基于自适应蜉蝣算法的预应力锚索二次张拉拐点预测

针对预应力二次张拉下的预应力曲线拐点识别问题,提出了一种基于自适应蜉蝣算法的拐点求解方法。首先将预应力二次张拉下的拐点识别问题转化为两阶段拟合直线与实测数据误差最小的直线方程参数寻优问题,其次通过不完全伽马函数策略提出了自适应惯性权重的蜉蝣算法,以平益高速公路项目试验梁的实测数据为依托对该优化问题进行寻优求解。研究结果表明:自适应蜉蝣算法相较于标准蜉蝣算法和粒子群算法对拐点求解问题具有更好的收敛性;基于自适应蜉蝣算法求解的两阶段直线方程与实测数据拟合精度较高,均方根误差均控制在较低水平,验证了该方法的适用性。

具有稚虫迁徙机制的S型自适应混沌蜉蝣算法

针对蜉蝣优化算法(MA)全局搜索能力较弱,对子代优秀个体有效信息利用不够充分的缺点,以及在计算中后期易陷入局部收敛,进而影响优化效果的问题,提出一种具有稚虫迁徙机制的S型自适应混沌蜉蝣优化算法(S-AMA)。S-AMA算法首先采用Logistic混沌映射产生蜉蝣种群,增加算法初期种群的多样性;随后,将蜉蝣生命周期进行数学建模,并引入S型生命系数替换原有的重力惯性系数,动态调整算法探索能力和开发能力间的平衡性;最后,根据蜉蝣在缺氧环境下的种群活动,引入稚虫迁徙机制强化子代优秀个体摆脱局部最优的能力,进而更加充分地搜索最优解附近的区域,以增强算法的收敛精度。实验部分将S-AMA应用于标准函数测试集,并分别进行优化对比实验、Wilcoxon秩和检验。结果表明:与对比算法相比,S-AMA算法具有更好的寻优能力、收敛速度及鲁棒性。