本文關鍵詞： 人工蜂群算法 模擬退火算法 殘余力向量 損傷識別　出處：《中山大學學報(自然科學版)》2017年02期 　論文類型：期刊論文

【摘要】：人工蜂群算法是模仿蜜蜂行為提出的一種群智能優(yōu)化算法。它的主要特點是只需要對問題的解進行優(yōu)劣的比較,通過各人工蜂個體的局部尋優(yōu)行為,最終在群體中使全局最優(yōu)值突現(xiàn)出來,具有較快的收斂速度,但較容易陷入局部最優(yōu)解。為了克服這一不足,將模擬退火算法機制引入其中進行改進。既保留了蜂群算法群體尋優(yōu)的特點,又可以有效地避免陷入局部最優(yōu)解。通過選擇合適的收益率函數和溫度下降函數,可以很方便地解決優(yōu)化問題。通過構造基于殘余力向量的損傷識別目標函數,利用改進的人工蜂群算法,能有效地解決結構損傷識別問題。通過對桁架模型進行數值模擬,結果表明文中算法就原算法而言,收斂速度,識別精度和抗噪聲能力有較好改善。
[Abstract]:Artificial bee colony algorithm is a population intelligent optimization algorithm, which imitates bee behavior. Its main feature is that it only needs to compare the advantages and disadvantages of the solution of the problem, and through the local optimization behavior of each worker bee, In order to overcome this deficiency, the global optimal value will emerge in the population, which has a faster convergence rate, but is more likely to fall into a local optimal solution. The mechanism of simulated annealing algorithm is introduced to improve the algorithm. It not only preserves the characteristics of colony optimization, but also effectively avoids falling into local optimal solution. By selecting the appropriate rate of return function and temperature descent function, By constructing the damage identification objective function based on residual force vector and using the improved artificial bee colony algorithm, the problem of structural damage identification can be effectively solved, and the truss model can be numerically simulated. The results show that the convergence rate, recognition accuracy and anti-noise ability of the original algorithm are improved.
【作者單位】： 中山大學工學院;
【基金】：國家自然科學基金(11172333,11272361) 廣東省自然科學基金(2015A030313126) 廣東省科技計劃項目(2014A020218004,2016A020223006)
【分類號】：TP18;O346.5

【相似文獻】

相關期刊論文 前10條

1 雷理;;一種基于小波的結構損傷識別方法研究[J];工程地球物理學報;2012年02期

2 王延偉;;基于物理參數辨識的結構損傷識別方法研究[J];國際地震動態(tài);2012年04期

3 李柳生;;基于振動特性的結構損傷識別方法[J];科技致富向導;2013年36期

4 劉濤;李愛群;繆長青;李枝軍;;基于數據融合的結構損傷識別方法研究[J];工程力學;2008年01期

5 李大偉,李霆;基于頻率變化的結構損傷識別方法[J];五邑大學學報(自然科學版);2005年03期

6 孫國;張亞輝;郭杏林;;基于變權優(yōu)化的結構損傷識別方法[J];計算力學學報;2008年S1期

7 劉乙君;黃晨光;;軸對稱殼體結構損傷識別方法研究[J];力學與實踐;2010年05期

8 王中東,夏熙梅,陳塑寰;基于剩余模態(tài)力分析方法的結構損傷識別[J];吉林工業(yè)大學自然科學學報;1999年03期

9 謝峻,韓大建;一種改進的基于頻率測量的結構損傷識別方法[J];工程力學;2004年01期

10 汪之松;郭惠勇;李正良;;基于頻率響應的不同結構損傷識別方法研究[J];工程力學;2008年06期

相關會議論文 前10條

1 翟鵬程;高岳權;;結構損傷識別方法研究現(xiàn)狀[A];土木建筑教育改革理論與實踐[C];2009年

2 和飛;葉燎原;;基于振動的結構損傷識別方法綜述[A];第二屆全國防震減災工程學術研討會論文集[C];2005年

3 鐘軍軍;;模型縮聚在結構損傷識別中的應用研究[A];第六屆全國土木工程研究生學術論壇論文集[C];2008年

4 婁永利;韓大建;;基于攝動有限元法的結構損傷識別的研究[A];第十四屆全國工程設計計算機應用學術會議論文集[C];2008年

5 李燁;王建;李青;錢鵬;薛松濤;唐和生;;基于粒子濾波器的結構損傷識別研究[A];首屆全國既有結構加固改造設計與施工技術交流會論文集[C];2007年

6 吳金志;張毅剛;;建筑結構損傷識別技術的研究與進展[A];第二屆全國現(xiàn)代結構工程學術研討會論文集[C];2002年

7 陳曉強;朱宏平;暏東東;張俊兵;;應用動能密度和遺傳算法進行梁結構損傷識別[A];第六屆全國土木工程研究生學術論壇論文集[C];2008年

8 胡寧;王翔;姚振漢;吳智深;;利用靜態(tài)響應并結合頻率測試數據進行結構損傷識別[A];第八屆全國結構工程學術會議論文集（第Ⅰ卷）[C];1999年

9 袁旭東;高潮;高少霞;;量測模態(tài)數量對結構損傷識別影響數值模擬研究[A];第15屆全國結構工程學術會議論文集（第Ⅲ冊）[C];2006年

10 徐建立;楊飛宇;;基于聲音信號的結構損傷識別方法[A];2011年全國失效分析學術會議論文集[C];2011年

相關博士學位論文 前10條

1 宋華珠;基于獨立分量分析的結構損傷識別研究[D];武漢理工大學;2006年

2 鄒萬杰;基于振動測試的桿系鋼結構損傷識別研究[D];武漢理工大學;2009年

3 譚林;基于動力指紋的結構損傷識別可靠度方法研究[D];華南理工大學;2010年

4 焦莉;基于數據融合的結構損傷識別[D];大連理工大學;2006年

5 唐小兵;結構損傷識別及數值模擬[D];武漢理工大學;2004年

6 張開鵬;結構損傷識別方法研究[D];武漢理工大學;2004年

7 袁穎;橋梁結構損傷識別方法的相關問題研究[D];大連理工大學;2006年

8 王茂龍;結構損傷識別與模型更新方法研究[D];東南大學;2003年

9 孫國;基于稀疏模態(tài)響應的結構損傷識別方法[D];大連理工大學;2006年

10 張育智;基于神經網絡與數據融合的結構損傷識別理論研究[D];西南交通大學;2007年

相關碩士學位論文 前10條

1 潘曉威;基于頻響函數的結構損傷識別方法[D];河北大學;2015年

2 王曉光;基于運行模態(tài)的橋梁結構損傷識別對比研究[D];長安大學;2015年

3 田福志;基于無跡卡爾曼濾波的結構損傷識別方法研究[D];南昌大學;2015年

4 徐昌宏;基于聯(lián)邦擴展卡爾曼濾波的結構損傷識別方法[D];南昌大學;2015年

5 翁璞;基于改進HHT的結構損傷識別方法研究[D];長沙理工大學;2014年

6 魏文馨;基于神經網絡法的內河框架墩式碼頭結構損傷識別[D];重慶交通大學;2015年

7 華盼盼;基于Hilbert-Huang變換的結構損傷識別研究[D];青島理工大學;2015年

8 郭瑞;基于智能壓電材料的Lamb波法結構損傷識別研究[D];武漢工程大學;2015年

9 許言平;參數信息不完備狀況下橋梁結構損傷識別方法研究[D];吉林大學;2015年

10 曹亞東;環(huán)境因素影響下海洋平臺結構損傷識別[D];青島理工大學;2015年

，

本文編號：1497415