桁架结构多目标优化的NSGA-Ⅱ改进算法

为克服桁架结构多目标优化设计中约束条件和离散变量处理困难、收敛效率低等问题,在保留原算法优点的同时,对多目标进化算法NSGA-Ⅱ进行了改进。为了验证改进效果,对经典的空间桁架结构进行了优化;并与其他算法的优化结果进行了比较。结果表明改进算法在桁架结构优化中的表现优于原算法和其他算法,具有良好的收敛性和稳定性。     

桁架结构多目标优化的免疫克隆选择算法

为了解决带有约束的结构多目标优化问题,将免疫克隆选择算法应用于桁架结构的多目标优化设计中.根据免疫学基本原理,采用非支配邻域选择机制、比例克隆和精英策略,使算法很好地保持了所得解的多样性、均匀性和收敛性.在桁架结构优化的数学模型中,采用惩罚函数法处理违反约束的情况.为了验证所提算法的可行性和有效性,对经典桁架进行了优化,并与其它方法作比较,数值结果表明,该算法在收敛速度、时间消耗和求解质量上均具有一定的优势.     

具有反向学习的多目标元胞遗传算法的空间桁架结构优化设计

为了解决具有多约束的桁架结构问题,提出一种具有反向学习的多目标元胞遗传算法应用于空间桁架结构多目标优化设计中。根据分析元胞遗传算法特点,引入一种反向学习策略、差分进化策略和约束处理技术。通过标准测试函数对比分析,算法能很好地保持Pareto解集的收敛性和均匀性。针对空间桁架结构优化的数学模型,采用实数编码和个体修正方法,将该算法对72杆空间桁架优化问题进行求解,并与MOCell的优化结果进行比较。结果表明,新算法获得的Pareto解集更加均匀,极端点值域更宽广,具有一定的工程实用性。     

基于CLPSO算法的混合变量桁架形状优化

为了解决混合变量桁架形状优化问题中离散截面面积和连续节点坐标的变量耦合给优化带来的困难,将一种新型智能优化算法——基于"综合学习策略"的粒子群算法(ComprehensiveLearning Particle SwarmOptimization,CLPSO)应用于桁架混合变量形状优化问题中。给出了考虑离散截面面积和连续节点坐标两类不同性质的设计变量的混合变量桁架结构形状优化的数学模型,并对经典桁架结构进行混合变量的形状优化,将所得结果与其他优化算法结果进行了比较。分析结果表明了该方法进行混合变量桁架形状优化设计的有效性。     

桁架尺寸优化微分演化算法

为了解决带有应力约束和位移约束桁架结构的尺寸优化问题,将微分演化(Differential Evolution,DE)算法应用于桁架结构的尺寸优化设计.介绍了DE算法的基本原理及其进化策略,给出了桁架结构优化的数学模型.对几个经典问题进行了求解,并与其他优化算法进行了比较.数值结果表明了DE算法收敛特性好、稳定性高,可...     

桁架结构优化设计的免疫克隆选择算法

为了解决带有应力约束和位移约束的桁架的尺寸优化问题,将免疫克隆选择算法应用于结构的尺寸优化设计.根据免疫学基本原理,在基本克隆选择算法的基础上引入精英策略,并给出合理的参数值.在桁架结构优化的数学模型中,采用惩罚函数法处理违反约束的情况.最后对几个经典的桁架进行了优化.数值结果表明,改进的免疫克隆算法收敛速度快、鲁棒性好,可以应用于桁架结构的优化设计.     

离散变量桁架结构拓扑优化的杂交算法

为了加快遗传算法的进化过程,提出了遗传算法和拟满应力算法相结合的杂交算法,并将它应用于离散变量桁架结构的拓扑优化问题·在对桁架结构受力分析的基础上,提出一种启发式方法对随机生成的拓扑结构形式作必要修正,以快速产生符合机动性要求的拓扑结构形式·利用遗传算法进行桁架结构拓扑优化,用拟满应力算法进行截面优化,并将截面优化的结果传递给遗传算法作为拓扑优化中遗传操作的根据,这样大大减少单纯用遗传算法进行优化的解空间,从而加快搜索进程·算例的结果表明,该方法用于桁架结构拓扑优化是简单、快速和有效的·     

多模块构架式空间可展开天线结构参数优化

为降低卫星天线的发射成本,提高天线的展开刚度,以多模块构架式空间可展开天线结构的质量和1阶固有频率为目标函数,基于误差反向传播（BP）神经网络和遗传算法对天线的结构参数进行了优化.运用ANSYS软件对支撑桁架的结构参数进行了数值模拟,得到了与设计变量对应的目标函数值;通过正交试验设计,构建了用于神经网络训练和检验的样本集;按照BP算法的基本思想,调整网络模型的参数,建立了用于优化的预测模型;采用分目标乘除法,将多目标优化问题转变成单目标优化问题;采用遗传算法进行了优化分析,得到了支撑桁架各杆件的设计参数.结果表明：该优化方法在降低天线质量的同时,使结构的刚度得到了提高,为天线的结构设计提供了参考.     

模拟退火算法在钢桁架优化设计中的应用

将模拟退火算法应用于桁架结构离散变量优化问题,提出新的用于离散变量的退火邻域结构,进行了三杆和十杆桁架结构模拟退火算法优化计算,并与遗传算法和传统优化设计方法的优化结果进行了比较.结果表明模拟退火算法对桁架结构离散变量的优化问题更加有效,且新的邻域结构加快了算法的收敛速度,提高了算法的稳定性和有效性.     

桁架材料和结构组合多目标优化设计

同时为桁架的每个杆件确定最为合适的材料和结构尺寸属于桁架材料和结构组合优化问题．提出一种桁架材料和结构组合多目标优化的方法．为材料分配唯一的标识编码，把杆件所用材料直接作为设计变量，并且和杆件截面积一起构成设计变量空间．考虑结构重量、成本和节点位移3个目标以及应力约束，建立了桁架材料和结构组合优化问题的数学模型．应用多目标遗传算法进行求解．算例结果表明，采用多目标遗传算法可以为桁架设计参数的确定提供多种选择方案，决策者可以根据目标的重要程度确定最后设计方案．算例分析结果验证了该方法的有效性．     

桁架结构拓扑及截面尺寸优化设计方法

为克服传统基结构设计方法对最优解的束缚,实现桁架结构的拓扑布局及尺寸优化,提出了将连续体与离散杆系相结合的桁架结构优化设计方法。从连续体出发,基于SKO连续体拓扑优化方法得到了最优拓扑布局;以二值图像细化算法为基础,提出了基于有限单元8邻域网格模型的骨架提取算法,通过剥离冗余单元,得到了连续体拓扑优化结果的中心传力骨架;以单元主应力为判据,精确找到骨架中的关键点,并连接关键点形成了初始桁架结构;基于拉格朗日乘数法和KuhnTucker条件,以初始桁架中杆件的内外半径为设计变量,结构体积为约束条件,结构柔度为目标函数,建立了桁架结构杆件尺寸优化的数学模型,并推导出其优化迭代准则。最后,以一悬臂结构为例对该优化方法的应用进行了说明,并使用一经典算例与其他文献中的方法进行了对比,结果表明:该优化方法得到的桁架结构具有优化的拓扑构型和力学特性,杆件布局、尺寸合理,应力均匀。     

基于改进蚁群算法的钻进参数优化

在钻井过程中,为了使钻进过程达到最优的技术和经济指标,需要选择合理的钻进参数。针对单目标钻进参数优化的局限性和不足,通过分析钻进参数之间的相互关系,综合考虑多个目标(如机械钻速最大、钻头寿命最长及钻头比能最小)建立一定约束条件下的多目标优化模型,实现最优的钻压-转速配合。采用改进的蚁群算法进行钻进参数优化,在具体的钻井实例中进行仿真,并将仿真结果与其他经典优化算法的结果进行对比分析。实验结果进一步证明了该模型和算法的有效性和实用性,为蚁群算法在钻进参数优化研究中的应用提供了理论依据。     

云计算中基于多目标优化的虚拟机整合算法

云数据中心中存在着高能耗和高服务水平协议违约率的问题,为了解决此问题,提出了一种基于多目标优化的虚拟机整合算法.综合考虑能耗、服务质量和迁移开销等多种因素,将虚拟机整合问题构建为一个具有资源约束的多目标优化问题.使用蚁群系统算法对该多目标优化问题进行求解,进行虚拟机整合,获得近似最优的虚拟机主机映射关系.为了减少算法复杂度,利用CPU利用率双阈值来判断主机负载状态,根据主机负载状态分阶段进行整合并使用不同的整合策略.基于CloudSim平台对多目标优化的虚拟机整合算法和其他6种虚拟机整合算法进行仿真实验,将本文算法与现有虚拟机整合算法实验结果进行比较,结果表明本文提出的算法在能耗和服务水平协议违约方面优化显著,具有较好的综合性能.     

离散变量桁架结构拓扑优化的遗传禁忌搜索算法

采用遗传禁忌搜索算法求解多工况多约束的桁架结构拓扑优化问题.在遗传算法中采用直接比较-比例方法(DCPM)处理约束,避免了确定罚因子的选择问题.为了提高遗传算法的局部搜索能力,在每一代遗传操作之后选择一定比例的解进行禁忌搜索,形成遗传禁忌搜索算法,以提高算法的全局搜索能力和收敛速度.数值算例表明,该方法用于求解多工况多约束的离散变量桁架结构拓扑优化问题是方便、快速和有效的.     

基于DMOEA/D-ET算法的焊接机器人多目标路径规划

弧焊机器人在实际生产过程中可以提高生产效率.文中对弧焊机器人焊接过程中的路径长度与能耗进行优化,由此提出了一种基于事件触发的自适应邻域离散多目标优化算法(DMOEA/D-ET).该算法以更新粒子比率作为事件触发机制,通过事件触发机制协调全局搜索与局部搜索.采用网格法进行全局搜索,使用基于分解的多目标进化算法(MOEA/D)进行局部搜索,并通过采用自适应邻域策略改善MOEA/D算法解的分布不均问题.通过和其他5个算法在3个TSPLIB问题上进行测试对比,发现所提出的算法具有较好的性能.最后对平衡梁模型的焊接过程进行多目标优化,并与其他5个多目标算法对比,结果表明文中提出的算法得到的优化结果更贴近真实前沿面,解的分布更好.     

改进的粒子群优化算法(IPSO)及其在桁架设计中的应用

根据土木工程结构优化设计的特点,针对标准粒子群算法(PSO)在求解问题时因粒子多样性不足而易出现早熟、约束不易处理等现象,对标准的粒子群算法进行了改进.应用改进的粒子群算法(IPSO),实现了桁架结构单目标多变量的最优设计.通过与标准的PSO算法和其他优化算法的对比,发现采用IPSO算法具有较好的收敛性能和较高的精度,研究表明该算法实用可行,有望实现对复杂土木工程结构的优化设计,具有重要的理论价值及广阔的工程应用前景.     

基于信息熵的改进海豚群算法及其桁架优化

针对基本海豚群算法易陷入局部最优的缺陷,提出了基于信息熵的改进海豚群算法,引入信息熵来度量海豚群搜索阶段的不确定性,控制搜索阶段的选择概率,降低盲目搜索,克服了基本海豚群算法搜索阶段易陷入局部最优和早熟收敛的缺陷。将改进后的算法应用到桁架结构的优化中,并与其他算法优化结果进行了比较,证明了改进的算法在收敛速度和寻优精度方面有更好的表现,将其应用到桁架结构优化设计中,为结构优化设计提供了一种有效的方法。     

6-RSS并联机器人机构多目标优化设计

针对6-RSS并联机器人机构,以工作空间和速度全域性能为目标建立多目标优化模型,并使用改进的基于动态聚集距离多目标粒子群优化算法求解。为了快速有效地求解6-RSS并联机器人机构的工作空间,本文采用蒙特卡洛方法;为了求解带约束的6-RSS并联机器人机构多目标优化模型,将随机排序法引入基于动态聚集距离多目标粒子群优化算法。结果表明,该方法可以得到多个Pareto解供使用者选择,体现了多目标优化设计在并联机构设计中的有效性。     

桁架结构可靠性优化设计的微分演化算法

针对不确定性往往成为结构设计和可靠性分析的关键因素,并左右设计决策,在结构优化设计中考虑物理参数、几何尺寸和外荷载的不确定性,将其视为随机变数,提出了一种基于微分演化算法的求解不确定性问题的结构可靠性优化设计方法.以节点坐标和杆件截面面积为设计变量,结构重量极小化为目标函数,建立了基于可靠度约束的桁架形状优化数学模型,并对典型桁架进行形状优化,分析了不同可靠度指标和变异系数对优化结果的影响.结果表明:该分析方法能够充分发挥微分演化算法的优势,可以有效地进行基于可靠度的桁架结构形状优化设计.     

基于粒子群-布谷鸟搜索算法的桁架结构优化设计

为进一步提高布谷鸟搜索(Cuckoo Search,CS)算法在桁架结构优化设计中的适应性能,克服CS算法搜索新解过程相对盲目、速度慢、精度低的缺点,把粒子群(PSO)算法中粒子位置更新思想引入到CS算法中,并将粒子群-布谷鸟搜索(PSO-CS)算法应用于桁架结构尺寸优化设计.以10杆经典桁架为例,在满足应力约束、位移约束的条件下,对桁架结构进行尺寸连续设计变量和离散设计变量最优化设计,并与其他优化算法的结果进行对比.数值算例结果表明,PSO-CS算法具有收敛速度快、精度高、稳定性好的特点,可以有效地解决桁架结构尺寸优化问题.