基于最有价值球员算法的结构损伤识别方法

将损伤识别逆问题看作是一个优化问题,提出了最有价值球员优化算法,对结构损伤进行识别研究;利用均方根数据统计分析法将结构固有频率和振型定义为一个新目标函数,引入罚函数以减少误识别信息,由最有价值球员算法识别出结构损伤位置和损伤程度。考虑不确定性因素和噪声的影响,对一简支梁和桁架结构进行数值分析,对比不同目标函数下识别效果进行识别。研究结果表明:提出的新目标函数能提供更加准确可靠的损伤识别结果。

考虑多种训练方式的自适应最有价值球员算法

最有价值球员算法(MVPA)是一种模拟体育比赛的新型智能优化算法,为解决其寻优精度低和收敛速度慢等问题,提出一种考虑多种训练方式的自适应最有价值球员算法(ACMTM-MVPA)。MVPA的初始化方式单一,随机性和盲目性强,降低了算法的收敛速度和寻求精度。为了增强初始化球员的水平,提高初始球队的整体实力,在MVPA的竞争阶段之前加入了训练阶段,并在训练阶段使用邻域搜索算法以及混沌序列和反向学习算法来训练和筛选球员;为了增强球员的自我探索能力以及向最佳球员学习的能力,使球员具有争夺最有价值球员奖杯的资格,在队伍竞争阶段加入了自适应的球员进化因子。对15个标准函数的测试结果表明,ACMTM-MVPA与MVPA、粒子群优化(PSO)算法和遗传算法(GA)相比,在寻优精度和收敛速度上更有优势。最后给出了ACMTM-MVPA在暴雨强度公式参数优化中的应用实例,结果显示,该算法法明显优于自适应光学优化算法、传统回归法与优选回归法。

求解最优化问题的新型最有价值球员算法

最有价值球员算法(Most Valuable Player Algorithm,MVPA)是一种模拟体育比赛的新型智能优化算法。针对该算法在求解复杂优化问题时存在寻优精度低、收敛速度慢等问题,提出了一种新型最有价值球员算法(Novel MVPA)。在个体竞争公式中,引入自适应的个体经验权重和群体经验权重,以实现全局探索和局部开发能力的平衡;在队伍竞争阶段,当队伍输了比赛以后采用基于云模型的变异操作来更新队伍,降低算法陷入局部最优解的概率,从而提高算法的计算精度和优化速度。采用20个测试函数进行数值实验。结果表明,与基本最有价值球员算法、粒子群算法和遗传算法相比,新算法具有更高的寻优精度和更快的优化速度。