CN117828958B - 基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置 - Google Patents

基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置 Download PDF

Info

Publication number
CN117828958B
CN117828958B CN202410254121.2A CN202410254121A CN117828958B CN 117828958 B CN117828958 B CN 117828958B CN 202410254121 A CN202410254121 A CN 202410254121A CN 117828958 B CN117828958 B CN 117828958B
Authority
CN
China
Prior art keywords
cricket
initial
optimization
fitness value
attribute
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
Application number
CN202410254121.2A
Other languages
English (en)
Other versions
CN117828958A (zh
Inventor
梅柳
何俊宏
周颖
熊琛
李利孝
罗启灵
龙武剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202410254121.2A priority Critical patent/CN117828958B/zh
Publication of CN117828958A publication Critical patent/CN117828958A/zh
Application granted granted Critical
Publication of CN117828958B publication Critical patent/CN117828958B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请适用于桁架结构优化设计技术领域，提供了一种基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置。方法包括：确定桁架结构的优化目标、优化变量和约束条件；随机初始化蟋蟀种群，得到每只蟋蟀的初始争斗属性，每只蟋蟀代表优化变量的一组可行解；根据每只蟋蟀的初始争斗属性确定擂主蟋蟀和初始胜利蟋蟀；根据擂主蟋蟀更新每只蟋蟀的初始争斗属性为第一争斗属性，确定最终胜利蟋蟀；重复执行确定擂主蟋蟀、初始胜利蟋蟀和最终胜利蟋蟀的步骤，直到执行次数达到优化次数，输出最后一次的最终胜利蟋蟀对应的优化变量和优化目标。蟋蟀争斗优化算法无需选取可调超参数，通过将蟋蟀争斗优化算法应用于桁架结构优化问题，提升了桁架结构优化效果。

Description

基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置
技术领域
本申请属于桁架结构优化设计技术领域，尤其涉及一种基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置。
背景技术
桁架是一种土木工程结构类型，由许多杆件按照一定的拓扑结构连接在一起，形成稳定的整体。桁架结构的强度高、重量轻、材料利用率高，在许多工程设施中都得到了广泛的应用，包括桥梁、塔架、舞台设备、航空航天器等。
在工程结构设计中，结构优化设计通过将最优化理论与工程结构设计的应用相结合，用来分析和解决实际工程结构中存在的问题。随着桁架结构的应用越来越广泛，桁架结构优化设计已然成为一个独立的研究领域。
目前，桁架结构优化设计采用基于力学的优化方法或者元启发式优化算法，优化过程中涉及的参数较多且需要人为干预选取，易陷入局部最优，导致桁架结构优化设计的效果较差。
发明内容
本申请实施例提供了一种基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置，优化过程无需选取可调超参数，无需人为干预，避免算法陷入局部最优，降低了算法的学习和使用成本，提高了桁架结构优化设计的效果。
第一方面，本申请实施例提供了一种基于蟋蟀争斗优化算法的桁架结构优化设计方法，包括：
设定桁架结构的优化目标、优化变量和约束条件；其中，约束条件为桁架结构优化过程中优化变量需满足的条件；
随机初始化蟋蟀种群，得到每只蟋蟀的初始争斗属性；其中，蟋蟀种群包括多只蟋蟀，每只蟋蟀代表优化变量的一组可行解，蟋蟀的争斗属性包括优化变量，蟋蟀种群还设置有蟋蟀总数和优化次数；
根据每只蟋蟀的初始争斗属性得到每只蟋蟀的初始适应度值，根据每只蟋蟀的初始适应度值在蟋蟀种群中确定擂主蟋蟀和初始胜利蟋蟀；其中，蟋蟀的适应度值代表优化变量的一组可行解对应的优化目标的值，初始胜利蟋蟀为蟋蟀种群中初始适应度值最小的蟋蟀；
根据擂主蟋蟀的初始争斗属性更新每只蟋蟀的初始争斗属性为第一争斗属性，更新每只蟋蟀的初始适应度值为第一适应度值，根据每只蟋蟀的第一适应度值和初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀；
重复多次执行确定擂主蟋蟀、初始胜利蟋蟀和最终胜利蟋蟀的步骤，直到执行次数达到优化次数为止，输出最后一次确定的最终胜利蟋蟀对应的优化变量和优化目标。
第二方面，本申请实施例提供了一种基于蟋蟀争斗优化算法的桁架结构优化设计装置，包括：
设定模块，用于设定桁架结构的优化目标、优化变量和约束条件；其中，约束条件为桁架结构优化过程中优化变量需满足的条件；
初始化模块，用于随机初始化蟋蟀种群，得到每只蟋蟀的初始争斗属性；其中，蟋蟀种群包括多只蟋蟀，每只蟋蟀代表优化变量的一组可行解，蟋蟀的争斗属性包括优化变量，蟋蟀种群还设置有蟋蟀总数和优化次数；
第一打擂模块，用于根据每只蟋蟀的初始争斗属性得到每只蟋蟀的初始适应度值，根据每只蟋蟀的初始适应度值在蟋蟀种群中确定擂主蟋蟀和初始胜利蟋蟀；其中，蟋蟀的适应度值代表优化变量的一组可行解对应的优化目标的值，初始胜利蟋蟀为蟋蟀种群中初始适应度值最小的蟋蟀；
第二打擂模块，用于根据擂主蟋蟀的初始争斗属性更新每只蟋蟀的初始争斗属性为第一争斗属性，更新每只蟋蟀的初始适应度值为第一适应度值，根据每只蟋蟀的第一适应度值和初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀；
输出模块，用于在重复多次执行确定擂主蟋蟀、初始胜利蟋蟀和最终胜利蟋蟀的步骤，直到执行次数达到优化次数为止，输出最后一次确定的最终胜利蟋蟀对应的优化变量和优化目标。
第三方面，本申请提供了一种基于蟋蟀争斗优化算法的桁架结构优化设计装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面的方法。
第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面的方法。
本申请提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法，将斗蟋蟀游戏原理与桁架结构优化设计相结合，将蟋蟀的争斗属性与桁架结构优化中的优化变量相结合，通过随机初始化蟋蟀种群，随机得到每只蟋蟀的初始争斗属性，通过蟋蟀种群的自主更新过程，模拟蟋蟀争斗比赛中的优胜劣汰，实现了无超参数的争斗优化的策略设计，避免了人工干预优化过程，避免算法陷入局部最优，最终输出满足约束条件的全局最优解，降低了算法的学习和使用成本，提高了算法寻优能力和桁架结构优化设计效果，提高了优化结果的稳定性和鲁棒性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1A~图1C是本申请实施例提供的桁架的一组结构示意图；
图2是本申请实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法的一种流程图；
图3是本申请实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法的另一种流程图；
图4A~图4C是本申请实施例提供的桁架结构优化效果的一组示意图；
图5是本申请实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计装置的一种结构示意图；
图6是本申请实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计装置的另一种结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请涉及桁架结构优化设计。桁架是一种由杆件彼此在两端用铰链连接而成的结构，杆件间的结合点称为节点或结点，许多杆件按照一定的拓扑结构连接在一起，形成了稳定的整体。在理想的桁架结构中，杆件承受轴向压力或拉力，是典型的二力杆。桁架可以充分利用材料的强度，在跨度较大时节省材料，减轻自重和增大刚度。根据组成桁架的杆件的轴线和所受外力的分布情况，桁架可以包括平面桁架和空间桁架。平面桁架中，杆件的轴线和所受外力在同一平面上。空间桁架中，杆件的轴线和所受外力不在同一平面上。
示例性的，图1A~图1C是本申请实施例提供的桁架的一组结构示意图，但图1A~图1C并不对桁架的结构形成限定。图中不带圆圈的数字表示杆件序号，带圆圈数字表示节点序号。
图1A示出了由10根杆件组成的平面桁架，杆件序号标识为1-10，杆件之间连接形成6个节点，标识为①~⑥。图1B示出了由25根杆件组成的空间桁架，杆件序号标识为1-25，节点标识为①~⑩，空间坐标系包括x轴、y轴和z轴。图1C示出了由72根杆件组成的空间桁架，杆件序号标识为1-72，其中，图1C中的（a）示出了空间桁架在x轴和y轴平面上的投影，图1C中的（b）示出了空间桁架在x轴和z轴平面上的投影，空间桁架在z轴上包括4层，示例性的，节点①、②、⑤、⑥为一层，图1C中的（c）示出了该层的立体结构。
在工程结构设计中，结构优化设计通过将最优化理论与工程结构设计的应用相结合，用来分析和解决实际工程结构中存在的问题。桁架结构优化设计的目标通常是在满足一定性能要求（如强度、刚度等）的前提下，尽可能地减少结构的自重。这一目标可以通过优化杆件的截面面积、形状和材料等来实现。
相关技术中，可以采用传统的基于力学的优化方法或者元启发式优化算法实现桁架结构优化。下面对相关算法进行简单说明。
1、力学准则法
力学准则法是在满足力学概念、工程经验的基础上，先将构件按照最优准则进行优化设计，同时满足应力、能量、强度、刚度准则，建立模型求解出满足以上条件的设计方案，作为问题的最优解。
力学准则法基于力学原理和数学模型，优化结果的准确性很大程度上取决于所使用的物理和数学模型的准确性。随着桁架结构的复杂性增加，力学准则法涉及大量的设计变量和约束条件，导致计算复杂度提高，易陷入局部最优解而非全局最优解，很难满足桁架结构优化这类非线性或多模态的优化问题。
2、数学规划法
数学规划法基于力学理论，将工程结构优化问题抽象成数学模型，进而综合应用传统数学规划法来求解。数学规划法有很多种，比如直接搜索法、解析规划法、序列逼近法和特殊规划法等。
数学规划法因其理论严谨、适用性强和收敛性高等优势，在工程结构优化设计中也极其重要。然而，桁架结构优化问题往往是非线性和多模态的，这使得数学规划法可能会陷入局部最优而无法找到全局最优解。
3、元启发式智能优化算法
受到生物群体社会性或自然现象规律的启发，人们发明了很多元启发式智能优化算法来解决复杂的优化问题，比如：模仿自然界生物进化机制的遗传算法、模拟蚂蚁集体寻径行为的蚁群算法、模拟鸟群和鱼群群体行为的粒子群算法等。
在解决工程优化问题上，元启发式算法相较于传统的优化分析算法具有更好的全局性和寻优能力。元启发式算法通过引入随机因素，形成不确定性并且在寻优过程中算法策略通过自适应机制不断调整更新以获得全局最优解。
目前，元启发式优化算法往往自带多个可调整的超参数，针对不同优化问题通常需要设置不同的超参数，如遗传算法含有交叉概率、变异概率等超参数；差分进化算法含有变异算子、交叉算子等超参数；粒子群算法含有惯性权重、加速常数、粒子最大速度等超参数。而超参数的选取并无固定的规则和数学逻辑，还需要根据经验人为干预选取，当选择不同超参数时，得到的优化结果相去甚远甚至导致优化算法不能收敛。
本申请提供一种基于蟋蟀争斗优化算法的桁架结构优化设计方法，将斗蟋蟀游戏原理与桁架结构优化设计相结合，将蟋蟀的争斗属性与桁架结构优化中的优化变量相结合，通过随机初始化蟋蟀种群，随机得到每只蟋蟀的初始争斗属性，通过蟋蟀种群的自主更新过程，模拟蟋蟀争斗比赛中的优胜劣汰，实现了无超参数的争斗优化的策略设计，避免了人工干预优化过程，避免算法陷入局部最优，最终输出满足约束条件的全局最优解，提高了算法寻优能力和桁架结构优化设计效果。
下面，对本申请涉及的概念进行说明。
1、蟋蟀争斗优化算法（Crickets Fighting Optimization Algorithm，CFO）
本申请所提出的蟋蟀争斗优化算法，是模拟斗蟋蟀这一传统娱乐活动，并将之用于工程结构中的桁架结构的优化设计中。本申请对蟋蟀争斗优化算法的名称不做限定，比如，也可以称为蟋蟀争斗算法。
在斗蟋蟀的场景中，蟋蟀被激发争斗属性，当两只蟋蟀相遇时，两者开始互相攻击，蟋蟀的争斗属性决定了它们在争斗中的表现，争斗结束后，两只蟋蟀的争斗属性会有所下降或上升。当一场比赛结束后，胜者不论是力量、速度、防守能力等都比败者要强。争斗属性也会因一场比赛的结束而得到改变。胜者将进入下一轮的对局。经过多轮的争斗，剩下的最强壮的蟋蟀赢得整场比赛的胜利。
将蟋蟀争斗优化算法应用到桁架结构优化中，蟋蟀的争斗属性与桁架结构优化设计的优化目标和优化变量相关，通过蟋蟀种群的多次争斗，逐渐更新提升蟋蟀的争斗属性，将最终胜利的蟋蟀的争斗属性作为桁架结构优化设计的最优解。
2、轮盘赌算法
轮盘赌算法，也称为轮盘赌策略、轮盘赌选择法（Roulette Wheel Selection）等，是一种随机选择算法。轮盘赌算法模拟了轮盘赌原理，个体的选择概率与其适应度值的倒数成正比例，适应度值的倒数大的个体在选择过程中具有更高的概率被选中，类似于在赌轮上占据更大面积的区域具有更高的概率被选中。
轮盘赌算法的核心思想是根据个体的适应度值的倒数来确定其被选中的概率。通常，适应度值的倒数大的个体具有更大的概率被选中，但并不能保证一定会被选中。适应度值的倒数较小的个体仍有一定的机会被选中，以保持种群的多样性。当适应度值差异较大时，适应度值的倒数大的个体被选中的概率会更高。
3、Levy飞行算法
Levy飞行算法也称为Levy飞行公式，是一种描述随机运动的数学模型，也是一种随机过程模型。
下面结合附图对本申请实施例进行详细说明。
本申请实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法，执行主体可以是基于蟋蟀争斗优化算法的桁架结构优化设计装置。如图2所示，本实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法，可以包括：
S201、设定桁架结构的优化目标、优化变量和约束条件。其中，约束条件为桁架结构优化过程中优化变量需满足的条件。
桁架可以为平面桁架，也可以为空间桁架，本实施例对桁架的具体结构不做限定，对桁架中杆件的数量、长度、横截面积、材料、节点数量和位置等不做限定。
根据桁架结构优化的实际目的，桁架的优化目标、优化变量和约束条件可以不同。优化变量可以包括杆件的任意一个或任意多个物理量。
可选的，桁架的优化目标可以为桁架的重量，使得桁架的总重量最小，优化变量可以包括桁架中各个杆件的横截面积（也称为截面积）。此时，桁架结构优化的最优解可以是桁架总重量最小的各个杆件的横截面的集合。约束条件可以为公式（1）。
公式（1）
其中，为桁架中第根杆件的截面积，需要满足搜索域的要求，为搜索域的下限，为预设的最小截面积，为搜索域的上限，为预设的最大截面积。第根杆件的截面积需要大于或等于最小截面积且小于或等于最大截面积。、分别为桁架中第根杆件的最大许用应力和在对应荷载工况下求得的杆件应力值。、分别为桁架中第个节点在方向上的最大容许节点位移和在对应荷载工况下求得的节点位移值。
需要说明，本实施例对、、和的取值不做限定，根据实际情况设置。
需要说明，在桁架结构优化过程中需要进行多次迭代计算，每一次迭代计算得到的优化变量的值均需要满足约束条件。只有满足约束条件的优化变量才是有效的。如果优化变量不满足约束条件，可以重新进行本次迭代计算；或者，根据约束条件对优化变量的取值进行修正，使得优化变量满足约束条件之后再进行后续的迭代计算。由于每次迭代得到的结果均为有效结果，因此提高了算法的收敛速度，提高了计算效率。
为了方便说明，本申请实施例以桁架的优化目标为桁架的总重量最小，优化变量包括桁架中杆件的横截面积作为示例进行说明。
S202、随机初始化蟋蟀种群，得到每只蟋蟀的初始争斗属性。其中，蟋蟀种群包括多只蟋蟀，每只蟋蟀代表优化变量的一组可行解，蟋蟀的争斗属性包括优化变量，蟋蟀种群还设置有蟋蟀总数和优化次数。
本实施例对蟋蟀种群中蟋蟀总数不做限定。可选的，蟋蟀总数可以为预设数值，或者为人工输入或设定的数值。
每只蟋蟀代表优化变量的一组可行解，蟋蟀的争斗属性包括优化变量。在初始化蟋蟀种群时，蟋蟀的争斗属性随机确定，称为每只蟋蟀的初始争斗属性。
蟋蟀争斗优化算法对应有优化次数。可以理解，蟋蟀种群的每一次优化，都对应了桁架结构优化过程中的一次迭代计算，每只蟋蟀代表优化变量的一组可行解，那么就可以得到优化变量的多组可行解。当蟋蟀种群完成设定的优化次数的优化，则可以得到蟋蟀种群经过多次优化后适应度值最小的蟋蟀，即得到了桁架结构优化的全局最优解。
本实施例对优化次数的取值不做限定，可以为预设数值，或者为人工输入或设定的数值。
可选的，桁架中的杆件被划分为D组杆件，每组杆件中多个杆件的优化变量的数值相同。D为正整数。蟋蟀的争斗属性包括D个向量，D个向量与D组杆件一一对应，每个向量包括其对应组杆件中多个杆件分别对应的优化变量。
举例说明。优化目标为桁架的总重量最小，优化变量包括杆件的截面积。
在一个示例中，如图1B所示，是由25根杆件组成的空间桁架。根据受力状态、长度、对称性等因素将25根杆件划分为8组杆件，杆件分组为：第1组（A1）、第2组（A2-A5）、第3组（A6-A9）、第4组（A10-A11）、第5组（A12-A13）、第6组（A14-A17）、第7组（A18-A21）、第8组（A22-A25），其中，A表示杆件，下标为杆件序号。每组杆件中各个杆件的截面面积相同。那么，蟋蟀的争斗属性包括8个向量，8个向量与8组杆件一一对应。具体的，第1个向量与第1组杆件对应，第1个向量包括第1组杆件中杆件A1对应的优化变量，比如为[1]。第2个向量与第2组杆件对应，第2个向量包括第2组杆件中杆件A2-A5分别对应的优化变量，比如为[2,2,2,2]。其他向量原理相似。
在另一个示例中，如图1C所示，是由72根杆件组成的空间桁架。根据受力状态、长度、对称性等因素将72根杆件划分为16组杆件，杆件分组为：第1组（A1-A4）、第2组（A5-A12）、第3组（A13-A16）、第4组（A17-A18）、第5组（A19-A22）、第6组（A23-A30）、第7组（A31-A34）、第8组（A35-A36）、第9组（A37-A40）、第10组（A41-A48）、第11组（A49-A52）、第12组（A53-A54）、第13组（A55-A58）、第14组（A59-A66）、第15组（A67-A70）、第16组（A71-A72），其中，A表示杆件，下标为杆件序号。蟋蟀的争斗属性包括16个向量，16个向量与16组杆件一一对应。
可选的，随机生成每只蟋蟀的初始争斗属性。通过对桁架结构进行有限元分析，可以确保每只蟋蟀满足桁架结构的杆件应力和节点位移约束，即每只蟋蟀满足约束条件，提高随机生成蟋蟀初始争斗属性的有效性。
可选的，桁架的优化目标为桁架的重量，优化变量包括桁架中各个杆件的截面积时，根据预设的最小截面积和最大截面积生成蟋蟀的初始争斗属性。例如，可以确保每只蟋蟀均满足公式（1）所示的约束条件，提高随机生成蟋蟀初始争斗属性的有效性。
S203、根据每只蟋蟀的初始争斗属性得到每只蟋蟀的初始适应度值，根据每只蟋蟀的初始适应度值在蟋蟀种群中确定擂主蟋蟀和初始胜利蟋蟀。其中，蟋蟀的适应度值代表优化变量的一组可行解对应的优化目标的值，初始胜利蟋蟀为蟋蟀种群中初始适应度值最小的蟋蟀。
其中，擂主蟋蟀用于与其他蟋蟀进行争斗以更新蟋蟀种群中每只蟋蟀的争斗属性。胜利蟋蟀是指蟋蟀种群中适应度值最小的蟋蟀。擂主蟋蟀与胜利蟋蟀可能相同，也可能不同。
具体的，随机初始化蟋蟀种群后，对于每只蟋蟀来说，蟋蟀具有初始争斗属性，即优化变量的一组初始可行解，根据该蟋蟀的初始争斗属性可以得到该蟋蟀的适应度值，称为初始适应度值，该蟋蟀的初始适应度值代表了优化变量的一组初始可行解对应的优化目标的值。可以理解，蟋蟀的适应度值越小，即优化目标的值越小，则蟋蟀对应的优化变量的可行解越优。将蟋蟀种群中初始适应度值最小的蟋蟀确定为初始胜利蟋蟀。基于斗蟋蟀游戏原理，蟋蟀种群中不同的蟋蟀经过争斗后可以提升蟋蟀的争斗属性，因此，根据每只蟋蟀的初始适应度值在蟋蟀种群中确定擂主蟋蟀，后续通过将擂主蟋蟀与其他蟋蟀进行争斗，可以提升每只蟋蟀的争斗属性，完成蟋蟀种群的优化更新。
S204、根据擂主蟋蟀的初始争斗属性更新每只蟋蟀的初始争斗属性为第一争斗属性，更新每只蟋蟀的初始适应度值为第一适应度值，根据每只蟋蟀的第一适应度值和初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀。
具体的，在蟋蟀种群的第一次优化中，擂主蟋蟀与各个蟋蟀进行争斗，根据擂主蟋蟀的初始争斗属性对每只蟋蟀的初始争斗属性进行更新，将每只蟋蟀的初始争斗属性更新为第一争斗属性。
对于每只蟋蟀来说，蟋蟀的初始争斗属性更新为第一争斗属性，即优化变量的一组初始可行解已经进行了优化更新，根据该蟋蟀的第一争斗属性可以得到该蟋蟀的适应度值，称为第一适应度值，该蟋蟀的第一适应度值代表了优化变量的一组初始可行解在一次争斗优化后对应的优化目标的值。可以理解，蟋蟀种群中的蟋蟀经历了一次争斗后，初始胜利蟋蟀可能仍然是胜利蟋蟀，也可能被其他蟋蟀打败，不再是胜利蟋蟀，需要根据每只蟋蟀的第一适应度值和初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀。此时，完成了蟋蟀种群的一次优化，确定了本次优化后蟋蟀种群中的最终胜利蟋蟀。
可选的，擂主蟋蟀的初始争斗属性与第一争斗属性可以相同，也可以不同。即，擂主蟋蟀的初始争斗属性可以基于自身进行更新，此时，擂主蟋蟀的初始争斗属性与第一争斗属性不同；或者，擂主蟋蟀的初始争斗属性可以不进行更新，此时，擂主蟋蟀的初始争斗属性与第一争斗属性相同。
S205、重复多次执行确定擂主蟋蟀、初始胜利蟋蟀和最终胜利蟋蟀的步骤，直到执行次数达到优化次数为止，输出最后一次确定的最终胜利蟋蟀对应的优化变量和优化目标。
具体的，蟋蟀种群经过了第一次优化后，将每只蟋蟀优化后的争斗属性作为第二轮优化时每只蟋蟀的初始争斗属性，重复执行S203和S204，直至蟋蟀种群的优化次数达到设置的优化次数为止，最后一次确定的最终胜利蟋蟀对应的优化变量和优化目标，即为桁架结构优化的全局最优解。
本实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法，将斗蟋蟀游戏原理与桁架结构优化设计相结合，将蟋蟀的争斗属性与桁架结构优化中的优化变量相结合，通过随机初始化蟋蟀种群，随机得到每只蟋蟀的初始争斗属性，通过蟋蟀种群的自主更新过程，模拟蟋蟀争斗比赛中的优胜劣汰，实现了无超参数的争斗优化的策略设计，避免了人工干预优化过程，避免算法陷入局部最优，最终输出满足约束条件的全局最优解，提高了算法寻优能力和桁架结构优化设计效果。而且，通过约束条件使得每次优化均为有效优化，因此提高了算法的收敛速度和计算效率。
可选的，S203中，根据每只蟋蟀的初始适应度值在蟋蟀种群中确定擂主蟋蟀，包括：
基于轮盘赌算法，根据蟋蟀种群中每只蟋蟀的初始适应度值的倒数在所有蟋蟀的初始适应度值的倒数之和中的占比确定每只蟋蟀的选择概率。
将每只蟋蟀的选择概率从小到大排序，并计算每只蟋蟀的累积选择概率。
生成0到1之间的随机数，作为累积选择概率阈值。
根据每只蟋蟀的累积选择概率和累积选择概率阈值，在蟋蟀种群中确定擂主蟋蟀。
具体的，蟋蟀的适应度值代表优化变量的一组可行解对应的优化目标的值，桁架结构优化的目的是希望优化目标最优。可以理解，优化目标的值越优，蟋蟀的适应度值越小，基于轮盘赌算法，该蟋蟀被选中的概率应该越大。根据每只蟋蟀的初始适应度值的倒数确定每只蟋蟀的选择概率，提高了确定蟋蟀选择概率的准确性。根据蟋蟀种群中所有蟋蟀的选择概率计算每只蟋蟀的累积选择概率，生成0到1之间的随机数定为累积选择概率阈值，并根据每只蟋蟀的累积选择概率和累积选择概率阈值在蟋蟀种群中确定擂主蟋蟀，擂主蟋蟀用于与其他蟋蟀进行争斗从而优化蟋蟀种群。
可见，通过在蟋蟀争斗算法中引入轮盘赌策略，优选出适应度值较小的蟋蟀充当精英，即争斗比赛中的擂主蟋蟀。这样，蟋蟀种群的每一轮优化，都是每只蟋蟀与擂主蟋蟀进行争斗、学习优化其争斗属性的过程。
可选的，桁架的优化目标为桁架结构的总重量，优化变量包括桁架中各个杆件的截面积时，桁架的总重量定为蟋蟀的适应度值。此时，桁架结构的总重量越小，也即蟋蟀的适应度值越小，其倒数值越大，蟋蟀的选择概率越大。
可选的，S204中，根据擂主蟋蟀的初始争斗属性更新每只蟋蟀的初始争斗属性为第一争斗属性，包括：
获取第一随机数和第二随机数。
根据第一随机数和每只蟋蟀的初始争斗属性确定第一中间结果，根据第二随机数和擂主蟋蟀的初始争斗属性确定第二中间结果。
根据第一中间结果和第二中间结果，确定每只蟋蟀的第一争斗属性。
其中，本实施例对第一随机数和第二随机数的具体取值不作限定。
通过第一随机数对每只蟋蟀的初始争斗属性进行随机更新得到第一中间结果，通过第二随机数对擂主蟋蟀的初始争斗属性进行随机更新得到第二中间结果，基于第一中间结果和第二中间结果可以将每只蟋蟀的初始争斗属性更新为第一争斗属性，实现每只蟋蟀与擂主蟋蟀的争斗优化。
可选的，S204中，根据每只蟋蟀的第一适应度值和初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀，包括：
若在蟋蟀种群中存在至少一个第一蟋蟀，第一蟋蟀的第一适应度值小于初始胜利蟋蟀的初始适应度值，则将至少一个第一蟋蟀中第一适应度值最小的第一蟋蟀确定为最终胜利蟋蟀。
具体的，对于蟋蟀种群的每一次更新，通过擂主蟋蟀，每只蟋蟀的初始适应度值更新为第一适应度值。第一蟋蟀的第一适应度值小于初始胜利蟋蟀的初始适应度值，说明第一蟋蟀在与擂主蟋蟀争斗后优化了争斗属性和适应度值，对应桁架的重量更小，初始胜利蟋蟀已经不再是最优解了。而且，第一适应度值越小，说明桁架的重量越小，因此将至少一个第一蟋蟀中第一适应度值最小的第一蟋蟀确定为最终胜利蟋蟀。
可选的，根据每只蟋蟀的第一适应度值和初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀，还包括：
若在蟋蟀种群中不存在第一蟋蟀，则采用Levy飞行算法将蟋蟀种群中除初始胜利蟋蟀之外的第二蟋蟀的第一争斗属性更新为第二争斗属性。
根据第二蟋蟀的第二争斗属性得到第二蟋蟀的第二适应度值。
根据第二蟋蟀的第二适应度值和初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀。
具体的，对于蟋蟀种群的每一次更新，如果通过与擂主蟋蟀的争斗，没有适应度值小于初始胜利蟋蟀的初始适应度值的蟋蟀，即蟋蟀没有获得更好的争斗能力，无法优于初始胜利蟋蟀，则保持初始胜利蟋蟀的初始适应度值不变，采用Levy飞行算法对除了初始胜利蟋蟀之外的第二蟋蟀的争斗属性进行一次更新，将第二蟋蟀的第一争斗属性更新为第二蟋蟀的第二争斗属性。需要说明，第二蟋蟀的第二争斗属性需要满足约束条件，确保为有效结果。根据第二蟋蟀的第二争斗属性得到第二蟋蟀的第二适应度值，再根据第二蟋蟀的第二适应度值和初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀。
在该实现方式中，蟋蟀种群中的蟋蟀通过与擂主蟋蟀争斗，无法优于初始胜利蟋蟀时，通过Levy飞行算法随机更新蟋蟀种群中除初始胜利蟋蟀之外的其他蟋蟀的争斗属性，给予各只蟋蟀一个新的更新方向，对各只蟋蟀的争斗能力尝试更新，并确定最终胜利蟋蟀，提高了蟋蟀种群的优化效果。
可选的，根据第二蟋蟀的第二适应度值和初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀，包括：
若在多个第二蟋蟀中存在至少一个第三蟋蟀，第三蟋蟀的第二适应度值小于初始胜利蟋蟀的初始适应度值，则将至少一个第三蟋蟀中第二适应度值最小的第三蟋蟀确定为最终胜利蟋蟀。
若在多个第二蟋蟀中不存在第三蟋蟀，则将初始胜利蟋蟀确定为最终胜利蟋蟀。
具体的，在蟋蟀种群通过Levy飞行算法进行随机更新后，如果存在第三蟋蟀，说明第三蟋蟀对应的桁架的重量更小，初始胜利蟋蟀已经不再是最优解了，因此将至少一个第三蟋蟀中第二适应度值最小的第三蟋蟀确定为最终胜利蟋蟀。相反的，如果不存在第三蟋蟀，则将初始胜利蟋蟀确定为最终胜利蟋蟀。
可选的，本实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法，在每次蟋蟀种群的优化过程中，即执行S202~S204的过程中，得到的蟋蟀的争斗属性均需要满足约束条件。在桁架结构优化过程中，若蟋蟀的争斗属性中优化变量不满足约束条件，还可以包括：
在优化变量和最小截面积中确定数值更大的第一数值。
将第一数值和最大截面积中数值更小的第二数值，确定为优化变量的取值。
可见，基于最小截面积和最大截面积对优化变量进行修正，确保了优化变量满足约束条件，确保了蟋蟀种群每次优化迭代得到的结果均为有效结果，提高了算法的收敛速度，提高了桁架结构优化的计算效率。
在图2所示实施例的基础上，图3是本申请实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法的另一种流程图。其中，桁架的优化目标为桁架的总重量，使得桁架的总重量最小，优化变量包括桁架中各个杆件的截面积，约束条件参见公式（1）所示。如图3所示，本实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法，可以包括：
S301、设置蟋蟀种群中蟋蟀的总数（）和优化次数（）。
S302、随机初始化蟋蟀种群，得到蟋蟀的初始争斗属性。
可以经过桁架结构有限元分析计算得到蟋蟀的初始争斗属性所对应的杆件应力和节点位移，确保每只蟋蟀满足桁架结构的杆件应力和节点位移约束，即约束条件。
可选的，根据最小截面积和最大截面积随机生成蟋蟀的初始争斗属性。
可选的，蟋蟀的争斗属性包括D个向量，可以理解为蟋蟀的争斗属性具有D个维度，可以参见S202的相关说明。根据公式（2）随机生成蟋蟀第d维的初始争斗属性。
公式（2）
其中，，分别为搜索域的上限和下限，即最大截面积和最小截面积。表示在内取随机数。表示第只蟋蟀的第维的初始争斗属性，在桁架结构优化中，表示桁架中杆件截面积的第组可行解中第组杆件截面积。
S303、判断蟋蟀的初始争斗属性是否满足约束条件。
若满足，则执行S304。
若不满足，则返回执行S302，直至蟋蟀的初始争斗属性满足约束条件为止，确保数据为有效数据，从而提高算法的收敛速度，提高计算效率。
S304、计算每只蟋蟀的初始适应度值，确定初始胜利蟋蟀XBest。
可以参见S203的相关描述。
具体的，桁架的优化目标为桁架的重量，可以参考公式（3）。
公式（3）
其中，为桁架中杆件的总数，为杆件材料密度，为第根杆件的截面积，为第根杆件的几何长度，为第i只蟋蟀的初始适应度值。其中，为蟋蟀的初始争斗属性中的数据。
其中，蟋蟀的初始适应度值越小，定义该蟋蟀的争斗属性越强，蟋蟀越勇猛，对应桁架的总重量越小，越有赢得最后胜利的希望。
初始胜利蟋蟀XBest为蟋蟀种群中初始适应度值最小的蟋蟀，即，初始胜利蟋蟀对应的桁架总重量最小。
S305、基于轮盘赌算法确定擂主蟋蟀King。
可以参见S203的相关描述。
具体的，擂主选择阶段，基于轮盘赌策略，根据每只蟋蟀的初始适应度值的倒数在所有蟋蟀的初始适应度值的倒数之和中的占比确定每只蟋蟀的选择概率。将每只蟋蟀的选择概率从小到大排序，并计算每只蟋蟀的累积选择概率。生成0到1之间的随机数，作为累积选择概率阈值。根据每只蟋蟀的累积选择概率和所述累积选择概率阈值，在所述蟋蟀种群中确定所述擂主蟋蟀。轮盘赌策略的基本思想是：轮盘上的每个部分代表一个个体，部分的大小与个体的适应度值的倒数成比例。适应度值较小的个体对应的轮盘部分较大，即适应度值的倒数越大，该个体被选中的概率也越高。
执行过程可以为：根据每只蟋蟀的初始适应度值的倒数在所有蟋蟀的初始适应度值的倒数之和中的占比确定每只蟋蟀的选择概率。将每只蟋蟀的选择概率从小到大排序，并计算每只蟋蟀的累积选择概率。生成0到1之间的随机数，作为累积选择概率阈值。根据每只蟋蟀的累积选择概率和所述累积选择概率阈值，在所述蟋蟀种群中确定所述擂主蟋蟀。具体而言，依次遍历每个蟋蟀的累积选择概率中的每个元素，判断当前元素是否大于累积选择概率阈值。若大于，则选择该元素对应的蟋蟀作为擂主蟋蟀King，并跳出循环。该方法可以通过轮盘赌策略根据各蟋蟀的累积选择概率来选择一个较为优秀的个体作为擂主蟋蟀返回。需要说明，蟋蟀个体的选择概率与其对应的权重成正比例，即适应度值倒数较大的个体，被选中成为擂主蟋蟀的概率也就较大。但是，因为存在随机性，并非适应度值最小的个体一定被选中，其余个体一定选不中。
下面举例说明。
假设，蟋蟀种群中蟋蟀的总数=5，蟋蟀的序号为1~5。5只蟋蟀的初始适应度值依次为：2，4，3，1，1，对应的蟋蟀序号依次为：1，2，3，4，5。蟋蟀的初始适应度值越小，说明桁架的总重量越小，适应度值的倒数越大，蟋蟀被选中的概率越大。5只蟋蟀的初始适应度值的倒数依次为，，，，，5只蟋蟀的选择概率依次是。将每只蟋蟀的选择概率从小到大排序，依次是0.0810，0.1081，0.1622，0.3243，0.3243，对应的蟋蟀序号依次是2，3，1，4，5。计算每只蟋蟀的累积选择概率，依次是0.0810，0.1891，0.3513，0.6756，1.0000。生成0到1之间的随机数=0.4。依次遍历累积选择概率中的每个元素。第1个蟋蟀的累积选择概率为0.0810，小于0.4。第2个蟋蟀的累积选择概率为0.1891，小于0.4。第3个蟋蟀的累积选择概率为0.3513，小于0.4。第4个蟋蟀的累积选择概率为0.6756，大于0.4。则将第4个蟋蟀（蟋蟀序号为4）确定为擂主蟋蟀King。
S306、根据擂主蟋蟀King更新蟋蟀种群中蟋蟀的初始争斗属性为第一争斗属性。
可以参见S204的相关描述。
具体的，蟋蟀争斗阶段，每只蟋蟀与擂主蟋蟀King进行争斗，优化蟋蟀各维度的争斗属性，可以采用公式（4）。
公式(4)
其中，为第只蟋蟀的第维的第一争斗属性，为第只蟋蟀的第维的初始争斗属性，为擂主蟋蟀的第维的初始争斗属性，和为间的随机数，为第一随机数，为第二随机数。
公式（4）模拟了两只蟋蟀的争斗过程。当争斗结束后，蟋蟀的争斗属性会得到更新，具有两者间共有的性质，实现相互学习，拥有了更强的争斗属性。
S307、判断蟋蟀的第一争斗属性是否满足约束条件。
若不满足，则执行S308；若满足，则执行S309。
在蟋蟀种群优化的过程中，即在桁架结构优化过程中，蟋蟀的争斗属性需要始终满足约束条件，从而确保为有效数据，提高计算效率。
S308、修正蟋蟀的第一争斗属性。
具体的，采用公式（5）修正蟋蟀的第一争斗属性。
公式（5）
其中，为预设的杆件的最小截面积，为预设的杆件的最大截面积。先在蟋蟀的第一争斗属性和最小截面积中确定数值更大的数值（称为第一数值），再在第一数值和最大截面积中确定数值更小的数值（称为第二数值），将第二数值确定更新后的蟋蟀的第一争斗属性，确保了蟋蟀的第一争斗属性满足约束条件，为有效数据。
执行S308之后，需要返回执行S307，直至蟋蟀的第一争斗属性满足约束条件为止，则可以执行S309。
S309、计算每只蟋蟀的第一适应度值，判断是否满足。其中，为初始胜利蟋蟀的初始适应度值。
可以参考公式（3）得到每只蟋蟀的第一适应度值，原理相似。在本步骤中，公式（3）中的为蟋蟀的第一争斗属性中的数据。
若满足，即存在第只蟋蟀的第一适应度值比初始胜利蟋蟀的初始适应度值更小，则执行S314。
若不满足，即任何一只蟋蟀的第一适应度值均比初始胜利蟋蟀的初始适应度值更大，则执行S310。
S310、采用Levy飞行算法更新蟋蟀的第一争斗属性为第二争斗属性。
具体的，当任何一只蟋蟀的第一适应度值均比初始胜利蟋蟀的初始适应度值更大，说明没有蟋蟀的争斗能力可以高过初始胜利蟋蟀。为了充分利用当前轮次的蟋蟀种群资源，强化算法的开发能力，则给予各只蟋蟀一个新的更新方向，通过采用Levy飞行算法让各只蟋蟀做出新的争斗能力更新的尝试。可以采用公式（6）和公式（7）得到蟋蟀的第二争斗属性。
公式（6）
其中，，分别为搜索域的上限和下限，即最大截面积和最小截面积。表示在内取随机数。表示第只蟋蟀的第维的第一争斗属性。表示第只蟋蟀的第维的第二争斗属性。
公式（7）
其中，，分别为(0,1)间的随机数，表示伽玛函数，取1.5。
S311、判断蟋蟀的第二争斗属性是否满足约束条件。
若不满足，则执行S312；若满足，则执行S313。
在蟋蟀种群优化的过程中，即在桁架结构优化过程中，蟋蟀的争斗属性需要始终满足约束条件，从而确保为有效数据，提高计算效率。
S312、修正蟋蟀的第二争斗属性。
本步骤与S308原理相似，可以采用公式（5）修正蟋蟀的第二争斗属性。在本步骤中，公式（5）中，将蟋蟀的第一争斗属性替换为蟋蟀的第二争斗属性。
执行S312之后，需要返回执行S311，直至蟋蟀的第二争斗属性满足约束条件为止，则可以执行S313。
S313、计算第二蟋蟀的第二适应度值，比较和的大小。其中，为初始胜利蟋蟀的初始适应度值。
其中，第二蟋蟀是指蟋蟀种群中除初始胜利蟋蟀之外的其他蟋蟀。具体的，可以参考公式（3）得到每只蟋蟀的第二适应度值，原理相似，在本步骤中，公式（3）中的为蟋蟀的第二争斗属性中的数据。
若满足，即存在第只蟋蟀的第二适应度值比初始胜利蟋蟀的初始适应度值更小，则执行S314。
若不满足，即不存在蟋蟀的第二适应度值比初始胜利蟋蟀的初始适应度值更小，则执行S314。
S314、确定最终胜利蟋蟀。
在一种情况中，S314在S309之后执行。若第只蟋蟀的第一适应度值比初始胜利蟋蟀的初始适应度值更小，第只蟋蟀也称为第一蟋蟀，则说明第一蟋蟀与擂主蟋蟀争斗后已经拥有更好了的争斗能力，则将所有第一蟋蟀中第一适应度值最小的第一蟋蟀确定为本轮争斗的最终胜利蟋蟀，最终胜利蟋蟀标记为。
在另一种情况中，S314在S313之后执行。若第只蟋蟀的第二适应度值比初始胜利蟋蟀的初始适应度值更小，第只蟋蟀也称为第三蟋蟀，则说明第三蟋蟀拥有更好的争斗能力，则将所有第三蟋蟀中第二适应度值最小的第三蟋蟀确定为本轮争斗的最终胜利蟋蟀，最终胜利蟋蟀标记为。
在又一种情况中，S314在S313之后执行。若没有第只蟋蟀的第二适应度值比初始胜利蟋蟀的初始适应度值更小，那么，则沿用旧的位置，将初始胜利蟋蟀确定为最终胜利蟋蟀，最终胜利蟋蟀标记为。
S315、判断是否达到终止条件。
其中，终止条件是指蟋蟀种群的优化次数已经达到了设置的优化次数。
若达到终止条件，则执行S316；否则，将本轮优化得到的蟋蟀的争斗属性作为蟋蟀的初始争斗属性返回执行S304，直至达到终止条件为止。
S316、输出最后一次确定的最终胜利蟋蟀对应的优化变量和优化目标。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
下面结合图4A~图4C，对本申请提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法的优化效果进行示例性说明，但图4A~图4C并不形成限定。
在一个示例中，桁架为图1A所示的由10根杆件组成的平面桁架。
假设，节点荷载作用在节点②和④上，桁架中各杆件使用相同的材料，材料密度，弹性模量，最大容许应力，最大节点位移，杆件截面面积的取值范围为。
设置蟋蟀种群中蟋蟀的总数为，优化次数（或最大迭代次数）为。
采用本申请提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法，优化结果如图4A所示。图4A中，目标函数值即为蟋蟀的适应度值，即桁架的总重量。可见，随着优化次数逐渐增大，蟋蟀的适应度值逐渐降低，桁架的总重量逐渐减小。
本申请提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法（简称为CFO）与其他优化算法（包括GA、PSO、ABC、SSA和T-Cell）的比较结果，参见表1所示。其中，GA表示遗传算法（Genetic Algorithm），PSO表示粒子群优化算法（Particle Swarm Optimization），ABC表示人工蜂群算法（Artificial Bee Colony Algorithm），SSA表示社会蜘蛛算法（Social Spider Algorithm），T-Cell表示T细胞算法。
在表1中，设计变量即为桁架中杆件的截面积。可见，采用CFO，可以获得更好的优化结果，桁架重量为5061.100。
在另一个示例中，桁架为图1B所示的由25根杆件组成的空间桁架，例如，可以应用于输电塔。
假设，桁架中各杆件使用相同的材料，材料密度，弹性模量。为简化求解过程，依据受力状态、长度、对称性等将25根杆件划分为8组，每组内的杆件具有相同的截面面积，分组为①A1，②A2-A5，③A6-A9，④A10-A11，⑤A12-A13，⑥A14-A17，⑦A18-A21，⑧A22-A25，A表示杆件，下标表示杆件序号。考虑压杆稳定后，最大容许拉应力，最大许用压应力如表2所示，最大节点位移，杆件截面面积取值范围。
荷载工况共2种，以模拟其在复杂荷载作用下的受力特征。荷载工况见表3所示。
设置蟋蟀种群中蟋蟀的总数为，优化次数（或最大迭代次数）为。采用本申请提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法，优化结果如图4B所示。
本申请提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法（简称为CFO）与其他优化算法（包括GA、PSO、ABC和SA）的比较结果，参见表4所示。其中，SA表示模拟退火算法（Simulated Annealing）。
如表4所示，采用CFO，可以获得更好的优化结果，桁架重量为545.099。
在又一个示例中，桁架为图1C所示的由72根杆件组成的空间桁架。
假设，桁架中各杆件使用相同的材料，材料密度，弹性模量。为简化求解过程，依据受力状态、长度、对称性等将72根杆件划分为16组，每组内的杆件具有相同的截面面积，分组为①A1-A4，②A5-A12，③A13-A16，④A17-A18，⑤A19-A22，⑥A23-A30，⑦A31-A34，⑧A35-A36，⑨A37-A40，⑩A41-A48，⑪A49-A52，⑫A53-A54，⑬A55-A58，⑭A59-A66，⑮A67-A70，⑯A71-A72。最大容许应力为，最大节点位移，杆件截面面积取值范围。
荷载工况共2种，以模拟其在复杂荷载作用下的受力特征。荷载工况见表5所示。
设置蟋蟀种群中蟋蟀的总数为，优化次数（或最大迭代次数）为。采用本申请提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法，优化结果如图4C所示。
本申请提供的基于蟋蟀争斗优化算法的桁架结构优化设计方法（简称为CFO）与其他优化算法（包括GA、PSO、SSA、ABC和HS）的比较结果，参见表6所示。其中，HS表示和声搜索算法（Harmony Search）。
如表6所示，采用CFO，可以获得更好的优化结果，桁架重量为363.965。
图5是本申请实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计装置的一种结构示意图，包括的各模块用于执行图2或图3对应的实施例中的各步骤，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，本实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计装置，包括：
设定模块51，用于设定桁架的优化目标、优化变量和约束条件；其中，所述约束条件为桁架结构优化过程中所述优化变量需满足的条件；
初始化模块52，用于随机初始化蟋蟀种群，得到每只蟋蟀的初始争斗属性；其中，所述蟋蟀种群包括多只蟋蟀，每只蟋蟀代表所述优化变量的一组可行解，蟋蟀的争斗属性包括所述优化变量，所述蟋蟀种群还设置有优化次数；
第一打擂模块53，用于根据每只蟋蟀的初始争斗属性得到每只蟋蟀的初始适应度值，根据每只蟋蟀的初始适应度值在所述蟋蟀种群中确定擂主蟋蟀和初始胜利蟋蟀；其中，蟋蟀的适应度值代表所述优化变量的一组可行解对应的优化目标的值，所述初始胜利蟋蟀为所述蟋蟀种群中初始适应度值最小的蟋蟀；
第二打擂模块54，用于根据所述擂主蟋蟀的初始争斗属性更新每只蟋蟀的初始争斗属性为第一争斗属性，更新每只蟋蟀的初始适应度值为第一适应度值，根据每只蟋蟀的第一适应度值和所述初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀；
输出模块55，用于在重复多次执行确定擂主蟋蟀、初始胜利蟋蟀和最终胜利蟋蟀的步骤，直到执行次数达到所述优化次数为止，输出最后一次确定的最终胜利蟋蟀对应的所述优化变量和所述优化目标。
可选的，第一打擂模块53，用于：
基于轮盘赌算法，根据每只蟋蟀的初始适应度值的倒数在所有蟋蟀的初始适应度值的倒数之和中的占比确定每只蟋蟀的选择概率；
将每只蟋蟀的选择概率从小到大排序，并计算每只蟋蟀的累积选择概率；
生成0到1之间的随机数，作为累积选择概率阈值；
根据每只蟋蟀的累积选择概率和所述累积选择概率阈值，在所述蟋蟀种群中确定所述擂主蟋蟀。
可选的，第二打擂模块54，用于：
若在所述蟋蟀种群中存在至少一个第一蟋蟀，所述第一蟋蟀的第一适应度值小于所述初始胜利蟋蟀的初始适应度值，则将所述至少一个第一蟋蟀中第一适应度值最小的第一蟋蟀确定为所述最终胜利蟋蟀。
可选的，第二打擂模块54，还用于：
若在所述蟋蟀种群中不存在所述第一蟋蟀，则采用Levy飞行算法将所述蟋蟀种群中除所述初始胜利蟋蟀之外的第二蟋蟀的第一争斗属性更新为第二争斗属性；
根据所述第二蟋蟀的第二争斗属性得到所述第二蟋蟀的第二适应度值；
根据所述第二蟋蟀的第二适应度值和所述初始胜利蟋蟀的初始适应度值确定所述最终胜利蟋蟀。
可选的，第二打擂模块54，用于：
若在多个所述第二蟋蟀中存在至少一个第三蟋蟀，所述第三蟋蟀的第二适应度值小于所述初始胜利蟋蟀的初始适应度值，则将所述至少一个第三蟋蟀中第二适应度值最小的第三蟋蟀确定为所述最终胜利蟋蟀；
若在多个所述第二蟋蟀中不存在所述第三蟋蟀，则将所述初始胜利蟋蟀确定为所述最终胜利蟋蟀。
可选的，第二打擂模块54，用于：
获取第一随机数和第二随机数；
根据所述第一随机数和所述每只蟋蟀的初始争斗属性确定第一中间结果，根据所述第二随机数和所述擂主蟋蟀的初始争斗属性确定第二中间结果；
根据所述第一中间结果和所述第二中间结果，确定所述每只蟋蟀的第一争斗属性。
可选的，所述优化目标为所述桁架的重量，所述优化变量包括所述桁架中杆件的截面积，所述约束条件包括所述杆件的截面积大于或等于最小截面积且小于或等于最大截面积；
在桁架结构优化过程中，若蟋蟀的争斗属性中所述优化变量不满足所述约束条件，装置还包括更新模块，用于：
在所述优化变量和所述最小截面积中确定数值更大的第一数值；
将所述第一数值和所述最大截面积中数值更小的第二数值，确定为所述优化变量的取值。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图6是本申请实施例提供的基于蟋蟀争斗优化算法的桁架结构优化设计装置的另一种结构示意图。如图6所示，该基于蟋蟀争斗优化算法的桁架结构优化设计装置包括：至少一个处理器60、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个方法实施例中的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所称存储器可以包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在基于蟋蟀争斗优化算法的桁架结构优化设计装置上运行时，使得基于蟋蟀争斗优化算法的桁架结构优化设计装置执行时实现可实现上述各个方法实施例中的步骤。
本领域技术人员可以理解，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域技术人员可以理解，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；本领域的普通技术人员应当理解：当对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换并不使相应技术方案的本质脱离本申请实施例的精神和范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种基于蟋蟀争斗优化算法的桁架结构优化设计方法，其特征在于，包括：
设定桁架结构的优化目标、优化变量和约束条件；其中，所述约束条件为桁架结构优化过程中所述优化变量需满足的条件；所述优化目标为所述桁架的重量，所述优化变量包括所述桁架中杆件的截面积，所述约束条件包括所述杆件的截面积大于或等于最小截面积且小于或等于最大截面积，同时，在以所述杆件的截面积确定的桁架中，每个杆件应力小于或等于最大许用应力，且每个节点位移小于或等于最大容许节点位移；
随机初始化蟋蟀种群，得到每只蟋蟀的初始争斗属性；其中，所述蟋蟀种群包括多只蟋蟀，每只蟋蟀代表所述优化变量的一组可行解，蟋蟀的争斗属性包括所述优化变量，所述蟋蟀种群还设置有蟋蟀总数和优化次数；
根据每只蟋蟀的初始争斗属性得到每只蟋蟀的初始适应度值，根据每只蟋蟀的初始适应度值在所述蟋蟀种群中确定擂主蟋蟀和初始胜利蟋蟀；其中，蟋蟀的适应度值代表所述优化变量的一组可行解对应的优化目标的值，所述初始胜利蟋蟀为所述蟋蟀种群中初始适应度值最小的蟋蟀；
根据所述擂主蟋蟀的初始争斗属性更新每只蟋蟀的初始争斗属性为第一争斗属性，更新每只蟋蟀的初始适应度值为第一适应度值，根据每只蟋蟀的第一适应度值和所述初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀；
重复多次执行确定擂主蟋蟀、初始胜利蟋蟀和最终胜利蟋蟀的步骤，直到执行次数达到所述优化次数为止，输出最后一次确定的最终胜利蟋蟀对应的所述优化变量和所述优化目标；
所述根据每只蟋蟀的初始适应度值在所述蟋蟀种群中确定擂主蟋蟀，包括：
基于轮盘赌算法，根据所述蟋蟀种群中每只蟋蟀的初始适应度值的倒数在所有蟋蟀的初始适应度值的倒数之和中的占比确定每只蟋蟀的选择概率；
将每只蟋蟀的选择概率从小到大排序，并计算每只蟋蟀的累积选择概率；
生成0到1之间的随机数，作为累积选择概率阈值；
根据每只蟋蟀的累积选择概率和所述累积选择概率阈值，在所述蟋蟀种群中确定所述擂主蟋蟀；
所述根据每只蟋蟀的第一适应度值和所述初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀，包括：
若在所述蟋蟀种群中存在至少一个第一蟋蟀，所述第一蟋蟀的第一适应度值小于所述初始胜利蟋蟀的初始适应度值，则将所述至少一个第一蟋蟀中第一适应度值最小的第一蟋蟀确定为所述最终胜利蟋蟀；
所述根据每只蟋蟀的第一适应度值和所述初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀，还包括：
若在所述蟋蟀种群中不存在所述第一蟋蟀，则采用Levy飞行算法将所述蟋蟀种群中除所述初始胜利蟋蟀之外的第二蟋蟀的第一争斗属性更新为第二争斗属性；
根据所述第二蟋蟀的第二争斗属性得到所述第二蟋蟀的第二适应度值；
根据所述第二蟋蟀的第二适应度值和所述初始胜利蟋蟀的初始适应度值确定所述最终胜利蟋蟀；
所述根据所述第二蟋蟀的第二适应度值和所述初始胜利蟋蟀的初始适应度值确定所述最终胜利蟋蟀，包括：
若在多个所述第二蟋蟀中存在至少一个第三蟋蟀，所述第三蟋蟀的第二适应度值小于所述初始胜利蟋蟀的初始适应度值，则将所述至少一个第三蟋蟀中第二适应度值最小的第三蟋蟀确定为所述最终胜利蟋蟀；
若在多个所述第二蟋蟀中不存在所述第三蟋蟀，则将所述初始胜利蟋蟀确定为所述最终胜利蟋蟀。
2.如权利要求1所述的方法，其特征在于，所述根据所述擂主蟋蟀的初始争斗属性更新每只蟋蟀的初始争斗属性为第一争斗属性，包括：
获取第一随机数和第二随机数；
根据所述第一随机数和所述每只蟋蟀的初始争斗属性确定第一中间结果，根据所述第二随机数和所述擂主蟋蟀的初始争斗属性确定第二中间结果；
根据所述第一中间结果和所述第二中间结果，确定所述每只蟋蟀的第一争斗属性。
3.如权利要求1或2所述的方法，其特征在于，在桁架结构优化过程中，若蟋蟀的争斗属性中所述优化变量不满足所述约束条件，所述方法还包括：
在所述优化变量和所述最小截面积中确定数值更大的第一数值；
将所述第一数值和所述最大截面积中数值更小的第二数值，确定为所述优化变量的取值。
4.一种基于蟋蟀争斗优化算法的桁架结构优化设计装置，其特征在于，所述装置用于实现如权利要求1-3中任一项所述的方法，所述装置包括：
设定模块，用于设定桁架的优化目标、优化变量和约束条件；其中，所述约束条件为桁架结构优化过程中所述优化变量需满足的条件；
初始化模块，用于随机初始化蟋蟀种群，得到每只蟋蟀的初始争斗属性；其中，所述蟋蟀种群包括多只蟋蟀，每只蟋蟀代表所述优化变量的一组可行解，蟋蟀的争斗属性包括所述优化变量，所述蟋蟀种群还设置有蟋蟀总数和优化次数；
第一打擂模块，用于根据每只蟋蟀的初始争斗属性得到每只蟋蟀的初始适应度值，根据每只蟋蟀的初始适应度值在所述蟋蟀种群中确定擂主蟋蟀和初始胜利蟋蟀；其中，蟋蟀的适应度值代表所述优化变量的一组可行解对应的优化目标的值，所述初始胜利蟋蟀为所述蟋蟀种群中初始适应度值最小的蟋蟀；
第二打擂模块，用于根据所述擂主蟋蟀的初始争斗属性更新每只蟋蟀的初始争斗属性为第一争斗属性，更新每只蟋蟀的初始适应度值为第一适应度值，根据每只蟋蟀的第一适应度值和所述初始胜利蟋蟀的初始适应度值确定最终胜利蟋蟀；
输出模块，用于在重复多次执行确定擂主蟋蟀、初始胜利蟋蟀和最终胜利蟋蟀的步骤，直到执行次数达到所述优化次数为止，输出最后一次确定的最终胜利蟋蟀对应的所述优化变量和所述优化目标。
5.一种基于蟋蟀争斗优化算法的桁架结构优化设计装置，其特征在于，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-3中任一项所述的方法。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述的方法。
CN202410254121.2A 2024-03-06 2024-03-06 基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置 Active CN117828958B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410254121.2A CN117828958B (zh) 2024-03-06 2024-03-06 基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410254121.2A CN117828958B (zh) 2024-03-06 2024-03-06 基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置

Publications (2)

Publication Number Publication Date
CN117828958A CN117828958A (zh) 2024-04-05
CN117828958B true CN117828958B (zh) 2024-05-17

Family

ID=90506251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410254121.2A Active CN117828958B (zh) 2024-03-06 2024-03-06 基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置

Country Status (1)

Country Link
CN (1) CN117828958B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7996344B1 (en) * 2010-03-08 2011-08-09 Livermore Software Technology Corporation Multi-objective evolutionary algorithm based engineering design optimization
CN104715124A (zh) * 2015-04-09 2015-06-17 江西理工大学 一种基于云模型差分演化算法的桁架尺寸优化设计方法
CN107066663A (zh) * 2016-12-30 2017-08-18 北京航空航天大学 一种基于满应力约束准则的桁架结构非概率可靠性拓扑优化方法
US10600334B1 (en) * 2018-12-11 2020-03-24 NEX Team Inc. Methods and systems for facilitating interactive training of body-eye coordination and reaction time
WO2020233084A1 (zh) * 2019-05-21 2020-11-26 深圳壹账通智能科技有限公司 一种图像分割方法、装置、存储介质及终端设备
CN117034511A (zh) * 2023-06-09 2023-11-10 华中科技大学 一种考虑结构尺寸约束的水平集拓扑优化设计方法
CN117131782A (zh) * 2023-09-20 2023-11-28 南通大学 一种基于改进蜣螂算法的船舶推力分配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3893132A1 (en) * 2020-04-07 2021-10-13 Tata Consultancy Services Limited Method and system for hierarchical time-series clustering with auto encoded compact sequence (aecs)

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7996344B1 (en) * 2010-03-08 2011-08-09 Livermore Software Technology Corporation Multi-objective evolutionary algorithm based engineering design optimization
CN104715124A (zh) * 2015-04-09 2015-06-17 江西理工大学 一种基于云模型差分演化算法的桁架尺寸优化设计方法
CN107066663A (zh) * 2016-12-30 2017-08-18 北京航空航天大学 一种基于满应力约束准则的桁架结构非概率可靠性拓扑优化方法
US10600334B1 (en) * 2018-12-11 2020-03-24 NEX Team Inc. Methods and systems for facilitating interactive training of body-eye coordination and reaction time
WO2020233084A1 (zh) * 2019-05-21 2020-11-26 深圳壹账通智能科技有限公司 一种图像分割方法、装置、存储介质及终端设备
CN117034511A (zh) * 2023-06-09 2023-11-10 华中科技大学 一种考虑结构尺寸约束的水平集拓扑优化设计方法
CN117131782A (zh) * 2023-09-20 2023-11-28 南通大学 一种基于改进蜣螂算法的船舶推力分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进鲸鱼算法在桁架结构优化中的应用;刘历波;赵廷廷;李彦苍;徐梦达;王泽远;王斌;;粉煤灰综合利用;20200215(第01期);全文 *

Also Published As

Publication number Publication date
CN117828958A (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
Malysheva et al. Deep multi-agent reinforcement learning with relevance graphs
Shen et al. Generating Behavior-Diverse Game AIs with Evolutionary Multi-Objective Deep Reinforcement Learning.
CN107330560A (zh) 一种考虑时序约束的异构飞行器多任务协同分配方法
CN112800679B (zh) 一种光电装备防御规划方法、装置、设备及存储介质
CN111667043B (zh) 一种棋类游戏对弈方法、系统、终端以及存储介质
Oh et al. Learning to sample with local and global contexts in experience replay buffer
CN112044076B (zh) 一种对象控制方法、装置及计算机可读存储介质
Ehtamo et al. Modeling evacuees’ exit selection with best response dynamics
Bo et al. Evolutionary ultimatum game on complex networks under incomplete information
CN117828958B (zh) 基于蟋蟀争斗优化算法的桁架结构优化设计方法和装置
Husseinzadeh Kashan et al. Optimum structural design with discrete variables using league championship algorithm
CN117973218A (zh) 一种基于多策略改进蜣螂算法的减速器设计方法
CN113893547A (zh) 一种基于适应度函数的数据处理方法、系统及存储介质
Kaveh et al. Optimum structural design of spatial truss structures via migration-based imperialist competitive algorithm
Liu et al. WRFMR: A multi-agent reinforcement learning method for cooperative tasks
Tang et al. Regret-minimizing double oracle for extensive-form games
Kaveh et al. Chaotic Optimization of Trusses with Frequency Constraints with Three Metaheuristic Algorithms
Alonso-Sanz et al. Memory boosts cooperation
Callaghan et al. Evolutionary strategy guided reinforcement learning via multibuffer communication
Nakano et al. Consideration of particle swarm optimization combined with tabu search
Chen et al. Solving the balance problem of on-line role-playing games using evolutionary algorithms
Li et al. A phased game algorithm combining deep reinforcement learning and UCT for Tibetan Jiu chess
Li et al. Parallel curriculum experience replay in distributed reinforcement learning
Thinh et al. A Hardware Implementation for Deep Reinforcement Learning Machine
CN114091353B (zh) 基于bas-iga算法的配电网重构方法和系统

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