[发明专利]一种基于改进粒子群算法的梁结构测点优化方法

说明书

本发明公开了一种基于改进粒子群算法的梁结构测点寻优方法。该方法提出一种基于模拟退火思想及遗传算法的改进粒子群算法，综合考虑受力状态识别误差与测点优化，进行了测点的筛选。首先将遗传算法的初始化、选择、交叉、变异融入粒子群算法中，其次在变异部分引入模拟退火的思想。改进后的粒子群算法改善了标准粒子群算法的“早熟”、局部寻优能力较差等问题。该算法在受力状态识别的测点选择过程中具有较高的效率，能够合理地减少测点数目，使得测点选择方案有效提升识别准确性，为梁结构受力状态识别提供了一种较好的测点寻优方法。

技术领域

本发明涉及梁结构受力过程中测点的筛选，具体涉及一种基于改进粒子群算法的梁结构测点寻优方法。

背景技术

工字型梁能在节省材料的同时获得接近于外轮廓长度一样的矩形截面的惯性矩以抗弯；梁的腹板和宽度大致相同，可以承受较大的载荷；梁在平行和垂直腹板的方向上可以平衡外力，因此在工程领域应用广泛，对其进行受力状态识别具有重要的意义。在测量过程中，测点的选择作为关键环节，直接影响着受力状态测量的精度。测点的选择作为受力状态测量中极其重要的一个环节，特别是对于多种受力状态识别问题，如轴力、剪力、弯矩、扭转等，如何利用较少的传感器得到较优的识别结果在整个受力状态测量过程中显得至关重要。

目前国内外对于传感测点网络优化方法做了大量的研究，常用的测点优化方法有基于状态识别概率准则的传感测点网络优化方法、有效独立法、基于信息论的传感测点网络搭建方法、经典优化算法和基于优化准则的启发式算法。随着计算机信息技术不断发展，计算机计算效率的不断提高，基于优化准则的启发式算法正顺应时代的潮流，逐步进入科研人员的视线。对于现代大型化的工业结构传感测点优化问题，基于优化准则的启发式算法的优势日益凸显。近年来工程上应用遗传算法或粒子群算法对待测结构进行传感测点网络筛选。

遗传算法参考了自然界物竞天择的机制，模仿物种进化，通过选择、交叉、变异等算子实现种群的进化，具有较强的寻优能力。在《结构健康监测中基于多重优化策略的传感器布置方法》和《Sensor placement for On-Orbit modal identification via agenetic algorithm》这两篇文章中均使用了遗传算法的选择、交叉、变异这类操作方式对传感测点的位置排布进行了优化。

粒子群算法也广泛应用于各种研究领域，例如在电力系统自动化技术领域中一篇专利《一种基于改进粒子群算法的微电网经济调度优化策略》采用改进等式约束处理方法的粒子群优化算法，在约束范围内，不断调节发电机组调度出力以及储能充放电的能量，寻求最佳粒子，使得微电网系统运行成本最低；在《一种基于改进的粒子群算法的车轮型面多目标优化方法》这篇专利中利用改进的粒子群算法对多目标优化模型进行迭代求解，最终获得优化的低磨耗车轮型面。该发明基于改进的粒子群算法，优化的型面具有良好的车辆运行安全性、运行平稳性、曲线通过性能，同时降低了轮轨磨耗；在《一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法》这篇专利中以欠驱动机械臂末端位置与目标位置差值为目标函数，基于粒子群算法的寻优原理，引入模拟退火的Metropolis接受准则和人工鱼群算法的拥挤度因子，求解到达目标位置所对应的最优关节角。根据所提出的技术方案，在欠驱动机械臂位置控制时，可以降低寻优算法陷入局部最优的概率并提高求解精度。以上的发明根据自己不同的研究方向对粒子群算法进行改进，从而实现对自己的结果进行优化。

上述的两种算法能够客观、有效对测点网络进行优化，但是在实际操作过程中依旧存在“早熟”和局部寻优能力较差的问题，造成测点选择位置并非最佳的现象。

发明内容

有鉴于此，本发明提出一种带有模拟退火思想的遗传与粒子群混合算法，这种算法克服了粒子群算法易陷入局部最小的缺点，并综合考虑了测点数目与受力状态识别误差两种因素进行测点的筛选，可以方便的对梁结构测点的筛选。

为了解决上述技术问题，本发明采用如下技术方案：