CN107092734A - 基于蚁群算法的自适应索穹顶结构内力控制方法 - Google Patents
基于蚁群算法的自适应索穹顶结构内力控制方法 Download PDFInfo
- Publication number
- CN107092734A CN107092734A CN201710227297.9A CN201710227297A CN107092734A CN 107092734 A CN107092734 A CN 107092734A CN 201710227297 A CN201710227297 A CN 201710227297A CN 107092734 A CN107092734 A CN 107092734A
- Authority
- CN
- China
- Prior art keywords
- mrow
- ant
- msub
- internal force
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Civil Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于蚁群算法的自适应索穹顶内力控制方法。该方法根据已建好的自适应索穹顶内力控制模型，以作动杆的调节量为控制变量，以自适应索穹顶结构中待控制索杆的内力最大值达到最小为控制目标，并以结点位移约束、构件容许内力、作动杆作动范围等作为约束条件，搜索出作动杆调节量的最优解。此方法为区别于传统算法的种群随机搜索方法，它能更好的搜索出全局最优解，避免陷入局部最优。并且可提高搜索的效率，可很快收敛，具有一定的优越性。本发明可应用于各类自适应索穹顶的内力优化。
Description
技术领域
本发明属于结构优化领域，涉及一种应用于自适应索穹顶的内力控制方法。
背景技术
索穹顶由预应力提供刚度，是一种缺陷敏感的结构。在传统索穹顶结构的基础上，以装有作动器的作动杆代替原结构中的部分索杆，使之通过作动杆的调节成为能够主动控制结构形状、内力及刚度的自适应索穹顶。
关于自适应索穹顶的静力控制，目前国内外学者的研究方法有以下几个：
一种是以结构工作状态系数最小为目标构造线性规划模型，利用线性规划算法搜索最优解，此方法为传统算法，容易陷入局部最优解，丢掉全局最优解；另一种是利用非线性有限元法推导的增量形式的索杆张力结构主动单元长度调控量求解方程进行求解，此方法中控制变量的数量会受到方程本身的限制，因而它的适用范围受到了很大限制。
蚁群算法是一种本质上并行的算法。每只蚂蚁搜索的过程彼此独立，它在问题空间的多点同时开始进行独立的解搜索，不仅增加了算法的可靠性，也使得算法具有较强的全局搜索能力，且提高了搜索效率。
发明内容
技术问题：本发明提供了一种搜索高效、高概率获得全局最优解的基于蚁群算法的自适应索穹顶内力控制方法。
技术方案：本发明的基于蚁群算法的自适应索穹顶内力控制方法，包括以下步骤：
1.)确定自适应索穹顶结构内力控制目标，控制变量和约束条件
所述控制目标为待控制索杆的内力最大值达到最小；
所述自适应索穹顶结构内力控制的控制变量为作动杆的调节量；
所述约束条件包括杆件应力约束σg/σg a≤f，σg/σg a≥0，σg≥σmin t，节点位移约束-[u]q<uq<[u]q，作动杆的作动范围-h≤δk≤h；其中σg为g杆的实际应力，σg a为杆件的许用应力，当受拉时σg a为拉伸许用应力σg t，受压时为压缩许用应力σg c；f为结构工作状态系数；σmin t为保证拉索不松弛的最小内力，此时的σg为当杆件为拉索时的内力，uq为关键结点自由度的位移，δk是作动器作动量，h伸缩调整量，ki是各杆件工作状态系数；
2).根据步骤1)中所述构造自适应索穹顶结构内力控制优化模型求f(式(1))，δk，δk是作动杆作动量，k＝1,2,…,p
使f→min
s.t.：
-[u]q<uq<[u]q (5)
-h≤δk≤h (7)
3).根据步骤2)中公式(3)、(4)、(5)、(6)、(7)所建的优化模型，采用蚁群算法，以作动杆调节量δk作为蚂蚁，以待控制索杆内力最大值为蚂蚁的适应度值，计算状态转移概率，根据概率大小进行相应的局部搜索和全局搜索，并判断解是否会越界，再比较状态转移后求得的目标函数值与状态转移前的目标函数值fm，据此更新蚂蚁位置，最后搜索到全局最小结构工作状态系数f及对应的全局最优作动杆作动量δk。
所述步骤3)中的蚁群算法的具体流程为：
a)以作动杆的作动量δk为蚂蚁，以结构工作状态系数f作为蚂蚁的适应度，设定各参数，包括蚂蚁的数量Ant，信息素挥发系数为Rou，转移概率常数为P0，搜索范围即变量的上下限制量，最大迭代次数mmax，迭代初值m＝1，小量ξ；在满足约束条件下，随机产生第一代Ant个蚂蚁位置；
b)在每次迭代后，计算所有蚂蚁的状态转移概率，并根据概率的大小进行相应的局部搜索和全局搜索，并判断解是否会越界，再比较状态转移后求得的目标函数值与状态转移前的目标函数值fm；
c)判断蚂蚁是否移动：若|fm-fm-1|<ξ或m＝mmax，则至第e)步，否则至第d)步；
d)更新信息素，m＝m+1，并返回第b)步；
e)若m<mmax，则输出最优解fm，算法结束。
所述步骤3)中每个蚂蚁的状态转移概率，根据下式计算
其中，T是迭代步数，Tau(i)是第i个蚂蚁的适应度值，BestIndex是当前代中结构工作状态系数最小的蚂蚁，Tau(BestIndex)即是这个蚂蚁的适应度值。
在本问题中，以作动杆作动量为δk为蚂蚁，由Ant个蚂蚁组成种群，以结构工作状态系数f作为蚂蚁的适应度，计算所有蚂蚁的状态转移概率，并根据概率的大小进行相应的局部搜索和全局搜索，并判断解是否会越界。再比较状态转移后求得的目标函数值与状态转移前的目标函数值fm，据此更新蚂蚁位置，直至下一代适应度值与上一代的差值小于小量ξ，输出搜索到的全局最小结构工作状态系数f及对应的全局最优作动杆作动量δk。
附图说明
图1是蚁群算法主函数流程图。
图2是葵花形索穹顶的平面图。
图3是调整前后结构的工作状态系数f示意图。
图4为优化过程中工况9下结构工作状态系数的收敛曲线图。
具体实施方式
蚁群算法主函数流程图如图1，具体步骤阐释如下：
①设定算法各参数，包括蚂蚁的数量Ant，信息素挥发系数为Rou，转移概率常数为P0，搜索范围即变量的上下限制量，最大迭代次数mmax，迭代初值m＝1，小量ξ；
②初始化蚁群。随机产生Ant个蚂蚁，注意约束在可行范围内。
③在每次迭代后，计算所有蚂蚁的状态转移概率，并根据概率的大小进行相应的局部搜索和全局搜索，并判断解是否会越界。再比较状态转移后求得的目标函数值与状态转移前的目标函数值fm；
④判断蚂蚁是否移动：若|fm-fm-1|<ξ或m＝mmax，则至第⑥步，否则至第⑤步；
⑤更新信息素，m＝m+1，并返回第③步；
⑥若m<mmax，则输出最优解fm，算法结束。
接下来以一葵花形索穹顶算例验证本方法的有效性。
葵花形索穹顶的平面图如图2所示，结构跨度为5m，矢高为1.2m。压杆为Φ20mm×4mm的Q235空心钢管，材料弹性模量为206GPa，许用应力为210MPa；索为直径12.7mm的钢绞线，弹性模量为185GPa，不退出工作最小应力为50MPa，许用应力为1950MPa；作动器容许轴力为60kN，最大调整量为100mm。结构初始预应力为[-6875,-13750,-6875,-13750,16770,28346,43481,16770,28346,43481,11402,15373,21478,11402,15373,21478,13750,16500,-6000]T(单位为N)，设节点12受到竖直向下荷载F＝5kN的作用。
求在杆件中加入作动器，并在作动器工作以后，结构的受力状态最合理即结构工作状态系数f(式(1))最小。并且其关键节点位移限值为-8mm≤[ux]≤8mm，-15mm≤[uy]≤15mm。以下根据作动器安装位置的不同，分11种工况分别讨论控制效果：
工况1：1、3号构件(中圈压杆)设作动器；工况2：2、4号构件(外圈压杆)设作动器；工况3：19号构件(内圈压杆)设作动器；工况4：17号构件(中圈环索)设作动器；工况5：18号构件(外圈环索)设作动器；工况6：5、8号构件(内圈脊索)设作动器；工况7：6、9号构件(中圈脊索)设作动器；工况8：7、10号构件(外圈脊索)设作动器；工况9：11、14号构件(内圈斜索)设作动器；工况10：12、15号构件(中圈斜索)设作动器；工况11：13、16号构件(外圈斜索)设作动器。
对于此问题，设定蚁群数量Ant＝20，最大迭代次数Tmax＝200，信息素挥发系数为Rou为0.9，转移概率常数为P0为0.2，迭代初值m＝1，设置小量ξ＝10-10；
最终优化结果，各工况下的内力、工作状态系数及作动器的调节量见表1，调整前后结构的工作状态系数f如图3所示，各工况的结构工作状态系数与调控前比较见表2。δk为作动器的调节长度、Nj、Nj’为杆件在作动器调整前、后的内力，kj、kj为杆件在作动器调整前、后工作状态系数。可以看出，在这11种作动器布置方案中，控制外圈脊索(工况8)或外圈斜索(工况11)，无法使索穹顶结构性能得到改善。除工况8、工况11外，其余9种工况均不同程度实现控制效果(达20％左右)，其中内圈斜索(工况9)的调控效果较好，工作状态系数较调整前可降低21.60％，内圈脊索(工况6)效果相对较差，
工作状态系数较调整前降低了17.21％。
结构关键节点(上弦节点2、4、7、9、12)的位移如表3所示，表中ux、uy为节点在作动器调整后X、Y方向的位移值，可以看出结构受力最合理时均能满足位移限值要求。且计算表明，所有拉索均未退出工作。
算例表明，在作动器工作之前，结构的内力分布并不是最优状态。在结构单元中引入作动器，当作动器工作后，在相同荷载作用下，结构的刚度大大提高，变形可控，满足了使用的要求，并且通过合理地布设作动器，调整结构形状，内力实现重分布，可以达到杆件受力最合理的目的。
图4为优化过程中工况9下结构工作状态系数的收敛曲线，可以看出，本方法具有良好的收敛趋势，可见本文的蚁群搜索算法效率高，寻优效果好。
表1不同工况下构件内力及结构工作状态系数
表2不同工况下结构工作状态系数与调控前比较
表3不同工况下的关键节点位移
上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。
Claims (3)
1.一种基于蚁群算法的自适应索穹顶内力控制方法，其特征在于该方法主要包含以下步骤：
1.)确定自适应索穹顶结构内力控制目标，控制变量和约束条件
所述控制目标为待控制索杆的内力最大值达到最小；
所述自适应索穹顶结构内力控制的控制变量为作动杆的调节量；
所述约束条件包括杆件应力约束σg/σg a≤f，σg/σg a≥0，σg≥σmin t，节点位移约束-[u]q<uq<[u]q，作动杆的作动范围-h≤δk≤h；其中σg为g杆的实际应力，σg a为杆件的许用应力，当受拉时σg a为拉伸许用应力σg t，受压时为压缩许用应力σg c；f为结构工作状态系数；σmin t为保证拉索不松弛的最小内力，此时的σg为当杆件为拉索时的内力，uq为关键结点自由度的位移，δk是作动器作动量，h伸缩调整量，ki是各杆件工作状态系数；
<mrow>
<mi>f</mi>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>i</mi>
</munder>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>g</mi>
</msub>
<mo>/</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>g</mi>
<mi>t</mi>
</msubsup>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>g</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>g</mi>
</msub>
<mo>/</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>g</mi>
<mi>c</mi>
</msubsup>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>g</mi>
</msub>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
2).根据步骤1)中所述构造自适应索穹顶结构内力控制优化模型
求f(式(1))，δk，δk是作动杆作动量，k＝1,2,…,p
使f→min
s.t.：
<mrow>
<mfrac>
<msub>
<mi>&sigma;</mi>
<mi>g</mi>
</msub>
<msubsup>
<mi>&sigma;</mi>
<mi>g</mi>
<mi>a</mi>
</msubsup>
</mfrac>
<mo>&le;</mo>
<mi>f</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mfrac>
<msub>
<mi>&sigma;</mi>
<mi>g</mi>
</msub>
<msubsup>
<mi>&sigma;</mi>
<mi>g</mi>
<mi>a</mi>
</msubsup>
</mfrac>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
-[u]q<uq<[u]q (5)
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>g</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>min</mi>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
-h≤δk≤h (7)
3).根据步骤2)中公式(3)、(4)、(5)、(6)、(7)所建的优化模型，采用蚁群算法，以作动杆调节量δk作为蚂蚁，以待控制索杆内力最大值为蚂蚁的适应度值，计算状态转移概率，根据概率大小进行相应的局部搜索和全局搜索，并判断解是否会越界，再比较状态转移后求得的目标函数值与状态转移前的目标函数值fm，据此更新蚂蚁位置，最后搜索到全局最小结构工作状态系数f及对应的全局最优作动杆作动量δk。
2.根据权利要求1所述的基于蚁群算法的自适应索穹顶内力控制方法，其特征在于，所述步骤3)中的蚁群算法的具体流程为：
a)以作动杆的作动量δk为蚂蚁，以结构工作状态系数f作为蚂蚁的适应度，设定各参数，包括蚂蚁的数量Ant，信息素挥发系数为Rou，转移概率常数为P0，搜索范围即变量的上下限制量，最大迭代次数mmax，迭代初值m＝1，小量ξ；在满足约束条件下，随机产生第一代Ant个蚂蚁位置；
b)在每次迭代后，计算所有蚂蚁的状态转移概率，并根据概率的大小进行相应的局部搜索和全局搜索，并判断解是否会越界，再比较状态转移后求得的目标函数值与状态转移前的目标函数值fm；
c)判断蚂蚁是否移动：若|fm-fm-1|<ξ或m＝mmax，则至第e)步，否则至第d)步；
d)更新信息素，m＝m+1，并返回第b)步；
e)若m<mmax，则输出最优解fm，算法结束。
3.根据权利要求2所述的基于蚁群算法的自适应索穹顶内力控制方法，其特征在于，所述步骤3)中每个蚂蚁的状态转移概率，根据下式计算
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>T</mi>
<mi>a</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
<mi>I</mi>
<mi>n</mi>
<mi>d</mi>
<mi>e</mi>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>T</mi>
<mi>a</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>T</mi>
<mi>a</mi>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
<mi>I</mi>
<mi>n</mi>
<mi>d</mi>
<mi>e</mi>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，T是迭代步数，Tau(i)是第i个蚂蚁的适应度值，BestIndex是当前代中结构工作状态系数最小的蚂蚁，Tau(BestIndex)即是这个蚂蚁的适应度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710227297.9A CN107092734A (zh) | 2017-04-10 | 2017-04-10 | 基于蚁群算法的自适应索穹顶结构内力控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710227297.9A CN107092734A (zh) | 2017-04-10 | 2017-04-10 | 基于蚁群算法的自适应索穹顶结构内力控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107092734A true CN107092734A (zh) | 2017-08-25 |
Family
ID=59636862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710227297.9A Pending CN107092734A (zh) | 2017-04-10 | 2017-04-10 | 基于蚁群算法的自适应索穹顶结构内力控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107092734A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111639375A (zh) * | 2020-05-21 | 2020-09-08 | 温州大学 | 一种轻量化索穹顶结构形状优化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609763A (zh) * | 2012-01-19 | 2012-07-25 | 东南大学 | 基于蚁群算法的多自应力模态杆系结构稳定性的判别方法 |
| CN105205266A (zh) * | 2015-09-23 | 2015-12-30 | 东南大学 | 一种基于优化算法的预应力索杆结构初始构形的设计方法 |
-
2017
- 2017-04-10 CN CN201710227297.9A patent/CN107092734A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609763A (zh) * | 2012-01-19 | 2012-07-25 | 东南大学 | 基于蚁群算法的多自应力模态杆系结构稳定性的判别方法 |
| CN105205266A (zh) * | 2015-09-23 | 2015-12-30 | 东南大学 | 一种基于优化算法的预应力索杆结构初始构形的设计方法 |
Non-Patent Citations (3)
| Title |
|---|
| MAMORU KAWAGUCHI: "《Cable fracture simulation and experiment of a negative Gaussian curvature cable dome》", 《ENGINEERING STRUCTURES》 * |
| 梁昊庆 等: "《索穹顶结构预应力多目标优化的小生境遗传算法》", 《建筑结构学报》 * |
| 陈前: "《基于改进的模拟植物生长算法的弦支穹顶结构优化设计研究及其抗震性能分析》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111639375A (zh) * | 2020-05-21 | 2020-09-08 | 温州大学 | 一种轻量化索穹顶结构形状优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019233134A1 (zh) | 数据驱动下基于风电不确定性的电热气网三阶段调度方法 | |
| Hasançebi et al. | Improving the performance of simulated annealing in structural optimization | |
| Prayogo et al. | Differential Big Bang-Big Crunch algorithm for construction-engineering design optimization | |
| Nakayama et al. | Simulation-based optimization using computational intelligence | |
| CN204435602U (zh) | 一种内置钢板混凝土组合剪力墙 | |
| CN109098305B (zh) | 一种自复位支撑结构 | |
| CN107104462B (zh) | 一种用于风电场储能调度的方法 | |
| CN110363363A (zh) | 一种用于综合能源系统的双阶段调度模型优化方法 | |
| CN106340888A (zh) | 基于佳点集量子粒子群算法的交直流系统无功优化方法 | |
| CN107092734A (zh) | 基于蚁群算法的自适应索穹顶结构内力控制方法 | |
| CN105243460A (zh) | 一种基于改进人工鱼群算法的输电塔塔腿辅材拓扑结构优化方法 | |
| CN107816243A (zh) | 高强钢柱‑普通钢梁钢支撑‑低屈服点钢连梁可复位结构 | |
| Fallah et al. | Active control of building structures using piezoelectric actuators | |
| Qu et al. | Intelligent optimization methods for the design of an overhead travelling crane | |
| CN106786570A (zh) | 一种含风电电力系统区间经济调度方法 | |
| CN114357577B (zh) | 一种独塔单索面斜拉桥桥塔锚固区环向预应力束配置与优化方法 | |
| Hadidi et al. | A new hybrid algorithm for simultaneous size and semi-rigid connection type optimization of steel frames | |
| Pham et al. | Optimal truss sizing by modified Rao algorithm combined with feasible boundary search method | |
| CN106845725A (zh) | 一种工程参数寻优方法及系统 | |
| CN110188471A (zh) | 一种考虑风荷载的铝合金屋架优化方法 | |
| CN104951612A (zh) | 基于阻尼连接的增强型主动调谐质量阻尼器优化设计方法 | |
| Hoseini et al. | Structural design optimization of all-steel buckling-restrained braces using intelligent optimizers | |
| Furlanetto et al. | Design optimization of tapered steel wind turbine towers by QPSO algorithm | |
| CN106638275B (zh) | 一种自循环式压电材料预应力混凝土箱梁 | |
| Yao et al. | Reliability optimization of multi-state hydraulic system based on TS fault tree and extended PSO algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170825 |