發(fā)布時間：2020-11-21 01:29

　　 隨著社會的發(fā)展、科技的進步和國家整體實力的增強,機場航站樓、體育場館、會展中心和飛機庫等大空間的復雜建筑應運而生,同時也讓建筑行業(yè)處于大的機遇挑戰(zhàn)之中。挑戰(zhàn)在于大空間結構設計復雜,結構類型選取的不當性增大,這使得對大跨空間結構設計的要求需要巨大的提高。現在我國大跨度空間結構選型研究的有關設計規(guī)范還不能夠完全滿足設計的需求,致使大跨空間結構設計存在選型不合理、造價偏高等問題。因此,設計師越來越多的關注到大型空間結構設計中結構選型的問題。同時因為,結構選型有許多不確定性因素,用傳統方法建模,解決這個問題是非常困難的。所以,找到結構選型的科學方法,建立智能化系統,可以解決造價、設計周期等問題。人工神經網絡可通過學習和訓練實現,將知識的獲取、表示和推理合為一體,可利用相對比較容易搜集取得的有特征性的重要知識,所以,以人工神經網絡為基礎研究的關于建筑結構形式選取的專家系統來輔助設計是需要重點被研究的。本文采用一種改進的遺傳神經網絡方法解決了常用的BP神經網絡局限性大,可能會陷入局部最優(yōu)解的問題。此方法不但用到了人工神經網絡的高度非線性、自學習和實時處理、高容錯性和魯棒性等特性,而且運用了遺傳算法的全局優(yōu)化能力,存儲和使用專家經驗,使普通設計師輸入一些基本相關信息,能比較容易解決結構選型問題。本文還搜集了大量的空間結構建筑案例,建立實例庫,提取結構選型的主要影響因子,用MATLAB神經網絡工具箱建立遺傳神經網絡結構選型模型,用MATLAB語言編寫人機交互式界面,使選型過程簡潔清晰。
【學位單位】：東北石油大學
【學位級別】：碩士
【學位年份】：2017
【中圖分類】：TP183;TU399
【部分圖文】：

2．群體的大小 N ，種群規(guī)模的大小與遺傳算法的收斂性和計算效率有很大關系規(guī)模太小容易收斂至局部最優(yōu)解；規(guī)模太大，會造成計算速率降低，所以，一般群體小在[20, 100]范圍內取值，遺傳算法以該群體作為初始迭代點。3．交叉概率Pc，父輩個體產生了下一代中間個體，實現了信息的交換。遺產算中Pc 取值較大，同時種群的優(yōu)良模式受到破壞的可能性加大，導致較大的代溝生成搜索趨于隨機化。 Pc 取值過小，代溝較小，找到最優(yōu)的可能性加大，但進化速度比慢，Pc的取值范圍一般在[0.4,1]之間。4．變異概率Pm，在群體中隨機的選擇的一個個體，以Pm的大小改變所選擇的體當中一些或一個基因的數值。變異提供了產生新個體的機會。Pm較大時可以產生多新個體，同時可能遭到破壞比較好的模式，降低性能；Pm小時會減少新個體的產生Pm一般在[0.001, 0.1 ]之間取值。5．終止代數T ，終止代數代表遺傳算法運行的結束，運行到T 程序就會自動停并且輸出群體中的最佳個體，T 一般在[100, 1000]之間取值。以上這些參數的選擇會影響遺傳算法的運行性能[82],[83]。

人們發(fā)現在神經網絡的研究中還有許多問圖 2.2 網絡拓撲結構圖2.2.1 BP 神經網絡算法BP 神經網絡（Backpropagation Algorithm）是一種多層前饋網絡。也是目前應用最多的一種神經網絡，它的模型包括輸入層、隱含層、輸出層、層與層之間通過權值連接[84]。它的特點是信息向前傳遞誤差反向傳遞從而間接算出隱含層的誤差。據統計，絕大部分神經網絡模型幾乎都是采用 BP 網絡或是 BP 網絡的變異形式的，BP 神經網絡展示了神經網絡中最完美、最精華的部分。理論完備研究起步較早，信號由輸入層傳至網絡模型，經隱含層處理傳到輸出層。輸出層的輸出與期望輸出間存在誤差反向傳遞，調節(jié)網絡的權值與閾值使模型能學習到樣本數據的特征。通過大量的樣本數據訓練來獲得網絡的非線性映射能力。BP 算法中含有正向傳播過程，輸入信息從輸入層經過隱含層計算各單元的輸出值和反向傳播過程，輸出誤差向前算出隱含層各單元的誤差，用此誤差修正前層權值。BP 網絡使用的傳遞函數通常是 Sigmoid 型可微函數，可實現輸入、輸出之間的任意非線性映射[85]。它的泛化能力可以使訓練好的網絡在輸入未曾訓練過的數據時，能準確的映射輸出，并且當輸入樣本中有個別誤差較大的數據時，對網絡模型整體影響很小。為保證穩(wěn)定性，采用較小的學習率，網絡收斂速度會比較慢。“負梯度下降”理論是 BP 算法的核心內容。常規(guī)的三層 BP 神經網絡的權值和閾值的公式如下：( 1)()

第二章 遺傳神經網絡及專家系統理論概述5．傳遞函數[87]傳遞函數是 BP 網絡的重要組成部分。網絡解決問題的能力與網絡采用的傳遞函數有很大關系。傳遞函數又稱為激活函數，必須是連續(xù)可微的，作用是控制輸入對輸出的激活，函數將輸入（可能無限域）轉至輸出（指定的有限范圍內的）。傳遞函數的設計包括輸入層到隱含層的傳遞函數和隱含層到輸出層的傳遞函數兩個。常用的傳遞函數主要包含線性函數、非線性斜面函數、閾值函數和 S 型函數[88],[89]見圖，2.3-2.5。（1）線性函數是傳遞函數數中最基本的一種函數網絡的輸出等于加權輸入加上偏差。表達式為：f n et k net c其中 k 為擴大乘數，net 為網絡神經元，c為常數項。
【參考文獻】

相關期刊論文 前10條

1 張蓉;;關于高層建筑的結構選型探討[J];山西建筑;2015年27期

2 傅強;胡振宇;;大跨度空間結構選型探析[J];住宅科技;2014年08期

3 蘆俊;;溫度應力及風荷載對大跨度空間結構的影響[J];門窗;2014年04期

4 胡桂春;;深基坑邊坡支護的技術措施[J];科技創(chuàng)業(yè)家;2014年01期

5 張福威;高振亮;李軍;;一種結合改進遺傳算法和BP神經網絡的圖像壓縮算法[J];長春理工大學學報(自然科學版);2013年06期

6 王國強;;結構選型的重要性[J];科技風;2013年19期

7 陳勇;王夢雪;;大跨空間結構的應用與發(fā)展[J];黑龍江科技信息;2013年15期

8 ZHANG ShiHai;OU JinPing;;BP-PSO-based intelligent case retrieval method for high-rise structural form selection[J];Science China(Technological Sciences);2013年04期

9 陳志華;;弦支結構體系研究進展[J];建筑結構;2011年12期

10 馮遠;夏循;王立維;廖理;石軍;馮曉鋒;馮中偉;;常州體育館會展中心結構設計[J];建筑結構;2010年09期

相關博士學位論文 前1條

1 丁大益;大跨度鋼結構選型、設計分析及關鍵節(jié)點試驗研究[D];合肥工業(yè)大學;2015年

相關碩士學位論文 前10條

1 馬琳;大空間復雜混合結構體系的結構選型與計算分析[D];重慶大學;2014年

2 于萬秀;遺傳神經網絡與模糊綜合評定結合在高層結構選型中應用[D];中南大學;2014年

3 明源;基于BP神經網絡方法的主權債務危機預警研究[D];西南財經大學;2013年

4 汪菊;網架結構設計與加固研究[D];中南大學;2012年

5 劉功良;基于遺傳神經網絡對高層建筑結構選型的研究[D];東北石油大學;2012年

6 徐鵬飛;利用遺傳神經網絡技術對地震預測的研究[D];安徽大學;2010年

7 周科偉;Matlab環(huán)境下基于神經網絡的車牌識別[D];西安電子科技大學;2009年

8 陳正偉;大跨度機床橫梁有限元分析及結構優(yōu)化[D];東北大學;2008年

9 花林林;層單元結構模型在高層建筑結構方案設計中的應用[D];廈門大學;2007年

10 寇立業(yè);大跨鋼結構方案設計知識發(fā)現的研究[D];哈爾濱工業(yè)大學;2006年

本文編號：2892307