用于结构健康监测传感器优化布设的离散鸽群方法技术

本发明专利技术属于土木工程结构健康监测领域中的传感器优化布设，提出一种用于结构健康监测传感器优化布设的离散鸽群方法。本发明专利技术包括编码及初始化、起飞、飞行和归巢四大过程：编码及初始化过程应用双重编码方式，用于离散化连续变量，并初始化鸽群位置和速度向量；起飞过程包括腾空和上升两个子过程，用于均匀化鸽群位置向量和寻找最优解的方向；飞行过程包括平飞、转弯和追逐三个子过程，用于寻找局部最优解、全局最优解和改善全局最差解；归巢过程则避免算法陷入局部最优解。本发明专利技术算法可高效求解离散优化问题，具有较好的全局收敛性、较少的循环次数、较强的稳定性。

【技术实现步骤摘要】

本专利技术属于土木工程结构健康监测领域中的传感器优化布设，提出一种传感器优化布设的离散鸽群算法。
技术介绍
传感器优化布设是结构健康监测中的首要环节。传感器优化布设就是在众多的待测节点中，布设一定数量的传感器，来优化某种目标函数或者优化准则，使得函数最优。目前用于传感器优化布设的优化算法主要有三类：一类是传统的优化算法，如有效独立法、最大化Fisher信息阵的行列式和基于简化模型的传感器优化布设算法等。第二类则是序列法，如逐步消去法和逐步累积法，其目标就是让MAC的最大非对角元最小。第三类是基于生物学、物理学和人工智能发展的群智能优化算法，如遗传算法、粒子群算法、蚁群算法、和声算法、鱼群算法和猴群算法等。该类方法能较好地解决组合优化问题中约束条件的限制，并不易陷入局部最优解，可很好地用于传感器优化布设中对目标函数进行寻优。目前应用于传感器优化布设的群智能优化算法主要有模拟退火算法、遗传算法、神经网络算法、粒子群算法、猴群算法和狼群算法等。这些算法在对具体模型算例中都有十分优秀的表现，有的已经应用到实际工程中，使用新的群智能算法已经成为趋势，并有巨大的研究前景和工程价值。
技术实现思路
本专利技术提出一种传感器优化布设的离散鸽群算法，可有效解决传感器优化布设这种整数规划问题。离散鸽群算法在处理高维、多峰值、复杂问题时具有较强的全局收敛性、较少的循环次数以及较高的稳定性，可以在大型多节点的传感器布设中对优化准则进行全局寻优。一、编码及初始化利用有序对(x,c)来表示鸽子个体，对应传感器布置的可行解。其中，x是鸽子的位置向量，c为二进制向量，用于表示传感器的布置位置。则用于结构健康监测传感器优化布设的离散鸽群算法的编码和初始化过程如下：步骤1：将结构各阶振型含有的所有测点位置作为优化布置的候选资源，假设所有候选的传感器进行编号为1～sum的整数。步骤2：以鸽群中的第i(i＝1,2,…,N，N为鸽群中鸽子数量)只鸽子为例，其对应的解可以表示为Xi＝X(xi,ci)＝{(xi,1,ci,1),(xi,2,ci,2),…,(xi,sum,ci,sum)本文档来自技高网...

【技术保护点】
一种用于结构健康监测传感器优化布设的离散鸽群算法，其特征在于如下步骤：(一)编码及初始化利用有序对(x,c)表示鸽子个体，对应传感器布设位置的可行解；其中，x是鸽子的位置向量，c为二进制向量，用于表示传感器的安放位置；编码和初始化过程如下：步骤1：将结构模态振型中含有的所有节点作为传感器布置的候选位置，假设待布设传感器的编号为1～sum的整数；步骤2：以鸽群中的第i只鸽子，i＝1,2,…,N，N为鸽群中鸽子数量，其对应解为Xi＝X(xi,ci)＝{(xi,1,ci,1),(xi,2,ci,2),…,(xi,sum,ci,sum)}，位置向量xi是从区间[xdown,xup]之间随机产生的实数数组，Xi即为每只鸽子当前位置；其中每一维的分量表示为：xi,j＝rand×(xup‑xdown)+xdown    (1)式中：rand为[0,1]内的随机数；Yi＝Y(yi,ci)＝{(yi,1,ci,1),(yi,2,ci,2),…,(yi,sum,ci,sum)}是每只鸽子i的当前最优位置；Pb＝P(pb,cb)＝{(pb,1,cb,1),(pb,2,cb,2),…,(pb,sum,cb,sum)}为鸽群当前最优位置；Pw＝P(pw,cw)＝{(pw,1,cw,1),(pw,2,cw,2),…,(pw,sum,cw,sum)}为鸽群当前最差位置；ci,j为xi,j通过sig函数转换而得到的二进制编码向量：ci,j=sig(xi,j)=11+e-xi,j---(2)]]>采用基于概率法判定阈值ε的方法提高鸽群初始化的产生效率；以鸽群个体pi的第j维分量pi,j，si,j＝1的概率为sp/sum，使得si,j＝0的概率为1‑sp/sum，使得鸽群个体初始化满足编码要求；设定xw，当xi,j∈[xdown,‑xw]时，si,j＝0，并且xi,j在该区间的概率为1‑sp/sum；当xi,j∈(‑xw,xup]时，si,j＝1，并且xi,j在该区间的概率为sp/sum；那么xw的取值为：xw＝(sp/num)×(xup‑xdown)‑xup   (3)即通过xw将区间[xdown,xup]进行分割，因此ε的取值为步骤3：鸽群敏感度初始化将鸽群引入时需要初始化每只鸽子的敏感度系数αi，αi从[0,1]中随机产生；步骤4：鸽群速度初始化向量Vi＝(vi,1,vi,2,…,vi,j,…vi,sum)为鸽子i的飞行速度，[‑Vmax,Vmax]为飞行速度的范围，vij从中随机产生，其表达式为：vi,j＝δVmax     (4)式中：δ为[‑1,1]内的随机数；(二)起飞(1)腾空鸽群在起飞时，蹬地的高度有所不同；根据这一特性，均匀化初始值，定义[down,up]为鸽群的腾空区间；步骤1：设ΔXi＝(Δxi,1,Δxi,2,…,Δxi,j,…,Δxi,sum)为鸽子i的腾空高度，ΔXi中的每一维分量从腾空范围中随机产生，其表达式：Δxi,j＝κ(up‑down)+down       (5)式中：κ为[0,1]内的随机数；步骤2：更新每只鸽子的当前位置X(xi,ci)，其表达式X(xi,ci)＝Y(yi,ci)+αi*ΔXi    (6)若X(xi,ci)优于当前最优位置Y(yi,ci)，则将当前位置X(xi,ci)赋给当前最优位置Y(yi,ci)，即Y(yi,ci)＝X(xi,ci)，若Xi优于鸽群当前最优位置P(pb,cb)，则令P(pb,cb)＝X(xi,ci)；在步骤2中，在Y(yi,ci)+αi*ΔXi时，由于Y(yi,ci)＝{(yi,1,ci,1),(yi,2,ci,2),…,(yi,sum,ci,sum)}，ΔXi＝(Δxi,1,Δxi,2,…,Δxi,j,…,Δxi,sum)，实际上，在具体相加时，是每一维分量yi,j+αi*Δxi,j相加，而相加后新的分量cNewi,j依然为新的分量yi,j通过sig函数转换而得到的二进制编码向量，在后续步骤中遇到相位置向量的相加相减情况时，都先单独对位置向量进行加减，通过每个维度的位置向量来计算二进制向量cNewi,j；但是在计算每一维分量yi,j+αi*Δxi,j时，得到的新分量可能产生超出区间[xdown,xup]的情况，规定若超出上限xup，则取值为xup；若小于下限xdown，则取值为xdown；在飞行过程和归巢过程中，若遇到类似情况，均采用同样的方式处理；为提高算法后期收敛的精确度和速度；腾空区间[down,up]随着鸽群当前最优位置P(pb,cb)的变化而变化，其精确度与P(pb,cb)中的最大值相同；P(pb,cb)＝{(pb,1,cb,1),(pb,2,cb,2),…,(pb,sum,cb,sum)}，当pb,1,pb,2,…,pb,sum中的最大值的精确度为0.1时，腾空区间保...

【技术特征摘要】
1.一种用于结构健康监测传感器优化布设的离散鸽群算法，其特征在于如下步骤：(一)编码及初始化利用有序对(x,c)表示鸽子个体，对应传感器布设位置的可行解；其中，x是鸽子的位置向量，c为二进制向量，用于表示传感器的安放位置；编码和初始化过程如下：步骤1：将结构模态振型中...

【专利技术属性】
技术研发人员：伊廷华，温凯方，李宏男，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21