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.     

桁架结构多目标优化的微分演化算法

为了解决带有约束的桁架结构的多目标优化问题,本文采用了一种基于微分演化的多目标优化(DEMO)方法。DEMO方法采用多目标优化进化算法中Pareto和拥挤距离排序机制,并保留了DE算法的优点。为了验证DEMO算法的可行性和有效性,对经典桁架进行尺寸优化,并与其他优化方法进行了比较,数值结果表明DEMO算法性能比其他算法要好,其所得的解具有更好的多样性、均匀性和收敛性。     

基于免疫粒子群-齿行法的桁架结构分层优化

针对考虑应力约束、位移约束和压杆稳定约束的桁架结构进行形状和尺寸优化,提出了一种基于免疫粒子群优化算法和齿行法的桁架结构优化算法.对形状和尺寸2类耦合变量进行分层处理.内层考虑各类约束条件,利用收敛速度较快的齿行法对给定形状的结构进行截面优化,使其自重最轻,将约束问题转化为非约束问题;外层则通过全局搜索能力较强的免疫粒子群算法对结构形状进行全局搜索,得出最终优化结果.通过37杆平面简支桁架桥和25杆空间桁架2个经典算例验证了所提算法的有效性.结果表明,所提算法采用内外层嵌套搜索,能够更好地处理2类变量的耦合关系,有效缩小了解空间的范围,具有良好的优化效果和较高的搜索效率.     

基于粒子群算法的平面刚架及组合结构的优化

桁架结构受力简单,内力只有轴力,刚架结构的受力、内力情况则相对要复杂得多,故传统平面结构优化的研究多是对桁架结构的研究,针对刚架结构或刚架与桁架的组合结构研究甚少.然而,现实工程中的结构多是刚架或组合结构,仅仅对桁架结构进行优化研究远远不能满足现实工程的需要.粒子群优化算法(PSO)是近些年发展起来的一种基于群智能的演化运算技术,概念简单、易于实现,且具有良好的智能背景.本文基于粒子群优化算法对平面刚架及平面组合结构的有应力约束和位移约束的尺寸优化问题进行了研究,并将所得优化结果与改进的可行域算法(MMFD)、序列线性算法(SLP)、序列二次规划(SQP)等传统优化算法的结果进行比较.结果表明粒子群优化算法具有良好的全局收敛性与稳定性,能够更好地解决平面刚架及平面组合结构的优化问题.     

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.     

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.     

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.     

基于改进天鹰优化器的抱杆结构优化

为了提高抱杆设计的安全性和经济性，提出一种基于改进天鹰优化器的抱杆结构优化方法。根据抱杆工程实例，建立轻量化设计模型。将角钢杆件的截面尺寸作为优化变量，采用罚函数法处理许用应力，位移和屈曲系数三种约束条件。为了解决天鹰优化器局部搜索能力不足的问题，使用混沌映射进行种群初始化，使首代种群在搜索空间内分布更加均匀，并引入新的平衡方式使算法在迭代后期仍具有全局搜索能力，同时加入非线性参数增强局部搜索能力，引入反向学习策略增强算法摆脱局部最优的能力。十杆平面桁架结构尺寸优化算例结果验证了改进算法具有更好的寻优能力。抱杆结构轻量化设计结果表明，改进的天鹰优化器提供的设计方案更佳，抱杆质量减轻了16.55%。改进天鹰优化器能够有效处理平面桁架和空间杆系结构的优化设计问题。     

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。     

应力约束下桁架结构拓扑优化的静定基法

对于从基结构出发的单工况应力约束下使桁架结构重量最轻的最优拓扑,必定是静定结构;对于多工况应力约束下桁架结构的最优拓扑大多数是静定结构。而对于超静定结构的求解,目前的方法多是转化为静定的基本结构来求解。由此,本文提出一种求解桁架拓扑优化问题的新分析方法——静定基法,给出了静定基法的基本思想和求解策略,用解析方法求解了单工况应力约束下的桁架拓扑优化问题,研究了多工况应力约束下最优拓扑为静定结构的桁架结构,给出了优化问题的精确解。算例表明了该方法的有效性和可行性。     

求解交货期可变动态调度问题的差分进化算法

针对差分进化算法求解动态优化问题时存在多样性缺失、寻优效率低的问题,提出一种多种群差分进化算法,将这种用于求解连续解空间优化问题的进化算法应用于顺序编码的动态调度问题求解中.该算法利用随机键编码表示法将连续位置向量转化为顺序编码,提出自组织多种群策略,将种群按动态空间特征自动分成主种群与子种群;由主种群不断探索峰值所在...     

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。     

改进差分进化算法在铝电解多目标优化中的应用

针对多目标优化问题,提出一种改进的差分进化算法(DE).该改进算法首先将DE与粒子群优化算法(PSO)结合,提高DE的收敛速度,然后引入多种群进化策略,有利于维持Pareto解的多样性.同时,在综合考虑机理与工艺的基础上建立铝电解多目标优化模型,并应用改进算法进行求解.仿真结果表明:在电流效率为92％时,改进算法所得的直流功耗为14.03 MW.h/t,比NSGA-Ⅱ的直流功耗降低了1.45％,比传统DE的直流功耗降低了1.75％.表明本文改进算法有效地提高了传统进化算法的性能.     

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．     

Self-adapting Scalable Differential Evolution Algorithm

Differential evolution ( DE ) demonstrates good convergence performance,but it is difficult to choose trial vector generation strategies and associated control parameter values.An improved method,self-adapting scalable DE ( SSDE ) algorithm,is proposed.Trial vector generation strategies and crossover probability are respectively self-adapted by two operators in this algorithm.Meanwhile,to enhance the convergence rate,vectors selected randomly with the optimal fitness values are introduced to guide searching direction.Benchmark problems are used to verify this algorithm.Compared with other well-known DE algorithms,experiment results indicate that this algorithm is better than other DE algorithms in terms of convergence rate and quality of optimization.     

一种基于反馈策略的自适应选择人工蜂群算法

雇用蜂觅食策略对人工蜂群算法性能有较大影响,而单一的觅食策略难以适用于所有问题的搜索空间,并且算法运行的不同阶段所适合的搜索策略也不尽相同.因此,如何为一个给定的函数优化问题选择最佳的觅食策略尤为重要.针对这一问题,提出了一种基于反馈的觅食策略自适应人工蜂群算法SSABC,该算法能够在优化过程中为一个给定的优化问题自动选择最佳的觅食策略.实验表明,与经典ABC(artificial bee colony algorithm),PSO(particle swarm optimization),DE(differential evolution),GA(genetic algorithm)算法相比,SSABC算法的寻优能力有较大提高.