基于粒子群算法的油船结构优化研究

发布时间：2017-10-30 13:41

  本文关键词：基于粒子群算法的油船结构优化研究

  更多相关文章： 粒子群算法 有限元 结构强度直接计算 结构优化 参数化

【摘要】：船体结构的“轻量化”是船舶设计过程中的一项重要内容,较少的船体钢材用量可使船舶拥有更大的载重量,可为船东、船厂双方带来一定的经济效益。船体结构在不改变原有结构形式下的优化属于结构尺寸的组合优化问题,但由于结构构件数目众多,组合方案数目变的十分庞大,难以使用枚举法完成优选。近年来兴起的人工智能算法在组合优化问题上显示出良好效果,因此,本文使用一种基于双点交叉和单点变异的改进混合粒子群算法对船体结构进行尺寸优化。并通过四种常用的基准函数和旅行商问题对该改进策略下的算法进行有效性验证,均表现出良好的效果:特别是在解决庞大数量可能路径旅行商问题上,得到最优解的次数明显高于标准形式下的粒子群算法。船体这种大型复杂结构仅仅依靠从规范中选取经验公式根本无法精确分析其结构受力状态,有限元方法可以有效解决这一问题;并且有限元方法进行船体结构分析也已经得到各大船级社的认可,并日益在设计过程中流行。在优化过程中,算法需对结构尺寸的组合方案优劣进行评价,评价手段便使用有限元方法完成。同时,为使有限元计算中能够更为准确的模拟船体结构真实受载,本文还使用AWQA模块对本船在P-M波浪谱进行长期的波浪载荷预报,以选取该船在其寿命期内可能出现的最危险波浪弯矩。此外,为实现优化过程中算法和有限元方法计算中的无缝联结,有限元的各步骤操作均用ANSYS的参数化设计语言完成,并以批模式供MATLAB进行调用来节省计算时间。研究结果表明:算法结合有限元技术的结构优化方法使船体中部舱段钢料使用量相对初始设计下降了6.3%,且该优化方法可以考虑到实际工况下结构强度的需要。可以说是在满足一定强度要求的条件下,减少了船体结构的钢材用量,对船体结构设计具有一定的参考意义。
【关键词】：粒子群算法 有限元 结构强度直接计算 结构优化 参数化
【学位授予单位】：集美大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U674.133.1
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 引言9-14
• 1.1 研究背景与意义9
• 1.2 结构优化方法的研究进展9-11
• 1.3 主要研究内容11-14
• 1.3.1 主要研究技术路线11-12
• 1.3.2 论文的组织结构12-14
• 第2章 粒子群算法14-22
• 2.1 演化思想14
• 2.2 算法原理14-16
• 2.3 算法流程16-17
• 2.4 标准PSO算法的局限性17
• 2.5 改进粒子群算法的方法17-21
• 2.5.1 基于算法参数的改进方法17-19
• 2.5.2 基于拓扑结构的改进方法19-21
• 2.5.3 混合PSO算法21
• 2.6 本章小结21-22
• 第3章 基于交叉变异的混合PSO算法22-35
• 3.1 遗传算法简介22
• 3.2 基于交叉变异的混合PSO算法的构造22-24
• 3.2.1 变异操作的实现22-23
• 3.2.2 交叉操作的实现23-24
• 3.2.3 混合PSO算法粒子的更新公式24
• 3.3 混合PSO算法流程24-26
• 3.4 算法有效性测试26-33
• 3.4.1 Benchmark函数测试26-30
• 3.4.2 旅行商问题测试30-33
• 3.5 本章小结33-35
• 第4章 船体结构强度直接计算法模型35-42
• 4.1 本船结构型式35
• 4.2 结构强度有限元计算模型35-37
• 4.2.1 模型计算范围35
• 4.2.2 模型计算范围35-36
• 4.2.3 边界条件36
• 4.2.4 计算工况与载荷36-37
• 4.3 船体波浪载荷的直接计算37-41
• 4.3.1 AQWA软件简介37
• 4.3.2 AQWA数值计算的理论和方法37-38
• 4.3.3 计算坐标系38
• 4.3.4 计算模型38-39
• 4.3.5 基于设计波法的波浪载荷直接计算39-41
• 4.4 本章小结41-42
• 第5章 混合PSO算法在船舶结构优化中的应用42-51
• 5.1 设计变量42-43
• 5.2 适应度函数43
• 5.3 约束条件43-44
• 5.3.1 应力约束43-44
• 5.3.2 最小尺寸约束44
• 5.4 优化流程44-45
• 5.5 ANSYS中实现的技术要点45-48
• 5.5.1 MATLAB调用ANSYS计算46
• 5.5.2 设计变量的离散处理46-48
• 5.5.3 计算量上的处理48
• 5.6 优化结果及分析48-50
• 5.7 本章小结50-51
• 第6章 总结与展望51-53
• 6.1 总结51
• 6.2 展望51-53
• 致谢53-54
• 参考文献54-57
• 附录57-65
• 在学期间科研成果情况65

【相似文献】

中国期刊全文数据库 前10条

1 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

2 吴军;李为吉;;改进的粒子群算法及在结构优化中的应用[J];陕西理工学院学报(自然科学版);2006年04期

3 段海涛;刘永忠;冯霄;;水系统优化的粒子群算法分析[J];华北电力大学学报(自然科学版);2007年02期

4 王伟;;混合粒子群算法及其优化效率评价[J];中国水运(学术版);2007年06期

5 付宜利;封海波;孙建勋;李荣;马玉林;;机电产品管路自动敷设的粒子群算法[J];机械工程学报;2007年11期

6 蒋荣华;王厚军;龙兵;;基于离散粒子群算法的测试选择[J];电子测量与仪器学报;2008年02期

7 周苗;陈义保;刘加光;;一种新的协同多目标粒子群算法[J];山东理工大学学报(自然科学版);2008年05期

8 姚峰;杨卫东;张明;;改进粒子群算法及其在热连轧负荷分配中的应用[J];北京科技大学学报;2009年08期

9 张大兴;贾建援;张爱梅;郭永献;;基于粒子群算法的三轴跟瞄装置跟踪策略研究[J];仪器仪表学报;2009年09期

10 王丽萍;江波;邱飞岳;;基于决策偏好的多目标粒子群算法及其应用[J];计算机集成制造系统;2010年01期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 李庆伟;粒子群算法及电厂若干问题的研究[D];东南大学;2016年

2 杜毅;多阶段可变批生产线重构的研究[D];广东工业大学;2016年

3 尹浩;求解Web服务选取问题的粒子群算法研究[D];东北大学;2014年

4 王芳;粒子群算法的研究[D];西南大学;2006年

5 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

6 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

7 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

8 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

9 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

10 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 王伟;大型螺纹旋风硬铣削数值模拟及工艺参数优化[D];浙江大学;2016年

7 李玲玉;基于粒子群算法的城市轨道交通列车节能优化研究[D];北京交通大学;2016年

8 苗冬云;基于改进粒子群算法的云任务调度方案研究[D];安徽财经大学;2015年

9 蒋晓\~;粒子群算法在多维优化问题中的改进研究[D];浙江理工大学;2016年

10 刘角;生态系统粒子群算法及其在阵列天线方向图优化中的应用[D];太原理工大学;2016年

，

本文编号：1117805