CN110727987B - 一种基于遗传梯度算法的闭环控制智能张弦梁结构 - Google Patents
一种基于遗传梯度算法的闭环控制智能张弦梁结构 Download PDFInfo
- Publication number
- CN110727987B CN110727987B CN201911036672.7A CN201911036672A CN110727987B CN 110727987 B CN110727987 B CN 110727987B CN 201911036672 A CN201911036672 A CN 201911036672A CN 110727987 B CN110727987 B CN 110727987B
- Authority
- CN
- China
- Prior art keywords
- module
- population
- sub
- fitness
- calculation
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Vehicle Body Suspensions (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于遗传梯度算法的闭环控制智能张弦梁结构,该结构包括张弦梁、计算机控制系统、作动系统、传感系统;所述作动系统替代张弦梁结构的撑杆,并与计算机控制系统相连,接受计算机控制系统发出的指令;传感系统安装于张弦梁结构的上弦,并与计算机控制系统相连;计算机控制系统用于处理接收的作动系统和传感系统的信息,并做出指令,进行数据交互;本发明在传统的张弦梁结构上引入智能控制,使其能根据外部荷载状况调整自身的形状和刚度,从而达到提高优化结构特性、提高结构承载力的目的。
Description
技术领域
本发明涉及结构的智能控制领域,尤其涉及一种基于遗传梯度算法的闭环控制智能张弦梁结构。
技术背景
张弦梁结构是一种杂交的空间结构,它将拱梁、桁架结构和悬索结构结合在一起,形成了一种受力均匀、施工方便可靠的新型结构形式。被广泛用于大跨空间结构。张弦梁结构是一种介于刚性结构和柔性结构之间的半刚性结构,其整体的刚度是由构件自身的截面尺寸和结构的几何形体来决定,通常通过对张弦梁结构引入适当的预应力可以提高结构的工作性能,但是由于结构所受的外荷载复杂多变,无法确定一个唯一的预应力使得结构满足各种工况。因此本发明在传统张弦梁结构引入智能控制系统,使得张弦梁结构可以根据外部荷载来调节自身的刚度和形状。
然而,将目前的常用的控制技术应用于张弦梁结构的智能控制,其不足主要表现在以下两个方面:
1、荷载情况未知,现有的研究均是在荷载已知的情况下对结构进行控制,然而在实际情况中,结构所承受的荷载大多是未知的,当荷载未知的情况下,如何对结构进行控制也成了难点。
2、缺乏合适高效的算法,对于小型的桁架和索杆张力结构,传统的控制理论可以较为容易的求解。但当结构体型增大,荷载情况复杂时,控制指令的可行空间成几何级数增长,传统的控制算法几乎不可能实现对结构的控制,因此需要采用大空间随机算法。
发明内容
针对该背景,发明了一种基于遗传梯度算法的闭环控制的智能张弦梁结构。通过对外荷载的识别与反馈,控制系统做出分析及指令,对结构做出实时的调整,实现预定控制目标。
本发明是通过以下技术方案实现的:一种基于遗传梯度算法的闭环控制智能张弦梁结构,其特征在于,该结构包括张弦梁、计算机控制系统、作动系统、传感系统;
所述作动系统替代张弦梁结构的撑杆,并与计算机控制系统相连,接受计算机控制系统发出的指令;传感系统安装于张弦梁结构的上弦,并与计算机控制系统相连,将感知到的信息传递给计算机控制系统;计算机控制系统用于处理接收的作动系统和传感系统的信息,并做出指令,进行数据交互。
所述计算机控制系统包括数据处理模块和模型计算模块;所述数据处理模块用于建立张弦梁结构的几何非线性模型,包括杆件类型以及各类杆件的几何参数和力学参数,并获取张弦梁结构中的作动系统的作动量;提取位移计算结果并通过模型计算模块进行优化;所述模型计算模块用于将数据处理模块中获取的作动量作为优化变量,以结构位移最小为优化目标,采用遗传梯度算法进行优化计算。
进一步地,所述模型计算模块包括初始化种群子模块、解码计算适应度子模块、选择子模块、交叉子模块、变异子模块、梯度下降子模块和输出子模块;
所述初始化种群子模块:用于对数据处理模块获取的作动系统的作动量搜索空间进行编码以生成随机初始种群;
所述解码计算适应度子模块:用于以结构位移为适应度值,根据适应度规则,选择进入下一代的个体以生成优胜劣汰的种群;
所述选择子模块:根据解码计算适应度子模块中获取的适应度值,选择进入下一代的个体以生成优胜劣汰后的种群;
所述交叉子模块:用于对选择子模块中生成的优胜劣汰的种群进行交叉;
所述变异子模块:用于对交叉子模块交叉生成的种群进行变异;
所述梯度下降子模块:用于对选择子模块中生成的优胜劣汰的种群进行梯度下降优化;
所述输出子模块:用于重复上述子模块,直到达到指定的迭代次数,以输出最优作动量。
进一步地,所述模型计算模块中的遗传梯度算法包括以下步骤:
(1)初始化种群:通过初始化种群子模块对获取的作动量搜索空间进行编码以生成初始种群;
(2)解码计算适应度:通过解码计算适应度子模块,以结构位移为适应度,根据优化计算约束条件,对步骤(1)中获取的初始种群进行解码,计算个体适应度值;
(3)选择:通过选择子模块对步骤(2)中计算的适应度值,根据适应度规则,选择将进入下一代的个体以生成优胜劣汰后的种群;
(4)交叉:通过交叉子模块对步骤(3)中生成的种群进行交叉;
(5)变异:通过变异子模块对步骤(4)中交叉生成的种群进行变异;
(6)梯度下降:通过梯度下降子模块判断是否需要梯度算法寻优,若是,则对新的子代群体进行梯度算法局部寻优,将所得结果中较好的子代取代父代加入新的种群中;
(7)判断是否达到终止条件,若是则通过输出子模块输出最优作动量,否则重复步骤(1)-(6)。
进一步地,步骤(2)对初始种群进行解码并计算个体适应度值具体如下:
所述优化计算约束条件为:材料性能和作动系统性能;
其中di为撑杆的长度,和分别为撑杆的最小长度和最大长度,σB、σC、σT分别为张弦梁结构中的梁、索及撑杆的使用应力;和 和分别为张弦梁结构中的梁、撑杆的拉压许用应力;和为索正常工作的最小应力和最大应力;ea为作动系统的调节量,和分别为作动系统调节范围的上下极限。
计算个体适应度值如下:
其中fd,i是第i节点的位移状态系数,βd是整个结构的位移工作状态系数,当βd最小时,个体适应度值最大。
进一步地,步骤(3)中所述的适应度规则具体为轮盘赌法:
其中N为种群规模,Fi为个体i的适应度值,pi为相应的个体i的选择概率。
进一步地,步骤(6)中的梯度下降模块在每次遗传算法之后进行,设置每四代遗传计算后进行一次梯度下降计算。
7、如权利要求3所述的基于遗传梯度算法的闭环智能张弦梁结构,其特征在于,步骤(7)所述指定迭代次数为100—200次。
进一步地,所述传感系统为位移传感器或内力传感器,用于感知外界的位移信息或内力信息。
进一步地,所述作动系统可以为机械作动器。
本发明的有益效果是,
1、在传统的张弦梁结构上引入智能控制系统,使结构可以根据外荷载信息调整形态来增强自身的承载能力。
2、针对控制方法计算量大、计算速度慢的问题,提出了适合大规模计算的遗传梯度算法,首先通过遗传算法搜索的到近似全局最优解,再以群体中最优个体作为梯度算法的初始点,然后用梯度下降法进一步搜索全局最优解,保证了搜索的全局性及收敛速度,又保证了算法的局部搜索能力。
附图说明
图1为本发明的实施方案示意图;
图2为本发明的工作原理流程图;
图3为本发明提供的一种基于遗传梯度算法闭环控制智能张弦梁结构的示意图;
图4为本发明实施例中的三撑杆智能控制张弦梁示意图。
图中、1.位移传感器;2.机械作动器。
具体实施方式
下面结合附图说明本发明的工作原理及其有益效果。
如图1所示,本发明提供的一种基于遗传梯度算法的闭环控制智能张弦梁结构,该结构包括张弦梁、计算机控制系统、作动系统、传感系统。张弦梁由支座,上弦杆件,竖向支撑以及柔性拉索组成;传感系统,主要负责采集结构对外部环境的反映和外部环境信息,并传递给计算机控制系统,根据传感器功能的不同可将其划分为内力传感器,位移传感器,用于结构的强度控制和形状控制;作动系统接收并执行计算机控制系统的调控命令,同时还对自身的执行情况进行检测,进行误差的调整和修正;计算机控制系统可以为单片机或以微处理机为核心的可编程控制器,计算机控制系统可以将指令存放在存储器中,然后根据存储的控制内容,将控制信息传递给作动系统,对作动系统进行控制。传感系统安置在上弦杆件上,获取上弦梁的内力和位移信息。作动系统安置在竖向支撑上,经过测试,在此位置的作动系统工作效率最高,调控能力最大。
智能张弦梁结构的工作原理如图2所示,当作用在结构上的外荷载的位置或大小发生变化时,结构的工作状态发生改变;布置在结构上的传感系统感知到该结构工作状态变化的信息;计算机控制系统对结构工作状态变化的信息进行分析,并按照预定的控制目标和控制方法生成作动系统的调控方案;作动系统执行该调控方案,改变结构的工作状态;同时引入了闭环控制过程,对作动系统的执行过程进行实时监控,保证传感系统获取的数据与输入到作动系统的数据处在系统当前状态,将传感系统感知到的反馈量与设定的控制目标的差作为计算闭环杆件变化量的目标值,进行迭代纠偏,完成自我修正;返回,进行下一控制循环。
本发明提供的一种基于遗传梯度算法的闭环控制智能张弦梁结构的具体实施过程如图3所示,包括以下步骤:
(1)数据处理:
(1.1)建立张弦梁结构的几何非线性模型,包括结构的跨度,矢高以及杆件类型和各类杆件的几何参数和力学参数;提取计算结果进行优化。
进一步的,所述张弦梁结构的几何非线性模型在ANSYS平台进行搭建,按照是实际情况输入结构跨度,矢高以及各类杆件类型和各类杆件的几何参数、力学参数。
(1.2)在建立结构的几何非线性模型时,以张弦梁的三根竖向撑杆长度为优化变量,以结构位移作为响应输出量。
进一步的,在数据处理时,考虑材料约束,设置结构的约束条件,包括梁位移范围,梁应力范围,撑杆调节范围,撑杆应力范围,具体为:
其中σB、σC、σT分别为梁、索及撑杆的使用应力;和 和分别为梁、撑杆的拉压许用应力;和为索正常工作的最小应力和最大应力;和分别为主动构件调节范围的上下极限,NB、AB、MB、WB分别为梁的轴力、截面积、弯矩、弯曲系数,NTj和ATj为竖向撑杆的轴力和截面积,NCj和ACj为拉索的轴力和截面积。
(2)在步骤(1.2)中获取的撑杆长度搜索空间内以撑杆长度为优化变量,以梁位移最小值为优化目标,采用遗传梯度算法进行优化计算。
对于传统的遗传算法是一种全局性强的搜索算法,但也存在收敛速度过慢、局部搜索能力差、后期搜索效率低等问题,因此在遗传算法的基础上引入梯度下算子,弥补了随机搜索中的缺陷,更加满足张弦梁结构的智能控制。
(2.1)初始化种群:对获取的撑杆长度搜索空间进行编码以生成初始种群,可选取种群规模为10,交叉概率为0.6,变异概率为0.01,终止代数为100;
(2.2)解码计算适应度:以结构位移为适应度,对步骤(2.1)中获取的初始种群进行解码计算个体适应度值,其数学表达式为:
其中fd,i是第i节点的位移状态系数,βd是整个结构的位移工作状态系数,σB、σC、σT分别为梁、索及撑杆的使用应力;和 和分别为梁、撑杆的拉压许用应力;和为索正常工作的最小应力和最大应力;和分别为主动构件调节范围的上下极限。
(2.3)选择:对步骤(2.2)中获取的适应度值进行选择,适应度规则为选择种群中优良个体,舍弃适应度值相对较差的个体。本发明选取轮盘赌选择:
其中N为种群规模,Fi为个体i的适应度值,pi为相应的个体i的选择概率。
(2.4)交叉:对步骤(2.3)中生成的种群进行交叉,交叉算子有很多种策略,本发明采用单点交叉,将随机选择两个上一代个体作为新个体的父母,根据染色体的长度随机产生交叉位置,进行打断交叉后组成新的个体,可选取交叉系数0.6;
(2.5)变异:对步骤(2.4)中交叉生成的种群进行变异,选择种群中的个体,将其染色体上的基因进行随机改动,来增加种群中个体的多样性。采用二进制编码的染色体,变异操作通常为把个体的某一位的内容进行求反运算,若原来某位为“0”,变异后即为“1”,反之同理。可选取变异概率为0.01;
(2.6)梯度下降:判断是否需要梯度算法寻优,若是,则对新的子代群体进行梯度算法局部寻优,将所得结果中较好的子代取代父代加入新的种群中,本发明设置每四代遗传计算后进行一次提督算子计算;
(2.7)输出作动量作为输入值到(1)进行非线性有限元计算,重复步骤(2.2)-(2.6),直到达到指定的迭代次数,所选用的迭代次数可为100次。
实施例
如图4所示的三撑杆智能控制张弦梁,跨度L=4.0m,垂度f=0.68m,两侧短撑杆的垂度为f’=0.54m,矢跨比为k=0.17。采用位移控制目标时,取三个竖向撑杆上端的梁节点位置为位移控制点,采用应力控制目标时,将梁分成8段,取三撑杆之间的局部跨中的八个上下表面应力为应力控制点,结构几何参数,位移和应力控制点及编号如图4所示。
考虑如下三种工况条件:
1)工况一:全跨荷载1.0*G+1.0*Q1=0.20KN/M
2)工况二:半跨荷载1.0*G+1.0*Q2=0.20KN/M(左侧)+0.12KN/M(右侧)
3)工况三:随机荷载1.0*G+1.0*Q3
其中恒荷载G=0.12KN/M,活荷载Q1=0.08KN/M(全跨),Q2=0.08KN/M(半跨),Q3为分为均匀16个节点施加的随机荷载
各材料性质如下表所示:
材料特性表
各结构响应参数和撑杆调节范围约束条件如下表所示。
约束条件
遗传梯度算法相关参数的取值如下表所示:
遗传梯度算法取值表
种群规模 | 交叉概率 | 变异概率 | 终止代数 |
10 | 0.6 | 0.01 | 10 |
对各工况作用下控制前后结构的计算结果如下所示,其中NC代表控制前,DC、SC分别代表位移、应力控制目标。
控制前后状态参数对比表
可以看出,以位移为目标进行结构控制时,无论是全跨荷载、半跨荷载、随机荷载,结构的位移工作状态系数可以降低至基本为零,使节点位移恢复到受荷载前的状态,即实现了最优控制目标,同时应力状态系数和应力分布也有所优化。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (1)
1.一种基于遗传梯度算法的闭环控制智能张弦梁结构,其特征在于,该结构包括张弦梁、计算机控制系统、作动系统、传感系统;
所述作动系统替代张弦梁结构的撑杆,并与计算机控制系统相连,接受计算机控制系统发出的指令;传感系统安装于张弦梁结构的上弦,并与计算机控制系统相连,将感知到的信息传递给计算机控制系统;计算机控制系统用于处理接收的作动系统和传感系统的信息,并做出指令,进行数据交互;传感系统为位移传感器或内力传感器,用于感知外界的位移信息或内力信息;
所述计算机控制系统包括数据处理模块和模型计算模块;所述数据处理模块用于建立张弦梁结构的几何非线性模型,包括杆件类型以及各类杆件的几何参数和力学参数,并获取张弦梁结构中的作动系统的作动量;提取位移计算结果并通过模型计算模块进行优化;所述模型计算模块用于将数据处理模块中获取的作动量作为优化变量,以结构位移最小为优化目标,采用遗传梯度算法进行优化计算,其中以结构位移为适应度,计算个体适应度值具体如下:优化计算约束条件为:材料性能和作动系统性能;
其中di为撑杆的长度,和分别为撑杆的最小长度和最大长度,σB、σC、σT分别为张弦梁结构中的梁、索及撑杆的使用应力;和和分别为张弦梁结构中的梁、撑杆的拉压许用应力;和为索正常工作的最小应力和最大应力;ea为作动系统的调节量,和分别为作动系统调节范围的上下极限;
计算个体适应度值如下:
其中fd,i是第i节点的位移状态系数,βd是整个结构的位移工作状态系数,当βd最小时,个体适应度值最大;
所述模型计算模块包括初始化种群子模块、解码计算适应度子模块、选择子模块、交叉子模块、变异子模块、梯度下降子模块和输出子模块;
所述初始化种群子模块:用于对数据处理模块获取的作动系统的作动量搜索空间进行编码以生成随机初始种群;所述作动系统为机械作动器;
所述解码计算适应度子模块:用于以结构位移为适应度值,根据适应度规则,选择进入下一代的个体以生成优胜劣汰的种群;
所述选择子模块:根据解码计算适应度子模块中获取的适应度值,选择进入下一代的个体以生成优胜劣汰后的种群;
所述交叉子模块:用于对选择子模块中生成的优胜劣汰的种群进行交叉;
所述变异子模块:用于对交叉子模块交叉生成的种群进行变异;
所述梯度下降子模块:用于对选择子模块中生成的优胜劣汰的种群进行梯度下降优化;
所述输出子模块:用于重复上述子模块,直到达到指定的迭代次数,以输出最优作动量;
所述模型计算模块中的遗传梯度算法包括以下步骤:
(1)初始化种群:通过初始化种群子模块对获取的作动量搜索空间进行编码以生成初始种群;
(2)解码计算适应度:通过解码计算适应度子模块,以结构位移为适应度,根据优化计算约束条件,对步骤(1)中获取的初始种群进行解码,计算个体适应度值;
(3)选择:通过选择子模块对步骤(2)中计算的适应度值,根据适应度规则,选择将进入下一代的个体以生成优胜劣汰后的种群;所述的适应度规则具体为轮盘赌法:
其中N为种群规模,Fi为个体i的适应度值,pi为相应的个体i的选择概率;
(4)交叉:通过交叉子模块对步骤(3)中生成的种群进行交叉;
(5)变异:通过变异子模块对步骤(4)中交叉生成的种群进行变异;选择种群中的个体,将其染色体上的基因进行随机改动,来增加种群中个体的多样性;采用二进制编码的染色体,变异操作为把个体的某一位的内容进行求反运算,若原来某位为“0”,变异后即为“1”,反之同理;
(6)梯度下降:通过梯度下降子模块判断是否需要梯度算法寻优,若是,则对新的子代群体进行梯度算法局部寻优,将所得结果中较好的子代取代父代加入新的种群中;梯度下降模块在每次遗传算法之后进行,设置每四代遗传计算后进行一次梯度下降计算;
(7)判断是否达到指定迭代次数为100—200次,若是则通过输出子模块输出最优作动量,否则重复步骤(1)-(6)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911036672.7A CN110727987B (zh) | 2019-10-29 | 2019-10-29 | 一种基于遗传梯度算法的闭环控制智能张弦梁结构 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911036672.7A CN110727987B (zh) | 2019-10-29 | 2019-10-29 | 一种基于遗传梯度算法的闭环控制智能张弦梁结构 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110727987A CN110727987A (zh) | 2020-01-24 |
CN110727987B true CN110727987B (zh) | 2023-05-12 |
Family
ID=69222379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911036672.7A Active CN110727987B (zh) | 2019-10-29 | 2019-10-29 | 一种基于遗传梯度算法的闭环控制智能张弦梁结构 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110727987B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102296750A (zh) * | 2011-05-31 | 2011-12-28 | 中铁十局集团建筑工程有限公司 | 大跨度预应力张弦梁及其施工方法 |
US20190081514A1 (en) * | 2017-09-11 | 2019-03-14 | Korea Electronics Technology Institute | Intelligent wireless power transmitter, charging system using intelligent wireless power and intelligent wireless power-providing method |
CN110147599A (zh) * | 2019-05-11 | 2019-08-20 | 温州大学 | 一种基于遗传算法的索杆张力结构质量优化方法和系统 |
-
2019
- 2019-10-29 CN CN201911036672.7A patent/CN110727987B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102296750A (zh) * | 2011-05-31 | 2011-12-28 | 中铁十局集团建筑工程有限公司 | 大跨度预应力张弦梁及其施工方法 |
US20190081514A1 (en) * | 2017-09-11 | 2019-03-14 | Korea Electronics Technology Institute | Intelligent wireless power transmitter, charging system using intelligent wireless power and intelligent wireless power-providing method |
CN110147599A (zh) * | 2019-05-11 | 2019-08-20 | 温州大学 | 一种基于遗传算法的索杆张力结构质量优化方法和系统 |
Non-Patent Citations (1)
Title |
---|
主动张弦梁结构闭环控制算法与实现策略研究;杨光;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190115(第01期);第C038-1800页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110727987A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaveh et al. | Topology optimization of trusses using genetic algorithm, force method and graph theory | |
Pholdee et al. | Hybridisation of real-code population-based incremental learning and differential evolution for multiobjective design of trusses | |
CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
CN110297490B (zh) | 基于强化学习算法的异构模块化机器人自重构规划方法 | |
CN110147599B (zh) | 一种基于遗传算法的索杆张力结构质量优化方法和系统 | |
CN105608295B (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN110129832A (zh) | 一种铝电解过程槽电压的多目标优化方法 | |
Hajela et al. | Constraint handling in genetic search using expression strategies | |
CN110727987B (zh) | 一种基于遗传梯度算法的闭环控制智能张弦梁结构 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN112636368A (zh) | 针对多源多区域互联电力系统的自动发电控制方法 | |
CN108170947A (zh) | 一种基于萤火虫算法获取新型点阵结构的方法 | |
Sheng et al. | Forward kinematics of the Stewart platform using hybrid immune genetic algorithm | |
Wang et al. | Adaptive genetic algorithm enhancements for path planning of mobile robots | |
CN108734349A (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及系统 | |
CN108710748A (zh) | 一种平面四杆机构轨迹设计的果蝇优化方法 | |
CN109543226B (zh) | 一种用于空间结构的混合智能优化方法 | |
CN112734291B (zh) | 基于树搜索的桁架装配序列规划方法 | |
CN114202063A (zh) | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 | |
CN110033118A (zh) | 弹性网络建模且基于遗传算法的风机多目标优化控制方法 | |
CN112394640B (zh) | 参数整定方法、装置、存储介质及参数整定单元 | |
CN113553740B (zh) | 一种基于改进pgsa的轮辐式双层索网预应力优化方法 | |
CN112800515A (zh) | 一种基于联合迭代算法树状结构找形优化设计方法 | |
CN112883472A (zh) | 一种基于数值逆吊法的树状结构拓扑优化设计方法 | |
Yamada et al. | Control program design of autonomous vehicle robot using grammatical evolution |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |