一种基于改进粒子群算法的梁结构测点优化方法技术

本发明专利技术公开了一种基于改进粒子群算法的梁结构测点寻优方法。该方法提出一种基于模拟退火思想及遗传算法的改进粒子群算法，综合考虑受力状态识别误差与测点优化，进行了测点的筛选。首先将遗传算法的初始化、选择、交叉、变异融入粒子群算法中，其次在变异部分引入模拟退火的思想。改进后的粒子群算法改善了标准粒子群算法的“早熟”、局部寻优能力较差等问题。该算法在受力状态识别的测点选择过程中具有较高的效率，能够合理地减少测点数目，使得测点选择方案有效提升识别准确性，为梁结构受力状态识别提供了一种较好的测点寻优方法。

【技术实现步骤摘要】
一种基于改进粒子群算法的梁结构测点优化方法
本专利技术涉及梁结构受力过程中测点的筛选，具体涉及一种基于改进粒子群算法的梁结构测点寻优方法。
技术介绍
工字型梁能在节省材料的同时获得接近于外轮廓长度一样的矩形截面的惯性矩以抗弯；梁的腹板和宽度大致相同，可以承受较大的载荷；梁在平行和垂直腹板的方向上可以平衡外力，因此在工程领域应用广泛，对其进行受力状态识别具有重要的意义。在测量过程中，测点的选择作为关键环节，直接影响着受力状态测量的精度。测点的选择作为受力状态测量中极其重要的一个环节，特别是对于多种受力状态识别问题，如轴力、剪力、弯矩、扭转等，如何利用较少的传感器得到较优的识别结果在整个受力状态测量过程中显得至关重要。目前国内外对于传感测点网络优化方法做了大量的研究，常用的测点优化方法有基于状态识别概率准则的传感测点网络优化方法、有效独立法、基于信息论的传感测点网络搭建方法、经典优化算法和基于优化准则的启发式算法。随着计算机信息技术不断发展，计算机计算效率的不断提高，基于优化准则的启发式算法正顺应时代的潮流，逐步进入科研人员的视线。对于现代大型化的工业结构传感测点优化问题，基于优化准则的启发式算法的优势日益凸显。近年来工程上应用遗传算法或粒子群算法对待测结构进行传感测点网络筛选。遗传算法参考了自然界物竞天择的机制，模仿物种进化，通过选择、交叉、变异等算子实现种群的进化，具有较强的寻优能力。在《结构健康监测中基于多重优化策略的传感器布置方法》和《SensorplacementforOn-Orbitmodalidentificationviaageneticalgorithm》这两篇文章中均使用了遗传算法的选择、交叉、变异这类操作方式对传感测点的位置排布进行了优化。粒子群算法也广泛应用于各种研究领域，例如在电力系统自动化
中一篇专利《一种基于改进粒子群算法的微电网经济调度优化策略》采用改进等式约束处理方法的粒子群优化算法，在约束范围内，不断调节发电机组调度出力以及储能充放电的能量，寻求最佳粒子，使得微电网系统运行成本最低；在《一种基于改进的粒子群算法的车轮型面多目标优化方法》这篇专利中利用改进的粒子群算法对多目标优化模型进行迭代求解，最终获得优化的低磨耗车轮型面。该专利技术基于改进的粒子群算法，优化的型面具有良好的车辆运行安全性、运行平稳性、曲线通过性能，同时降低了轮轨磨耗；在《一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法》这篇专利中以欠驱动机械臂末端位置与目标位置差值为目标函数，基于粒子群算法的寻优原理，引入模拟退火的Metropolis接受准则和人工鱼群算法的拥挤度因子，求解到达目标位置所对应的最优关节角。根据所提出的技术方案，在欠驱动机械臂位置控制时，可以降低寻优算法陷入局部最优的概率并提高求解精度。以上的专利技术根据自己不同的研究方向对粒子群算法进行改进，从而实现对自己的结果进行优化。上述的两种算法能够客观、有效对测点网络进行优化，但是在实际操作过程中依旧存在“早熟”和局部寻优能力较差的问题，造成测点选择位置并非最佳的现象。
技术实现思路
有鉴于此，本专利技术提出一种带有模拟退火思想的遗传与粒子群混合算法，这种算法克服了粒子群算法易陷入局部最小的缺点，并综合考虑了测点数目与受力状态识别误差两种因素进行测点的筛选，可以方便的对梁结构测点的筛选。为了解决上述技术问题，本专利技术采用如下技术方案：S1.预先构建工字梁结构的测点寻优模型，所述测点寻优模型包括目标函数和约束条件；S2.根据所述约束条件，随机生成N个种群；其中，N个种群中的每个种群均包括M个粒子，每个粒子均构成所述数学模型的一个解空间，N和M均为正整数；S3.对当前每个种群均分别进行S次迭代更新，得到更新后的N个种群，S为正整数；S4.从所述更新后的N个种群中筛选出全局最优粒子，并将所述全局最优粒子所对应的解空间中的所有解确定为所述工字梁结构的最优测点参数；其中，所述对当前每个种群均分别进行S次迭代更新过程中，所述S次迭代中的每一次迭代包括：S31：按照模拟退火思想计算种群的适应度值和温度；S32：更新所述种群中每个粒子的速度和位置，并按照遗传算法对每个粒子采用一种改进的轮盘赌法进行筛选，然后对筛选得到的粒子进行交叉和变异；其中，所述采用一种改进的轮盘赌法进行筛选，具体为：用适应度函数最值Ftmax减去该种群中每个粒子对应的适应度函数值Ft，并以第一概率对所述种群中的全部粒子进行筛选，所述第一概率的计算公式如下：其中，Ft′＝Ftmax-Ft，Ft为当前种群中适应度的向量，t代表当前种群代数，Ftmax为当前种群中适应度最大值，Pi为第i个粒子被筛选的第一概率。进一步的，步骤S32中，所述对筛选得到的粒子进行交叉和变异，包括如下步骤：从所述筛选得到的粒子中选取一定数目的粒子放入杂交池中，对所述杂交池中的粒子随机进行交叉操作，得到交叉变异后的子代粒子，以第二概率选择交叉变异后的子代粒子，并且与未进入杂交池的父代粒子共同构建新的种群，所述第二概率的计算公式如下：式中，dE＝f'-f，f′为交叉变异后的粒子对应的适应度的值，dE为交叉变异后的适应度值与对应的上一代粒子适应度值差值，p为交叉变异后的子代粒子被选择的第二概率。进一步的，步骤S32中，所述更新所述种群中每个粒子的速度和位置，具体为根据如下公式进行更新：Vi(k+1)＝ωVi(k)+c1rand(pbesti(k)-Vi(k))+c2rand(gbest(k)-Xi(k))，Xi(k+1)＝Xi(k)+Vi(k+1)，其中，Xi(k+1)为第k+1代迭代粒子i位置矢量，Vi(k+1)为第k+1代迭代粒子i速度矢量，ω为惯性权重，c1和c2为学习因子，pbesti(k)为第k代迭代粒子i本身所能找到的最优解，gbest(k)为第k代迭代中整个种群目前找到的最优解。进一步的，所述目标函数根据各测点应变大小及位置确定，所述约束条件根据测点的应变及位置变化范围确定。综上所述，本专利技术的以下有益效果：(1)本专利技术针对梁结构多种受力的情况，提出一种基于模拟退火与遗传算法的改进粒子群算法用于测点选择，通过误差检验测点位置、数目与误差间的关系，找到较优测点组合，为运行过程中多种受力状态识别过程提供一种测点优化的方法依据。(2)本专利技术提出的改进算法中，融入了模拟退火算法的退火思想和遗传算法中的选择、交叉、变异方法。从算法性能检验可以看出，改进粒子群算法寻找的最小值比标准粒子群算法的最小值小得多，而且改进粒子群算法比标准粒子群算法更早的趋于稳定，因此改进粒子群算法不仅保持了粒子群算法前期函数值的快速下降性，还克服了原算法的“早熟”缺点，从而使算法的搜索性能得到很大的提高。(3)本专利技术通过对比改进粒子群算法和标准粒子群算法在测点优化实验结果，表明改进算法比标准粒子群算法的精度高且用时较短；改进粒子群算法在测点选择上与传统测点本文档来自技高网...

【技术保护点】
1.一种基于改进粒子群算法的梁结构测点寻优方法，其特征在于，包括如下步骤：/nS1.预先构建工字梁结构的测点寻优模型，所述测点寻优模型包括目标函数和约束条件；/nS2.根据所述约束条件，随机生成N个种群；其中，N个种群中的每个种群均包括M个粒子，每个粒子均构成所述数学模型的一个解空间，N和M均为正整数；/nS3.对当前每个种群均分别进行S次迭代更新，得到更新后的N个种群，S为正整数；/nS4.从所述更新后的N个种群中筛选出全局最优粒子，并将所述全局最优粒子所对应的解空间中的所有解确定为所述工字梁结构的最优测点参数；/n其中，所述对当前每个种群均分别进行S次迭代更新过程中，所述S次迭代中的每一次迭代包括：/nS31：按照模拟退火思想计算种群的适应度值和温度；/nS32：更新所述种群中每个粒子的速度和位置，并按照遗传算法对每个粒子采用一种改进的轮盘赌法进行筛选，然后对筛选得到的粒子进行交叉和变异；/n其中，所述采用一种改进的轮盘赌法进行筛选，具体为：/n用适应度函数最值F

【技术特征摘要】
1.一种基于改进粒子群算法的梁结构测点寻优方法，其特征在于，包括如下步骤：
S1.预先构建工字梁结构的测点寻优模型，所述测点寻优模型包括目标函数和约束条件；
S2.根据所述约束条件，随机生成N个种群；其中，N个种群中的每个种群均包括M个粒子，每个粒子均构成所述数学模型的一个解空间，N和M均为正整数；
S3.对当前每个种群均分别进行S次迭代更新，得到更新后的N个种群，S为正整数；
S4.从所述更新后的N个种群中筛选出全局最优粒子，并将所述全局最优粒子所对应的解空间中的所有解确定为所述工字梁结构的最优测点参数；
其中，所述对当前每个种群均分别进行S次迭代更新过程中，所述S次迭代中的每一次迭代包括：
S31：按照模拟退火思想计算种群的适应度值和温度；
S32：更新所述种群中每个粒子的速度和位置，并按照遗传算法对每个粒子采用一种改进的轮盘赌法进行筛选，然后对筛选得到的粒子进行交叉和变异；
其中，所述采用一种改进的轮盘赌法进行筛选，具体为：
用适应度函数最值Ftmax减去该种群中每个粒子对应的适应度函数值Ft，并以第一概率对所述种群中的全部粒子进行筛选，所述第一概率的计算公式如下：



其中，Ft′＝Ftmax-Ft，Ft为当前种群中适应度的向量，t代表当前种群代数，Ftmax为当前种群中适应度最大值，Pi为第i个粒子被筛选的第一概率。


2.根据权利要求1所述的梁结构测点寻...

【专利技术属性】
技术研发人员：陆观，刘宏林，徐一鸣，邱自学，邓勇，袁江，邵建新，蔡婷，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32