结构优化设计中的ARPSO-BP方法研究

论文摘要

本文提出了一种应用于结构优化设计的自适应随机粒子群神经网络算法（ARPSO-BP）。为了迅速收敛至全局最优解,基本粒子群算法中不同的函数需要采用不同的惯性因子。因此,本文提出自适应随机惯性因子,并引入到粒子群算法中以提高其性能。函数优化算例和工程实例分析证明自适应随机粒子群算法（ARPSO）在优化性能和稳定性上均有较大改进。为了更好利用神经网络的非线性映射能力,将训练好的BP神经网络取代结构有限元计算,针对BP神经网络自身结构难以确定的问题,提出采用ARPSO构造并优化BP神经网络结构,实现了BP神经网络构造的智能化和自适应优化。ARPSO-BP是将自适应随机粒子群算法和BP神经网络相结合的新型智能算法。用该算法完成了14个变量的复杂结构优化工程实例,优化结果通过了常规有限元方法的检验。采用C++完成了该算法通用程序的编制。该程序无需改动即可计算不超过50个设计变量的结构优化问题,界面友好,初步具备了工程应用价值。经算例验证取得了令人满意的效果,为有效解决类似复杂工程优化问题提供了一条新途径。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 工程背景
• 1.2 基于群体智能的优化算法研究进展
• 1.3 神经网络的特点及其在结构优化中应用现状
• 1.4 本文工作
• 第二章 自适应随机粒子群算法的基本原理及设计实现
• 2.1 粒子群算法概述
• 2.2 粒子群算法基础理论
• 2.2.1 粒子群算法数学描述
• 2.2.2 粒子群算法的流程
• 2.3 自适应随机粒子群算法设计及实现
• 2.3.1 自适应随机粒子群算法参数分析
• 2.3.2 自适应随机粒子群算法的实现
• 2.3.3 数值仿真实验及分析
• 2.3.4 自适应粒子群算法分析
• 2.4 简单工程应用
• 2.4.1 箱形盖板的优化设计
• 2.4.2 板件连接结构优化
• 2.5 本章小结
• 第三章 神经网络应用于结构近似分析的改进研究
• 3.1 神经网络原理及特点
• 3.2 神经网络的改进设计
• 3.2.1 样本集性能改进设计
• 3.2.2 BP 算法改进设计
• 3.3 基于自适应随机粒子群算法的神经网络设计
• 3.3.1 神经网络结构的设计
• 3.3.2 其他改进设计
• 3.4 本章小结
• 第四章 自适应随机粒子群神经网络优化算法的实现与应用
• 4.1 结构优化实现及软件简介
• 4.1.1 自适应随机粒子群神经网络总体算法流程设计
• 4.1.2 优化软件操作过程介绍
• 4.2 算例分析
• 4.2.1 优化算例描述及分析
• 4.2.2 优化结果及分析
• 4.3 小结
• 第五章 总结
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文
• 附录