基于差分人工蜂群算法的梁结构裂纹识别
本文选题：人工蜂群算法 + 差分进化机制 ； 参考：《振动与冲击》2016年11期
【摘要】：采用差分人工蜂群算法对裂纹梁结构进行损伤识别。人工蜂群算法是一种元启发式算法,具有结构简单,方便执行但易于陷入局部最优的特点。为改善这一不足,在引领蜂阶段引入差分进化机制增强算法的全局搜索能力,在观察蜂阶段引入新的搜索公式来加强算法的局部搜索能力。另一方面,通过利用完全开口裂纹梁的前几阶固有频率建立损伤识别的目标函数,然后利用改进方法优化目标函数得到识别结果。数值算例和实验验证的结果表明,在仅知道前几阶固有频率的情况下,差分人工蜂群算法能够有效地识别损伤参数,优于原始人工蜂群算法、遗传算法和粒子群算法并且对测量噪声不敏感。
[Abstract]:The differential artificial bee colony algorithm is used to identify the damage of cracked beam structure. Artificial bee colony algorithm is a kind of meta-heuristic algorithm, which has the characteristics of simple structure, convenient execution but easy to fall into local optimum. In order to improve this deficiency, differential evolution mechanism is introduced to enhance the global search ability of the algorithm, and a new search formula is introduced in the observation phase to enhance the local search ability of the algorithm. On the other hand, the objective function of damage identification is established by using the first natural frequencies of the fully cracked beam, and then the identification result is obtained by optimizing the objective function with the improved method. Numerical examples and experimental results show that the differential artificial bee colony algorithm can identify the damage parameters effectively and is superior to the original artificial bee colony algorithm under the condition of only knowing the first natural frequencies. Genetic algorithm and particle swarm optimization algorithm are also insensitive to measurement noise.
【作者单位】： 中山大学力学系;
【基金】：国家自然科学基金(11172333,11272361) 广东省科技厅项目基金(2014A020218004)资助
【分类号】：O346.1;TP18
【相似文献】
相关期刊论文 前10条
1 李德胜;张才仙;陈淑铭;;选择策略对进化算法性能的影响[J];科技资讯;2007年11期
2 梁民,孙仲康;多层前馈神经网络的快速学习算法及其仿真研究[J];系统工程与电子技术;1993年09期
3 王忠;陈伏虎;;基于阵元域数据的联合检测与跟踪算法[J];声学学报(中文版);2007年06期
4 苏开乐;关于D.W.Etherington的扩充产生算法的一个注记[J];计算机工程与科学;1998年04期
5 江宇闻;;Overcomplete ICA算法研究[J];中山大学研究生学刊(自然科学、医学版);2004年02期
6 王杰;王加银;;Mean Shift算法的收敛性讨论[J];北京师范大学学报(自然科学版);2008年05期
7 胡梦佑;陈钧量;;快速加权滑窗RLS格型算法[J];中山大学学报(自然科学版);1992年02期
8 裴炳南;吴显鼎;张明武;;MLMS算法的伪收敛现象[J];河南科学;1993年Z1期
9 张承慧;一种工业过程时变参数估计新算法——修正目标函数法[J];中国工程科学;2001年11期
10 丁海军;李峰磊;;蜂群算法在TSP问题上的应用及参数改进[J];中国科技信息;2008年03期
相关会议论文 前10条
1 何敏;陈中显;梅松涛;;蚁群算法的研究与进展[A];中国计量协会冶金分会2010年会论文集[C];2010年
2 高玮;;免疫连续蚁群算法[A];第二十六届中国控制会议论文集[C];2007年
3 唐乾玉;韩曾晋;;基于扰动分析的优化算法[A];1994中国控制与决策学术年会论文集[C];1994年
4 金成勋;周广禄;郭恒业;;对ICP算法中稳定采样的研究[A];立体图象技术及其应用研讨会论文集[C];2005年
5 陈元琰;闫友彪;罗晓曙;;REM算法的改进[A];广西计算机学会2005年学术年会论文集[C];2005年
6 范瑛;;改进蚁群算法结合BP网络用于入侵检测[A];中国运筹学会模糊信息与模糊工程分会第五届学术年会论文集[C];2010年
7 万丽芬;钟炎平;;约束LMS算法研究[A];第二十届电工理论学术年会论文集[C];2008年
8 云飞;薛青;姚义军;;改进型LMBP算法在军事数据分析中的应用研究[A];'2010系统仿真技术及其应用学术会议论文集[C];2010年
9 朱双东;艾智斌;阎夏;;BP网络学习算法的改进方案探析[A];1998年中国智能自动化学术会议论文集（上册）[C];1998年
10 唐乾玉;陈翰馥;韩曾晋;;串行生产线的参数优化[A];1994年中国控制会议论文集[C];1994年
相关博士学位论文 前10条
1 杨扩军;TIADC系统校准算法研究与实现[D];电子科技大学;2015年
2 王戈;通信信号若干联合处理技术研究[D];解放军信息工程大学;2013年
3 王可心;大规模过程系统非线性优化的简约空间理论与算法研究[D];浙江大学;2008年
4 鲍吉锋;平衡问题和优化问题若干算法的收敛性分析[D];浙江大学;2013年
5 韩飞;基于先验信息编码的约束学习算法研究[D];中国科学技术大学;2006年
6 袁东辉;蚁群算法在飞行模拟器平台中若干应用问题的研究[D];吉林大学;2011年
7 厉丹;视频目标检测与跟踪算法及其在煤矿中应用的研究[D];中国矿业大学;2011年
8 滕月阳;正电子发射断层成像中的数学模型与算法[D];东北大学;2012年
9 黄亚魁;几类优化问题的BB型算法研究[D];西安电子科技大学;2015年
10 张晓伟;全局优化的若干随机性算法[D];西安电子科技大学;2008年
相关硕士学位论文 前10条
1 张申利;基于蜂群算法的GIS优化选址及其并行化研究与应用[D];中国石油大学(华东);2014年
2 刘坤;人工植物优化算法混合策略的研究及应用[D];太原科技大学;2011年
3 魏红凯;人工蜂群算法及其应用研究[D];北京工业大学;2012年
4 刘婷婷;基于反馈的多目标人工蜂群算法研究[D];东北大学;2013年
5 李云彬;多目标人工蜂群算法的研究与应用[D];东北大学;2012年
6 李长荣;面向非线性优化问题的学习算法的研究[D];华东师范大学;2015年
7 代沆;基于蚁群算法的移动互联网服务发现算法研究[D];电子科技大学;2012年
8 让辉;基于进化算法的多目标电子谈判的研究[D];武汉科技大学;2007年
9 章小红;基于蚁群算法的产品拆卸序列规划方法研究[D];华中科技大学;2007年
10 宋慧;预处理Householder-GMRES(m)算法研究[D];燕山大学;2013年
，本文编号：1782193
本文链接：https://www.wllwen.com/kejilunwen/lxlw/1782193.html
