基于遺傳粒子群算法的長江水系多用途船中剖面結構優(yōu)化研究
發(fā)布時間：2020-07-08 01:47
【摘要】：長江干線貫穿我國七省二市,長江航運承擔了沿江流域的主要大宗性貨物的運輸,長江航運的發(fā)展對長江經濟帶的建設和發(fā)展起到重要的促進作用,長江黃金水道的綠色發(fā)展是長江航運可持續(xù)發(fā)展的重要支撐。降低船舶對流域環(huán)境的影響,以更少的燃料消耗運輸更多的貨物,是長江航運綠色發(fā)展進程中對船舶的基本要求。因此,運用優(yōu)材減重等結構優(yōu)化技術對長江水系標準船型進行結構優(yōu)化設計,將綠色基因引入到船舶結構中,使得船舶結構產品達到節(jié)能、減材、安全的設計目標,這是長江水系船舶結構設計勢在必行的關鍵技術之一。多用途船作為長江干線上的三大主力船型之一,針對其標準船型的船體結構進行結構優(yōu)化具有重要的工程應用意義。本文選取一艘長江水系貨-37(I)多用途船作為研究對象,結合本船的結構特點,為了降低多用船貨艙段結構的重量,通過對船舶結構優(yōu)化基本理論分析,選取了本船貨艙段的中剖面結構進行尺寸優(yōu)化。為了提高優(yōu)化算法對結構優(yōu)化的求解性能,本文將具有局搜索性能的遺傳算法和快速收斂性能的粒子群算法相結合,然后將改進后遺傳粒子群算法和雙種群遺傳粒子群算法應用到多用途船的結構優(yōu)化中,最后基于PatranNastran建立有限元模型進行強度計算,校核優(yōu)化后船體結構的強度,驗證優(yōu)化結果的有效性。本文的主要研究內容如下:(1)基于遺傳算法和粒子群算法的基本理論及其特點,結合混合算法和多種群的改進策略,提出具有較好尋優(yōu)性能的遺傳粒子群混合算法和雙種群遺傳粒子群混合算法;(2)建立長江水系貨-37(I)多用途船中剖面結構尺寸優(yōu)化的數學模型,以單位長度貨艙段的重量最輕作為優(yōu)化目標,選取中剖面上縱向骨材的剖面積和板厚作為設計變量,結合《鋼制內河船舶建造規(guī)范》建立優(yōu)化模型的約束條件,然后分別將遺傳算法、遺傳粒子群算法、雙種群遺傳粒子群算法進行結構優(yōu)化,三種優(yōu)化算法分別使目標函數下降了5.11%、5.90%和6.70%,通過對三種算法的優(yōu)化結果分析得出,雙種群遺傳粒子群算法在船舶結構優(yōu)化問題的求解過程取得較好的優(yōu)化結果較快的收斂速度,遺傳粒子群算法次之;(3)運用MSC.PATRAN和MSC.NASTRAN有限元軟件,根據相關規(guī)范,對多用途船整個貨艙段優(yōu)化前及采用雙種群遺傳粒子群算法優(yōu)化后的艙段強度進行計算校核,計算結果表明,優(yōu)化后的貨艙段結構強度滿足規(guī)范要求,說明了雙種群遺傳粒子群算法對求解船舶結構優(yōu)化問題的適應性和有效性。
【學位授予單位】：重慶交通大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U661.43
【圖文】：
算法的基本流程如圖 3.1，其具體的求解步驟如下所述：1：根據具體的優(yōu)化問題，將優(yōu)化解空間中的解數據表示成遺操作的基因型染色體，實例化解決問題的方法代碼，也即編碼2：針對優(yōu)化的目標函數，比如船體構件尺寸優(yōu)化問題的最輕計合理的適應度函數；3：遺傳操作的確定，主要包括選擇優(yōu)良個體的概率和方法、置和交叉方法的選擇、變異概率參數的設置和變異方法的設計擇；4：根據約束條件隨機生成一定規(guī)模的初始種群（初始解）；5：根據目標函數計算每一個體適應度值；6：將 Step3 中確定遺傳操作作用于種群個體，按照相應的方法交叉和變異操作，產生子代個體種群；7：判斷 Step6 得到的子代群體是否已滿足停止準則，若不滿足。
了慣性權重系數ω對速度更新公式進行修正，修正后 3.5 式公式變?yōu)?)(),1,11,,22,,ditdgtditditditditv v crandp x crandp x （進后算法的操作的難易程度與最初版本相當，只是增加了慣性權重，但是，改進后算法的優(yōu)化性能得到了很大的提升，被廣泛應用于各最優(yōu)值求解。一般的，將改進后的 3.6 式粒子群算法稱為標準粒子群 3.6 式中，第一部分具有平衡全局搜索和局部搜索的能力，較大的 局搜索，較小的 值有利于局部搜索。根據粒子對自身的信任程度，數 取 0.4~0.9；第二部分稱為認知模式，為當前位置與自身最優(yōu)位離，反映了自身經驗對粒子運動的影響，該部分可以使得粒子具有全，避免陷入優(yōu)化早熟；第三部分稱為社會模式，是微粒當前位置與群優(yōu)位置之間的距離，反映了群體經驗對自身運動的影響。式 3.6 中的過小，粒子只能在目標區(qū)域外進行搜索，過大時，粒子會快速飛向目能越過邊界，認知學習因子1c 和社會學習因子2c 一般取值范圍一之間。優(yōu)化過程中每一代中任意粒子迭代的過程見圖 3.2 所示。
第三章 遺傳粒子群算法的研究分析斷和進行更新的。對于局部版本粒子群算法，粒子個局部最優(yōu)位置Bestp 外，不追蹤種群全局最優(yōu)位置Beg 所有粒子個體的最優(yōu)位置Bestn 。對于局部版本粒子群()()1,11,,22,,ditdltditditdit v crandp x crandp x 部鄰域中的最優(yōu)位置。
【學位授予單位】：重慶交通大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U661.43
【圖文】：
算法的基本流程如圖 3.1，其具體的求解步驟如下所述：1：根據具體的優(yōu)化問題，將優(yōu)化解空間中的解數據表示成遺操作的基因型染色體，實例化解決問題的方法代碼，也即編碼2：針對優(yōu)化的目標函數，比如船體構件尺寸優(yōu)化問題的最輕計合理的適應度函數；3：遺傳操作的確定，主要包括選擇優(yōu)良個體的概率和方法、置和交叉方法的選擇、變異概率參數的設置和變異方法的設計擇；4：根據約束條件隨機生成一定規(guī)模的初始種群（初始解）；5：根據目標函數計算每一個體適應度值；6：將 Step3 中確定遺傳操作作用于種群個體，按照相應的方法交叉和變異操作，產生子代個體種群；7：判斷 Step6 得到的子代群體是否已滿足停止準則，若不滿足。
了慣性權重系數ω對速度更新公式進行修正，修正后 3.5 式公式變?yōu)?)(),1,11,,22,,ditdgtditditditditv v crandp x crandp x （進后算法的操作的難易程度與最初版本相當，只是增加了慣性權重，但是，改進后算法的優(yōu)化性能得到了很大的提升，被廣泛應用于各最優(yōu)值求解。一般的，將改進后的 3.6 式粒子群算法稱為標準粒子群 3.6 式中，第一部分具有平衡全局搜索和局部搜索的能力，較大的 局搜索，較小的 值有利于局部搜索。根據粒子對自身的信任程度，數 取 0.4~0.9；第二部分稱為認知模式，為當前位置與自身最優(yōu)位離，反映了自身經驗對粒子運動的影響，該部分可以使得粒子具有全，避免陷入優(yōu)化早熟；第三部分稱為社會模式，是微粒當前位置與群優(yōu)位置之間的距離，反映了群體經驗對自身運動的影響。式 3.6 中的過小，粒子只能在目標區(qū)域外進行搜索，過大時，粒子會快速飛向目能越過邊界，認知學習因子1c 和社會學習因子2c 一般取值范圍一之間。優(yōu)化過程中每一代中任意粒子迭代的過程見圖 3.2 所示。
第三章 遺傳粒子群算法的研究分析斷和進行更新的。對于局部版本粒子群算法，粒子個局部最優(yōu)位置Bestp 外，不追蹤種群全局最優(yōu)位置Beg 所有粒子個體的最優(yōu)位置Bestn 。對于局部版本粒子群()()1,11,,22,,ditdltditditdit v crandp x crandp x 部鄰域中的最優(yōu)位置。
【參考文獻】
相關期刊論文 前10條
1 盧宇婷;林禹攸;彭喬姿;王穎U
本文編號：2745918
本文鏈接：http://sikaile.net/kejilunwen/sousuoyinqinglunwen/2745918.html
