.1 桁架结构设计问题 |
4.3.2 实验结果 |
4.3.3 实验结果分析 |
4.4 本章小结 |
第五章 总结与展望 |
参考文献 |
附录1 攻读硕士学位期间撰写的论文 |
附录2 攻读硕士学位期间申请的专利 |
致谢 |
(6)基于智能优化算法的工程结构可靠度研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 结构可靠度方法发展现状 |
1.2.1 近似可靠度计算方法 |
1.2.2 抽样方法 |
1.2.3 矩方法 |
1.2.4 代理模型方法 |
1.3 智能优化算法的研究现状 |
1.3.1 智能优化算法的简介 |
1.3.2 智能优化算法在结构工程中的研究进展 |
1.3.3 智能优化算法在结构可靠度分析中的研究进展 |
1.4 研究过程中存在的问题 |
1.5 本文研究的主要工作 |
第2章 基于樽海鞘群算法的结构可靠度分析 |
2.1 结构可靠度分析的基本概念 |
2.2 结构可靠度分析基本方法 |
2.2.1 蒙特卡洛模拟法 |
2.2.2 一次二阶矩方法 |
2.2.3 响应面法 |
2.3 基于梯度优化算法的验算点法 |
2.4 智能优化算法基本理论 |
2.4.1 粒子群算法 |
2.4.2 混沌粒子群算法 |
2.5 基于樽海鞘群智能优化算法的一阶可靠度方法 |
2.5.1 可靠指标法 |
2.5.2 惩罚函数法 |
2.5.3 樽海鞘群算法 |
2.5.4 执行步骤 |
2.6 算例 |
2.6.1 低维可靠度问题 |
2.6.2 高维可靠度问题 |
2.6.3 工程结构可靠度问题 |
2.7 小结 |
第3章 基于哈里斯鹰优化算法的高维结构可靠度分析 |
3.1 引言 |
3.2 元启发式算法介绍 |
3.2.1 粒子群算法 |
3.2.2 灰狼优化算法 |
3.2.3 樽海鞘群算法 |
3.2.4 蜻蜓算法 |
3.3 基于哈里斯鹰优化的一阶可靠度分析方法 |
3.3.1 基本FORM理论 |
3.3.2 哈里斯鹰优化算法 |
3.3.3 约束处理技术 |
3.3.4 算法执行步骤 |
3.4 算例分析 |
3.5 小结 |
第4章 基于教学优化算法的结构可靠度分析 |
4.1 引言 |
4.2 基于教学优化的FORM方法 |
4.2.1 可靠指标法 |
4.2.2 教学优化算法 |
4.2.3 约束处理技术 |
4.2.4 执行步骤 |
4.3 混沌TLBO-FORM方法 |
4.4 算例分析 |
4.5 参数讨论 |
4.6 小结 |
第5章 基于平衡优化算法的结构可靠度分析 |
5.1 引言 |
5.2 平衡优化算法介绍 |
5.3 算法执行步骤 |
5.4 算例分析 |
5.5 小结 |
第6章 大跨结构和边坡结构可靠度案例分析 |
6.1 引言 |
6.2 布洛溪大桥的结构可靠度分析 |
6.3 空间网架穹顶结构可靠度分析 |
6.4 三维岩质边坡可靠度分析 |
6.4.1 三维岩质边坡稳定性评价的确定性模型 |
6.4.2 边坡结构可靠度分析模型 |
6.5 本章小结 |
第7章 带钢板暗支撑组合核心筒结构可靠度分析 |
7.1 引言 |
7.2 试验概况 |
7.3 有限元分析模型 |
7.4 核心筒结构可靠度参数分析 |
7.4.1 轴压比 |
7.4.2 高宽比 |
7.4.3 连梁跨高比 |
7.4.4 暗支撑含钢率 |
7.4.5 加载方式 |
7.5 随机变量的敏感性分析 |
7.6 小结 |
结论与展望 |
参考文献 |
附录 A 核心筒随机变量敏感性分析计算结果 |
附录 B 攻读学位期间发表的学术论文目录 |
致谢 |
(7)基于子集模拟优化的密肋复合板结构优化设计和参数识别(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 本文研究背景及意义 |
1.2 优化设计原理及应用研究现状 |
1.2.1 结构优化设计原理 |
1.2.2 密肋复合板结构优化设计研究现状 |
1.2.3 传统结构优化设计研究现状 |
1.3 结构优化算法研究现状 |
1.3.1 优化算法研究现状 |
1.3.2 子集模拟优化算法研究现状 |
1.4 结构恢复力模型参数识别研究现状 |
1.4.1 传统结构恢复力模型识别研究现状 |
1.4.2 密肋复合板结构恢复力参数识别研究现状 |
1.5 当前研究存在的问题 |
1.6 本文主要研究内容 |
2 基于子集模拟优化算法的密肋复合板结构造价优化 |
2.1 同时考虑离散变量和连续变量的有约束子集模拟优化算法 |
2.1.1 有约束子集模拟优化算法 |
2.1.2 同时考虑离散变量和连续变量的子集模拟优化算法 |
2.2 密肋复合墙体优化设计 |
2.2.1 密肋复合墙体优化设计数学模型 |
2.2.2 密肋复合墙体优化设计实例分析 |
2.2.3 基于遗传算法的密肋复合墙体优化设计及结果对比 |
2.3 多层密肋复合板结构的优化设计 |
2.3.1 多层密肋复合板结构的抗震设计计算方法 |
2.3.2 多层密肋复合板结构优化设计原理 |
2.3.3 多层密肋复合板结构优化设计实例分析 |
2.4 中高层密肋复合板结构的优化设计 |
2.4.1 中高层密肋复合板结构抗震设计计算方法 |
2.4.2 中高层密肋复合板结构优化设计原理 |
2.4.3 中高层密肋复合板结构优化设计实例分析 |
2.5 本章小结 |
3 基于子集模拟优化算法的密肋复合板结构抗震性能优化 |
3.1 基于抗震性能的密肋复合板结构优化设计原理 |
3.1.1 基于IDA方法的结构易损性分析 |
3.1.2 密肋复合板结构抗震性能优化设计思路及流程 |
3.2 密肋复合板结构等效斜撑模型的Open Sees有限元建模 |
3.2.1 密肋复合墙板等效斜撑模型 |
3.2.2 等效斜撑模型Open Sees有限元模型 |
3.3 密肋复合板结构优化设计数学模型 |
3.4 密肋复合板结构抗震性能优化设计实例分析 |
3.4.1 密肋复合板结构基本设计信息 |
3.4.2 密肋复合板结构有限元模型 |
3.4.3 密肋复合板结构易损性分析 |
3.4.4 密肋复合板结构优化设计结果分析 |
3.5 本章小结 |
4 基于贝叶斯理论和子集模拟优化的密肋复合板结构恢复力参数识别 |
4.1 基于贝叶斯理论的结构层间恢复力模型参数识别方法 |
4.1.1 恢复力模型参数识别的贝叶斯方法 |
4.1.2 基于子集模拟优化算法的目标函数优化 |
4.2 所提方法在多层密肋复合板结构中的应用 |
4.2.1 四层密肋复合板结构模型 |
4.2.2 结构层间恢复力模型 |
4.2.3 四层密肋复合板结构层间恢复力参数识别 |
4.3 基于贝叶斯理论和TMCMC算法的恢复力参数识别及对比 |
4.3.1 基于贝叶斯理论和TMCMC算法的恢复力模型参数识别 |
4.3.2 四层密肋复合板结构层间恢复力识别及结果分析 |
4.4 本章小结 |
5 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(8)结构优化设计中郊狼优化算法的研究与应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题来源 |
1.2 课题研究背景与意义 |
1.3 结构优化方法研究综述 |
1.3.1 传统优化设计方法 |
1.3.2 启发式优化算法 |
1.4 桁架结构优化设计发展概况 |
1.5 本文主要内容及结构安排 |
1.6 本文创新点 |
第2章 郊狼优化算法及其在桁架结构单目标尺寸优化中的应用 |
2.1 引言 |
2.2 郊狼优化算法 |
2.3 算法的基本流程 |
2.4 结构单目标优化设计数学模型 |
2.4.1 设计变量 |
2.4.2 目标函数 |
2.4.3 约束条件 |
2.4.4 变量连接 |
2.4.5 基于郊狼优化算法的桁架结构尺寸优化程序 |
2.5 连续变量结构尺寸单目标优化设计 |
2.5.1 桁架结构连续变量单目标尺寸优化数值模型 |
2.5.2 桁架结构连续变量单目标尺寸优化设计算例 |
2.6 离散变量结构尺寸单目标优化设计 |
2.6.1 桁架结构离散变量单目标尺寸优化数值模型 |
2.6.2 编码方式 |
2.6.3 桁架结构离散变量单尺寸优化设计算例 |
2.7 本章小结 |
第3章 郊狼优化算法改进及其在桁架结构单目标尺寸优化中的应用 |
3.1 引言 |
3.1.1 算法的融合策略 |
3.1.2 融合和声搜索策略的改进COA算法 |
3.2 算法基本流程 |
3.3 改进COA的桁架结构优化设计模型 |
3.3.1 改进COA的桁架结构连续变量单目标尺寸优化设计算例 |
3.3.3 改进COA的桁架结构离散变量单目标尺寸优化设计算例 |
3.4 本章小结 |
第4章 郊狼优化算法在桁架结构形状优化设计中的应用 |
4.1 桁架结构形状优化的数学模型 |
4.1.1 设计变量 |
4.1.2 目标函数 |
4.1.3 约束条件 |
4.1.4 算法流程 |
4.2 数值分析 |
4.3 本章小结 |
第5章 郊狼优化算法在桁架结构多目标优化设计中的应用 |
5.1 引言 |
5.2 多目标优化参数基本定义 |
5.3 多目标郊狼优化算法 |
5.3.1 约束条件 |
5.3.2 快速非支配分级 |
5.3.3 拥挤距离 |
5.3.4 二项锦标竞赛选择策略 |
5.4 多目标郊狼优化算法基本流程 |
5.5 桁架结构多目标优化设计 |
5.5.1 桁架结构优化数值模型 |
5.5.2 测试函数及数值分析 |
5.5.3 桁架结构多目标优化设计算例 |
5.6 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 未来的工作 |
参考文献 |
指导教师对学位论文的学术评语 |
答辩委员会决议书 |
致谢 |
(9)自适应肋环型索穹顶结构形态多目标优化控制研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.1.1 索穹顶结构概述 |
1.1.2 自适应结构概述 |
1.2 国内外研究现状 |
1.2.1 索穹顶结构 |
1.2.2 自适应结构 |
1.3 本文研究内容 |
参考文献 |
第2章 自适应肋环型索穹顶结构形态分析基础 |
2.1 引言 |
2.2 初始预应力的确定方法 |
2.3 荷载态及调控态的结构响应分析 |
2.3.1 非线性有限元基本方程 |
2.3.2 迭代求解步骤 |
2.4 算例分析 |
2.4.1 数值算例 |
2.4.2 ANSYS验证 |
2.4.3 结果分析 |
2.5 本章小结 |
参考文献 |
第3章 自适应肋环型索穹顶结构内力优化控制研究 |
3.1 引言 |
3.2 内力优化控制数学模型 |
3.2.1 优化目标 |
3.2.2 约束条件 |
3.2.3 数学模型 |
3.3 基于多种群遗传算法的求解策略 |
3.3.1 算法简介 |
3.3.2 基于多种群遗传算法的内力优化控制流程 |
3.4 基于粒子群算法的求解策略 |
3.4.1 算法简介 |
3.4.2 基于粒子群算法的内力优化控制流程 |
3.5 算例分析 |
3.5.1 杆或索一类单元控制 |
3.5.2 杆和索两类单元协同控制 |
3.5.3 三类单元协同控制 |
3.6 本章小结 |
参考文献 |
第4章 自适应肋环型索穹顶结构形状优化控制研究 |
4.1 引言 |
4.2 形状优化控制数学模型 |
4.2.1 优化目标 |
4.2.2 约束条件 |
4.2.3 数学模型 |
4.3 基于多种群遗传算法的求解策略 |
4.4 基于粒子群算法的求解策略 |
4.5 算例分析 |
4.5.1 杆或索一类单元控制 |
4.5.2 杆和索两类单元协同控制 |
4.5.3 三类单元协同控制 |
4.6 本章小结 |
参考文献 |
第5章 自适应肋环型索穹顶结构多变量的形态优化控制研究 |
5.1 引言 |
5.2 多变量的形态优化控制数学模型 |
5.3 基于粒子群算法的循环遍历求解策略 |
5.4 算例分析 |
5.4.1 一类单元控制 |
5.4.2 两类单元协同控制 |
5.4.3 三类单元协同控制 |
5.5 本章小结 |
参考文献 |
第6章 自适应肋环型索穹顶结构形态多目标同步优化控制研究 |
6.1 引言 |
6.2 形态多目标同步优化控制数学模型 |
6.3 基于NSGA-Ⅱ的求解策略 |
6.3.1 算法简介 |
6.3.2 基于NSGA-Ⅱ的形态多目标同步优化控制流程 |
6.4 算例分析 |
6.4.1 杆或索一类单元控制 |
6.4.2 杆和索两类单元协同控制 |
6.4.3 三类单元协同控制 |
6.5 多变量的形态多目标同步优化控制研究 |
6.5.1 多变量的形态多目标同步优化控制数学模型 |
6.5.2 基于改进的NSGA-Ⅱ的求解策略 |
6.5.3 算例分析 |
6.6 本章小结 |
参考文献 |
第7章 结论与展望 |
7.1 结论 |
7.2 展望 |
致谢 |
作者攻读硕士学位期间科研成果 |
(10)考虑成本的装配式建筑结构优化研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 选题背景与选题意义 |
1.1.1 选题背景 |
1.1.2 选题意义 |
1.2 装配式建筑概述 |
1.2.1 装配式建筑的概念 |
1.2.2 装配式结构国内外研究现状 |
1.3 结构设计优化研究现状 |
1.3.1 结构设计优化的方法 |
1.3.2 建筑结构设计优化研究 |
1.3.3 装配式结构设计优化研究 |
1.4 研究方案 |
1.4.1 研究内容 |
1.4.2 研究方法 |
1.4.3 技术路线 |
第2章 遗传算法的基本理论 |
2.1 遗传算法简介 |
2.1.1 从生物进化到遗传方法 |
2.1.2 遗传算法的发展简史 |
2.1.3 遗传算法的研究内容及前景 |
2.2 遗传算法基本原理 |
2.3 遗传算法与其它搜索方法的比较 |
2.4 遗传算法的优化过程 |
2.4.1 遗传算法的基本流程 |
2.4.2 确定编码方案 |
2.4.3 初始群体的设定 |
2.4.4 适应度函数(评价函数) |
2.4.5 遗传算子的设计 |
2.4.6 控制参数的选择 |
2.5 改进遗传算法 |
2.5.1 改进遗传算法的介绍 |
2.5.2 本文采用的改进策略 |
2.6 本章小结 |
第3章 基于遗传算法的装配式建筑结构优化设计 |
3.1 结构优化设计的一般数学模型 |
3.2 预制构件的优化模型 |
3.2.1 预制柱目标函数的建立 |
3.2.2 预制叠合梁目标函数的建立 |
3.2.3 预制叠合板目标函数的建立 |
3.2.4 预制构件约束条件的建立 |
3.3 基于Matlab遗传算法的实现 |
3.3.1 Matlab的简介 |
3.3.2 基本遗传算法的实现 |
3.3.3 改进遗传算法的实现 |
3.3.4 仿真实验与结果分析 |
3.4 本章小结 |
第4章 案例分析 |
4.1 项目介绍 |
4.1.1 工程概况 |
4.1.2 设计依据 |
4.2 考虑成本的目标函数的建立 |
4.2.1 预制柱目标函数的建立 |
4.2.2 预制叠合梁目标函数的建立 |
4.2.3 预制叠合板目标函数的建立 |
4.3 约束条件的建立 |
4.3.1 预制柱约束条件的建立 |
4.3.2 预制叠合梁约束条件的建立 |
4.3.3 预制叠合板约束条件的建立 |
4.4 基于Matlab的遗传算法的结构优化 |
4.4.1 预制柱遗传算法优化 |
4.4.2 预制叠合梁遗传算法优化 |
4.4.3 预制叠合板遗传算法优化 |
4.5 结构安全性验证 |
4.5.1 PKPM的简介 |
4.5.2 PKPM建模及参数输入 |
4.5.3 PKPM计算结果分析 |
4.6 本章小结 |
结论与展望 |
致谢 |
参考文献 |
附录 |
附录1 退火交叉算法程序 |
附录2 预制柱遗传算法程序 |
附录3 预制叠合梁遗传算法程序 |
附录4 预制叠合板遗传算法程序 |
攻读硕士学位期间发表的论文及科研成果 |
四、自适应遗传算法在桁架结构优化设计中的应用(论文参考文献)
- [1]基于改进狼群算法的桁架结构优化研究[D]. 徐培东. 河北工程大学, 2021(08)
- [2]基于改进果蝇算法的输电塔结构局部优化研究[D]. 韩沐轩. 河北工程大学, 2021(08)
- [3]混凝土桥梁施工复杂支撑体系安全评价及优化方法研究[D]. 陆伊宁. 广西大学, 2021(12)
- [4]基于并行优化算法的结构优化设计系统研究[D]. 刘亚鹏. 电子科技大学, 2021(01)
- [5]改进群体智能优化算法及其应用[D]. 张杨. 南京邮电大学, 2020(03)
- [6]基于智能优化算法的工程结构可靠度研究[D]. 钟昌廷. 湖南大学, 2020(02)
- [7]基于子集模拟优化的密肋复合板结构优化设计和参数识别[D]. 马潇雨. 北京交通大学, 2020(03)
- [8]结构优化设计中郊狼优化算法的研究与应用[D]. 张惠嘉. 深圳大学, 2020
- [9]自适应肋环型索穹顶结构形态多目标优化控制研究[D]. 刘琦. 东南大学, 2020
- [10]考虑成本的装配式建筑结构优化研究[D]. 陈杰颖. 西南交通大学, 2020(07)