基于模式联想的结构布局优化方法

本文把结构布局优化问题分为两个阶段，即基于模式联想的方案优选和基于数值模型的几何优化和参数优化。提出运用模式联想方法产生出多个结构布局方案然后优选出一个或多个可行性实用的方案，再由基于数值模型的几何优化和参数优化方法获得优化的结构布局。运用人工神经网络技术，通过对大量已成功的结构布局实例的实习，获得具有知识和经验的神经网络系统，然后使用网络可对某个输入集实现模式联想，产生初步布局，进而结合人工智能     

基于遗传算法的舰载IMU优化布局

惯性测量单元（IMU）用来为舰载武器系统提供准确的姿态并实时监测舰船甲板的变形，对其数目和位置进行优化具有重要的实用价值．提出了多IMU优化布局的原则，建立了舰载IMU优化布局的数学模型，采用遗传算法对IMU的布局进行了优化求解。仿真结果表明，舰载IMU的布局是影响甲板变形估计精度的一个重要因素，通过对IMU的布局进行优化，减少了舰载武器系统所需IMU的数量；利用优化布局后IMU的输出信息对全舰甲板变形进行估计，估计精度有很大提高。     

基于蚁群算法的桁架结构布局离散变量优化方法

提出的布局优化方法是将桁架结构的截面变量、拓扑变量及形状变量统一为离散变量.将离散变量转化为适应于蚁群算法求解TSP问题的离散变量,应用MATLAB语言编写求解桁架结构布局优化程序,最终实现对问题的分析与求解.通过对几个经典的平面、空间桁架结构布局优化算例的验算表明:本文设计的基于蚁群算法的桁架结构布局离散变量优化方法较单独处理截面优化、拓扑优化及形状优化问题具有更大的效益,相对于其他布局优化方法也展现出更好的优化效果.“基于蚁群算法的桁架结构布局离散变量优化方法”在程序设计、求解速度、求解空间及其方法通用性等方面都表现出良好的性能,并且简单、实用,适应于实际工程应用.     

面向工程全局优化的混沌优化算法研究进展Research advances of chaos optimization algorithms for engineering global optimization

近年来,基于混沌的初值敏感性、伪随机性、遍历性以及自相似分形等非线性动力学特性所发展的混沌优化方法,是一种有潜力的工程全局优化新工具,已广泛应用于科学与工程技术的各学科领域。根据混沌优化方法的发展历程,以算法基本思想和工程应用研究状况为重点,评述了混沌神经网络优化方法、第一类混合混沌优化算法（基于混沌搜索）、第二类混合混沌优化算法（混沌序列代替随机序列）以及混沌分形优化四种主要混沌优化算法。混沌映射最早被引入神经网络,发展了混沌神经网络优化方法,可解决复杂的组合优化等全局优化问题。遗传算法及粒子群等启发式随机算法虽具全局搜索能力,但易出现早熟并陷入局部最优。然后,出现了混沌搜索的概念,研究者将其嵌入启发式算法建立了第一类混合混沌优化算法,可有效克服原启发式算法早熟收敛的缺点。随后,利用混沌映射产生的混沌序列代替启发式算法中的随机参数形成了第二类混合混沌优化算法。混合混沌优化算法有益于实现快速全局收敛和提高计算精度。最后,利用混沌分形特性,从分形理论出发提出一类新颖的混沌分形优化算法,可搜索到优化问题的所有全局最优解。此外,对混沌优化算法研究的几个发展方向进行了展望,诸如加强混沌优化算法的参数设计、处理大规模优化、多目标优化问题以及使用代理模型等。     

基于变密度法的平模台振加强筋布局优化

针对混凝土预制构件水平成型振动台(简称平模台振)振动效果改进的问题,提出了通过优化振动台面加强筋布局来提高其振动效果的方法.基于变密度拓扑优化法,建立以加强筋单元相对密度为设计变量,振动台面柔度最小为目标的优化模型,并进行灵敏度分析,采用最优准则法求解优化模型;根据拓扑优化结果,对振动台面加强筋进行布局优化,获得了合理...     

基于神经网络的结构分析与优化技术研究进展

近几年来，神经网络在结构分析与优化中得到了应用，本文介绍即将形成的神经网络结构近似分析方法、神经网络结构分析方法、神经网络的结构优化策略等新的研究领域的研究进展。     

基于动力学响应的多组件系统布局优化方法

针对圆形安装板上多组件布局问题,以组件系统静平衡性为约束,以系统在随机振动下的动力学响应为优化目标,建立了多组件系统的动力学布局优化模型。针对所建立的优化模型,提出采用序列二次规划方法和改进遗传算法相结合的策略进行多约束条件下的组件布局优化。最后,对两个典型算例进行了动力学优化计算,结果表明,本文所建立的优化模型在多约束的情况下可提高组件系统的动力学性能,满足静力学和动力学性能要求。     

近空间高速飞行器气动特性研究与布局设计优化

高空高速飞行中的黏性干扰效应、真实气体效应和稀薄气体效应成为决定未来空天飞行器能否实现安全飞行、精确控制和制导的重大基础科学问题.介绍了黏性干扰效应、真实气体效应和稀薄气体效应对高空高速飞行器气动特性影响,回顾了飞行器气动布局设计优化的发展过程,给出典型高速高升阻比飞行器气动布局设计及优化的结果.      

考虑嵌入移动孔洞的多相材料布局优化

工程结构设计问题中经常需要预先嵌入一个或多个固定形状的孔洞以满足某些功能性或者制造性设计要求.为了有效求解这种带有嵌入可移动孔洞的多相材料连续体结构布局优化问题,通常需要同时优化这些嵌入孔洞的位置和方向及多相材料结构的拓扑构型,以改善结构的整体性能.为此,本文采用参数化的水平集函数描述嵌入孔洞的几何形状,并将定义多相材料结构拓扑的材料密度以及描述嵌入孔洞的位置和方向的几何参数视为所考虑优化问题的设计变量.为了避免由于孔洞移动造成的重新划分网格的繁琐及改善计算效率,使用平滑化的Heaviside函数将所有嵌入孔洞映射为固定网格上的密度场.同时,提出了一种在有限元水平上调用的类SIMP材料插值格式,用于优化问题的材料参数化,进而实现多相材料结构拓扑构型和嵌入孔洞位置和方向的同步优化.这种材料插值格式便于几何变量的解析灵敏度分析,使得当前的优化问题可以用基于梯度的优化算法求解.优化算例证明所提方法可以有效地处理带有多个嵌入孔洞的多相材料结构布局优化问题.      

基于应力分析的桁架结构双向拓扑优化方法

结构拓扑优化问题的研究多是采用基结构的思路,通过删除在设计区域内的不必要单元来得到结构的最优拓扑构型。本文探索了一种增加单元与删除单元相结合的双向拓扑优化方法,采用了网格与杆件两类单元对桁架进行分析:在高应力杆件单元周围生成新网格单元,并且删除低应力的杆单元,结构逐渐进化,从而得到优化的拓扑构型。文章最后通过数值算例,表明该方法是可行的。     

钢筋混凝土平面构件的配筋优化

钢筋混凝土D区构件由于不满足平截面假定,以往多采用试验加经验的方法进行配筋设计,误差较大,结果多偏于保守。由于钢筋混凝土构件是由钢筋和混凝土两种材料组成的复合构件,它的工作本质可抽象为由混凝土压杆和钢筋拉杆构成的、形状自由的拉压杆模型。引入一种新的结构优化方法遗传演化算法建立反映构件最实质工作机理的拉压杆模型,在所获拉压杆模型的指导下,拉杆位置布置受拉钢筋,压杆位置认为由混凝土承担,完成钢筋混凝土D区构件的配筋设计。首先以一根钢筋混凝土简支深受弯构件为例证明这种方法的可行性,根据所求得的拉压杆模型配置的钢筋数量少于现行规范用量。另外这种方法还被证明能方便地找到包括钢筋混凝土简支深受弯构件、牛腿、框架节点等典型D区构件的拉压杆模型,并据此给出相应的配筋指导。     

Chaos in transiently chaotic neural networks

It was theoretically proved that one-dimensional transiently chaotic neural networks have chaotic structure in sense of Li-Yorke theorem with some given assumptions using that no division implies chaos. In particular, it is further derived sufficient conditions for the existence of chaos in sense of Li- Yorke theorem in chaotic neural network, which leads to the fact that Aihara has demonstrated by numerical method. Finally, an example and numerical simulation are shown to illustrate and reinforce the previous theory.     

车身结构中焊点布置的分区拓扑优化设计方法研究

焊点布置的设计对于车身结构的强度、刚度、NVH特性和耐撞性等都有重要影响。针对一种紧凑型两厢轿车,分别以车身结构的刚度和低频固有振动特性为设计目标,对车身结构中的焊点布置进行了优化设计。通过对优化设计结果的理论分析和工程评价,对相关的优化设计问题定义的有效性和优化设计方法的适用性进行了分析。基于相关分析结论和车身结构设计经验,提出了一种新的车身结构焊点布置的分区拓扑优化设计方法,通过将车身划分为多个功能设计区域,可以采用分级优化设计的方法综合考虑车身结构的刚度和动态特性、耐撞性以及强度等多方面的性能要求。通过对一个实际轿车车身结构中焊点布置的重新优化设计,验证了提出的优化设计方法的有效性,同时表明该车身的现有焊点布置方案已接近最优设计。     

遗传递增演化算法配筋优化设计

递增演化结构算法(AESO)是在初始结构上,逐步增加有效材料,进而得到优化拓扑形状,其运算速度快,但容易陷入局部最优解。为提高寻找全局最优解的能力,把递增演化结构算法(AESO)和遗传算法(GA)相结合,提出遗传递增演化算法(GAESO),在增加有效材料的选择性上引入生物进化遗传理论,并以ANSYS有限元分析软件的非线性分析为平台,采用钢筋混凝土分离式模型,探讨遗传递增演化算法(GAESO)在钢筋混凝土复杂应力构件配筋优化设计上的应用,直观地完成在荷载作用和应力约束条件下简支深梁、简支开洞深梁和开洞剪力墙等钢筋混凝土复杂应力构件的配筋优化设计,所得结果符合受力机理,演化方向正确,钢筋布置明确,与遗传演化优化算法(GESO)所得结果进行比较验证,证实了算法的可行性、速敛性和稳定性,能为钢筋混凝土配筋优化设计提供参考。     

结构系统可靠性优化设计的神经网络方法

针对具有非正态随机参数的可靠性(优化)设计,提出了随机摄动-Edgeworth级数方法,采用该方法将可靠性概率约束转化为等价的确定型约束,可以迅速准确地获得优化设计信息。针对具有多失效模式的结构系统可靠性优化设计,提出了随机模拟一神经网络方法(MCS—NN),将随机模拟方法与神经网络技术有机结合,为结构系统可靠性优化设计提供了一种新方法。     

APPROACH FOR LAYOUT OPTIMIZATION OF TRUSS STRUCTURES WITH DISCRETE VARIABLES UNDER DYNAMIC STRESS, DISPLACEMENT AND STABILITY CONSTRAINTS

A mathematical model was developed for layout optimization of truss structures with discrete variables subjected to dynamic stress, dynamic displacement and dynamic stability constraints. By using the quasi-static method, the mathematical model of structure optimization under dynamic stress, dynamic displacement and dynamic stability constraints were transformed into one subjected to static stress, displacement and stability constraints. The optimization procedures include two levels, i.e., the topology optimization and the shape optimization. In each level, the comprehensive algorithm was used and the relative difference quotients of two kinds of variables were used to search the optimum solution. A comparison between the optimum results of model with stability constraints and the optimum results of model without stability constraint was given. And that shows the stability constraints have a great effect on the optimum solutions.     

用神经网络和优化方法进行结构参数识别

本文分别采用优化方法和神经网络方法,对工程中经常碰到的结构参数识别问题进行了研究,论文对一个二层试验框架和香港青马大桥马湾塔的实测资料进行了分析,结果表明,两种方法对于解决实际 工程结构的参数识别问题都是可行的,精度可以满足工程要求,并对这两种方法作了对比,指出了各自的优缺点和值得进一步研究的问题。     

基于正交分解的多层小开口剪力墙洞口优化布置

洞口位置和宽高比对剪力墙的受力特性有着显著的影响,洞口的优化布置对开洞剪力墙的抗震设计是十分重要的。本文基于变形的正交分解与振型分解理论,以剪切变形为主区域最小为目标,以剪力墙侧移值、线刚度和洞口尺寸规范限值为约束条件,建立了多层小开口剪力墙优化模型;在开洞率一定的条件下,采用分步优化的方法,得到了规则小开口剪力墙洞口最优布置的一般解,即首先应尽量沿中线对称布置洞口,其次洞口的宽高比应尽量采用满足设计要求的下限值。