基于HKBFO優(yōu)化神經(jīng)網(wǎng)絡(luò)的懸索橋動載識別

陳修輝1，孫銘霞2

( 1.青島理工大學(xué) 琴島學(xué)院，山東 青島 266106； 2.長春光華微電子設(shè)備工程中心有限公司，吉林 長春 130000 )

摘要：為提高BP神經(jīng)網(wǎng)絡(luò)對橋梁動載識別的效果，提出了一種基于分層菌王覓食算法(HKBFO)的橋梁動載識別方法.該算法首先進(jìn)行“交叉”復(fù)制操作，再類比人大代表選舉過程進(jìn)行分層尋優(yōu).數(shù)值模擬證明,HKBFO算法優(yōu)于BFO算法，可用于橋梁動載識別.

關(guān)鍵詞：分層菌王覓食算法; 神經(jīng)網(wǎng)絡(luò); 懸索橋; 動載識別

收稿日期：2015-07-21

作者簡介：陳修輝(1983—)，男，講師，研究方向為運動穩(wěn)定性與控制.

文章編號：1004-4353(2015)03-0257-04

中圖分類號：TU312+.1

Identification of moving load on the suspension bridge based on HKBFO optimized neural network

CHEN Xiuhui1，SUN Mingxia2

( 1.QingdaoCollege,QingdaoTechnologicalUniversity,Qingdao266106,China; 2.ChangchunGuanghua

Micro-ElectronicsEquipmentEngineeringCenterCo.Ltd.,Changchun130000,China)

Abstract：In order to improve the effect of BP neural network on the moving load identification of bridge,a new method of moving load identification method based on the Hierarchical King Bacteria Foraging Optimization algorithm (HKBFO) is proposed. The algorithm first carried on the “cross” copy operation,and then by the analogy of the election process of the People’s Congress conducted hierarchical optimization. The numerical simulation showed that HKBFO is better than BFO,and can be used for bridge moving load identification.

Key words： Hierarchical King Bacteria Foraging Optimization algorithm (HKBFO); neural network; suspension bridge; identification of moving load

橋梁結(jié)構(gòu)在交通中的作用日趨重要，其可靠性對社會和經(jīng)濟的發(fā)展有著重大的影響.就目前橋梁結(jié)構(gòu)而言，其結(jié)構(gòu)日趨輕型化，跨度日趨增大化，而在橋梁上運行的車輛載重量和速度也都在不斷地提高，極易導(dǎo)致橋梁結(jié)構(gòu)的疲勞損傷甚至破壞，因此橋梁動載識別具有重要的研究意義和應(yīng)用價值[1-3].根據(jù)橋梁的撓度、應(yīng)變等響應(yīng)識別橋梁動載已有很多學(xué)者對此進(jìn)行研究，并取得了一些成果，例如：S.S.Law等[4-5]分別利用時域法和頻時域法研究了橋梁動載識別；F.T.K.Au等[6]采用二分之一車輛模型對連續(xù)梁上移動荷載進(jìn)行了識別；陳鋒等[7]和尤瓊等[8]分別利用函數(shù)擬合法研究了橋梁動載識別；李忠獻(xiàn)等[9]利用BP神經(jīng)網(wǎng)絡(luò)識別了橋梁動載；陳震等[10]采用截斷廣義奇異值分解法研究了橋梁移動荷載識別.近年來，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行橋梁動載識別成為常用的方法之一，此方法的關(guān)鍵在于如何訓(xùn)練神經(jīng)網(wǎng)絡(luò),即確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和神經(jīng)網(wǎng)絡(luò)參數(shù)，其中神經(jīng)網(wǎng)絡(luò)參數(shù)(包括權(quán)值和閾值)的確定尤為關(guān)鍵.傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)參數(shù)確定方法中，多存在尋優(yōu)速度慢、魯棒性較差、易陷入局部早熟等問題[11-12]，對此，本文擬采用分層菌王覓食算法來確定網(wǎng)絡(luò)參數(shù)，并通過數(shù)值模擬來驗證本文方法的有效性.

1分層菌王覓食算法

細(xì)菌覓食算法[13-14](Bacteria Foraging Optimization algorithm，BFO)是由K.M.Passino于2002年提出的一種仿生隨機搜索算法，主要包括趨向操作(chemotaxis)、復(fù)制操作(reproduction)和遷徙操作(elimination and dispersal)，由于其構(gòu)造簡單、易于理解而成為智能算法中的研究熱點，并且被廣泛應(yīng)用于諸多優(yōu)化問題中.但基本BFO算法存在優(yōu)化精度不高，收斂速度慢，易陷入局部早熟等缺陷，并且在進(jìn)行復(fù)制操作時也只是個體的簡單重復(fù)，并沒有充分利用到最優(yōu)個體的信息.為此，本文將當(dāng)前群體中適應(yīng)度值最優(yōu)的細(xì)菌稱為菌王(the king of bacteria，KB)，復(fù)制操作時每個新細(xì)菌都由菌王和當(dāng)前細(xì)菌“交叉”產(chǎn)生，且采用分層結(jié)構(gòu)，底層由一系列子群體構(gòu)成，頂層由各個底層子群體的子菌王組成，從而提出一種分層菌王覓食算法(Hierarchical King Bacteria Foraging Optimization algorithm，HKBFO).

為充分利用最優(yōu)細(xì)菌個體(菌王)的信息，在進(jìn)行復(fù)制操作時不再是簡單的淘汰較差的一半細(xì)菌，而是自身復(fù)制較優(yōu)的一半細(xì)菌，同時為了提高群體的多樣性，在復(fù)制操作時按以下方式進(jìn)行：

設(shè)群體的細(xì)菌數(shù)為N，復(fù)制時先將細(xì)菌按適應(yīng)度值由優(yōu)至劣進(jìn)行排序，然后直接淘汰較差的N/4細(xì)菌，自身復(fù)制較好的N/4細(xì)菌，然后用較好的N/4細(xì)菌替代較差的N/4細(xì)菌，中間的N/2細(xì)菌按下式進(jìn)行“交叉”復(fù)制：

Pi+N/4(j,k+1,l)=λ·(Pi+N/4(j,k,l)+

(1-λ)·PK(j,k,l)),

Pi+N/4(j,k+1,l)=(1-λ)·Pi+N/4(j,k,l)+

λ·PK(j,k,l),

類比于各級人大代表的選舉過程，本文提出了分層的菌王覓食算法.算法的底層由S個彼此獨立子群體組成，每個子群體均采用上述的菌王覓食算法進(jìn)行優(yōu)化計算；底層各子群體的菌王構(gòu)成頂層的群體，頂層群體仍采用菌王覓食算法進(jìn)行優(yōu)化計算，以加快收斂速度.分層菌王覓食算法的主要操作流程為：

1) 初始化.初始化包括子群體的個數(shù)S,每個子群體的細(xì)菌數(shù)N，細(xì)菌的維數(shù)D，游動參數(shù)Ns，趨向次數(shù)Nc，復(fù)制次數(shù)Nre，遷徙次數(shù)Ned，遷徙概率ped，步長C；

2) 設(shè)置循環(huán)變量.子群體變量h從1循環(huán)至S,趨向變量從1循環(huán)至Nc,復(fù)制變量從1循環(huán)至Nre，遷徙變量從1循環(huán)至Ned；

3) 底層子群體循環(huán).每個子群體h均按基本算法完成趨向和遷徙操作，按上述復(fù)制算法完成復(fù)制操作，再從每個子群體中分別得到一個最優(yōu)細(xì)菌個體(即底層子菌王)，共S個底層子菌王個體，由此完成底層循環(huán).

4) 頂層群體循環(huán).用得到的S個底層子菌王構(gòu)成頂層群體，仍按基本算法完成趨向和遷徙操作，按上述復(fù)制算法完成復(fù)制操作，由此得到頂層群體的最優(yōu)個體(即頂層菌王)，算法結(jié)束.

下面選用3個典型BenchMark測試函數(shù)來驗證HKBFO算法的有效性，分別為：

1)Schaffer函數(shù)：

-10≤xi≤10,i={1,2},

其在(0,0)處取得全局最小值0.

2)Ackley函數(shù)：

-32

其在(0,0,…,0)處取得全局最小值0.

3)Griewank函數(shù)：

-600

其在(0,0,…,0)處取得全局最小值0.

BFO算法和HKBFO算法中各循環(huán)參數(shù)的初始值均相同，每個測試函數(shù)利用2種算法均計算10次，并取最優(yōu)解的平均值，尋優(yōu)精度對比分別見表1—表3.

表1　Schaffer函數(shù)對比結(jié)果

表2　Ackley函數(shù)對比結(jié)果

表3　Griewank函數(shù)對比結(jié)果

2數(shù)值模擬

某懸索橋主跨為888m，橋面凈寬為33m，加勁梁用扁平單箱單室鋼箱梁，矢跨比為1/10.5.主塔塔高為147.5m，兩根主纜間距為33m，每根主纜由110股預(yù)制平行鋼絲索組成.吊索采用騎跨式鋼絲繩，間距為12m，每道吊索由4股鋼絲繩組成.將該橋的主塔視為底端固定上方自由的支撐桿件，兩邊錨碇視為固定端.該橋的ANSYS有限元模型如圖1所示.

將作用在懸索橋上的車載簡化為2個時變力，假定分別為：

F1=8000(1+0.1sin(10πt))，

F2=10000(1-0.1sin(10πt)).

車輛由橋的左端沿直線勻速移動至橋的右端，沿車輛移動方向看，F(xiàn)1、F2分別代表車輛的前后輪載(單位為N)，軸距為3m，移動速度為30m/s，運行路線為距橋面右邊11m，直至離開橋面為止，其中，

圖1　懸索橋ANSYS有限元模型示意

在橋面上選取9個點，坐標(biāo)分別為(-222,6.6)，(-222,0)，(-222,-9.9)，(0,6.6)，(0,0)，(0,-9.9)，(222,6.6)，(222,0)，(222,-9.9)來測量橋面的撓度響應(yīng)，采樣頻率為100Hz；用ANSYS數(shù)值計算得到的響應(yīng)替代實測響應(yīng).將計算得到的響應(yīng)作為神經(jīng)網(wǎng)絡(luò)的輸入向量，以車載數(shù)值作為神經(jīng)網(wǎng)絡(luò)的輸出向量構(gòu)建測試樣本庫.再假定車載分別為：

各車載的各個屬性與前述相同，同樣選取相同的9個坐標(biāo)位置和采樣頻率，用得到的相關(guān)數(shù)據(jù)構(gòu)建訓(xùn)練樣本.

BP神經(jīng)網(wǎng)絡(luò)輸入層單元數(shù)為9，隱含層單元數(shù)取為19，輸出層單元數(shù)為2，輸入層與隱含層之間選取Sigmoid傳遞函數(shù)，隱含層與輸出層之間選取線性傳遞函數(shù)，神經(jīng)網(wǎng)絡(luò)參數(shù)共有230個(9×19+19+19×2+2=230個)，即HKBFO算法中細(xì)菌個體維數(shù)D=230.子群體個數(shù)S=20，每個子群體細(xì)菌數(shù)N=30，趨向次數(shù)Nc=30，游動參數(shù)Ns=5，復(fù)制次數(shù)Nre=10，遷徙次數(shù)Ned=4，遷徙概率ped=0.25，步長C=0.02.采用相同的初始化參數(shù)，依次按照BFO算法和HKBFO算法確定神經(jīng)網(wǎng)絡(luò)參數(shù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò).將測試樣本庫帶入訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)，得到車輛荷載識別結(jié)果，如圖2和圖3所示.神經(jīng)網(wǎng)絡(luò)正確識別率是指相對誤差小于或等于10%的樣本數(shù)在測試樣本集中所占的比例.按照BFO算法和HKBFO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)所得到的車輛荷載識別結(jié)果的神經(jīng)網(wǎng)絡(luò)正確識別率如表4所示.

圖2　HKBFO優(yōu)化網(wǎng)絡(luò)識別結(jié)果

圖3　BFO優(yōu)化網(wǎng)絡(luò)識別結(jié)果

算法荷載識別率車前輪車后輪BFO64.2870.62HKBFO84.1686.75

3結(jié)論

對比圖2和圖3，再由表4可知，利用HKBFO優(yōu)化神經(jīng)網(wǎng)絡(luò)的識別結(jié)果比BFO優(yōu)化神經(jīng)網(wǎng)絡(luò)的識別結(jié)果更準(zhǔn)確.盡管本文方法得到了更好的識別結(jié)果，但仍不夠理想，尤其是在車輛荷載上下橋時，其主要原因是：1)神經(jīng)網(wǎng)絡(luò)中參數(shù)初值是隨機給定的，并沒有理論依據(jù)；2)神經(jīng)網(wǎng)絡(luò)中的參數(shù)太多，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)過于復(fù)雜；3)樣本庫太過龐大，且樣本的典型性和代表性不夠好.為此，今后筆者將在參數(shù)初值給定和樣本選取上作進(jìn)一步地探討.

參考文獻(xiàn)：

[1]田志勇,唐茂林,蒲黔輝.寧波慶豐橋靜、動載試驗研究[J].橋梁建設(shè),2012,42(5):31-36.

[2]歐耀文,周朝陽.某大跨度鋼管混凝土拱橋靜動載檢測、病害及其加固分析[J].鄭州大學(xué)學(xué)報(工學(xué)版),2013,34(5):31-37.

[3]孔德森，陳永坡，李純潔，等.液化場地斜直交替群樁-土-橋梁結(jié)構(gòu)動力特性分析[J].山東科技大學(xué)學(xué)報(自然科學(xué)版)，2014,33(5)：77-82.

[4]Law S S,Chan T H T,Zeng Q H. Moving force identification: a time domain method[J]. Journal of Sound and Vibration,1997,201:1-22.

[5]Law S S,Chan T H T,Zeng Q H. Moving force identification: a frequency and time domain analysis[J]. Journal of Dynamic Systems,Measurement and Control ASME,1999,12:394-401.

[6]Au F T K,Jiang R J,Cheung Y K. Parameter identification of vehicles moving on continuous bridges[J]. Journal of Sound and Vibration,2004,269(12):91-111.

[7]陳鋒,袁向榮,李明.移動載荷識別的B-樣條函數(shù)逼近法[J].石家莊鐵道學(xué)院學(xué)報,2003,16(1):11-14.

[8]尤瓊,史治宇.基于區(qū)間B樣條小波有限元的移動荷載識別[J].工程力學(xué),2011,28(5):35-40.

[9]李忠獻(xiàn),陳鋒,王波.基于BP神經(jīng)網(wǎng)絡(luò)的橋上移動荷載分階段識別方法[J].工程力學(xué),2008,25(9)：85-92.

[10]陳震,余玲.基于截斷GSVD方法的橋梁移動荷載識別[J].振動與沖擊,2014,33(10):97-100.

[11]姜建國,周佳薇,鄭迎春,等.一種雙菌群細(xì)菌覓食優(yōu)化算法[J].深圳大學(xué)學(xué)報(理工版)，2014,31(1)：43-51.

[12]Chatzis S P,Koukas S. Numerical optimization using synergetic swarms of foraging bacterial populations[J]. Expert Systems with Application,2011,38(12):15332-15343.

[13]梁艷春,吳春國,時小虎,等.群智能優(yōu)化算法理論與應(yīng)用[M].北京：科學(xué)出版社，2009：157-159.

[14]金敏，魯華祥.一種遺傳算法與粒子群優(yōu)化的多子群分層混合算法[J].控制理論與應(yīng)用，2013,30(10)：1231-1238.