[发明专利]一种改进的GBESO算法及其工程优化设计应用方法

说明书

本发明涉及一种改进的GBESO算法及其工程优化设计应用方法，针对改进的GBESO算法来说，其包括S1：定义参数，建立模型，并编码；S2：设定优化初始参数；S3：执行有限元分析操作；S4：提取存留单元应变能灵敏度；S5：执行灵敏度过滤操作；S6：执行单元分组，S7：执行进化与惩罚操作；S8：执行交叉操作；S9：执行全局变异操作；S10：执行删除操作；S11：执行恢复操作；S12：执行优化终止判定。针对工程优化设计应用方法来说，工程构件经改进的GBESO算法优化为拉压杆模型的形式后，优化后的工程构件需经剪力水平指标及应变能水平指标评价。本发明有更强的能力跳出局优，寻找到更符合优化目标的解。

技术领域

本发明涉及结构优化设计领域，尤其涉及一种改进的GBESO算法。

本发明还涉及基于上述改进的GBESO算法的工程优化设计应用方法。

背景技术

随拓扑优化，在给定设计域和约束条件下寻找最佳材料分布方案，它可以通过设定不同目标以实现结构刚度最大化、自重最小化或应力最均匀化等设计。当前，拓扑优化已发展出许多算法，比如均匀化法、水平集法、变密度法等，并得到较广泛的工程结构优化应用。但大多数被引入到土木工程中时，因优化对象体量较大而效率低，实用性不足。

这些算法中，基于启发式思想的渐进结构优化(Evolutionary StructuralOptimization，简称ESO)算法，因过程简洁、可行性高而得到最多的关注。它通过不断删除初始域中低效材料，使结构向最优材料布局进化。为了应对优化中可能的误删，ESO的提出团队又增设对已删单元的恢复机制，将ESO衍生为双向演化渐进结构优化(Bi-directionalESO，简称BESO)算法，并引入灵敏度过滤、多约束优化和材料惩罚插值模型等，以克服算法在数值不稳定、全局寻优能力不足等方面的问题；Kazem进一步改进过滤和软杀策略，以更好地应对含低弹模材料的多材料结构优化问题。Liu等将全局寻优能力佳的仿生遗传算法与ESO算法相结合，提出遗传演化结构优化(Genetic ESO，简称GESO)算法，增加了选择和淘汰单元的概率性，并证明运用该算法优化得到拓扑解为Michell型桁架结构。

但总的来说，BESO算法采用确定性的优化准则，始终容易陷入局优，GESO算法采用单向优化，理论上来说不可能应对过程中的误删问题。因此，为取两者之所长，ZUO等提出可同时概率性删除低效材料和恢复误删材料的遗传双向演化结构优化(Genetic BESO，简称GBESO)算法，吴贝尼等又在此基础上引入材料惩罚插值模型以进一步提升GBESO算法恢复误删单元的能力。但是目前看来，这些已有的GBESO算法得到的拓扑解一般与BESO算法得到的解相差无几，表明其跳脱局优的能力仍有待提高。

发明内容

本发明的目的是提供一种改进的GBESO算法，其从提高优化过程中概率性的遗传算法的参与度出发，改进GBESO算法，以期使优化有更强的能力跳出局优，寻找到更符合优化目标的解。

本发明的另一个目的是提供基于上述改进的GBESO算法的工程优化设计应用方法，以解决工程构件的结构形式优化问题。

为达到上述目的而采用了一种改进的GBESO算法，具体包括如下步骤：

S1：定义材料参数，建立有限元模型，划分有限元网格，并赋予每个单元二进制编码，建立一个包含若干基因代码1的染色体数组；

S2：设定优化初始参数，包括体积约束V^*，初始交叉概率初始全局变异概率

S3：执行有限元分析操作；

S4：提取存留单元应变能灵敏度；

S5：执行灵敏度过滤操作；

S6：执行单元分组，设定划分标准以划分出高灵敏度组、中灵敏度组、低灵敏度组；

S7：执行高灵敏度组单元进化与低灵敏度组单元惩罚；