基于粒子群算法和近似模型的结构多目标优化研究

发布时间：2017-07-17 07:00

  本文关键词：基于粒子群算法和近似模型的结构多目标优化研究

  更多相关文章： 粒子群算法 近似模型 支持向量机 多目标优化

【摘要】：结构优化是结构设计的重要方面。以大型的实际工程结构系统为例,质量轻量化要求苛刻、静动力学条件复杂、高性能要求指标众多,使得开展结构优化方面的研究与应用变得日益迫切。在结构优化过程中,一方面需要寻求有良好搜索能力的优化算法,并采取合理的策略来处理复杂结构优化过程中的各种问题,以有效的寻求结构优化问题的最优解;另一方面需要在结构优化过程中构造近似模型,利用近似模型来预测结构响应,代替耗时长的有限元分析,简化优化过程并降低优化时间成本。本文首先提出了多目标粒子群算法,其以标准粒子群算法为基础,采用惯性权重递减策略,对违反约束的粒子给予不同的惩罚,并在算法后期引入变异算子,增强种群的多样性,使算法更好地进行全局寻优。本文总结了常用的近似模型技术,重点阐述了支持向量机的理论基础并研究了建立支持向量机近似模型的方法,提出了基于多目标粒子群算法和支持向量机的组合优化方法。本文接下来建立了卫星结构多目标优化模型,以结构质量和动力响应为目标,结合多目标粒子群算法,在Matlab平台对卫星进行结构优化;比较粒子群算法和遗传算法的优化结果,分析近似模型与有限元计算在最优解处的值;分析多目标粒子群算法与支持向量机组合优化方法的优化效率。最后,本文针对某船舶液舱结构建立了多目标优化模型,根据晃荡载荷规范,考虑不同加载位置和装载率,确定十六个计算工况;以结构质量和钢材总价为目标,结合多目标粒子群算法,在Matlab平台对船舶舱段进行结构优化。通过对卫星结构和船舶舱段结构的优化设计,表明多目标粒子群算法是一种高效的结构优化算法,同时结合支持向量机技术不仅能显著提高优化效率,而且计算精度良好,为大型复杂工程结构的优化问题提供了一种有效的解决思路和方法。
【关键词】：粒子群算法 近似模型 支持向量机 多目标优化
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：U663.85;U661.4
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-12
• 1.1 研究背景及意义8
• 1.2 结构优化算法研究进展8-10
• 1.3 近似模型技术研究现状10-11
• 1.4 本文研究的主要内容11-12
• 第二章 多目标粒子群算法和近似模型技术12-21
• 2.1 多目标粒子群算法12-15
• 2.1.1 标准粒子群算法12
• 2.1.2 惯性权重递减策略12-13
• 2.1.3 约束处理13-14
• 2.1.4 变异算子的引入14
• 2.1.5 多目标粒子群算法流程14-15
• 2.2 近似模型技术15-18
• 2.2.1 响应面模型15-16
• 2.2.2 泰勒级数模型16
• 2.2.3 Kriging模型16-17
• 2.2.4 径向基函数模型17
• 2.2.5 支持向量机17-18
• 2.3 组合优化方法18-19
• 2.4 本章小结19-21
• 第三章 卫星结构力学性能研究21-59
• 3.1 卫星结构介绍21-22
• 3.1.1 卫星整体构型21
• 3.1.2 卫星局部构件21-22
• 3.2 有限元模型的建立22-27
• 3.2.1 模型概述22-23
• 3.2.2 有限元模型23-27
• 3.3 载荷工况分析27-58
• 3.3.1 静力学分析27-33
• 3.3.2 稳定性分析33-36
• 3.3.3 模态分析36-38
• 3.3.4 正弦响应分析38-57
• 3.3.5 小结57-58
• 3.4 本章小结58-59
• 第四章 基于多目标粒子群算法和近似模型的卫星结构优化59-69
• 4.1 卫星结构优化模型59-62
• 4.1.1 目标函数59
• 4.1.2 设计变量59-61
• 4.1.3 约束条件61-62
• 4.2 建立近似模型62-65
• 4.2.1 收集样本62
• 4.2.2 训练样本62-63
• 4.2.3 近似模型的检验63-65
• 4.3 基于近似模型的优化65-68
• 4.4 本章小结68-69
• 第五章 基于多目标粒子群算法的船舶舱段结构优化69-80
• 5.1 船舶舱段结构模型69-70
• 5.2 晃荡载荷及工况70-74
• 5.2.1 CSR规范晃荡载荷及工况70-72
• 5.2.2 LR规范晃荡载荷及工况72-74
• 5.3 优化模型74-77
• 5.3.1 目标函数74-75
• 5.3.2 设计变量75-76
• 5.3.3 约束条件76-77
• 5.4 基于多目标粒子群算法的优化77-79
• 5.5 本章小结79-80
• 第六章 结束语80-82
• 6.1 主要工作与创新点80-81
• 6.2 后续研究工作81-82
• 参考文献82-85
• 致谢85-86
• 攻读硕士期间已发表或录用的论文86-88

【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 王芳;粒子群算法的研究[D];西南大学;2006年

2 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

3 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

4 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

5 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

6 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

7 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

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013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 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：552380