改进的量子粒子群算法在结构识别中的应用
发布时间：2022-07-15 15:09
工程结构在材料老化、外界环境影响、超负荷运营等作用下事故频发,由此,结构健康监测应运而生。其核心结构参数识别的方法很多,由于各种原因都无法在实际工程中得到有效利用。随着信息技术和计算机的飞速发展,智能优化技术逐渐被引入结构参数识别中。其中,量子粒子群优化（QPSO）算法因其诸多优势而备受青睐,但该法也有不足之处,如全局寻优能力差,容易陷入局部最优等。本文针对QPSO算法的不足,提出了基于混合概率的小波变异量子粒子群优化（M-WMQPSO）算法和基于同化竞争的量子粒子群优化（ACQPSO）算法,并将其应用于结构参数识别。具体内容及成果如下:1、介绍结构参数识别和智能优化算法在结构参数识别中的应用情况以及QPSO算法。2、剖析QPSO算法的不足,提出改进的必要性。3、发展出M-WMQPSO算法。介绍了算法原理及运算过程,并采用标准测试函数验证。4、发展出ACQPSO算法。介绍了算法的思想及运算过程。对标准测试函数的分析表明,该算法大大提高了全局寻优能力。5、将上述改进算法应用于结构参数识别。识别了环境激励下的三质量块模型、六层框架模型、简支梁模型的数值模型和三层框架试验模型,结果表明,改进...
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 选题背景及意义
1.1.1 课题来源
1.1.2 选题背景及意义
1.2 结构模态参数识别
1.3 智能优化算法在结构模态参数识别中的应用
1.3.1 群体智能优化算法
1.3.2 PSO算法及其在结构参数识别中应用现状
1.3.3 QPSO算法及其在结构参数识别中应用现状
1.3.4 改进QPSO算法研究现状
1.4 本文研究内容
第二章 量子粒子群优化算法理论
2.1 粒子群优化算法
2.1.1 PSO算法理论
2.1.2 PSO算法的缺陷
2.2 量子粒子群算法（QPSO）
2.2.1 量子理论基础
2.2.2 QPSO算法基本理论
2.2.3 QPSO算法的优缺点
2.3 本章小结
第三章 基于混合概率的小波变异量子粒子群算法
3.1 基于混合概率分布的QPSO原理（M-QPSO）
3.2 小波变异原理
3.3 基于混合概率分布的小波变异量子粒子群（M-WMQPSO）算法
3.4 性能测试与分析
3.4.1 标准测试函数
3.4.2 算法测试与仿真
3.5 本章小结
第四章 基于同化竞争的量子粒子群算法
4.1 同化竞争理论思想
4.2 基于同化竞争的QPSO算法具体流程
4.3 性能测试与分析
4.4 本章小结
第五章 基于改进QPSO算法在结构模态参数识别中的应用
5.1 问题描述
5.2 模态参数识别步骤
5.3 数值模拟
5.3.1 三质量块模态识别
5.3.2 六层框架模态识别
5.3.3 简支梁模态识别
5.3.4 试验三层框架模态识别
5.4 本章小结
第六章 结论与展望
6.1 本文主要结论
6.2 前景与展望
参考文献
致谢
个人简历
【参考文献】：
期刊论文
[1]量子粒子群结合小波变换识别结构模态参数[J]. 常军,巩文龙. 振动与冲击. 2014(23)
[2]基于量子粒子群算法的结构模态参数识别[J]. 常军,刘大山. 振动与冲击. 2014(14)
[3]量子粒子群算法的改进实现[J]. 潘大志,刘志斌. 计算机工程与应用. 2013(10)
[4]基于改进粒子群算法的Web服务组合[J]. 温涛,盛国军,郭权,李迎秋. 计算机学报. 2013(05)
[5]基于粒子群算法的无线传感网络部署的研究[J]. 温勇,王美. 计算机技术与发展. 2013(04)
[6]环境激励下结构模态参数识别方法综述[J]. 沈方伟,杜成斌. 电子测试. 2013(05)
[7]量子粒子群优化算法在结构参数识别中的应用[J]. 王兰彬. 防灾减灾工程学报. 2013(01)
[8]一种改进的小波变异粒子群优化算法[J]. 高东慧,董平平,田雨波,周昊天. 计算机工程. 2012(21)
[9]基于特征值分解的随机子空间算法研究[J]. 章国稳,汤宝平,孟利波. 振动与冲击. 2012(07)
[10]惯性权自适应调整的量子粒子群优化算法[J]. 黄泽霞,俞攸红,黄德才. 上海交通大学学报. 2012(02)
博士论文
[1]基于环境激励的大型土木工程结构模态参数识别研究[D]. 叶锡均.华南理工大学 2012
[2]环境激励下结构模态参数自动识别与算法优化[D]. 章国稳.重庆大学 2012
[3]量子行为粒子群优化算法研究[D]. 孙俊.江南大学 2009
[4]群体智能算法及其在移动机器人路径规划与跟踪控制中的研究[D]. 奚茂龙.江南大学 2008
[5]群体智能算法及其在数字滤波器优化设计中的研究[D]. 方伟.江南大学 2008
[6]基于小波分析的结构参数识别方法研究[D]. 任宜春.湖南大学 2007
[7]Morlet小波变换理论与应用研究及软件实现[D]. 罗光坤.南京航空航天大学 2007
[8]随机子空间方法在桥梁模态参数识别中的应用研究[D]. 常军.同济大学 2006
[9]系统模态参数辨识的连续小波方法研究[D]. 刘宁.天津大学 2005
[10]一种新型的智能优化方法-人工鱼群算法[D]. 李晓磊.浙江大学 2003
硕士论文
[1]QPSO算法在桥梁健康监测中的应用研究[D]. 巩文龙.苏州科技学院 2014
[2]基于QPSO算法的结构参数识别研究[D]. 刘大山.苏州科技学院 2014
[3]量子粒子群算法的改进及其在认知无线电频谱分配中的应用[D]. 丁颖.南京邮电大学 2013
[4]基于自然激励技术的结构模态参数识别应用研究[D]. 罗奎.武汉理工大学 2010
[5]基于振动信号的结构模态参数识别与损伤分析[D]. 刘珍.西安电子科技大学 2010
[6]粒子群优化算法及其在结构动力修改中的应用研究[D]. 史志俊.南京理工大学 2005
本文编号：3662284
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 选题背景及意义
1.1.1 课题来源
1.1.2 选题背景及意义
1.2 结构模态参数识别
1.3 智能优化算法在结构模态参数识别中的应用
1.3.1 群体智能优化算法
1.3.2 PSO算法及其在结构参数识别中应用现状
1.3.3 QPSO算法及其在结构参数识别中应用现状
1.3.4 改进QPSO算法研究现状
1.4 本文研究内容
第二章 量子粒子群优化算法理论
2.1 粒子群优化算法
2.1.1 PSO算法理论
2.1.2 PSO算法的缺陷
2.2 量子粒子群算法（QPSO）
2.2.1 量子理论基础
2.2.2 QPSO算法基本理论
2.2.3 QPSO算法的优缺点
2.3 本章小结
第三章 基于混合概率的小波变异量子粒子群算法
3.1 基于混合概率分布的QPSO原理（M-QPSO）
3.2 小波变异原理
3.3 基于混合概率分布的小波变异量子粒子群（M-WMQPSO）算法
3.4 性能测试与分析
3.4.1 标准测试函数
3.4.2 算法测试与仿真
3.5 本章小结
第四章 基于同化竞争的量子粒子群算法
4.1 同化竞争理论思想
4.2 基于同化竞争的QPSO算法具体流程
4.3 性能测试与分析
4.4 本章小结
第五章 基于改进QPSO算法在结构模态参数识别中的应用
5.1 问题描述
5.2 模态参数识别步骤
5.3 数值模拟
5.3.1 三质量块模态识别
5.3.2 六层框架模态识别
5.3.3 简支梁模态识别
5.3.4 试验三层框架模态识别
5.4 本章小结
第六章 结论与展望
6.1 本文主要结论
6.2 前景与展望
参考文献
致谢
个人简历
【参考文献】：
期刊论文
[1]量子粒子群结合小波变换识别结构模态参数[J]. 常军,巩文龙. 振动与冲击. 2014(23)
[2]基于量子粒子群算法的结构模态参数识别[J]. 常军,刘大山. 振动与冲击. 2014(14)
[3]量子粒子群算法的改进实现[J]. 潘大志,刘志斌. 计算机工程与应用. 2013(10)
[4]基于改进粒子群算法的Web服务组合[J]. 温涛,盛国军,郭权,李迎秋. 计算机学报. 2013(05)
[5]基于粒子群算法的无线传感网络部署的研究[J]. 温勇,王美. 计算机技术与发展. 2013(04)
[6]环境激励下结构模态参数识别方法综述[J]. 沈方伟,杜成斌. 电子测试. 2013(05)
[7]量子粒子群优化算法在结构参数识别中的应用[J]. 王兰彬. 防灾减灾工程学报. 2013(01)
[8]一种改进的小波变异粒子群优化算法[J]. 高东慧,董平平,田雨波,周昊天. 计算机工程. 2012(21)
[9]基于特征值分解的随机子空间算法研究[J]. 章国稳,汤宝平,孟利波. 振动与冲击. 2012(07)
[10]惯性权自适应调整的量子粒子群优化算法[J]. 黄泽霞,俞攸红,黄德才. 上海交通大学学报. 2012(02)
博士论文
[1]基于环境激励的大型土木工程结构模态参数识别研究[D]. 叶锡均.华南理工大学 2012
[2]环境激励下结构模态参数自动识别与算法优化[D]. 章国稳.重庆大学 2012
[3]量子行为粒子群优化算法研究[D]. 孙俊.江南大学 2009
[4]群体智能算法及其在移动机器人路径规划与跟踪控制中的研究[D]. 奚茂龙.江南大学 2008
[5]群体智能算法及其在数字滤波器优化设计中的研究[D]. 方伟.江南大学 2008
[6]基于小波分析的结构参数识别方法研究[D]. 任宜春.湖南大学 2007
[7]Morlet小波变换理论与应用研究及软件实现[D]. 罗光坤.南京航空航天大学 2007
[8]随机子空间方法在桥梁模态参数识别中的应用研究[D]. 常军.同济大学 2006
[9]系统模态参数辨识的连续小波方法研究[D]. 刘宁.天津大学 2005
[10]一种新型的智能优化方法-人工鱼群算法[D]. 李晓磊.浙江大学 2003
硕士论文
[1]QPSO算法在桥梁健康监测中的应用研究[D]. 巩文龙.苏州科技学院 2014
[2]基于QPSO算法的结构参数识别研究[D]. 刘大山.苏州科技学院 2014
[3]量子粒子群算法的改进及其在认知无线电频谱分配中的应用[D]. 丁颖.南京邮电大学 2013
[4]基于自然激励技术的结构模态参数识别应用研究[D]. 罗奎.武汉理工大学 2010
[5]基于振动信号的结构模态参数识别与损伤分析[D]. 刘珍.西安电子科技大学 2010
[6]粒子群优化算法及其在结构动力修改中的应用研究[D]. 史志俊.南京理工大学 2005
本文编号：3662284
本文链接：https://www.wllwen.com/jingjilunwen/jianzhujingjilunwen/3662284.html
