CN111507045A - 基于自适应权重鲸鱼优化算法的结构损伤识别方法 - Google Patents
基于自适应权重鲸鱼优化算法的结构损伤识别方法 Download PDFInfo
- Publication number
- CN111507045A CN111507045A CN202010252577.7A CN202010252577A CN111507045A CN 111507045 A CN111507045 A CN 111507045A CN 202010252577 A CN202010252577 A CN 202010252577A CN 111507045 A CN111507045 A CN 111507045A
- Authority
- CN
- China
- Prior art keywords
- damage
- whale
- optimization algorithm
- adaptive weight
- fitness
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 60
- 241000283153 Cetacea Species 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 19
- 230000036541 health Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 208000027418 Wounds and injury Diseases 0.000 abstract 1
- 208000014674 injury Diseases 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于自适应权重鲸鱼优化算法的结构损伤识别方法,该方法包括以下步骤:1)建立待识别结构的无损伤结构模型,获取动力参数;2)待识别结构的损伤工况下,获得对应的动力参数;3)以损伤与健康动力参数的差值作为目标函数;4)利用鲸鱼优化算法计算在全局寻找目标函数最小时的对应结构位置和刚度,从而实现结构的损伤识别。本发明通过引入自适应权重对WOA进行改进,提高了识别的鲁棒性,较好的实现了结构的损伤识别。
Description
技术领域
本发明涉及结构健康监测技术,尤其涉及一种基于自适应权重鲸鱼优化算法的结构损伤识别方法。
背景技术
大型结构的使用期长达几十年、甚至上百年,在环境侵蚀、材料老化、荷载的长期效应和疲劳效应、灾害因素的突变效应等共同作用下将不可避免地导致结构系统的损伤积累和抗力衰减,极端情况下可能引发灾难性的突发事故。因此,为了保障结构的安全性、完整性和耐久性,已建成使用的大型结构急需采用有效的手段来监测和评估其损伤程度及安全状态。随着测试手段和分析技术的提高,国内外都开始在一些已建和在建的大型结构中设置结构健康监测系统,对结构的损伤和安全状态进行监测和评估。
作为桥梁健康监测的核心技术,结构损伤识别成为近年来的研究热点,并得到广泛的试验验证。群智能算法,不仅在函数优化问题上应用广泛,在结构的损伤识别领域也备受青睐。
鲸鱼优化算法(WOA)对鲸鱼的“螺旋气泡网”策略、收缩包围、螺旋式位置更新和随机捕猎机制不断逼近猎物的狩猎过程进行数学模拟,其具有调节参数少、全局收敛性强、收敛速度快等特点。WOA数学模型包括环绕式包围捕食、泡泡网攻击猎物和随机搜索捕食3个阶段。但是在应用中,鲸鱼优化算法在处理复杂优化问题上存在性能缺陷,容易产生早熟收敛并被证明算法不是全局收敛,容易陷入局部最优。因此实用性和有效性方面都受到了限制。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于自适应权重鲸鱼优化算法的结构损伤识别方法。
本发明解决其技术问题所采用的技术方案是:一种基于自适应权重鲸鱼优化算法的结构损伤识别方法,包括以下步骤:
4)利用鲸鱼优化算法计算在全局寻找目标函数最小时的对应结构位置和刚度,从而实现结构的损伤识别。
按上述方案,所述步骤4)中利用鲸鱼优化算法计算在全局寻找目标函数最小时的对应结构位置和刚度,具体如下:
4.1)初始化;
初始化鲸鱼优化算法的参数,包括鲸群数量N,目标函数维度dim即单元个数,最大迭代次数itermax,设置寻优空间内位置为各单元,刚度变化范围为[0,1];
4.2)计算适应度函数并记录;
4.3)寻找当前最优值并记录位置;
4.4)在迭代过程中,将鲸鱼个体的适应度函数值按升序排序,然后分别求前后半段的平均适应度,根据前后半段的平均适应度更新当前鲸鱼个体的适应度权重;
4.5)确定自适应权重后,反馈后在对应情况下进行位置更新;
4.6)当结果收敛或迭代次数达到设定最大值,获得最优解,即使目标函数最小时的对应结构位置和刚度;
4.7)根据4.6)的结果判断结构的损伤位置和程度。
按上述方案,所述步骤4.4)中自适应权重设置如下:
引入自适应权重s,鲸鱼继承位置的公式为
并根据每个鲸鱼个体的适应度值进行权重的设置如下:
其中,favg1为前半段的平均适应度,favg2为后半段的平均适应度。
本发明产生的有益效果是:
本发明通过引入引入自适应权重对WOA进行改进,提高了识别的鲁棒性,较好的实现了结构的损伤识别。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例的方法流程图;
图2为本发明实施例的自适应权重鲸鱼优化算法的流程图;
图3为本发明实施例的单损伤工况1识别结果图;
图4为本发明实施例的单损伤工况2识别结果图;
图5为本发明实施例的组合损伤工况1识别结果图;
图6为本发明实施例的组合损伤工况2识别结果图;
图7为本发明实施例的多损伤工况1识别结果图;
图8为本发明实施例的多损伤工况2识别结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种基于自适应权重鲸鱼优化算法的结构损伤识别方法,包括以下步骤:
4)利用鲸鱼优化算法计算在全局寻找目标函数最小时的对应结构位置和刚度,从而实现结构的损伤识别。
其中,WOA算法的基本理论如下:
座头鲸在寻找猎物时,能够识别它们的位置并将其包围。具体数学模型为
式中:t为当前迭代次数;X*为当前获得的猎物位置向量;X为鲸鱼位置向量;A和C为系数向量,其定义为
式中:a为收敛因子,随迭代次数增加从2线性减小到0;r为[0,1]之间的随机向量。
为了建立鲸鱼的泡泡网攻击行为的数学模型,设计了两种方法来模拟这种行为,数学模型如下:
收缩包围圈机制。实现该行为只需要减少a,需要注意的是A随着a的减小而缩小。螺旋式位置更新。座头鲸以螺旋运动方式不断接近猎物,其螺旋运动的数学模型为:
为了模拟这种同步行为,假设选择收缩包围圈机制或螺旋位置更新概率均为50%。数学模型为:
式中:p为[0,1]上的随机数。座头鲸可以随机更新个体位置捕食猎物。鲸鱼根据相互之间的位置进行随机搜索,具体过程为:
自适应权重
鲸鱼优化算法在全局搜索方面具有较好的能力,但是易导致后期收敛时,大部分解会变异;若将其变小,会使前期较差解收敛较慢。本发明实现权重的自适应变化,在不同适应度下,对解的继承思路进行了优化,从而实现算法的全局收敛和局部收敛的平衡。
引入自适应权重s,并由此将鲸鱼继承位置的公式更新为
并根据每个鲸鱼个体的适应度值进行权重的设置。
在迭代过程中,将鲸鱼个体的适应度函数值按升序排序,然后分别求前后半段的平均适应度。将当前鲸鱼个体的适应度分别作比较,并依上述公式进行更新。存在以下三种情况:
当该鲸鱼适应度值小于favg1时,计算适应度梯度,加上一个较小的初始权重0.8,作为较优群体的权重;
当该鲸鱼适应度值介于二者之间时,选择一个在0.9到1.1范围内的随机数,作为适中群体的权重;
当该鲸鱼适应度值大于favg2时,计算适应度梯度,加上一个较大的初始权重1.2,作为较差群体的权重;
确定自适应权重后,反馈后在对应情况下进行位置更新。
当结果收敛或迭代次数达到设定最大值,获得最优解,即使目标函数最小时的对应结构位置和刚度。
为了验证本发明所提出方法的有效性,这里以ASCE benchmark模型为例,对其中几种常见损伤,如单损伤、组合损失和多损伤进行结构损伤识别,具体的应用过程如下:
ASCE benchmark模型为四层框架模型,选择不同工况如表1所示。并利用自适应鲸鱼优化算法进行损伤识别。为了降低偶然误差的影响,每种工况均进行了10次试验后取平均值。结果如图3-8所示。
表1
结果分析:可以看出,原始鲸鱼优化算法在单损伤条件下识别效果较好,但对于组合损伤的刚度识别不够准确,而在多损伤下极易产生误判,这是因为此时的局部最优增多,导致原始鲸鱼算法极易陷入早熟,从而无法获取全局最优。而本发明提出的自适应权重鲸鱼优化算法对于单损伤,组合损伤和多损伤都能较好的识别。这是因为,自适应权重增加了算法前期的全局探索能力,从而容易跳出局部最优。
本发明详细说明了应用自适应鲸鱼优化算法进行结构的损伤识别方法。综合实施例的上述分析,对于结构的损伤识别,本发明的算法能够有效克服现有方法的不足,可以有效地对单损伤,多损失和组合损伤等工况进行诊断。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
3.根据权利要求1所述的基于自适应权重鲸鱼优化算法的结构损伤识别方法,其特征在于,所述步骤4)中利用鲸鱼优化算法计算在全局寻找目标函数最小时的对应结构位置和刚度,具体如下:
4.1)初始化;
4.2)计算适应度函数并记录;
4.3)寻找当前最优值并记录位置;
4.4)在迭代过程中,将鲸鱼个体的适应度函数值按升序排序,然后分别求前后半段的平均适应度,根据前后半段的平均适应度更新当前鲸鱼个体的适应度权重;
4.5)确定自适应权重后,反馈后在对应情况下进行位置更新;
4.6)当结果收敛或迭代次数达到设定最大值,获得最优解,即使目标函数最小时的对应结构位置和刚度;
4.7)根据4.6)的结果判断结构的损伤位置和程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252577.7A CN111507045A (zh) | 2020-04-01 | 2020-04-01 | 基于自适应权重鲸鱼优化算法的结构损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010252577.7A CN111507045A (zh) | 2020-04-01 | 2020-04-01 | 基于自适应权重鲸鱼优化算法的结构损伤识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507045A true CN111507045A (zh) | 2020-08-07 |
Family
ID=71871973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010252577.7A Pending CN111507045A (zh) | 2020-04-01 | 2020-04-01 | 基于自适应权重鲸鱼优化算法的结构损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507045A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163808A (zh) * | 2020-09-23 | 2021-01-01 | 贵州工程应用技术学院 | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 |
CN112670984A (zh) * | 2020-12-16 | 2021-04-16 | 广州大学 | 一种基于改进鲸鱼算法的电力系统经济负荷分配方法 |
CN112766343A (zh) * | 2021-01-12 | 2021-05-07 | 郑州轻工业大学 | 一种基于改进woa-svm的网络安全态势评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147611A (zh) * | 2019-05-20 | 2019-08-20 | 福州大学 | 一种基于iwoa的结构损伤识别方法 |
-
2020
- 2020-04-01 CN CN202010252577.7A patent/CN111507045A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147611A (zh) * | 2019-05-20 | 2019-08-20 | 福州大学 | 一种基于iwoa的结构损伤识别方法 |
Non-Patent Citations (2)
Title |
---|
丁政豪;吕中荣;刘济科;: "基于多种搜索策略的人工蜂群算法的结构损伤识别", 计算力学学报, no. 05, pages 2 - 3 * |
张剑: "空间网格结构的动力测试与模型修正研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, pages 5 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163808A (zh) * | 2020-09-23 | 2021-01-01 | 贵州工程应用技术学院 | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 |
CN112163808B (zh) * | 2020-09-23 | 2022-04-01 | 贵州工程应用技术学院 | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 |
CN112670984A (zh) * | 2020-12-16 | 2021-04-16 | 广州大学 | 一种基于改进鲸鱼算法的电力系统经济负荷分配方法 |
CN112766343A (zh) * | 2021-01-12 | 2021-05-07 | 郑州轻工业大学 | 一种基于改进woa-svm的网络安全态势评估方法 |
CN112766343B (zh) * | 2021-01-12 | 2022-03-11 | 郑州轻工业大学 | 一种基于改进woa-svm的网络安全态势评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507045A (zh) | 基于自适应权重鲸鱼优化算法的结构损伤识别方法 | |
CN108334059B (zh) | 基于粒子群算法优化bp神经网络模型故障诊断方法 | |
CN112036512B (zh) | 基于网络裁剪的图像分类神经网络架构搜索方法和装置 | |
CN110110862A (zh) | 一种基于适应性模型的超参数优化方法 | |
CN110062390B (zh) | 基于改进狼群算法的无线传感器网络节点优化部署方法 | |
CN109635506A (zh) | 自适应混沌树和种子算法的光伏电池模型参数辨识方法 | |
CN112581262A (zh) | 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法 | |
CN108363876B (zh) | 一种考虑关键故障的测试优化选择方法 | |
CN111191785B (zh) | 用于命名实体识别的基于拓展搜索空间的结构搜索方法 | |
CN111275172A (zh) | 一种基于搜索空间优化的前馈神经网络结构搜索方法 | |
CN111624522A (zh) | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 | |
CN112465160A (zh) | 一种基于vr的车辆维修保养辅助系统 | |
CN110222830A (zh) | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 | |
CN111625998A (zh) | 一种层叠太阳能电池结构优化方法 | |
CN110889250A (zh) | 一种基于混合元启发式算法的钢桁架结构损伤识别方法 | |
CN108896330B (zh) | 一种水电机组的故障诊断方法 | |
CN114441173A (zh) | 基于改进深度残差收缩网络的滚动轴承故障诊断方法 | |
CN107169594A (zh) | 一种车辆路径问题的优化方法及装置 | |
CN112131089B (zh) | 软件缺陷预测的方法、分类器、计算机设备及存储介质 | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN109242294A (zh) | 改进模糊神经网络的电力通信性能预警方法及装置 | |
CN116405975A (zh) | 一种面向物联网应用环境的基于隐私熵的隐私感知计算卸载方法 | |
CN107480724A (zh) | 一种聚类中心的确定方法、确定系统及一种聚类方法 | |
CN114662638A (zh) | 基于改进人工蜂群算法的移动机器人路径规划方法 | |
CN115270983A (zh) | 一种基于AdaBoost-RBF算法的开关柜故障预测方法 |
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 |