粒子群算法在结构损伤中应用.docVIP

粒子群算法在结构损伤中应用 　　摘要：常规的结构损伤诊断方法多种多样。作为智能算法的粒子群算法，能够更加有效而简便的对结构进行损伤的识别。粒子群算法实质上就是一种线性迭代寻优的方法。通过对种群极值和个体极值的不断更新，来寻找目标函数的极值，最终搜索到所需的最优解。本文以一简支梁为例，来验证这种方法的可行性和合理性。 　　关键词：粒子群算法；模态置信度；目标函数；损伤因子 　　中图分类号：U446 文献标志码：A 　　Application on Damage Identification of Structures 　　on Particle Swarm Optimization 　　Song shengwen 　　(Tongwang Chongqing Water Resources and Hydropower Engineering Co., Ltd., Chongqing 400074, China; ) 　　Abstract: There are a variety of conventional structural damage diagnosis. As one of the smart algorithm, PSO can be more effective and easy identification of the structure is damaged. PSO is essentially a linear iterative optimization approach. Through the population and individual extreme extreme constantly updated, it find the target function extremum，and finally search to the desired optimal solution. In this paper, such a simply supported beam as an example, to verify the feasibility and rationality of this method. 　　Key words: Particle Swarm Optimization; Modal Assurance Criterion; The Objective Function; Damage Factor 　　 　　 　　由于科学技术的高速发展，对于结构的损伤识别的研究也越来越多。在常规的检测方法中，大多直接利用结构的静态参数和动态参数的变化情况，来识别结构的损伤情况。这些手段包括曲率法，模态能法，柔度法等。虽然这些方法比较容易实现，但是都存在着灵敏度精度，以及面对大型结构复杂损伤情况难以准确识别的问题。而智能算法通过线性迭代和反演的计算方式，将复杂的损伤识别问题转变为求极值问题，使运算变得简单化。这些年出现的粒子群算法，就是其中的热点之一。 　　本文通过构建关于模态置信度的目标函数，利用粒子群算法来进行结构的损伤识别。以一简支梁为算例，来验证这种方法的可行性和合理性。 　　1粒子群算法理论 　　1.1粒子群算法简介 　　来源于鸟类觅食的行为，1995年粒子群算法（PSO算法）首次被提出。通过鸟群的模仿而进行相关搜索，但是不采用变异或是杂交的方法。在这个群体中，每个成员都要不断的学习或者跟别的学员进行沟通来寻找到一个最优解。当附加一定的约束条件，这种粒子群算法就相当于一种线性迭代的问题。 　　1.2粒子群算法原理 　　首先对pso算法中的种群群体进行初始化，包括初始随机速度和位置；其次对每个个体，进行目标函数值评价；紧接着将每一个个体的目标函数值与自己的历史最优解相比较，进行相应的更新或者保持原状。然后又将每个个体的目标函数值与整个种群的最优解相比较，进行相应的更新或者保持原状。最后通过相应的公式不断更新速度和位置，当不满足终止条件时，继续以上步骤，直到满足为止。通过在PSO算法中进行迭代求解目标函数。当目标函数到达极值时，即求得所对应的未知量x。 　　 　　图1粒子群算法流程图 　　Fig.1PSO flowchart 　　如果粒子的群体规模为m，则第i个粒子的位置可表示为，其速度为，它的个体极值为，种群极值为。粒子的速度和位置根据如下公式进行变化： 　　 　　 （1） 　　 （2） 　　式（2）中:d=1，2，……n；i=1，2，.......m；n表示粒子的维数；为惯性因子，为是保持原来速度的系数；是种群个体的权重系数，也叫做个体学习因子，通常设置为2；是种群群体的权重系数，也称作群体学习因子，通常也设置为2；是[