论文部分内容阅读
随着船舶结构朝着大型化和复杂化方向发展,致使船舶结构优化设计变量数目增多,约束和目标函数的非线性程度增大,船舶结构优化问题呈现出多极值、高维度和高非线性的特点。粒子群算法(PSO)的全局探索能力和BP神经网络的局部开发能力相结合形成的PSO-BP神经网络代理模型,在保证一定精度下能够有效降低有限元分析次数,提高船舶结构优化效率,但PSO算法在迭代进化过程中种群多样性不能很好保持,算法存在早熟收敛的问题。本文采用一种分期变异粒子群算法(SMPSO),用于优化BP神经网络参数,将优化后神经网络应用到油船结构优化设计中,取得良好效果。本文主要研究内容如下:(1)建立107600DWT油船的舱段结构有限元模型。通过ISIGHT软件对其进行灵敏度分析,得到用于油船结构优化的有效设计变量。利用正交试验获取BP神经网络训练与检测样本数据。(2)介绍BP神经网络和PSO算法的基本原理和参数设置,通过MATLAB软件完成BP和PSO-BP神经网络编程工作。采用训练样本数据分别对BP神经网络和PSO-BP神经网络进行训练,利用检测样本数据对它们的泛化能力进行检测和对比。(3)采用一种分期变异策略对粒子群算法进行改进,该策略为在算法迭代初期采用种群多区间的粒子初始位置生成法,迭代中后期采用混沌策略对群体最优解进行扰动,始终保持算法种群多样性持续变化。通过相同的训练和检测,SMPSO-BP神经网络的泛化能力更好更稳定。(4)将SMPSO-BP神经网络和有约束最小化函数fmincon用于油船舱段结构优化,效果明显。对优化后的舱段模型进行有限元分析,各项指标符合规范要求,说明将SMPSO-BP神经网络运用于船舶结构优化是可行的。