智能优化算法对比研究及其在船体双底结构优化中的应用

论文摘要

随着船舶工业的迅速发展,船舶结构优化设计成为造船界研究的热点问题,结构优化设计方法也同时受到业界研究人员的广泛关注。在优化设计学科发展的初期,人们采用以数学为基础的结构优化算法来解决工程中的复杂组合优化问题,如梯度法,牛顿法等。这些传统的结构优化算法在其寻优过程中大多要利用到目标函数的导数值。而大型复杂结构优化问题中的目标函数大都为复杂的多变量非线性函数,对于目标函数导数的求解相当困难,以至于传统结构优化方法具有一定的局限性。随着人工智能的发展,出现了许多独立于问题的智能优化算法,如蚁群算法、遗传算法图、粒子群算法等,为解决复杂问题提供了新的思路和方法。这类算法被充分多个解验证后,错误概率可降到工程范围程度。本文主要的研究内容如下:1.本文对几种典型的现代智能优化算法进行研究和分析,通过反复的实验——参数调整过程,来提高这些优化方法的鲁棒性、可靠性、通用性以及收敛性等。2.考虑到离散域结构优化问题与连续域结构优化问题之间的不同之处,本文对上述智能优化算法的寻优过程进行深入研究,分别编制出适用于离散域结构优化问题的优化程序,并对其优化过程中的算法模型和设计参数的选取等技术细节给出了建议。3.建立合理的基于规范设计的优化数学模型,将几种典型的智能优化算法应用到船舶双层底结构优化设计问题中,优化结果表明了这些方法在解决复杂结构优化问题的优越性。4.本文提出一种新型的被动启发式粒子群优化(PHPSO)算法。分别采用标准PSO和PHPSO算法对测试函数进行求解,对比分析其优化性能,并对该算法的参数设置进行分析。最后,本文将PHPSO算法应用于某一双层底结构优化设计,所取得的优化结果表明了PHPSO算法在船舶结构优化设计应用中的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 概述
• 1.2 结构优化算法及其发展现状
• 1.3 国内船舶结构优化研究现状
• 1.4 本论文的主要研究内容
• 第2章 遗传算法
• 2.1 引言
• 2.2 遗传算法的基本原理
• 2.2.1 遗传算法的基本操作流程
• 2.2.2 遗传算法的基本构成要素
• 2.3 遗传算法控制参数设置
• 2.4 双层底结构优化算例
• 2.4.1 双层底优化的数学模型
• 2.4.2 优化算例及结果分析
• 2.5 本章小结
• 第3章 蚁群算法
• 3.1 引言
• 3.2 蚁群算法的基本原理
• 3.2.1 蚁群算法的基本原理
• 3.2.2 蚁群算法的数学模型
• 3.2.3 蚁群算法的寻优步骤
• 3.3 一种离散域的蚁群优化算法的改进方法
• 3.3.1 蚁群算法初始蚂蚁个体的产生
• 3.3.2 信息素的设置
• 3.3.3 组合优化问题中蚁群算法的搜索策略
• 3.3.4 蚁群算法搜索程序的结束条件
• 3.4 双层底结构优化算例
• 3.5 本章小结
• 第4章 粒子群优化算法
• 4.1 引言
• 4.2 粒子群算法的基本原理
• 4.2.1 基本粒子群算法的数学模型
• 4.2.2 标准粒子群优化算法的数学模型
• 4.2.3 粒子群算法的构成要素
• 4.2.4 粒子群算法流程
• 4.3 离散变量粒子群优化算法
• 4.3.1 问题解的编码
• 4.3.2 速度和位置的更新过程
• 4.4 PSO 算法的参数分析
• 4.5 双层底结构优化算例
• 4.5.1 双层底结构优化的离散变量PSO 算法参数分析
• 4.5.2 GA、基本PSO 和标准PSO 优化双底结构的收敛性比较
• 4.6 本章小结
• 第5章 一种新型的被动启发式粒子群优化算法
• 5.1 引言
• 5.2 被动启发式粒子群优化算法
• 5.2.1 引入惯性学习因子
• 5.2.2 惯性权重的动态取值
• 5.3 PHPSO 算法优化性能研究
• 5.3.1 测试函数简介
• 5.3.2 算法参数设置
• 5.3.3 优化结果比较分析
• 5.4 双层底结构优化算例
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢