基于遗传算法的BP神经网络在桥梁安全评估中的应用

《基于遗传算法的BP神经网络在桥梁安全评估中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于遗传算法的BP神经网络在桥梁安全评估中的应用程高，刘永健，周旷，刘世忠83基于遗传算法的BP神经网络在桥梁安全评估中的应用程高，刘永健，周旷。，刘世忠。(1．长安大学桥梁与隧道陕西省重点实验室，陕西西安710064；2．西北工业大学应用数学系，陕西西安710072；3．太原科技大学交通与物流学院，山西太原030024)摘要：为对桥梁的安全性进行科学准确的评估，基于遗传算法与BP神经网络提出了一种新的桥梁安全评估方法。该算法采用遗传算法和误差反向传播算法(BP)相结合的混合算法来训练前馈神经网络，即先用遗传算法进行全局训练，再用BP算法进行局部精确训练，既

2、克服了传统BP网络训练时间长，易陷入局部极值的缺点，又提高了全局收敛的效率。采用该算法对一座悬索桥——宜昌长江大桥的安全性进行评估，并与专家评估结果进行对比分析。结果证明，该算法收敛速度快，预测精度高，为桥梁的安全评估提供了一种新思路。关键词：桥梁工程；安全评估；遗传算法；BP神经网络；应用中图分类号：U447文献标志码：A文章编号：1671—7767(2012)05—0083—041引言BP神经网络相结合，提出了一种新的桥梁安全评估桥梁是确保道路畅通的关键与控制部位，是交方法，即利用遗传算法寻优的全局性，采用遗传算法通运输的咽喉。为提供安全、舒适的行驶环境

3、，保证来训练网络(克服传统BP网络易陷入局部极值的桥梁正常运营，必须对桥梁的安全性进行合理准确缺点)，再用BP算法进行精确求解，该方法具有收的评估，从而为桥梁养护管理工作提供科学依据。敛速度快，预测精度高等优点。结合文献I-4]建立的目前存在多种桥梁安全评估方法，文献Eli采用宜昌长江大桥(悬索桥)的安全评估模型及专家评估层次分析法建立了斜拉桥的评价指标体系；文献I-2]结果，通过对比分析，验证该方法的正确性与合基于模糊神经网络理论开发了既有混凝土桥梁技术理性。状态等级评估系统；文献[3]将模糊理论与神经网络相结合应用于钢管混凝土拱桥的安全评估；文献[4]2

4、基于遗传算法的BP神经网络理论．引入模糊神经网络开发了斜拉桥安全性与耐久性评2．1基于遗传算法的BP神经网络结构价系统；文献E5]用模糊神经网络对大跨度悬索桥进BP神经网络是一种多层前馈神经网络，是目前行了整体安全性评估；文献E6]用人工神经网络法评应用最广泛的神经网络模型之一，该网络的主要特估了桥梁缺损状况。此外，还有学者将灰色理论用点是信号前向传递，误差反射传播。BP神经网络使于斜拉索构件的安全评估啪。从国内、外近年研究用最速下降法，利用遗传算法根据训练目标函数对现状来看，由于原有的层次分析法存在评价指标体网络权值进行迭代，找到最佳初始网络权值。通过系不

5、完整、评价结果粗糙等缺点，而神经网络对解决反向传播来不断调整网络权值，使网络的误差平方非线性问题有强大且准确的映射能力，因而被越来和最小。该系统的网络结构如图1所示，先对桥梁越广泛地应用于桥梁安全评估领域中。但由于神经的安全评估指标进行分类，抽取特征指标，作为输入网络的初始权值是随机给定的，每次训练的次数及信息送入一个具有输入层、中间层和输出层的三层最终权值会略有不同，从而会造成网络寻优不具有网络进行训练。经过训练后的网络，成为稳定的模惟一性，易出现局部极小；另一方面，初始权值给定式评估器，即可输出评估结果l_g。的“盲目性”会导致训练次数较多，收敛极慢，效

6、率较该模型的输入层节点数为7"／，即桥梁安全评估低。指标数；中问层节点数为z；输出层节点数为1，即桥鉴于神经网络的以上缺点，本文将遗传算法与梁安全评估结果值；和∞，为BP神经网络权值；初收稿日期：gOl1—07—26基金项目：江西省交通运输厅重点科技项目(2010C00003)作者简介：程~(1988一)，男，博士研究生，2010年毕业于长安大学交通运输专业，工学学士(E—mail：chenggaocg@163．corn)。84世界桥梁2012，40(5)(4)交叉操作。由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第k个染色体A和第z个染色体A在J

7、位的交叉操作方法见式(3)。Aks—A‘一6+Aobl(3)A“一A(1—6)+A，bj(5)变异操作。选取第i个个体的第J个基因A进行变异，变异操作方法见式(4)。输八层节点i中间层节最，输入层节点fA+(A—A⋯)×f(g)r>o．5图1基于遗传算法的BP神经网络拓扑结构lA+(A⋯一A，)×(g)r≤o．5始化隐含层阈值为a，输出层阈值为b，由此可给定(4)学习速率和神经元激励函数。由图1可知，BP神经式中，A⋯、A⋯分别为基因A的上、下界；，(g)一网络可以看成一个非线性函数，网络输入值和输出r。(1一g／G⋯)。，其中r为一个随机数，g为当前迭值分

8、别为该函数的自变量和因变量。当输人层节点代次数，G为