针对传统马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)模拟方法在高维问题或后验概率密度复杂时采样效率低且难收敛的缺陷,建立了基于马尔科夫(Markov)链种群竞争的贝叶斯有限元模型修正算法。在基于Metropolis-Hastings(MH)随...针对传统马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)模拟方法在高维问题或后验概率密度复杂时采样效率低且难收敛的缺陷,建立了基于马尔科夫(Markov)链种群竞争的贝叶斯有限元模型修正算法。在基于Metropolis-Hastings(MH)随机游走算法实现MCMC模拟的传统方法基础上,引入差分进化算法,利用种群中Markov链之间不同携带信息的相互作用关系,得到优化建议以快速逼近目标函数,解决了高维参数模型修正过程中采样滞留的缺点;引进竞争算法,通过不断的竞争刺激和内置失败者向胜利者学习的机制,采用较少的Markov链获得较高的精度,提高了模型修正效率与精度;最后,通过一个桁架结构的有限元模型修正数值算例验证了所提算法,并与标准MH算法的结果对比,得出该算法可以快速修正高维参数模型,具有较高的精度,且对随机噪声有良好的鲁棒性,为考虑不确定性的大型结构有限元模型修正提供了一种稳定有效的手段。展开更多
文摘针对传统马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)模拟方法在高维问题或后验概率密度复杂时采样效率低且难收敛的缺陷,建立了基于马尔科夫(Markov)链种群竞争的贝叶斯有限元模型修正算法。在基于Metropolis-Hastings(MH)随机游走算法实现MCMC模拟的传统方法基础上,引入差分进化算法,利用种群中Markov链之间不同携带信息的相互作用关系,得到优化建议以快速逼近目标函数,解决了高维参数模型修正过程中采样滞留的缺点;引进竞争算法,通过不断的竞争刺激和内置失败者向胜利者学习的机制,采用较少的Markov链获得较高的精度,提高了模型修正效率与精度;最后,通过一个桁架结构的有限元模型修正数值算例验证了所提算法,并与标准MH算法的结果对比,得出该算法可以快速修正高维参数模型,具有较高的精度,且对随机噪声有良好的鲁棒性,为考虑不确定性的大型结构有限元模型修正提供了一种稳定有效的手段。
