微分演化算法在结构参数识别中的应用

《微分演化算法在结构参数识别中的应用》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、振动与冲击第29卷第9期JOURNALOFVIBRATIONANDSHOCK微分演化算法在结构参数识别中的应用唐和生，周进，薛松涛，范存新。(1．同济大学结构工程与防灾研究所，上海200092；2．东北理工大学建筑学科，日本仙台982—8577；3．苏州科技学院工程力学系，苏州215011)摘要：基于微分演化算法(DifferentialEvolution，DE)提出一种新的结构参数识别方法。通过对参数识别反问题转化为一个优化问题，根据实际观测结构响应数据与数值模型系统输出之间的差异建立识别问题的

2、目标函数。利用DE求解该目标函数的全局最小，从而得到最优参数解。DE算法是一种新颖的随机搜索进化算法，通过采取全局优化的策略确保算法得到合理的解。DE算法具有算法简单、编程计算方便、同时收敛速度快、计算结果精度高、和鲁棒性强的优点。通过数值模拟及该识别方法在真实结构参数识别中的应用验证该方法的有效性。关键词：微分演化；参数识别；优化中图分类号：TU311．3；TP274．2文献标识码：A系统识别方法在土木工程通常被用在控制、故障别¨、模态参数识别¨。诊断、预测等相关领域。然而，在实际应用中，由于结

3、土木工程领域中的参数识别问题本质上具有高构本身的复杂性、先验信息少以及测量信息的不完备，维、非线性、且约束条件多的特点，因此计算较为复杂。传统的一些识别方法面临很大的挑战。为了弥补传统本文先将DE算法应用于l0层剪切型结构参数识别进方法的不足，近些年来兴起了采用仿生智能启发式优行数值模拟，并与其他算法进行比较，验证了DE算法化方法进行参数识别方面的研究，该方法的主要思想的优越性和鲁棒性，即数值模拟的结果表明该识别方是把系统识别转化为一优化问题。例如：遗传算法法在测量信息不完备以及测量信号有噪声污染

4、下均能(GeneticAlgorithm，GA)应用于材料以及结构参数的识准确的识别出结构的参数。在此基础上，将DE算法应别-4]；进化算法(EvolutionaryAlgorithm，EA)应用于用于一7层钢框架结构参数识别中，在先验信息缺乏多自由度结构系统参数的识别；模拟退火算法(Sim—下，进行真实结构的参数识别。ulatedAnnealing，SA)应用于优化描述结构动力特性的1问题描述有限元模型；粒子群算法(ParticleSwarmOptimiza．tion，PSO)应用于线性及非线性

5、结构的参数识别’。结构参数识别从属于系统识别的范畴。所谓的系作为一种新颖的算法，自从Storn和PriceJ1996统识别，Astrom和Eykhofl1曾经给出这样的定义：即年引人了微分演化(DifferentialEvolution，DE)算法之根据实际系统测试中的输入输出信息，在一组预先给后，该方法在解决复杂的优化问题上得到了很多关定的系统参数集合{S}中找到合适的0∈{S}，使之与注¨0．“j。微分演化算法是一种混合算法，它结合了遗实际系统等价。即最小化真实结构的实测反应与预测传算法的更大

6、种群概念和进化算法的自适应变异以及结构模拟数值反应的误差。采用了贪婪选择策略。这些特征使微分演化算法相比不失一般性，考虑结构系统如下：进化算法和遗传算法具有更好鲁棒性和更快收敛速Y()=U(k)，0](1)度。同时，微分演化算法用浮点语言取代了在许多传其中Y∈R表示系统输出，U∈R表示系统输入，0=统进化算法中的二进制语言，控制变量少，执行起来更(0。，0，⋯，0)为需要估计的系统参数，k为系统离散简单。研究表明针对复杂的优化问题，微分演化算法时间点，=0，1，⋯，。为采样时间终点。相对于粒子群算

7、法和遗传等其他算法具有更加精确、为了得到一个精确的系统参数识别过程，备选分更快的收敛速度和较强的鲁棒性的特点¨。该算法广析模型系统(1)必须对任意的输入激励都能精确地产泛应用于优化设计H、可靠度分析¨、主动控制¨及生输出数据。因此，问题归结为最小化实测真实结构识别问题，例如：微分演化算法应用与结构损伤识输出与备选分析模型系统输出之间的误差范数，例如式(2)所示的均方误差函数：基金项目：国家自然科学基金资助项目(50708076)，江苏省高校自然科F()=1∑)一多(尼)Il(2)学基金(08KJB

8、560003)k=l收稿日期：2009—06—03修改稿收到日期：2010—03—03第一作者唐和生男，副教授，1973年l0月生其中()=f[U()，0]为备选分析模型的输出，通讯作者唐和生l·l表示矢量的欧几里德范数。形式上，优化问题要第9期唐和生等：微分演化算法在结构参数识别中的应用43求找到一个向量0∈R以满足某种质量判据，即使得n}中取得个体向量维度的序号；CR为交叉因子，在DE误差范数F(·)最小化。F(·)即为目标函数或评价算法中CR将决定群体分布的密度。函数。在微分