基于AMPSO-BP-GA的油船舱段结构优化

由于船体结构的复杂性,传统优化方法容易出现陷入局部最优、求解速度偏慢等问题.基于自适应变异粒子群算法(adaptive mutation particle swarm optimization, AMPSO)、BP神经网络、遗传算法(genetic algorithm, GA),结合Isight/Nastran设计的正交试验,提出了AMPSO-BP-GA结构优化方法.以油船油货舱段结构的优化为算例,验证结构优化方法的有效性和可行性.结果表明:AMPSO算法相比于粒子群算法(particle swarm optimization, PSO)和GA算法具有更好的极值寻优能力;AMPSO-BP神经网络比PSO-BP和GA-BP预报精度更高;针对油船舱段结构优化,在相同的约束条件下,文中的AMPSO-BP-GA方法优化后重量较原设计减轻17.3%,优于GA-BP-GA优化方法的13.5%和PSO-BP-GA优化方法的13.4%.证明该方法具有可行性和有效性并具有推广性,可为船舶结构设计提供参考.

基于遗传算法及神经网络的梁板结构可靠性优化设计

采用随机有限元法处理结构分析中所涉及的有关参数的随机性,建立梁板单元的安全余量,采用分枝限界法找出结构系统的主要失效模式,计算其可靠度并进行敏度分析。然后,以质量最小为目标函数,以可靠度大于设定值和设计变量满足一定条件为约束,建立了梁板结构的优化模型,将遗传算法与神经网络相结合来求解建立的优化模型。通过两种算法的结合,利用随机有限元法的基本理论,建立了一套完整的基于可靠性的随机结构系统优化设计方法。通过算例对船舱段结构梁元截面及板元厚度的优化计算结果表明,该算法对多随机因素结构系统的可靠性优化具有良好的收敛效果,用时较少,为原来的60%。