结构优化的群体智能优化算法研究.pdf

摘要

在结构优化设计的实际工程应用中，大多数优化问题具有复杂非线性、多极

值以及可行域非凸等特点，传统的基于梯度的优化方法难以适用。因此，在研究

了群体智能优化算法的基础上，对萤火虫算法和人工蜂群算法引入一些改进策略；

并结合分解并行模型，提出一种基于并行模式库的多线程级并行群体智能优化算

法；最后开发相应的软件，并进行算例验证。本文的主要研究内容如下：

（1）针对标准萤火虫算法在搜索阶段前期效率低、后期精度不高的问题，

引入了自适应步长因子。步长因子与迭代次数负相关，随着迭代的进行而逐步减

小，在设置合适参数情况下，可以增大迭代前期的搜索步长，提高搜索效率同时

减小后期的搜索步长，提高解的搜索精度。针对标准萤火虫算法中完全吸引模型

（即每只萤火虫都会被种群中更亮的萤火虫吸引）中双环操作中的较高时间复杂

度，引入了部分吸引模型（每只萤火虫只被另一只随机选择的更亮萤火虫吸引），

p

并且引入概率因子，降低了时间复杂度同时避免了随机吸引模型导致的早熟问

题。

（2）针对标准人工蜂群算法初始解集的偏离问题，引入了反向学习法生成

初始解，提高了初始解接近最优解的概率；针对标准人工蜂群算法比例选择策略

中“超级个体”降低种群多样性的问题，引入了基于排序的选择策略，可以减少

“超级个体”的影响，提高算法的稳定性，避免算法“早熟”。同理，引入了自适

应步长因子，提高前期的搜索效率和后期的搜索精度。

（3）传统优化算法要求确定性的数学模型，且存在收敛速度慢以及局部极

值问题，无法适应设计变量是混合连续离散的、可行域是间断非凸的或者目标函

数和约束不是设计变量的显式函数的优化问题。基于群体智能优化算法的天然并

行性，结合分解并行模型以及并行模式库，实现了多线程级别的粗粒度并行算法。

（4）针对缺少显式数学模型或自行编制有限元分析程序较复杂的结构优化

问题，本文尝试基于ANSYS参数化设计语言对优化问题进行高精度建模，对建

模好的分析文件进行处理，主程序读取分析文件文件并调用ANSYS商用软件求

解分析文件进行有限元分析，并将结果返回给主程序的优化算法进行迭代求解，

有效地提高了结构优化的精度；在此基础上针对较复杂的直齿圆柱齿轮优化问题，

基于代理模型进行优化，提高优化的效率。

关键词：结构优化，优化算法，萤火虫算法，人工蜂群算法

ABSTRACT

Inthepracticalengineeringapplicationofstructuraloptimizationdesign,most

optimizationproblemshavethecharacteristicsofcomplexnonlinearity,multi-extremum

andnon-convexfeasibleregion,andthetraditionalgradient-basedoptimizationmethod

isdifficulttoapply.Therefore,onthebasisofstudyingtheswarmintelligence

optimizationalgorithm,someimprovedstrategiesareintroducedtothefireflyalgorithm

andartificialbeecolonyalgorithm.Combinedwiththedecompositionparallelmodel,a

multi-thread-levelparallelintelligentoptimizationalgorithmbasedontheparallelpattern

libraryisproposed.Correspondingsoftware,andacalculationexampletoverify.The

mainresearchcontentsofthispaperareasfollows:

1.Inviewoftheproblemsoflowefficiencyintheearlysta