基于遗传粒子群算法的长江水系多用途船中剖面结构优化研究
发布时间：2020-07-08 01:47
【摘要】：长江干线贯穿我国七省二市,长江航运承担了沿江流域的主要大宗性货物的运输,长江航运的发展对长江经济带的建设和发展起到重要的促进作用,长江黄金水道的绿色发展是长江航运可持续发展的重要支撑。降低船舶对流域环境的影响,以更少的燃料消耗运输更多的货物,是长江航运绿色发展进程中对船舶的基本要求。因此,运用优材减重等结构优化技术对长江水系标准船型进行结构优化设计,将绿色基因引入到船舶结构中,使得船舶结构产品达到节能、减材、安全的设计目标,这是长江水系船舶结构设计势在必行的关键技术之一。多用途船作为长江干线上的三大主力船型之一,针对其标准船型的船体结构进行结构优化具有重要的工程应用意义。本文选取一艘长江水系货-37(I)多用途船作为研究对象,结合本船的结构特点,为了降低多用船货舱段结构的重量,通过对船舶结构优化基本理论分析,选取了本船货舱段的中剖面结构进行尺寸优化。为了提高优化算法对结构优化的求解性能,本文将具有局搜索性能的遗传算法和快速收敛性能的粒子群算法相结合,然后将改进后遗传粒子群算法和双种群遗传粒子群算法应用到多用途船的结构优化中,最后基于PatranNastran建立有限元模型进行强度计算,校核优化后船体结构的强度,验证优化结果的有效性。本文的主要研究内容如下:(1)基于遗传算法和粒子群算法的基本理论及其特点,结合混合算法和多种群的改进策略,提出具有较好寻优性能的遗传粒子群混合算法和双种群遗传粒子群混合算法;(2)建立长江水系货-37(I)多用途船中剖面结构尺寸优化的数学模型,以单位长度货舱段的重量最轻作为优化目标,选取中剖面上纵向骨材的剖面积和板厚作为设计变量,结合《钢制内河船舶建造规范》建立优化模型的约束条件,然后分别将遗传算法、遗传粒子群算法、双种群遗传粒子群算法进行结构优化,三种优化算法分别使目标函数下降了5.11%、5.90%和6.70%,通过对三种算法的优化结果分析得出,双种群遗传粒子群算法在船舶结构优化问题的求解过程取得较好的优化结果较快的收敛速度,遗传粒子群算法次之;(3)运用MSC.PATRAN和MSC.NASTRAN有限元软件,根据相关规范,对多用途船整个货舱段优化前及采用双种群遗传粒子群算法优化后的舱段强度进行计算校核,计算结果表明,优化后的货舱段结构强度满足规范要求,说明了双种群遗传粒子群算法对求解船舶结构优化问题的适应性和有效性。
【学位授予单位】：重庆交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U661.43
【图文】：
算法的基本流程如图 3.1，其具体的求解步骤如下所述：1：根据具体的优化问题，将优化解空间中的解数据表示成遗操作的基因型染色体，实例化解决问题的方法代码，也即编码2：针对优化的目标函数，比如船体构件尺寸优化问题的最轻计合理的适应度函数；3：遗传操作的确定，主要包括选择优良个体的概率和方法、置和交叉方法的选择、变异概率参数的设置和变异方法的设计择；4：根据约束条件随机生成一定规模的初始种群（初始解）；5：根据目标函数计算每一个体适应度值；6：将 Step3 中确定遗传操作作用于种群个体，按照相应的方法交叉和变异操作，产生子代个体种群；7：判断 Step6 得到的子代群体是否已满足停止准则，若不满足。
了惯性权重系数ω对速度更新公式进行修正，修正后 3.5 式公式变为()(),1,11,,22,,ditdgtditditditditv v crandp x crandp x （进后算法的操作的难易程度与最初版本相当，只是增加了惯性权重，但是，改进后算法的优化性能得到了很大的提升，被广泛应用于各最优值求解。一般的，将改进后的 3.6 式粒子群算法称为标准粒子群 3.6 式中，第一部分具有平衡全局搜索和局部搜索的能力，较大的 局搜索，较小的 值有利于局部搜索。根据粒子对自身的信任程度，数 取 0.4~0.9；第二部分称为认知模式，为当前位置与自身最优位离，反映了自身经验对粒子运动的影响，该部分可以使得粒子具有全，避免陷入优化早熟；第三部分称为社会模式，是微粒当前位置与群优位置之间的距离，反映了群体经验对自身运动的影响。式 3.6 中的过小，粒子只能在目标区域外进行搜索，过大时，粒子会快速飞向目能越过边界，认知学习因子1c 和社会学习因子2c 一般取值范围一之间。优化过程中每一代中任意粒子迭代的过程见图 3.2 所示。
第三章 遗传粒子群算法的研究分析断和进行更新的。对于局部版本粒子群算法，粒子个局部最优位置Bestp 外，不追踪种群全局最优位置Beg 所有粒子个体的最优位置Bestn 。对于局部版本粒子群()()1,11,,22,,ditdltditditdit v crandp x crandp x 部邻域中的最优位置。
【学位授予单位】：重庆交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U661.43
【图文】：
算法的基本流程如图 3.1，其具体的求解步骤如下所述：1：根据具体的优化问题，将优化解空间中的解数据表示成遗操作的基因型染色体，实例化解决问题的方法代码，也即编码2：针对优化的目标函数，比如船体构件尺寸优化问题的最轻计合理的适应度函数；3：遗传操作的确定，主要包括选择优良个体的概率和方法、置和交叉方法的选择、变异概率参数的设置和变异方法的设计择；4：根据约束条件随机生成一定规模的初始种群（初始解）；5：根据目标函数计算每一个体适应度值；6：将 Step3 中确定遗传操作作用于种群个体，按照相应的方法交叉和变异操作，产生子代个体种群；7：判断 Step6 得到的子代群体是否已满足停止准则，若不满足。
了惯性权重系数ω对速度更新公式进行修正，修正后 3.5 式公式变为()(),1,11,,22,,ditdgtditditditditv v crandp x crandp x （进后算法的操作的难易程度与最初版本相当，只是增加了惯性权重，但是，改进后算法的优化性能得到了很大的提升，被广泛应用于各最优值求解。一般的，将改进后的 3.6 式粒子群算法称为标准粒子群 3.6 式中，第一部分具有平衡全局搜索和局部搜索的能力，较大的 局搜索，较小的 值有利于局部搜索。根据粒子对自身的信任程度，数 取 0.4~0.9；第二部分称为认知模式，为当前位置与自身最优位离，反映了自身经验对粒子运动的影响，该部分可以使得粒子具有全，避免陷入优化早熟；第三部分称为社会模式，是微粒当前位置与群优位置之间的距离，反映了群体经验对自身运动的影响。式 3.6 中的过小，粒子只能在目标区域外进行搜索，过大时，粒子会快速飞向目能越过边界，认知学习因子1c 和社会学习因子2c 一般取值范围一之间。优化过程中每一代中任意粒子迭代的过程见图 3.2 所示。
第三章 遗传粒子群算法的研究分析断和进行更新的。对于局部版本粒子群算法，粒子个局部最优位置Bestp 外，不追踪种群全局最优位置Beg 所有粒子个体的最优位置Bestn 。对于局部版本粒子群()()1,11,,22,,ditdltditditdit v crandp x crandp x 部邻域中的最优位置。
【参考文献】
相关期刊论文 前10条
1 卢宇婷;林禹攸;彭乔姿;王颖U
本文编号：2745918
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2745918.html
