改进PSO算法在结构作动器位置优化中的应用

针对空间结构振动主动控制中的作动器位置优化问题, 提出了一种改进的粒子群(PSO) 优化方法, 以系统总能量为性能指标进行优化; 应用改进PSO方法对算例结构进行了计算, 并与其他算法的优化结果进行了对比; 结果表明: 几种优化方法计算结果相符; 且 PSO优化算法能更有效快速地解决复杂优化问题, 从而有效地进行结构的振动控制.     

基于改进粒子群优化的水下地形辅助导航方法

为了提高传统地形匹配算法的定位精度,提出一种基于改进粒子群优化的水下地形辅助导航定位算法。该算法以SINS的指示位置为中心构造搜索区域,对二维粒子群进行初始化,利用实时水深测量序列与待匹配序列之间的平均Hausdorff距离作为适应度函数,在线性递减权重的基础上引入收敛因子对粒子的速度和位置进行约束更新,改善粒子"早熟"问题。在某海图内进行了水下地形匹配仿真实验,结果表明:初始位置误差大小不影响改进PSO算法的定位精度和匹配速度;当水下航行器初始位置误差较大时,与TERCOM算法相比,改进PSO算法的匹配精度提高了近5倍,匹配耗时缩减了近10倍。     

基于改进粒子群优化粒子滤波的结构损伤识别

针对粒子滤波应用于结构损伤识别问题时出现的粒子退化、反演计算强不适定性等现象,提出了一种改进的粒子群优化粒子滤波损伤识别方法。在粒子滤波算法中,利用粒子群优化过程驱使粒子群朝着后验概率密度取值较大的区域移动,优化了粒子滤波的采样过程;同时,根据结构损伤参数分布的稀疏性特点,引入对粒子群中损伤参数部分的零变异操作,既增加了粒子的多样性,又有效改善了反问题求解不适定性,提高了算法损伤识别的鲁棒性。数值仿真和框架结构振动实验结果均表明,对于线性或非线性结构,本文方法均能有效抑制噪声干扰,准确识别不同损伤工况下结构损伤的位置与程度;在试验研究中,结构损伤参数识别结果的相对误差小于1.5%。     

遗传-粒子群算法模型修正

用部分测量模态数据对5层钢架结构进行模型修正,将遗传算法、粒子群优化算法、 遗传-粒子群组合算法3种算法在该模型修正过程中的效率和精度进行比较,结果表明修正后 模型的全部四阶频率和振型都能在不同程度上向目标值靠近,证明3种算法都能够有效修正 模型,而且遗传-粒子群算法能在前期利用遗传算法进行高效全局搜索,后期利用粒子群算法 进行细致局部搜索,与单独使用遗传算法或粒子群算法相比,组合算法效率和精度更高.     

基于自适应权重PSO算法的磁屏蔽装置优化设计

针对传统的磁屏蔽装置结构参数优化过程中因待优化参数较少而限制了磁屏蔽性能进一步提高这一缺点,提出一种基于自适应权重粒子群优化(PSO)算法的磁屏蔽装置参数优化方法:首先,给出了磁屏蔽系数的计算公式,提出将不同屏蔽层的厚度、径向层间距以及轴向层间距均作为待优化变量以增加结构尺寸的多样性,从而扩大寻优范围;然后,针对待优化变量的增加可能会导致寻优陷入局部最优,提出一种自适应权重PSO算法以实现全局寻优;最后,以三层磁屏蔽装置的结构参数优化为例进行了仿真实验。仿真结果表明,与传统的优化方法相比,提出的优化方法使磁屏蔽装置的磁屏蔽系数提高了27.58%。该方法可以为磁屏蔽装置结构参数的优化提供一种参考。     

基于修正PSO-UKF的SINS/GPS组合导航滤波算法

针对噪声时变特性引起滤波精度下降的问题,提出了一种基于修正粒子群技术( PSO)的自适应UKF算法.为了克服传统粒子群算法过早收敛,容易陷入局部最优的问题,基于粒子的适应值方差提出了一种惯性权值实时修正算法,有效改善了传统PSO算法.在使用新息序列对观测噪声进行实时跟踪的同时,通过构造合理的适应度函数将修正PSO算法和...     

基于生物地理-海鸥群优化的高维结构可靠性分析

结构可靠度分析中,一阶可靠度方法由于简单高效而得到广泛使用.然而,对于高维非线性问题,一阶可靠度方法可能导致不收敛或者早熟.为克服这一缺陷,本文提出了基于生物地理-海鸥群优化的改进一阶可靠度方法.针对海鸥群优化算法在寻优过程中存在的早熟现象,引入生物地理优化算法中的变异与迁移机制,提出生物地理-海鸥群混合优化策略进行寻...     

基于改进粒子群相关向量机电机轴承故障诊断

为了提高电机轴承故障的诊断准确率,克服支持向量机与传统粒子群算法的缺点,提出了改进粒子群算法优化相关向量机算法的电机轴承故障诊断方法。通过小波包能量熵来提取故障特征量从而选取合适的特征量来表征故障的类型,提高了故障诊断的速度。利用改进的粒子群算法优化相关向量机的核函数参数,建立了分类器用于电机轴承故障的类型识别。仿真实验结果表明:与传统粒子群优化的相关向量机算法相比,改进粒子群优化的相关向量机算法对电机轴承故障分类的准确率提高了2%～4%;分类结果表明,与传统粒子群的支持向量机算法相比,改进粒子群优化的相关向量机算法具有更好的分类效果,准确率提高了4%～8%。     

含区间参数结构固有频率范围的优化估计

提出了一种基于Kriging近似模型和粒子群(Particle Swarm Optimization,PSO)优化算法的含区间参数结构的固有频率范围估计方法。基于Kriging模型优良的局部拟合性质,并经过误差检验和相关参数调整后,建立了满足精度要求的固有频率近似模型;基于PSO算法出色的全局寻优性能,对固有频率近似模型在区间参数空间内进行全局优化求解,获得区间不确定结构固有频率范围估计值。对某型燃气轮机涡轮叶片进行了实例分析,结果表明文中方法的效率和精度能够满足工程要求,其可行性和合理性得到了验证。     

基于萤火虫群优化的空间非合作目标相对导航粒子滤波算法

研究了空间非合作目标相对导航算法,针对标准粒子滤波的重采样过程导致的粒子贫化现象及其造成的相对导航精度下降问题,分析了萤火虫优化算法的运行机制,提出一种基于萤火虫智能优化算法的改进粒子滤波算法。改进算法通过优化粒子滤波的重采样过程,使粒子群智能的向高似然区域移动,同时在低似然区域也合理保留了部分粒子,保证了粒子的多样性,提高了样本的整体质量。仿真结果表明,改进算法导航精度较标准算法提高了39.35%,达到稳定精度所需粒子数较少,有效抑制了粒子贫化问题。     

基于自适应BP神经网络的结构损伤检测

描述基于人工神经网络的结构损伤检测的基本步骤以及该方法在实际5层钢框架结构损伤检测上的应用．提出了一种改进的BP神经网络方法，它能够解决传统BP神经网络在实际应用中存在的两个问题：收敛速度慢并存在局部极小．其基本思想是引入动态自适应算子加速传统BP算法的梯度下降速度，从而提高运算速度，通过自调节保证学习过程中每一时刻具有较大的sigmoid函数值，从而可以避免局部极小．数值仿真结果表明基于该自适应神经网络的结构损伤检测方法具有强的鲁棒性，而且与传统的BP神经网络相比，不仅提高了计算速度，并且具有很高的精度．最后，实例的应用也证明了该方法的有效性．     

基于改进灰狼优化算法的结构损伤识别

结合模态柔度矩阵、广义模态柔度矩阵和振型三个识别精度较好的指标,构造新的目标函数求解损伤识别问题。通过Nelson方法求解得到的频率与振型的导数,得到对结构刚度发生变化时更具敏感性的位置,然后在这些位置布置传感器以提取结构信息。针对原有的灰狼算法虽然全局搜索能力强,但是存在局部搜索精度差的问题,本文从初始种群和收敛因子等方面着手,改善灰狼算法的局部搜索能力及收敛速度。最后利用提出的方法,通过识别梁模型及桁架模型中的损伤单元说明本文方法的有效性。     

基于残余力向量法和改进遗传算法的结构损伤识别研究

提出了一种基于残余力向量法和改进遗传算法的结构损伤识别方法。文中首先对残余力向量法和遗传算法的基本理论进行了介绍。在无噪声的情况下,使用任意一阶模态数据,残余力向量法都能够对损伤进行准确定位。但是,振动测试数据中往往包含噪声,导致运用残余力向量法进行损伤识别完全不可行。考虑到这个问题,在常规模态分析的基础上,以节点的残余力向量构造用于遗传搜索优化的目标函数形式,然后利用改进的遗传算法重点进行了噪声条件下的结构损伤定位和定量研究。最后,本文用一个平面桁架模型进行了数值模拟,验证了所提出方法的有效性,并对方法应用中存在的一些问题进行了深入分析,得出了一些有益的结论。     

受随机激励作用结构的演化设计算法

提出了研究受随机激励作用的结构动力优化的演化设计方法，演化模型以随机激力作用下结构的位移方差为约束，寻求最优的构件尺寸使结构的重量最轻。演化算法采用多种群遗传与搜索空间收缩策略，并利用高效的虚拟随机激励法进行随机响应重分析和准精确罚函数处理约束，保证了算法稳定而迅速地收敛于最优解，算例显示出本文方法的有效性。     

Damage detection in structures using modified back-propagation neural networks

A nonparametric structural damage detection methodology based on neural networks method is presented for health monitoring of structure-unknown systems. In this approach appropriate neural networks are trained by use of the modal test data from a ‘healthy’ structure. The trained networks which are subsequently fed with vibration measurements from the same structure in different stages have the capability of recognizing the location and the content of structural damage and thereby can monitor the health of the structure. A modified back-propagation neural network is proposed to solve the two practical problems encountered by the traditional back-propagation method, i.e., slow learning progress and convergence to a false local minimum. Various training algorithms, types of the input layer and numbers of the nodes in the input layer are considered. Numerical example results from a 5-degree-of-freedom spring-mass structure and analyses on the experimental data of an actual 5-storey-steel-frame demonstrate that neural-networks-based method is a robust procedure and a practical tool for the detection of structural damage, and that the modified back-propagation algorithm could improve the computational efficiency as well as the accuracy of detection Project supported by the National Natural Science Foundation of China (No. 59908003) and the Natural Science Foundation of Hubei Province (No. 99J035).     

A new approach for computing the steady state fluid–structure interaction response of periodic problems

A special type of fluid–structure interaction (FSI) problems are problems with periodic boundary conditions like in turbomachinery. The steady state FSI response of these problems is usually calculated with similar techniques as used for transient FSI analyses. This means that, when the fluid and structure problem are not simultaneously solved with a monolithic approach, the problem is partitioned into a fluid and structural part and that each time step coupling iterations are performed to account for strong interactions between the two sub-domains. This paper shows that a time-partitioned FSI computation can be very inefficient to compute the steady state FSI response of periodic problems. A new approach is introduced in which coupling iterations are performed on periodic level instead of per time step. The convergence behaviour can be significantly improved by implementing existing partitioned solution methods as used for time step coupling (TSC) algorithms in the time periodic coupling (TPC) framework. The new algorithm has been evaluated by comparing the convergence behaviour to TSC algorithms. It is shown that the number of fluid–structure evaluations can be considerably reduced when a TPC algorithm is applied instead of a TSC. One of the most appealing advantages of the TPC approach is that the structural problem can be solved in the frequency domain resulting in a very efficient algorithm for computing steady state FSI responses.     

Sequential non-linear least-square estimation for damage identification of structures

An early detection of structural damage is an important goal of any structural health monitoring system. In particular, the ability to detect damages on-line, based on vibration data measured from sensors, will ensure the reliability and safety of the structures. In this connection, innovative data analysis techniques for the on-line damage detection of structures have received considerable attentions recently, although the problem is quite challenging. In this paper, we proposed a new data analysis method, referred to as the sequential non-linear least-square (SNLSE) approach, for the on-line identification of structural parameters. This new approach has significant advantages over the extended Kalman filter (EKF) approach in terms of the stability and convergence of the solution as well as the computational efforts involved. Further, an adaptive tracking technique recently proposed has been implemented in the proposed SNLSE to identify the time-varying system parameters of the structure. The accuracy and effectiveness of the proposed approach have been demonstrated using the Phase I ASCE structural health monitoring benchmark building, a non-linear elastic structure and non-linear hysteretic structures. Simulation results indicate that the proposed approach is capable of tracking on-line the changes of structural parameters leading to the identification of structural damages.     

桁架结构截面优化设计的改进模拟退火算法

将模拟退火算法应用于桁架结构截面尺寸优化设计,提出若干方法改进了算法的鲁棒性、计算效率和求解精度。通过一批经典问题,同时与传统结构优化算法和遗传算法进行了比较。数值结果表明,本文的改进模拟退火算法具有很高的优化求解精度,计算效率有显著提高且优于遗传算法,有望在结构优化设计问题中发挥其特点。     

粒子群算法优化的捷联罗经初始对准方法

初始对准是惯导系统的关键技术,罗经法对准是实现捷联惯导系统初始对准的重要手段。罗经对准回路的参数选择直接影响对准结果的好坏。对于不同的捷联惯导系统,罗经回路的最优参数也是不同的。传统的方法是根据经验以及大量的反复试验确定罗经对准参数,不能保证对准参数为最优。针对此问题,提出以水平罗经对准回路阻尼振荡周期T_(d1)和航向罗经对准回路阻尼振荡周期T_(d2)为寻优目标,用粒子群算法对参数(T_(d1),T_(d2))进行寻优的方法,以确定出满足条件的最优对准参数,从而提高捷联罗经初始对准的性能。实验结果表明:粒子群算法能够快速、准确地搜索出罗经对准回路的最优参数,提高捷联罗经对准的性能。将粒子群算法应用到捷联罗经初始对准中是有效的。