基于遗传神经网络的大跨空间结构选型辅助专家系统

发布时间：2020-11-21 01:29

　　 随着社会的发展、科技的进步和国家整体实力的增强,机场航站楼、体育场馆、会展中心和飞机库等大空间的复杂建筑应运而生,同时也让建筑行业处于大的机遇挑战之中。挑战在于大空间结构设计复杂,结构类型选取的不当性增大,这使得对大跨空间结构设计的要求需要巨大的提高。现在我国大跨度空间结构选型研究的有关设计规范还不能够完全满足设计的需求,致使大跨空间结构设计存在选型不合理、造价偏高等问题。因此,设计师越来越多的关注到大型空间结构设计中结构选型的问题。同时因为,结构选型有许多不确定性因素,用传统方法建模,解决这个问题是非常困难的。所以,找到结构选型的科学方法,建立智能化系统,可以解决造价、设计周期等问题。人工神经网络可通过学习和训练实现,将知识的获取、表示和推理合为一体,可利用相对比较容易搜集取得的有特征性的重要知识,所以,以人工神经网络为基础研究的关于建筑结构形式选取的专家系统来辅助设计是需要重点被研究的。本文采用一种改进的遗传神经网络方法解决了常用的BP神经网络局限性大,可能会陷入局部最优解的问题。此方法不但用到了人工神经网络的高度非线性、自学习和实时处理、高容错性和鲁棒性等特性,而且运用了遗传算法的全局优化能力,存储和使用专家经验,使普通设计师输入一些基本相关信息,能比较容易解决结构选型问题。本文还搜集了大量的空间结构建筑案例,建立实例库,提取结构选型的主要影响因子,用MATLAB神经网络工具箱建立遗传神经网络结构选型模型,用MATLAB语言编写人机交互式界面,使选型过程简洁清晰。
【学位单位】：东北石油大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TP183;TU399
【部分图文】：

2．群体的大小 N ，种群规模的大小与遗传算法的收敛性和计算效率有很大关系规模太小容易收敛至局部最优解；规模太大，会造成计算速率降低，所以，一般群体小在[20, 100]范围内取值，遗传算法以该群体作为初始迭代点。3．交叉概率Pc，父辈个体产生了下一代中间个体，实现了信息的交换。遗产算中Pc 取值较大，同时种群的优良模式受到破坏的可能性加大，导致较大的代沟生成搜索趋于随机化。 Pc 取值过小，代沟较小，找到最优的可能性加大，但进化速度比慢，Pc的取值范围一般在[0.4,1]之间。4．变异概率Pm，在群体中随机的选择的一个个体，以Pm的大小改变所选择的体当中一些或一个基因的数值。变异提供了产生新个体的机会。Pm较大时可以产生多新个体，同时可能遭到破坏比较好的模式，降低性能；Pm小时会减少新个体的产生Pm一般在[0.001, 0.1 ]之间取值。5．终止代数T ，终止代数代表遗传算法运行的结束，运行到T 程序就会自动停并且输出群体中的最佳个体，T 一般在[100, 1000]之间取值。以上这些参数的选择会影响遗传算法的运行性能[82],[83]。

人们发现在神经网络的研究中还有许多问图 2.2 网络拓扑结构图2.2.1 BP 神经网络算法BP 神经网络（Backpropagation Algorithm）是一种多层前馈网络。也是目前应用最多的一种神经网络，它的模型包括输入层、隐含层、输出层、层与层之间通过权值连接[84]。它的特点是信息向前传递误差反向传递从而间接算出隐含层的误差。据统计，绝大部分神经网络模型几乎都是采用 BP 网络或是 BP 网络的变异形式的，BP 神经网络展示了神经网络中最完美、最精华的部分。理论完备研究起步较早，信号由输入层传至网络模型，经隐含层处理传到输出层。输出层的输出与期望输出间存在误差反向传递，调节网络的权值与阈值使模型能学习到样本数据的特征。通过大量的样本数据训练来获得网络的非线性映射能力。BP 算法中含有正向传播过程，输入信息从输入层经过隐含层计算各单元的输出值和反向传播过程，输出误差向前算出隐含层各单元的误差，用此误差修正前层权值。BP 网络使用的传递函数通常是 Sigmoid 型可微函数，可实现输入、输出之间的任意非线性映射[85]。它的泛化能力可以使训练好的网络在输入未曾训练过的数据时，能准确的映射输出，并且当输入样本中有个别误差较大的数据时，对网络模型整体影响很小。为保证稳定性，采用较小的学习率，网络收敛速度会比较慢。“负梯度下降”理论是 BP 算法的核心内容。常规的三层 BP 神经网络的权值和阈值的公式如下：( 1)()

第二章 遗传神经网络及专家系统理论概述5．传递函数[87]传递函数是 BP 网络的重要组成部分。网络解决问题的能力与网络采用的传递函数有很大关系。传递函数又称为激活函数，必须是连续可微的，作用是控制输入对输出的激活，函数将输入（可能无限域）转至输出（指定的有限范围内的）。传递函数的设计包括输入层到隐含层的传递函数和隐含层到输出层的传递函数两个。常用的传递函数主要包含线性函数、非线性斜面函数、阈值函数和 S 型函数[88],[89]见图，2.3-2.5。（1）线性函数是传递函数数中最基本的一种函数网络的输出等于加权输入加上偏差。表达式为：f n et k net c其中 k 为扩大乘数，net 为网络神经元，c为常数项。
【参考文献】

相关期刊论文 前10条

1 张蓉;;关于高层建筑的结构选型探讨[J];山西建筑;2015年27期

2 傅强;胡振宇;;大跨度空间结构选型探析[J];住宅科技;2014年08期

3 芦俊;;温度应力及风荷载对大跨度空间结构的影响[J];门窗;2014年04期

4 胡桂春;;深基坑边坡支护的技术措施[J];科技创业家;2014年01期

5 张福威;高振亮;李军;;一种结合改进遗传算法和BP神经网络的图像压缩算法[J];长春理工大学学报(自然科学版);2013年06期

6 王国强;;结构选型的重要性[J];科技风;2013年19期

7 陈勇;王梦雪;;大跨空间结构的应用与发展[J];黑龙江科技信息;2013年15期

8 ZHANG ShiHai;OU JinPing;;BP-PSO-based intelligent case retrieval method for high-rise structural form selection[J];Science China(Technological Sciences);2013年04期

9 陈志华;;弦支结构体系研究进展[J];建筑结构;2011年12期

10 冯远;夏循;王立维;廖理;石军;冯晓锋;冯中伟;;常州体育馆会展中心结构设计[J];建筑结构;2010年09期

相关博士学位论文 前1条

1 丁大益;大跨度钢结构选型、设计分析及关键节点试验研究[D];合肥工业大学;2015年

相关硕士学位论文 前10条

1 马琳;大空间复杂混合结构体系的结构选型与计算分析[D];重庆大学;2014年

2 于万秀;遗传神经网络与模糊综合评定结合在高层结构选型中应用[D];中南大学;2014年

3 明源;基于BP神经网络方法的主权债务危机预警研究[D];西南财经大学;2013年

4 汪菊;网架结构设计与加固研究[D];中南大学;2012年

5 刘功良;基于遗传神经网络对高层建筑结构选型的研究[D];东北石油大学;2012年

6 徐鹏飞;利用遗传神经网络技术对地震预测的研究[D];安徽大学;2010年

7 周科伟;Matlab环境下基于神经网络的车牌识别[D];西安电子科技大学;2009年

8 陈正伟;大跨度机床横梁有限元分析及结构优化[D];东北大学;2008年

9 花林林;层单元结构模型在高层建筑结构方案设计中的应用[D];厦门大学;2007年

10 寇立业;大跨钢结构方案设计知识发现的研究[D];哈尔滨工业大学;2006年

本文编号：2892307