一种基于并行化自适应遗传算法的结构滞回模型识别方法

本发明涉及人工智能和结构性能识别和检测评估领域，具体涉及一种基于并行化自适应遗传算法的结构滞回模型识别方法。

背景技术：

1、随着各行各业的蓬勃发展，各个领域所涉及到的各类结构形式也越来越多种多样，如何高效准确地对各类结构的性能进行识别和检测评估也受到了越来越高的重视。bouc–wen–baber–noori(bwbn)滞回模型在经典bouc–wen滞回模型的基础上进一步发展，可以表征结构构件滞回特征中的刚度退化、强度退化、捏缩滑移效应等多种力学特征，因此被广泛应用于结构复杂滞回行为的表征中。

2、然而，bwbn模型在解决bouc–wen模型无法表征捏缩滑移效应的同时，导致了更为庞大的参数求解维度，这对于本身就具有众多参数且大多数物理意义不明的bouc–wen模型来说，无疑进一步增大了参数求解的难度。近年来，随着人工智能技术的快速发展，智能算法已经开始运用于结构bwbn模型的识别中。但是目前多数算法存在局部收敛导致的拟合精度不足和由耗时较长导致的实用性下降等问题，这导致实际使用较为困难。

技术实现思路

1、本发明的目的是提供一种基于并行化自适应遗传算法的结构滞回模型识别方法，能够解决现有技术中存在的不足，有效对结构滞回曲线进行表征和模拟，从而提高结构性能识别和检测评估的精度和效率。

2、为了达到上述目的，本发明通过以下技术方案来实现：

3、一种基于并行化自适应遗传算法的结构滞回模型识别方法，其特征在于包括如下步骤：

4、步骤1：获取结构在外部荷载作用下的多特征数据；

5、步骤2：为了尽可能地减少数据采集误差对于结构滞回模型识别的影响，对特征数据进行降噪处理，得到特征曲线；

6、步骤3：设置bwbn滞回模型的初始参数和求解编码；

7、步骤4：基于特征数据使用并行化自适应遗传算法识别bwbn模型参数，并用所得模型得到结构模拟滞回特性，从而完成对结构滞回行为的预测。

8、其中，步骤1和步骤2顺序进行，步骤3与步骤1和步骤2之间不分先后。

9、进一步地，在步骤3中，需要设置bwbn模型中待求解参数的上下限和精度，用来确定遗传算法染色体上基因的分布情况。

10、进一步地，在步骤4中，所述并行化自适应遗传算法主要包括：首先确定自适应遗传算法的编码策略为二进制编码，对滞回模型参数进行编码并设置染色体库，引入最优保存策略，同时初始化种群并引入并行化运算策略；然后选择合适的适应度函数衡量个体好坏；然后使用考虑遗传代数的双选择算子进行选择操作，使用考虑遗传代数、适应度值和种群规模的非线性自适应算子作为交叉算子和变异算子进行交叉和变异操作，同时使用有界多点交叉方法保证搜索的方向性，生成新的种群；最后通过不断迭代计算得到符合结束条件的近似最优解。

11、进一步地，所述染色体库是将运算过程中出现过的染色体储存到一个数组中，染色体库可以储存已经出现的染色体及其适应度值，这样如果再遇到同样的染色体，直接从染色体库调用其适应度值。

12、进一步地，所述最优保存策略即选取每一代中表现最好的染色体直接复制到下一代种群中，以此来保证每代中的最优个体不会在遗传中遭到破坏，可使得遗传算法能收敛到全局最优解。

13、进一步地，所述并行化运算策略即并行进行多个子种群的遗传进化然后比较各个最优解从而确定最终寻优结果，并行化运算策略能够更加充分地发挥计算机的多核cpu应用于遗传算法优化问题的优势，大幅减少运算时间。

14、进一步地，所述考虑遗传代数的双选择算子可以针对不同阶段的种群特征进行合理的选择。在遗传进化前期，执行轮盘赌策略进行选择，这样可以充分探索不同的基因模式；而在遗传进化后期，为了避免染色体之间适应度值的接近而导致的近似随机选择，采用确定性算子进行选择，这样可以加速算法收敛。

15、进一步地，所述考虑遗传代数、适应度值和种群规模的非线性自适应算子，是指在遗传初期，交叉变异概率维持在基本水平，到进化后期，抑制表现较好的个体交叉变异，加剧表现较差的个体交叉变异，如此在加快算法在当前最优解域收敛的同时，尽可能探索更多的基因模式。

16、进一步地，所述有界多点交叉方法定向对每个参数所在的编码区域进行交叉操作，从而使得搜索更具方向性。

17、进一步地，在步骤4中，使用采集的特征数据基于并行化自适应遗传算法识别bwbn模型参数，得到bwbn模型，然后使用微分求解器求解bwbn模型，得到模拟滞回曲线，从而完成对结构滞回行为的预测。

18、与现有技术相比，本发明取得的有益效果包括：

19、(1)通过改进遗传算法策略，很大程度上避免优化过程陷入局部最优解，避免进化过程中的早熟，提高滞回模型识别精度；

20、(2)通过改进遗传算法策略，引入并行化和减少bwbn模型求解次数，有效提高识别运算效率。

技术特征：

1.一种基于并行化自适应遗传算法的结构滞回模型识别方法，其特征在于包括如下步骤：

2.根据权利要求1所述的一种基于并行化自适应遗传算法的结构滞回模型识别方法，其特征在于：

3.根据权利要求1所述的一种基于并行化自适应遗传算法的结构滞回模型识别方法，其特征在于：

4.根据权利要求3所述的一种基于并行化自适应遗传算法的结构滞回模型识别方法，其特征在于：

5.根据权利要求3所述的一种基于并行化自适应遗传算法的结构滞回模型识别方法，其特征在于：

6.根据权利要求3所述的一种基于并行化自适应遗传算法的结构滞回模型识别方法，其特征在于：

7.根据权利要求3所述的一种基于并行化自适应遗传算法的结构滞回模型识别方法，其特征在于：

8.根据权利要求3所述的一种基于并行化自适应遗传算法的结构滞回模型识别方法，其特征在于：

9.根据权利要求3所述的一种基于并行化自适应遗传算法的结构滞回模型识别方法，其特征在于：

10.根据权利要求1所述的一种基于并行化自适应遗传算法的结构滞回模型识别方法，其特征在于：

技术总结
本发明公开了一种基于并行化自适应遗传算法的结构滞回模型识别方法，包括如下步骤：步骤1：获取结构在外部荷载作用下的多特征数据；步骤2：对特征数据进行降噪处理，得到特征曲线；步骤3：设置滞回模型(BWBN模型)的初始参数和求解编码；步骤4：基于特征数据使用并行化自适应遗传算法识别BWBN模型参数，并用所得BWBN模型得到结构模拟滞回特性，从而完成对结构滞回行为的预测。本发明所提出的一种基于并行化自适应遗传算法的结构滞回模型识别方法，方法简单，计算量小，模型求解次数少，识别精度高，运算速度快，能够较好地用于土木工程、机械工程等领域的结构系统在复杂动态荷载作用下的非线性行为分析。

技术研发人员：章红梅,胡帆,段元锋
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/9/23