基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的結(jié)構(gòu)可靠度分析.pdf

1、實際結(jié)構(gòu)的功能函數(shù)往往不能明確給出，既限制了用一次二階矩法分析結(jié)構(gòu)可靠度；也造成使用蒙特卡洛抽樣法估計失效概率時，需要大量的有限元模擬計算。為改進(jìn)這一狀況，本文用神經(jīng)網(wǎng)絡(luò)和遺傳算法模擬隱式功能函數(shù)，然后對完成訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行蒙特卡洛抽樣分析其可靠性。文中先用神經(jīng)網(wǎng)絡(luò)和遺傳算法模擬了2個顯式功能函數(shù)，證明了本文所用方法對功能函數(shù)的模擬能力。本文的創(chuàng)新點和主要內(nèi)容如下：
　　一、神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合優(yōu)勢互補(bǔ)
　　BP神經(jīng)網(wǎng)絡(luò)

2、的訓(xùn)練基于梯度下降理論。該算法的缺陷是網(wǎng)絡(luò)的訓(xùn)練結(jié)果和初始點的選擇有關(guān)，不合適的初始點會導(dǎo)致網(wǎng)絡(luò)陷入局部最小點而非全局最小點。遺傳算法采用全局搜索，它的計算結(jié)果和初始種群的選取沒有關(guān)系，但是遺傳算法在搜索的后期會在目標(biāo)值附近震蕩，很難收斂到準(zhǔn)確值?；谏窠?jīng)網(wǎng)絡(luò)長于局部搜索短于全局搜索，遺傳算法長于全局搜索而短于局部搜索的特點，本文將BP神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合，讓兩者優(yōu)勢互補(bǔ)。首先利用遺傳算法的全局搜索能力得到BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閥

3、值，避免BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果陷入局部最小點；然后再用樣本訓(xùn)練BP網(wǎng)絡(luò)，得到最終的權(quán)值和閥值，既而完成對隱式功能函數(shù)的模擬。
　　二、樣本的選擇和處理
　　樣本是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的源泉，樣本所含信息的數(shù)量和準(zhǔn)確性決定了網(wǎng)絡(luò)的訓(xùn)練效果。目前，網(wǎng)絡(luò)樣本大多是按照隨機(jī)變量的概率特征產(chǎn)生隨機(jī)數(shù)，但是這些隨機(jī)數(shù)會比較集中在均值附近，導(dǎo)致網(wǎng)絡(luò)不能學(xué)習(xí)到遠(yuǎn)離均值的實驗范圍內(nèi)的信息。針對這一問題，本文運(yùn)用均勻設(shè)計表指導(dǎo)樣本的選擇，經(jīng)過對比證明后

4、者可以使樣本點均勻的分散在試驗范圍，包含更多信息，使網(wǎng)絡(luò)達(dá)到從盡量少的樣本中獲取更多信息的目的。另外在網(wǎng)絡(luò)訓(xùn)練之前，對樣本進(jìn)行了歸一化處理，均衡了各個樣本對訓(xùn)練結(jié)果的影響。
　　三、采用MATLAB編程平臺
　　選擇MATLAB作為實現(xiàn)遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合模擬隱式功能函數(shù)和蒙特卡羅抽樣的編程平臺，不僅因為MATLAB具有強(qiáng)大的矩陣計算能力和數(shù)據(jù)可視化的特點，更重要的是由于MATLAB中強(qiáng)大的神經(jīng)網(wǎng)絡(luò)和遺傳算法工具箱，給編