针对舱段主动隔振系统中作动器配置优化问题,给出一种优化模型和方法,通过数值计算进行方法验证。首先建立了多通道舱段主动隔振系统的动力学模型,然后将作动器配置优化转换为约束0-1非线性规划问题,以系统监测点响应为优化目标函数,作...针对舱段主动隔振系统中作动器配置优化问题,给出一种优化模型和方法,通过数值计算进行方法验证。首先建立了多通道舱段主动隔振系统的动力学模型,然后将作动器配置优化转换为约束0-1非线性规划问题,以系统监测点响应为优化目标函数,作动器启用状态为自变量,最后采用教与学优化(teaching and learning-based optimization,TLBO)算法寻找最优配置。仿真计算结果表明,对于不同的激励,多通道主动隔振系统的最优配置不同,即存在对应给定激励下抑制壳体振动与声辐射的最优配置。展开更多
文摘针对舱段主动隔振系统中作动器配置优化问题,给出一种优化模型和方法,通过数值计算进行方法验证。首先建立了多通道舱段主动隔振系统的动力学模型,然后将作动器配置优化转换为约束0-1非线性规划问题,以系统监测点响应为优化目标函数,作动器启用状态为自变量,最后采用教与学优化(teaching and learning-based optimization,TLBO)算法寻找最优配置。仿真计算结果表明,对于不同的激励,多通道主动隔振系统的最优配置不同,即存在对应给定激励下抑制壳体振动与声辐射的最优配置。
文摘教与学优化(teaching-learning-based optimization,TLBO)算法是近年来提出的一种通过模拟"教"与"学"行为的群体智能算法。为了克服教与学优化算法容易早熟,解精度较低,后期收敛速度慢等弱点,提出了一种改进的教与学优化算法,并命名为S-TLBO(small world neighborhood TLBO)。该算法采用小世界网络作为其种群的空间结构关系,种群中的个体被看作是网络上的节点。在算法的"教"阶段,学生基于概率向教师个体进行学习,而在"学"阶段,学生则在自己的邻居节点中随机选择较为优秀的个体进行学习。为了提高加强算法的勘探新解和开采能力,引入教师个体执行反向学习算法。在多个经典的测试函数上的实验结果表明,所提出的改进算法具有较高的全局收敛性和解精度,适合于求解较高维度的多模态函数优化问题。
