基于人工神經(jīng)網(wǎng)絡的離散變量結(jié)構(gòu)優(yōu)化研究.pdf

1、結(jié)構(gòu)優(yōu)化設計理論和方法近年來得到迅速的發(fā)展，但多數(shù)研究是針對連續(xù)變量的，針對離散變量的則較少。離散變量結(jié)構(gòu)優(yōu)化設計在數(shù)學上屬于組合優(yōu)化的范疇，而組合最優(yōu)化問題屬于NP完全類問題，其求解算法則屬于NP困難問題。當設計變量數(shù)與許用離散集元素數(shù)較多時，計算工作量急劇增加，無法承受。而神經(jīng)網(wǎng)絡在解決組合優(yōu)化問題上的效率已被許多研究工作所證實。在結(jié)構(gòu)優(yōu)化中一般都采用結(jié)構(gòu)近似分析方法以減少結(jié)構(gòu)分析的次數(shù)，而人工神經(jīng)網(wǎng)絡在解決這個問題上，是一種具有全

2、局性和普遍適用性的方法。 本文研究基于BP神經(jīng)網(wǎng)絡的工程結(jié)構(gòu)近似分析方法，以工程結(jié)構(gòu)現(xiàn)有大量已知條件為學習樣本，建立三層網(wǎng)絡模型，成功訓練出網(wǎng)絡，能夠給出滿足精度需要的結(jié)果。以此作為結(jié)構(gòu)優(yōu)化中的結(jié)構(gòu)分析部分，大大提高了優(yōu)化效率。 研究中采用改進的學習算法，大大提高了網(wǎng)絡的學習效率，同時減小了使網(wǎng)絡陷入局部極小點的概率，文中采取了神經(jīng)元閾值的壓縮技術，將其限制在某個范圍內(nèi)，對改善網(wǎng)絡的收斂取得了顯著成效。針對離散變量結(jié)構(gòu)優(yōu)

3、化設計中結(jié)構(gòu)分析的特點，本文建立了結(jié)構(gòu)的應力、位移等量和結(jié)構(gòu)各桿件在離散集中取值組合間的全局映射模型，這種對樣本集的選取方法有效地減少了輸入節(jié)點的數(shù)量，從而精簡了網(wǎng)絡結(jié)構(gòu)，使網(wǎng)絡收斂加快。 本文研究了基于兩種Hopfield模型的結(jié)構(gòu)優(yōu)化算法，即HNN與HHNN，兩者的區(qū)別僅在于他們的激活函數(shù)不同，但網(wǎng)絡卻表現(xiàn)出了不同的性能。文中通過實例給出了神經(jīng)優(yōu)化的實現(xiàn)過程與效果，他們都有可能得到全局最優(yōu)解，但前者較后者獲得全局最優(yōu)解的可能