基于B样条曲线逼近的边坡临界滑动面的混合启发式搜索算法

采用三次均匀B样条函数模拟边坡任意形状滑动面,探讨了B样条曲线的端点处理方法和有效滑动面生成策略。将万有引力算法(GSA)与粒子群算法(PSO)两种启发式算法相融合,同时引入雁阵效应、非线性惯性权重进行改进,提出一种新的混合启发式搜索算法(HHA)。该算法增加了粒子的记忆性与群体信息交流功能,协调了全局和局部寻优能力。数值试验表明:HHA能有效克服GSA易陷入局部最小的不足,具有更好的优化精度、效率与稳定性。结合Morgenstern-Price法,对生成的有效滑动面计算安全系数,并以安全系数为目标函数,采用HHA搜索临界滑动面。4道标准考题分析验证发现:三次均匀B样条曲线能合理逼近任意形状临界滑动面;HHA对临界滑动面的搜索优于GSA,对非均质、含软弱夹层及考虑地震效应的复杂边坡均具有适用性。     

基于Morgenstern-Price法和改进径向移动算法的边坡稳定性分析

为了能够准确确定边坡的非圆弧临界滑动面位置及其相应的安全系数,采用一种新的启发式优化算法——径向移动算法,对边坡进行稳定性分析。通过调整原算法中的数据结构,增强粒子的自反馈能力,提出改进径向移动算法（IRMO）。安全系数的求解采用严格的Morgenstern-Price法,应用Newton-Raphson法,建立了满足条间力平衡与力矩平衡的Morgenstern-Price法中安全系数F和条间力参数λ的迭代计算公式。基于Morgenstern-Price法,采用IRMO算法对边坡稳定性进行分析,通过2个典型边坡算例和1个复杂海堤边坡实例,从稳定性、精确性、计算效率等多个角度将IRMO算法与未改进的径向移动算法进行对比论证,同时将IRMO算法与粒子群算法、改进粒子群算法等其他算法进行对比分析。结果表明：相比未改进的径向移动算法,IRMO算法连续搜索20次临界滑动面的结果重叠度更高,证明IRMO算法稳定性更强,IRMO算法的安全系数值随代数收敛的速度更快,证明IRMO算法的计算效率更高;与粒子群算法、改进粒子群算法等启发式算法相比,IRMO算法搜索到的临界滑动面位置与其他算法一致,安全系数计算结果更接近裁判答案,标准差也最小,证明IRMO算法在边坡稳定性分析问题上更具可行性与优越性;通过海堤边坡实例的分析,IRMO算法得到了该边坡合理的安全系数值和临界滑动面位置,表明该算法能够正确评估边坡稳定程度,可以应用于实际工程中。     

利用粒子群优化算法求解土坡非圆临界滑动面

提出修复策略替换惩罚策略来修复搜索过程中可能出现的不合理滑动面,以更有效搜索最危险的滑动面。将粒子群中每个粒子比拟为滑动面,利用粒子群优化算法求解两个土坡的最小安全系数及其临界滑动面,同已有的结果比较,证明了文中提出的两种策略是合理有效的。     

基于改进粒子群算法的斜拉桥成桥索力优化

为了确定大跨度斜拉桥的合理成桥索力,以塔、梁拉压及弯曲应变能为目标函数,并根据合理成桥状态的要求对塔、梁、索的受力变形进行约束,建立索力优化数学模型。为了解决标准粒子群算法易早熟收敛、局部寻优能力差的问题,将基于局部邻域搜索的禁忌搜索算法与标准粒子群算法结合,提出一种改进的粒子群算法,并将其应用于工程实例,成功实现了斜拉桥成桥索力优化。研究表明:改进粒子群算法在收敛性能及寻优能力方面均得到明显改善,应用于大跨度斜拉桥索力优化中,结构的受力变形状态更为合理,优化效果显著。     

二维边坡最危险滑动面搜索及评价研究

基于有限单元法,提出一种最危险滑动面的自动搜索评价算法,评价边坡安全性:首先在土坡内寻找最危险单元,然后搜寻毗邻最危险单元,往复该过程,即可形成完整滑动面.不需人为假设滑动面形状和位置;算法只需一次搜索即可确定滑动面形状和位置,计算效率高;算法确定的滑动面形状接近圆弧滑动面,计算得到的安全系数与圆弧法接近;自动搜索评价...     

加速遗传算法在路堤边坡稳定性分析中的应用

根据加速遗传算法的思想和瑞典法基于圆弧滑动面的假定,提出一种用加速遗传算法搜索最危险滑动面及其对应的最小安全系数的方法。该方法是一种改进的遗传算法,它不仅能克服传统方法容易陷入局部极小值的缺点,而且较简单遗传算法具有更高的搜索效率,计算时间短,搜索的解更优,是一种全局优化算法。通过某高速公路工程实例对其进行了验证,结果令人满意。     

两步式约束粒子群优化算法及其在新能源汽车轻量化设计中的应用

针对工程优化中,由于资源的限制最优解通常处于约束边界附近,而现有的约束优化算法侧重于约束机制处理而很少在约束边界附近的搜索问题,本文中提出两步式约束粒子群优化算法:第一步采用基于惩罚函数的粒子群算法寻优,采用速度重置指针避免寻优陷入停滞;第二步采用子集约束边界缩减方程获取约束边界信息,使用序列二次规划进行边界局部搜索,最后对比两步的结果以较优值作为全局最优解。考虑侧面碰撞和顶压溃两种工况,采用提出的改进算法对某款燃料电池汽车车身结构进行轻量优化,在保证结构碰撞安全性的前提下,部分板件的轻量效果达10. 92%。     

土质边坡最大滑坡推力滑动面研究

目前,边坡稳定问题的关键就是如何寻找最危险滑动面。最危险滑动面并不代表是有最大滑坡推力的滑动面。而在对边坡进行处治时,滑坡推力是最重要的参数之一。为了得到所有潜在滑动面中最大的滑坡推力,该文提出了最大滑坡推力滑动面的概念。以圆弧滑动面为研究对象,采用模式搜索法进行最危险滑动面的搜索,并采用不平衡推力法计算所有潜在滑动面的剩余下滑力。通过对所有潜在滑动面对应的剩余下滑力的比较,找出最大滑坡推力滑动面。算例结果表明:最大滑坡推力滑动面是存在的,其比最危险滑动面有更大的剩余下滑力,同时还有更大的滑动范围。因此,最大滑坡推力滑动面在边坡处治设计时是有必要考虑和重视的。     

改进粒子群优化算法在轿车车身轻量化设计中的应用CSCD

为了提高粒子群优化算法(PSO)寻优过程中粒子种群之间的多样性,提出了一种基于停滞判断准则与粒子速度更新的改进PSO。在寻优过程中,当粒子群优化陷入停滞时,新的速度更新公式将激活,提高粒子种群之间的多样性。通过数学标准测试函数,进行了数学实验,对比改进PSO与标准PSO的优化能力。结合近似建模技术与合理的约束处理方法,将该算法运用到考虑100%正面碰撞工况、40%偏置碰撞工况、侧面碰撞工况、追尾碰撞工况以及顶压溃工况的车身轻量化设计中。结果表明:在全局寻优能力方面,运用改进PSO优化得到的问题解均优于标准PSO。在满足各项结构性能指标的前提下,可减轻质量23.41 kg。这为轿车车身轻量化设计提供了可借鉴的方法。     

基于改进遗传算法的公路边坡稳定性分析方法

采用瑞典圆法计算滑面为圆弧时边坡的安全系数,并在遗传算法中增加Powell算法作为局部搜索过程,从而在保证遗传算法良好的全局搜索能力的同时,也提高了遗传算法的搜索速度。采用改进后的遗传算法搜索边坡的最小安全系数及与之相对应的滑动面,结合公路边坡工程实例检验了所提出方法的有效性。     

基于自适应网格粒子群算法的多目标配送优化模型

对配送方案的选择提出多目标优化,在满足客户需求的前提下,力求成本最低和各配送中心负荷均衡,建立多目标规划模型。运用粒子群算法对解空间粒子进行局部和全局的搜索,再运用自适应网格算法对非劣解外部集进行更新和维护,保持其规模。实证表明,采用基于自适应网格的多目标粒子群算法对该模型进行求解能够得到均匀分布于解空间的Pareto前沿。结果表明两目标具有一定的悖反关系,据此选择满意解。     

应用改进和声搜索算法分析边坡的稳定性

为提高基本和声搜索算法的全局搜索能力,提出了基于未知解空间探索与已知解空间开发相平衡的改进和声搜索算法。在基本和声搜索算法迭代一段时间后,在当前最好解的周围进行开发,所得的改进解反馈给基本和声搜索算法,继续进行迭代,如此反复,直至没有更好解产生为止。将新算法用于求解边坡最小安全系数,算例分析表明其效率比基本和声算法有较大提高。     

基于粒子群算法的粘性土主动土压力计算方法

假定挡土墙后滑动面为库伦平面滑裂面,基于能量法,推导出了适合与砂性土与粘性土的主动土压力计算公式,然后引入粒子群智能优化算法,对最危险滑动面所对应的破裂角在变量范围内进行全局搜索。运用本文方法分别对墙后填土为为砂性土和粘性土的挡土墙土压力进行计算,发现对于砂性土,优化方法得到的破裂角与理论精确解完全一致;对于粘性土,方法计算结果与实测结果相对误差为5.5%。     

改进布谷鸟算法在边坡滑面搜索中的应用

根据布谷鸟算法前期搜索随机跳跃性大、后期搜索收敛速度慢的缺点,引入惯性权重并结合局部蒙特卡罗优化,得到改进的布谷鸟算法,其搜索结果与Spencer法、瑞典条分法进行对比可知,不论滑面的位置还是安全系数都很相近。与退火模拟算法对比验证其可靠度,结果表明:改进的布谷鸟算法更优秀,得到的结果更精确,可以应用于边坡滑面搜索。     

A comparison of various algorithms to extract Magic Formula tyre model coefficients for vehicle dynamics simulations

Tyre models are a prerequisite for any vehicle dynamics simulation. Tyre models range from the simplest mathematical models that consider only the cornering stiffness to a complex set of formulae. Among all the steady-state tyre models that are in use today, the Magic Formula tyre model is unique and most popular. Though the Magic Formula tyre model is widely used, obtaining the model coefficients from either the experimental or the simulation data is not straightforward due to its nonlinear nature and the presence of a large number of coefficients. A common procedure used for this extraction is the least-squares minimisation that requires considerable experience for initial guesses. Various researchers have tried different algorithms, namely, gradient and Newton-based methods, differential evolution, artificial neural networks, etc. The issues involved in all these algorithms are setting bounds or constraints, sensitivity of the parameters, the features of the input data such as the number of points, noisy data, experimental procedure used such as slip angle sweep or tyre measurement (TIME) procedure, etc. The extracted Magic Formula coefficients are affected by these variants. This paper highlights the issues that are commonly encountered in obtaining these coefficients with different algorithms, namely, least-squares minimisation using trust region algorithms, Nelder–Mead simplex, pattern search, differential evolution, particle swarm optimisation, cuckoo search, etc. A key observation is that not all the algorithms give the same Magic Formula coefficients for a given data. The nature of the input data and the type of the algorithm decide the set of the Magic Formula tyre model coefficients.     

求解广义最小生成树问题的元启发式算法

针对广义最小生成树问题,设计了2种改进的元启发式算法来求解：单亲遗传模拟退火算法和改进的禁忌搜索算法。通过综合遗传算法和模拟退火算法的优点,提出了单亲遗传和模拟退火的混合算法,并设计了自适应选择法和自适应基因重组操作;在改进的禁忌搜索算法中,通过在2种邻域进行搜索来避免陷入局部最优。数值实验验证了算法的有效性。     

基于定量分析的公交线路网络优化与粒子群算法

针对公交线网优化问题,利用粒子群算法进行了研究。在考虑城市公交系统多因素的基础上,给出了公交线网的优化原则、优化目标和约束条件,并将优化目标和约束条件定量化处理,给出了相应的数学表达式。在定义6维空间的基础上,利用经济转化系数,将公交线网优化的多目标问题转化为单目标优化问题的情况下,建立了公交线网优化的线性模型,并用粒子群算法进行了求解计算。通过粒子在解空间中搜索,找到最佳的公交线路网络。最后对算法进行了实际应用分析,结果表明该法简单实用、结果可信,有广泛的应用前景,而且该法也为多目标优化问题提供了一种合理可行的方法。     

Identification of nonlinear systems using modified particle swarm optimisation: a hydraulic suspension system

This paper presents a novel modified particle swarm optimisation (MPSO) algorithm to identify nonlinear systems. The case of study is a hydraulic suspension system with a complicated nonlinear model. One of the main goals of system identification is to design a model-based controller such as a nonlinear controller using the feedback linearisation. Once the model is identified, the found parameters may be used to design or tune the controller. We introduce a novel mutation mechanism to enhance the global search ability and increase the convergence speed. The MPSO is used to find the optimum values of parameters by minimising the fitness function. The performance of MPSO is compared with genetic algorithm and alternative particle swarm optimisation algorithms in parameter identification. The presented comparisons confirm the superiority of MPSO algorithm in terms of the convergence speed and the accuracy without the premature convergence problem. Furthermore, MPSO is improved to detect any changes of system parameters, which can be used for designing an adaptive controller. Simulation results show the success of the proposed algorithm in tracking time-varying parameters.