改进的引力搜索算法及其在结构损伤识别中的应用研究

摘要

近年来人工智能技术飞速发展，大量的新型智能优化算法被研究者们提出并在各个领域中得到了广泛的应用。引力搜索算法（Gravitational search algorithm，简称GSA）作为一种新兴的元启发式智能优化算法，其良好的优化性能被研究者所青睐，各种改进的算法版本被相继提出，引力搜索算法及其各种改进版本已被应用于聚类分析、神经网络训练、图像处理、工业体系优化与控制、无人机航路规划等领域。另一方面，过去20多年来，有限元模型修正技术在结构损伤识别领域得到了广泛的研究和应用，但仍存在传统算法容易早熟、计算效率低等问题。基于这一背景，本文对引力搜索算法进行了记忆策略和邻域拓扑结构两方面的改进，并首次将引力搜索算法应用于结构损伤识别研究中，提出了一种基于改进引力搜索算法的有限元模型修正方法。本文的研究工作主要有以下几个方面：
　　⑴首先对基于模型的损伤识别技术和模型修正方法中的智能优化方法进行简要的综述，然后从理论分析、算法改进及融合算法等方面，介绍了引力搜索算法（GSA）的国内外研究现状。
　　⑵详细介绍了引力搜索算法的基本原理、算法的基本内容及流程。并对算法进行分析，指出影响算法性能的一些重要因素。
　　⑶分析原始引力搜索算法（GSA）忽略个体记忆的不足，提出了一种采用记忆策略的引力搜索算法(GSAP)，通过六个基准函数的优化测试证明了采用记忆策略后算法的性能得到了较大的提升。
　　⑷首先，从群智能优化算法的信息共享机制的角度出发，提出一种基于无团邻域拓扑结构并采用记忆策略的引力搜索算法（NCNT-GSAP），通过函数优化测试将其与原始算法、采用环形结构和冯·诺依曼结构的引力搜索算法进行对比，验证了NCNT-GSAP算法的性能。然后，通过基准函数优化测试分析了静态无团邻域拓扑结构中平均度（平均邻居个数）对NCNT-GSAP算法性能的影响。最后，根据测试的结论提出了一种结合记忆策略和动态无团邻域拓扑结构的引力搜索算法（DNCNT-GSAP），相关测试表明该算法能显著提高算法摆脱局部极值的能力，增强了算法的可靠性，从而提高了引力搜索算法工程应用的潜力。
　　⑸鉴于模型修正的智能优化方法中目标函数的重要性，本文通过仿真实验对比了基于柔度置信度的目标函数和传统目标函数的性能；实验采用DNCNT-GSAP算法，分别对一个10单元的简支梁模型和30单元的悬臂桁架进行了多个工况的损伤识别研究。实验结果表明：基于柔度置信度的目标函数不考虑测量噪声时损伤识别结果更精确；但传统目标函数的抗噪性相对较强，考虑测量噪声时其损伤定位和定量能力更加均衡。两个数值仿真的损伤识别实验结果均表明，改进的引力搜索算法(DNCNT-GSAP)具有较强的优化性能，能成功解决基于模型修正的损伤识别问题，具备一定的工程应用潜力。

目录

封面

中文摘要

英文摘要

目录

1绪论

1.1研究背景与意义

1.2结构损伤识别的研究综述

1.3引力搜索算法研究综述

2引力搜索算法

2.1引言

2.2引力搜索算法（GSA）

2.3本章小结

3引力搜索算法记忆策略和邻域拓扑结构的分析与改进

3.1引言

3.2群体智能优化算法改进的思路

3.3记忆策略的分析与改进

3.4邻域拓扑结构的分析与改进

3.5本章小结

4改进的引力搜索算法在结构损伤识别中的应用研究

4.1引言

4.2目标函数的选择

4.3仿真实验一 10单元简支梁损伤识别

4.4仿真实验二 30单元悬臂桁架损伤识别

4.5本章小结

5结论与展望

5.1主要结论

5.2本文创新点

5.3展望

致谢

参考文献