基于代理模型的焊接构架纵梁优化设计

以城际动车组焊接构架纵梁为研究对象,以构架纵梁的总体积为目标函数,以应力和位移为约束对其进行了拓扑优化设计.在拓扑优化结构的基础上,基于等效结构应力法分析纵梁相关焊缝的疲劳累积损伤值,并以纵梁板厚为设计变量,考虑应力、位移和焊缝疲劳累积损伤约束,构建焊接构架纵梁的抗疲劳轻量化模型.为有效地求解该优化模型,引入基于Kriging代理模型的序贯近似优化方法,并结合多岛遗传优化算法进行求解.经过拓扑优化设计和抗疲劳尺寸优化设计,最终实现纵梁结构减重约20.6%,该工作为城际动车组转向架构架设计提供了参考.     

微粒群优化算法及其在创新概念设计中的应用

群体智能近年来受到了国际智能计算研究领域学者的广泛关注。微粒群优化是群体智能中最重要的一种算法。介绍了群体智能和微粒群算法的原理和算法流程，提出将微粒群优化算法应用于创新概念设计中，并展示了一个应用实例。     

基于粒子群优化算法的二阶系统解耦

从数值计算的角度出发研究了二阶系统的解耦问题,通过保持Lancaster结构将二阶系统的解耦问题转化为非线性约束的最优化求解问题.并利用粒子群优化算法求解此约束优化问题,直接给出非奇异的保结构解耦变换.利用Matlab编写程序实现此算法,数值实验结果表明在设定的迭代次数和精度内,此方法确实能实现原始系统的近似解耦.     

基于微粒群本质特征的混沌微粒群优化算法

在总结对微粒群优化(PSO)算法本质的主要研究成果的基础上,提出了基于微粒群本质特征的混沌微粒群优化(CPSO)算法.该算法用混沌搜索方法代替随机数产生器在较好的区域搜索最优解.为了提高粒子群的多样性,用由粒子邻域内若干个个体最优位置依其适应值加权平均得到的中心位置代替标准PSO算法的全局历史最优位置.然后,根据粒子个体最优位置与上述中心位置间的距离自适应地调整混沌搜索区域半径.用几个经典测试函数的仿真结果及与其它几种PSO算法的比较结果验证了新算法的有效性.     

渐进结构优化设计的现状与进展

渐进结构拓扑优化（ESO）是近年来兴起的一种解决各类结构优化问题的数值方法。它是基于这样一个简单概念：通过将结构中无效或低效的材料一步步去掉,剩下的结构将逐渐趋于优化。其特点在于简单,通用,优化的结构可为桁架、刚架、板壳或三维连续体。优化的约束条件包括应力、刚度、位移、频率、临界压力及动响应。阐述了渐进结构优化法的基本原理和具体步骤,并以一系列算例演示该法计算机实施过程,最后介绍了ESO的最新进展。     

基于修正巴兰金理论的结构拓扑优化方法

为了探索具有工程实用性的结构优化新方法,应用渐进结构优化方法(ESO)对结构进行基于应力的拓扑优化.通过对巴兰金强度理论的修正,用单轴拉压极限应力比和单元主应力衡量单元应力水平,建立了一种基于修正巴兰金理论的渐进结构优化方法.算例表明,该方法可用于二维和三维结构的拓扑优化.     

基于遗传算法的车体钢结构拓扑优化设计

以车体钢结构重量最轻为目标,以梁截面和梁位置拓扑为设计变量,应力、位移为约束条件,建立了优化模型.以MSC.Marc软件作为分析器,将其中的生死单元技术与遗传算法的思想有机的结合起来,建立了一种研究结构拓扑优化的新方案,编制了计算程序系统.并应用此系统对某车体钢结构进行优化设计,取得了成功,充分证明了该系统的正确性和实用性.     

神经网络与遗传算法结合在结构优化设计中的应用

利用神经网络对有限元计算的样本数据建立起结构设计参数与位移，应力等的全局性映射关系，以获得遗传算法求解结构优化问题所需的目标函数值，从而进一步获得问题的优化解，５杆桁架等例表明，此方法可以在较少的有限元分析次数下获得的较好的优化解。     

粒子群算法在结构非概率可靠性优化中的应用

为了解决实际工程中不确定性结构的可靠性优化问题,建立了以结构非概率可靠性指标和横截面积为约束条件、最小化结构质量为目标的优化模型.利用非概率集合理论中的凸模型方法,求出可靠性指标,提出了基于粒子群算法的结构非概率可靠性优化方法.算例分析结果表明:与参数取平均值时的结构确定性优化方法相比,容许非概率可靠性指标为零时的结构非确定性优化方法得到的结构质量误差仅为0.009%.随着容许非概率可靠性指标的增大,桁架结构横截面积及质量也相应增大;当容许非概率可靠性指标为1.5时,与梯度投影法优化结果相比,利用该方法优化后的结构质量减少了0.323%.     

基于BP神经网络的起重船臂架结构优化设计

针对起重船臂架结构设计计算,采用BP神经网络算法模拟出臂架结构优化设计变量与臂架结构应力、位移之间的映射关系,并调用MATLAB优化工具箱中的最小化函数对臂架结构的约束条件以及目标函数进行优化处理,并将优化后的结果与优化之前的数值进行对比分析,充分地验证了BP神经网络优化算法的优越性.     

Learning Bayesian Networks from Data by Particle Swarm Optimization

Introduction Bayesian networks are a graphical representa-tion of a multivariate joint probability distributionthat exploits the dependency structure of distribu-tions. Bayesian networks are directed acyclicgraphs(DAG), where the nodes are random vari-abl…     

Optimization for PID controller of cryogenic ground support equipment based on cooperative random learning particle swarm optimization

Cryogenic ground support equipment (CGSE) is an important part of a famous particle physics experiment — AMS-02. In this paper a design method which optimizes PID parameters of CGSE control system via the particle swarm optimization (PSO) algorithm is presented. Firstly, an improved version of the original PSO, cooperative random learning particle swarm optimization (CRPSO), is put forward to enhance the performance of the conventional PSO. Secondly, the way of finding PID coefficient will be studied by using this algorithm. Finally, the experimental results and practical works demonstrate that the CRPSO-PID controller achieves a good performance.     

基于个体最优位置的自适应变异扰动粒子群算法

针对粒子群算法在寻优时容易陷入局部最优的不足,提出了一种基于个体最优位置的自适应变异扰动粒子群算法AMDPSO (adaptive mutation disturbance particle swarm optimization).该算法以粒子群算法为基础,加入扰动,当满足自适应条件时,粒子以个体最优位置为依据进行变异操作.将该算法运用于6个测试函数,并与惯性权重粒子群算法、收缩因子粒子群算法以及差分进化算法进行了比较,结果表明:AMDPSO能在寻优过程中让粒子跳出局部最优,保持种群多样性,具有更好的收敛速度和优化性能.      

车辆路径问题的混沌粒子群算法研究

针对车辆路径问题中单仓库非满载这一基本类型的具体特性,设计了一种混沌粒子群算法;利用混沌系统的随机性、规律性和遍历性初始化粒子,大范围覆盖车辆路径问题的解空间,加强算法最优路径的搜索能力;通过在求解过程中的次优路径处施加混沌扰动,使算法放弃当前求解的路径,避免结果为次优解。并通过试验验证了该算法在车辆路径问题中具有很强的寻优能力。     

基于多智能体局部寻优的粒子群优化算法

为了提高粒子群算法的收敛速度和全局寻优能力,用多智能体遗传算法对粒子群算法当前搜索到的全局极值进行局部寻优．用搜索到的更好的解在下一次迭代中引导粒子进行搜索从而获得更快的收敛速度和更好的全局收敛性。对函数优化和神经网络训练的仿真实验表明．此算法能更快的收敛到全局最优解。     

集装箱船舶贝内配载和堆场装船顺序协调优化

针对集装箱船舶贝内配载和堆场装船顺序协调优化问题，以堆场贝位和船舶贝位翻箱次数之和最小为优化目标，考虑堆场装船要求和船舶适航性等多种约束条件，建立数学模型. 鉴于问题的NP特性，提出混合演化策略算法(HES)求解模型，设计二维实数编码，提出基于力矩平衡和逐列装载的解码方法. 基于三点交叉互换的重组算子，单点突变的变异算子和互换的局部搜索策略对算法进行改进. 通过计算证明，对不同规模算例，HES算法均能求解出较优的贝内配载方案和堆场装船顺序.HES 算法与传统演化策略算法(ES)、粒子群算法 (PSO)、基于规则的启发式算法(HA-MBSCC)进行对比，进一步验证了算法的优越性.     

集装箱船舶贝内配载和堆场装船顺序协调优化

针对集装箱船舶贝内配载和堆场装船顺序协调优化问题，以堆场贝位和船舶贝位翻箱次数之和最小为优化目标，考虑堆场装船要求和船舶适航性等多种约束条件，建立数学模型. 鉴于问题的NP特性，提出混合演化策略算法(HES)求解模型，设计二维实数编码，提出基于力矩平衡和逐列装载的解码方法. 基于三点交叉互换的重组算子，单点突变的变异算子和互换的局部搜索策略对算法进行改进. 通过计算证明，对不同规模算例，HES算法均能求解出较优的贝内配载方案和堆场装船顺序.HES 算法与传统演化策略算法(ES)、粒子群算法 (PSO)、基于规则的启发式算法(HA-MBSCC)进行对比，进一步验证了算法的优越性.     

Research on the Optimization Approach for Cargo Oil Tank Design Based on the Improved Particle Swarm Optimization Algorithm

Based on the improved particle swarm optimization(PSO) algorithm,an optimization approach for the cargo oil tank design(COTD) is presented in this paper.The purpose is to design an optimal overall dimension of the cargo oil tank(COT) under various kinds of constraints in the preliminary design stage.A non-linear programming model is built to simulate the optimization design,in which the requirements and rules for COTD are used as the constraints.Considering the distance between the inner shell and hull,a fuzzy constraint is used to express the feasibility degree of the double-hull configuration.In terms of the characteristic of COTD,the PSO algorithm is improved to solve this problem.A bivariate extremum strategy is presented to deal with the fuzzy constraint,by which the maximum and minimum cargo capacities are obtained simultaneously.Finally,the simulation demonstrates the feasibility and effectiveness of the proposed approach.     

基于改进PSO算法的两阶段损伤识别方法

为解决结构多损伤情况下的位置识别和损伤程度判定问题,提出了一种基于改进粒子群优化算法和贝叶斯理论的两阶段损伤识别方法,该方法采用频率和模态应变能作为损伤定位源数据,分别用基于频率改变和基于应变能耗散率的识别方法进行损伤信息的初步提取,再利用贝叶斯融合理论对损伤位置进行较为精确的判定.然后,利用粒子群优化(PSO)算法对损伤位置和程度进行更为精确的二次识别.考虑到简单PSO算法易陷入局部最优解,提出了3种改进措施,即粒子位置突变、最优记忆粒子微搜索和双收敛措施.数值仿真结果表明:采用贝叶斯融合理论可以有效地识别出可能的损伤单元,在此基础上用改进的PSO算法可以更精确地识别损伤的位置和程度,同时采用3种改进措施的PSO算法的识别精度明显优于其他PSO算法和遗传算法.