程 躍 ，程文明，鄭 嚴，張則強

(1. 西南交通大學 機械工程研究所，四川 成都，610031；2. 成都大學 工業(yè)制造學院，四川 成都，610106)

結構可靠性優(yōu)化設計是結構優(yōu)化設計領域的一個新分支，人們對該設計方法的研究有約30 a，如今該方法已經發(fā)展成以可靠度與優(yōu)化設計問題的目標相結合的結構優(yōu)化設計方法。目前，結構可靠性優(yōu)化設計方法主要有寬界限法、窄界限法、概率網絡估算法和最佳矢量法等，但這些方法存在缺乏工程實用價值、計算復雜、存儲量大、對全局最優(yōu)解判定困難等缺點[1-2]，國內外學者正在尋求更適合的結構可靠性優(yōu)化方法。粒子群算法(Particle swarm optimization, PSO)模擬鳥群飛行覓食行為，通過鳥之間的集體協(xié)作使群體達到最優(yōu)。此算法由 Eberhart和 Kennedy于 1995年提出，簡潔且易于實現，需要調整的參數較少，不需要梯度信息。PSO是非線性連續(xù)優(yōu)化問題、組合優(yōu)化問題和整數非線性優(yōu)化問題的有效優(yōu)化工具，但該算法具有易陷入局部極值點、進化后期收斂速度慢、精度較低等不足[3-5]?；煦?Chaos)是一種普遍存在的非線性現象，是由確定方程得到的非確定隨機運動狀態(tài)[6]。利用混沌變量的隨機性、遍歷性和規(guī)律性，將混沌優(yōu)化思想引入粒子群算法中，防止某些粒子在迭代中出現停滯，從而解決了算法早熟問題[7-8]。近年來，PSO算法初步應用于結構可靠性優(yōu)化設計領域。張義民等[9]將 PSO算法與小波神經網絡方法(MCS-WNN)相結合，實現了結構設計參數的可靠性優(yōu)化；劉仁云等[10]將灰色理論引入PSO算法，提出了基于多目標優(yōu)化的結構可靠性穩(wěn)健優(yōu)化設計。目前，未見混沌粒子群算法在結構可靠性優(yōu)化設計方面的研究報道。在此，本文作者將混沌粒子群算法(Chaos particle swarm optimization, CPSO)應用到結構可靠性優(yōu)化設計理論中，建立在結構系統(tǒng)可靠度約束下最小化結構質量的優(yōu)化模型，提出基于混沌粒子群算法的結構可靠性優(yōu)化設計方法。最后，通過框架結構算例，驗證該可靠性優(yōu)化設計方法的理論指導意義和工程實用價值。

1 混沌粒子群算法

1.1 基本粒子群算法

在PSO算法中，每個優(yōu)化問題的解都被抽象為沒有質量和體積的粒子，并延伸到D維空間。設粒子群由m個粒子構成，第i個粒子(i=1, 2, …, m)在D維空間里的位置和速度分別表示為矢量 zi=(zi1,zi2, …,zid, …, ziD)和矢量 vi=(vi1, vi2, …, vid, …, viD)，每個粒子都有1個適應值函數fitness(zi)來計算zi當前的適應值，由此衡量粒子位置的優(yōu)劣。pi=(pi1, pi2, …,pid, …, piD)為粒子到目前為止搜索到的最優(yōu)位置，pg=(pg1, pg2, …, pgd, …, pgD)為整個粒子群到目前為止搜索到的最優(yōu)位置。

PSO算法首先隨機初始化粒子群，然后，粒子在解空間中通過迭代找到全局最優(yōu)解。在每一次迭代中，粒子根據式(1)和(2)更新自身的速度和位置：

式中：d=1, 2, …, D；w為慣性權重；k為迭代次數；r1和r2為[0, 1]之間的隨機數；c1和c2為學習因子。據式(1)和(2)，計算每個粒子的個體適應值 f itness，通過與上一次比較對個體極值和全局極值更新。當滿足停止條件(預設的運算精度或迭代次數)時，迭代停止，找到全局最優(yōu)解[11-13]。PSO算法的流程如圖1所示。

圖1 粒子群算法流程圖Fig.1 Flow chart of particle swarm optimization

1.2 混沌粒子群算法

1個典型的混沌系統(tǒng)是Logistic方程[14]：

式中：yn為混沌變量；μ為控制參數；n為混沌優(yōu)化迭代次數；k為CPSO優(yōu)化迭代次數。當μ屬于[3.57, 4.00]時，Logistic方程解的變化周期為無窮大，每次迭代方程的解都不是確定的，此時，Logistic方程成為一個混沌系統(tǒng)。

步驟1：確定算法參數，初始化粒子。

步驟2：由式(1)和(2)更新粒子的速度和位置，計算每個粒子的目標函數值，并保留群體中性能最好的20%的粒子。

結合上述“地平線歐洲”和“地平線2020”比較分析，可以看出“地平線歐洲”的四大重大轉變同中歐科技合作的共識契合度高，是支持未來中歐科技合作的有力政策執(zhí)行工具。對歐科技合作中，中國科技界可以在中歐科技合作共識基礎上，結合中國科技發(fā)展自身利益需求，充分利用“地平線歐洲”這一歐盟科技政策執(zhí)行工具，特別是該計劃下的資金、資源和政策，推動和實現雙方在共同利益領域互利互惠的科技合作。啟示建議如下：

步驟7：由式(6)收縮搜索區(qū)域，在收縮后的空間內隨機產生群體中剩余的80%的粒子，轉回步驟2。

2 基于CPSO的結構可靠性優(yōu)化設計方法

2.1 結構可靠性優(yōu)化模型

在結構系統(tǒng)可靠度約束下，合理選擇各元件截面尺寸使結構總質量最小，這是結構可靠性優(yōu)化設計的一類關鍵問題。通常，結構的總質量可由結構系統(tǒng)各元件的質量求和所得，而結構各元件的質量可表示為該元件截面尺寸(即設計變量)的線性函數。對于由 n個元件組成的拉壓桿、梁元或板元，各元件質量 Mi可表示為：

式中：對于拉壓桿和梁元，iρ，il和iA分別為第i個元件的密度、長度和橫截面積；對于板元，iρ，il和iA分別為第i個元件的密度、厚度和表面積。

通常，結構系統(tǒng)不能簡單地視為串聯、并聯的逐級組合，結構系統(tǒng)的破壞是由任一失效模式引起，形成1個失效模式需要一系列元件達到臨界。在計算結構可靠度時，必須考慮結構各元件和各失效模式間的相關性。因此，結構可靠性優(yōu)化設計應以結構整體來考慮，應只有1個整體結構的可靠性設計準則，即

式中：A=[A1, A2, …, An]為截面設計尺寸；Al為A的下限；Au為A的上限；U為預先定義的1個大數；λ為罰函數因子。

在計算整個結構的可靠度時，通常希望利用一種既考慮失效模式之間的相關性、計算較簡單、計算精度較高的方法。本文利用概率網絡估算技術(Probabilistic network evaluation technique, PNET)對結構可靠度指標進行計算。PNET法將結構系統(tǒng)各主要失效模式按一定規(guī)則分成G個代表模式，每個代表模式的失效概率為Pi(i=1, 2, …, G)，則結構系統(tǒng)的可靠度R可近似表示為[17]：

式中：)(sβΦ為標準正態(tài)分布函數。

2.2 結構可靠性優(yōu)化設計的收斂準則

由于結構系統(tǒng)的可靠性分析及優(yōu)化問題通常是相當復雜和困難的，對于相同的算法，不會像傳統(tǒng)的結構優(yōu)化一樣平穩(wěn)和快速地收斂，因此，將下列組合收斂準則應用于基于CPSO的結構可靠性優(yōu)化中，收斂準則如下[2]：

當隨機變量均服從正態(tài)分布時，可靠度R與結構系統(tǒng)的可靠度指標βs之間可通過下式進行轉換：

式中：1ε，2ε和3ε都是比1小很多的規(guī)定值，如10-3～10-4。

2.3 基于CPSO的結構可靠性優(yōu)化流程

將混沌粒子群優(yōu)化算法與結構可靠性優(yōu)化設計理論相結合，充分利用混沌優(yōu)化和粒子群優(yōu)化的特性，進行了結構可靠性優(yōu)化設計。其優(yōu)化步驟如下。

(2) 設定程序參數，初始化粒子的位置和速度，確定 P(0)和 P(0)。

(3) 運用分支限界法判別結構系統(tǒng)主要失效模式，并利用PNET法進行結構可靠性分析，分析各粒子是否滿足約束條件。對于滿足約束條件的粒子，λ=0，否則，λ=1。

(4) 由式(1)和(2)更新粒子的速度和位置，計算每個粒子的目標函數值，并保留群體中性能最好的20%的粒子。

(7) 在收縮后的空間內隨機產生群體中剩余的80%的粒子，轉回步驟(3)。

基于CPSO的結構可靠性優(yōu)化流程圖見圖2。

圖2 基于CPSO的結構可靠性優(yōu)化流程圖Fig.2 Flow chart of structural reliability optimization based on CPSO

3 算例

3.1 算例概況

二跨二層框架結構及其受載情況如圖3所示，其中結構強度及載荷均為獨立正態(tài)隨機變量。結構材料及載荷的相關參數見表 1。二跨二層框架結構系統(tǒng)的容許可靠性指標=3.4，結構系統(tǒng)中各元件的橫截面為正方形。初始點的各元件截面面積為0.2 m×0.2 m，給定A的下限Al=0.019 m2，A的上限Au=0.045 m2。要求在滿足結構可靠度指標βs≥的條件下，利用本文優(yōu)化方法得出最小化結構的總質量 M 并求出各元件的橫截面積A。

圖3 框架結構及受載情況Fig.3 Frame construction and loading cases

表1 結構材料有關參數Table1 Parameters of structure material

3.2 優(yōu)化模型與參數設置

由題意可得該結構可靠性優(yōu)化模型：

優(yōu)化模型中，ρ=7.85×103kg/m3，U=5 000，l1=l2=l7=l8=l11=3.6 m，l3=l4=l5=l6=l9=l10=3.0 m。CPSO算法中，取粒子數為50，學習因子c1=c2=2，慣性權重W=0.8，最大迭代次數為1 000，混沌搜索最大步數為10，問題維數為11。取本算例結構可靠性優(yōu)化設計流程中的收斂準中，則參數 ε1=ε3=0.3×10-3，ε2=0.2×10-3。

圖4 基于CPSO算法的可靠性優(yōu)化收斂曲線Fig.4 Convergence curves of reliability optimization based on CPSO

表2 最佳矢量型算法優(yōu)化迭代歷程Table2 Optimization process of best vector method

表3 框架優(yōu)化截面積Table3 Optimal solutions of frame construction 10-2 m2

3.3 算例結果與分析

將混沌粒子群優(yōu)化算法與結構可靠性優(yōu)化理論相結合，運用基于CPSO的結構可靠性優(yōu)化流程，利用MATLAB7.0編制程序，對本算例的結構可靠性進行優(yōu)化設計。在相同的優(yōu)化模型和參數取值條件下，對本框架結構分別結合CPSO算法和PSO算法隨機進行5次結構可靠性優(yōu)化，其優(yōu)化收斂曲線分別見圖4和圖 5。用最佳矢量型算法對本框架結構的可靠性進行優(yōu)化，其優(yōu)化迭代歷程如表2所示。將基于CPSO算法的優(yōu)化結果與基于 PSO算法和最佳矢量型算法的優(yōu)化結果進行對比，如表3所示。其中，PSO算法的收斂準則與CPSO算法的一致，最佳矢量型算法的收斂準則為：

通過比較圖4和圖5可知：基于PSO算法的框架可靠性優(yōu)化早期收斂速度較快，但在其尋優(yōu)后期收斂速度變慢，最終所能得到的優(yōu)化結果比CPSO算法的優(yōu)化結果差。基于CPSO算法的框架可靠性優(yōu)化設計，借助混沌變量的特性，防止了某些粒子在迭代中出現停滯而導致的算法早熟現象，其收斂速度較慢，但搜索范圍較廣，最終所能得到的優(yōu)化結果較理想。綜合表2和表3可得：基于CPSO算法的二跨二層框架結構可靠性優(yōu)化結果顯著優(yōu)于 PSO算法和最佳矢量型算法優(yōu)化結果，在滿足本框架結構系統(tǒng)可靠度指標及橫截面積要求的約束下，優(yōu)化了結構各元件橫截面積，節(jié)省了材料，使本框架結構總質量下降。

4 結論

(1) 針對基本粒子群算法容易早熟的問題，充分利用基本粒子群算法的全局搜索能力和混沌優(yōu)化的局部搜索能力，動態(tài)收縮搜索區(qū)域，防止了某些粒子在迭代中出現停滯而導致算法早熟的現象。

(2) 針對在結構系統(tǒng)可靠度約束下最小化結構質量的優(yōu)化問題，將混沌粒子群算法融入結構可靠性優(yōu)化設計理論中，建立了結構系統(tǒng)優(yōu)化模型，提出了基于混沌粒子群算法的結構可靠性優(yōu)化設計方法。

(3) 基于 CPSO算法的框架結構可靠性優(yōu)化方法穩(wěn)定性好，易于實現，并克服了其他算法的早熟現象，其優(yōu)化結果明顯比 PSO算法和最佳矢量型算法的優(yōu)化結果優(yōu)。該優(yōu)化設計方法適用于較復雜結構系統(tǒng)的可靠性優(yōu)化設計，具有較好的工程實用價值和較強的探索開發(fā)能力。

[1] 張建國, 蘇多, 劉英衛(wèi). 機械產品可靠性分析與優(yōu)化[M]. 北京: 電子工業(yè)出版社, 2008: 23-64.

ZHANG Jian-guo, SU Duo, LIU Ying-wei. Reliability analysis and optimization of mechanical product[M]. Beijing: Electronics Industry Press, 2008: 23-64.

[2] 安偉光, 蔡蔭林, 陳衛(wèi)東. 隨機結構系統(tǒng)可靠性分析與優(yōu)化[M]. 哈爾濱: 哈爾濱工程大學出版社, 2007: 41-79.

AN Wei-guang, CAI Yin-lin, CHEN Wei-dong. Reliability analysis and optimization of stochastic structure system[M].Harbin: Harbin Engineering University Press, 2007: 41-79.

[3] Suresh S, Sujit P B, Rao A K. Particle swarm optimization approach for multi-objective composite box-beam design[J].Composite Structures, 2007, 81(4): 598-605.

[4] YU Ying, YU Xiao-chun, LI Yong-sheng. New discrete particle swarm optimization based on huge value penalty for solving engineering problem[J]. Chinese Journal of Mechanical Engineering, 2009, 22(3): 410-418.

[5] 金一粟, 周永華, 梁逸曾. 改進粒子群優(yōu)化算法對反應動力學參數的估計[J]. 中南大學學報, 2008, 39(4): 694-699.

JIN Yi-su, ZHOU Yong-hua, LIANG Yi-zeng. Parameter estimation of dynamic model of cyclo-octadiene hydrogenation by landscape adaptive particle swarm optimizer[J]. Journal of Central South University: Science and Technology, 2008, 39(4):694-699.

[6] El-Gohary A, Al-Ruzaiza A S. Chaos and adaptive control in two prey, one predator system with nonlinear feedback[J]. Chaos,Solitons and Fractals, 2007, 34(2): 443-453.

[7] LIU Bo, WANG Ling, JIN Yi-hui, et al. Improved particle swarm optimization combined with chaos[J]. Chaos, Solitons and Fractals, 2005, 25(5): 1261-1271.

[8] YANG Di-xiong, LI Gang, CHENG Geng-dong. On the efficiency of chaos optimization algorithms for global optimization[J]. Chaos, Solitons and Fractals, 2007, 34(4):1366-1375.

[9] 張義民, 劉仁云, 于繁華. 基于計算智能技術的結構系統(tǒng)可靠性優(yōu)化設計[J]. 工程力學, 2007, 24(8): 27-31.

ZHANG Yi-min, LIU Ren-yun, YU Fan-hua. Computational intelligence-based reliability design optimization for structural system[J]. Engineering Mechanics, 2007, 24(8): 27-31.

[10] 劉仁云, 張義民, 劉巧伶. 基于多目標優(yōu)化策略的結構可靠性穩(wěn)健設計[J]. 應用力學學報, 2007, 24(3): 267-271.

LIU Ren-yun, ZHANG Yi-ming, LIU Qiao-ling. Structural robust reliability design for multi-objective optimization[J].Engineering Mechanics, 2007, 24(3): 267-271.

[11] Kennedy J, Eberhart R. Particle swarm optimization[C]//Proceedings of IEEE International Conference on Neural Networks. Piscataway: IEEE Service Center, 1995: 1942-1948.

[12] Shi Y, Eberhart R C. A modified particle swarm optimizer[C]//Proceedings of IEEE International Conference on Evolutionary Computation. Anchorage, 1998: 69-73.

[13] 于穎, 李永生, 於孝春. 粒子群算法在工程優(yōu)化設計中的應用[J]. 機械工程學報, 2008, 44(12): 226-231.

YU Ying, LI Yong-sheng, YU Xiao-chun. Application of particle swarm optimization in the engineering optimization design[J].Chinese Journal of Mechanical Engineering, 2008, 44(12):226-231.

[14] LI Bing, JIANG Wei-sun. Optimizing complex functions by chaos search[J]. Cybernetics and Systems, 1998, 29(4):409-419.

[15] 龔純, 王正林. 精通MATLAB最優(yōu)化計算[M]. 北京: 電子工業(yè)出版社, 2008: 299-303.

GONG Chun, WANG Zheng-ling. Master optimization calculation of MATLAB[M]. Beijing: Electronics Industry Press,2008: 299-303.

[16] 張浩, 張鐵男, 沈繼紅, 等. Tent混沌粒子群算法及其在結構優(yōu)化決策中的應用[J]. 控制與決策, 2008, 23(8): 857-862.

ZHANG Hao, ZHANG Tie-nan, SHEN Ji-hong, et al. Research on decision-makings of structure optimization based on improved Tent PSO[J]. Control and Decision, 2008, 23(8):857-862.

[17] 邵光信, 亞海斌, 朱繩武. 基于GA和PNET的一種可靠度計算新方法[J]. 金屬礦山, 2002(8): 51-53.

SHAO Guang-xin, YA Hai-bin, ZHU Sheng-wu. A GA and PNET based new algorithm for solving system reliability[J].Metal Mine, 2002(8): 51-53.