论文部分内容阅读
本文提出了仿生算法(Bionic Algorithms)的概念,讨论了仿生算法的基本原理和方法,对几种常用的仿生算法(神经网络算法、遗传算法、蚁群算法和模糊系统方法)进行了全面改进。针对边坡和基坑工程中存在大量的随机性、模糊性等不确定因素,传统的一些分析理论与方法难以满足日趋复杂的工程分析与设计要求,本文将仿生算法用于边坡和基坑工程分析与设计中,提出了一种全新的设计思路和理念,得到了一些新颖且又有效的分析设计方法。本文主要的研究成果有: 1、针对仿生算法存在搜索效率低、局部搜索能力差的缺点,本文作了如下改进:(1)、将新兴的信赖域算法引入BP补经网络的学习算法中,提出了基于信赖域算法的前向型神经网络模型;(2)、对神经网络驱动的T-S型模糊系统,给出了更有效的实现方法和程序;(3)、通过采用网格式剖分技术初始化种群、建立最佳染色体库保存最佳个体、引入数值优化方法(即复合形法、可行方向法和信赖域法)提高局部搜索能力以及在遗传算子中引入竞争机制、改进选择方式和交叉技术等措施,对SGA作了全面改进,得到了三种新型混合遗传算法,即改进复合形遗传算法、可行方向遗传算法和信赖域遗传算法;(4)、通过在基本蚁群算法中引入启发式决策方法,提出了求解多阶段完全序贯决策问题和多阶段不完全序贯决策问题的启发式蚁群算法。 2、推导出了滑动面为任意形状、边坡体内外作用有各种荷载且满足力和力矩平衡条件下的边坡稳定性安全系数通用计算公式;提出了一类适合性更强、适应范围更广的条间力函数式;分别利用本文提出的启发式蚁群算法和新型混合遗传算法(改进复合形遗传算法和可行方向遗传算法)搜索边坡最危险滑动面,经算例考证,本文方法实用可靠;基于神经网络驱动的T-S型模糊系统,广泛收集国内外边坡实例80个,建立了一种评价边坡稳定性的模糊神经网络模型,结果表明其预测精度明显优于以往的评价方法。 3、建立了边坡可靠性分析的统一数学模型,其模型结构和极限状态方程不因边坡稳定性分析方法变化而变化;针对边坡可靠性分析中包含有两类不同性质(随机型和确定型)决策变量,提出了一类求解该问题的分步混合遗传算法,并成功地将其中的分步改进复合形遗传算法和分步可行方向遗传算法用于实例分析,获得满意的结果,同时揭示了基于最小中值安全系数下和最小可靠性指标下的临界滑动面的不同一性,并且边坡越复杂、计算参数变异性越大,这种偏差就越大,纠正了工程上的谬误;探讨了计算参数(c和)的统计特性对可靠度指标β的影响。 4、针对复杂土层中的土钉墙,提出了一种严格满足力和力矩平衡条件、滑动面为任意形状的内部稳定性分析通用条分法,并利用本文提出的新型混合遗传算法搜索临界滑动面,经实例考证,该法计算精度高、实用可靠;针对简单土层中的土钉墙,提出了一种内部稳定性分析的解析法,其计算结果可逼近较严格的通用条分法,但计算工作量却大大小子条分法;分别建立了十钉墙内、外部稳定可靠性分析分步优化数学模型,提出了可靠性指标计算的分步混合遗传算法,经算例考证,该法计算效率高于其它算法。 5、通过修正土压力分布模式,利用仿生算法(即新型复合遗传算法),建立了基于弹性地基梁有限元法的深基坑支护结构位移与安全性动态预报模型和计算方法,两个算例表明,该法比规范推荐的弹性地基梁法的预测精度要高:同时,建立了基于连续介质有限元法的深基坑支护结构位移与安全性动态仿生优化预报法,算例计算结果证明了该法比同类方法计算结果要好。