[发明专利]基于改进多目标粒子群算法的粘滞阻尼器参数优化方法

权利要求书

1.一种基于改进多目标粒子群算法的粘滞阻尼器参数优化方法，其特征在于：首先，建立结构的有限元模型，设定构件关键减震控制目标；之后，通过响应面法得到关键构件减震响应与粘滞阻尼器参数之间的响应面数学模型；最后，基于改进多目标粒子群算法进行粘滞阻尼器参数全局自动寻优分析。

2.根据权利要求1所述的基于改进多目标粒子群算法的粘滞阻尼器参数优化方法，其特征在于，包括以下步骤：

步骤S1：建立结构的有限元模型，设定构件关键减震控制目标；

步骤S2：确定阻尼系数和速度指数为自变量，构件关键减震控制目标为因变量，通过响应面法得到关键构件减震响应与粘滞阻尼器参数之间的响应面数学模型；

步骤S3：根据步骤S2中得到的响应面数学模型对种群粒子的速度、位置等相关参数进行初始化；

步骤S4：计算种群中各粒子的适应度函数值，通过快速非支配排序策略构造外部档案，将每个粒子的当前位置初始化为其个体最优位置pbest；

步骤S5：根据拥挤距离排序策略，从外部档案的粒子中选取出全局最优位置gbest；

步骤S6：通过粒子群优化算法中粒子速度和位移公式更新粒子的速度和位置；所述粒子速度和位移公式具体为：

v_id(t+1)＝v_id(t)+c₁r₁[pbest_id(t)-x_id(t)]+c₂r₂[gbest_id(t)-x_id(t)]

x_id(t+1)＝x_id(t)+v_id(t+1),1≤i≤N,1≤d≤n

其中，v_id(t)、x_id(t)分别为种群中的第i个粒子在第t次迭代后速度矢量和位置矢量的第d维分量；pbest_id(t)、gbest_id(t)分别为种群中的第i个粒子在第t次迭代后个体最优位置和全局最优位置的第d维分量；c₁、c₂为学习因子；r₁、r₂为0到1之间的随机数；N为种群中的粒子数量；

步骤S7：通过利用随算法迭代次数增加线性减小的变异率mu，来控制算法优化迭代过程中种群所有粒子的变异概率，随后由变异公式，使种群中的部分粒子产生变异；

所述变异率mu具体表达式为：

其中，mu_max和mu_min分别为mu的最大值0.9和最小值0.05；T为算法的迭代次数；

所述变异公式具体表达式为：

x_ir(t)＝e×r₃×v_ir(t)+x_ir(t)

其中，x_ir(t)、v_ir(t)分别为第i个粒子的两维位置、速度向量中的第r维变量，r从1、2这两个数中随机选取；e为扰动变异次数；

步骤S8：对超出限制的粒子其速度和位置进行修正，之后更新适应度函数值；

步骤S9：根据快速非支配排序策略，对外部档案进行更新；同时检查更新后的外部档案规模是否超出限值，若超出则根据拥挤距离排序策略，保留外部档案中排序靠前的部分粒子，实现外部档案的维护；

步骤S10：根据Pareto支配关系更新pbest；

步骤S11：如果算法当前迭代次数t没有达到最大设置迭代次数T，则返回步骤S5继续运行；反之，算法结束。