论文部分内容阅读
结构优化设计理论和方法近年来得到迅速的发展，但多数研究是针对连续变量的，针对离散变量的则较少。离散变量结构优化设计在数学上属于组合优化的范畴，而组合最优化问题属于NP完全类问题，其求解算法则属于NP困难问题。当设计变量数与许用离散集元素数较多时，计算工作量急剧增加，无法承受。而神经网络在解决组合优化问题上的效率已被许多研究工作所证实。在结构优化中一般都采用结构近似分析方法以减少结构分析的次数，而人工神经网络在解决这个问题上，是一种具有全局性和普遍适用性的方法。
本文研究基于BP神经网络的工程结构近似分析方法，以工程结构现有大量已知条件为学习样本，建立三层网络模型，成功训练出网络，能够给出满足精度需要的结果。以此作为结构优化中的结构分析部分，大大提高了优化效率。
研究中采用改进的学习算法，大大提高了网络的学习效率，同时减小了使网络陷入局部极小点的概率，文中采取了神经元阈值的压缩技术，将其限制在某个范围内，对改善网络的收敛取得了显著成效。针对离散变量结构优化设计中结构分析的特点，本文建立了结构的应力、位移等量和结构各杆件在离散集中取值组合间的全局映射模型，这种对样本集的选取方法有效地减少了输入节点的数量，从而精简了网络结构，使网络收敛加快。
本文研究了基于两种Hopfield模型的结构优化算法，即HNN与HHNN，两者的区别仅在于他们的激活函数不同，但网络却表现出了不同的性能。文中通过实例给出了神经优化的实现过程与效果，他们都有可能得到全局最优解，但前者较后者获得全局最优解的可能性小，而后者的可操作性不如前者。
将神经网络用于结构近似分析与结构优化计算将大大提高优化效率，尤其当设计变量较多，可行域较大时更能体现其优点。本文的研究对神经网络在此领域的应用具有一定指导意义。