基于神經網絡和遺傳算法的結構可靠度分析.pdf

1、實際結構的功能函數往往不能明確給出，既限制了用一次二階矩法分析結構可靠度；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。為改進這一狀況，本文用神經網絡和遺傳算法模擬隱式功能函數，然后對完成訓練的神經網絡進行蒙特卡洛抽樣分析其可靠性。文中先用神經網絡和遺傳算法模擬了2個顯式功能函數，證明了本文所用方法對功能函數的模擬能力。本文的創(chuàng)新點和主要內容如下：
　　一、神經網絡和遺傳算法結合優(yōu)勢互補
　　BP神經網絡

2、的訓練基于梯度下降理論。該算法的缺陷是網絡的訓練結果和初始點的選擇有關，不合適的初始點會導致網絡陷入局部最小點而非全局最小點。遺傳算法采用全局搜索，它的計算結果和初始種群的選取沒有關系，但是遺傳算法在搜索的后期會在目標值附近震蕩，很難收斂到準確值?；谏窠浘W絡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神經網絡和遺傳算法相結合，讓兩者優(yōu)勢互補。首先利用遺傳算法的全局搜索能力得到BP神經網絡的初始權值和閥

3、值，避免BP神經網絡的訓練結果陷入局部最小點；然后再用樣本訓練BP網絡，得到最終的權值和閥值，既而完成對隱式功能函數的模擬。
　　二、樣本的選擇和處理
　　樣本是神經網絡學習的源泉，樣本所含信息的數量和準確性決定了網絡的訓練效果。目前，網絡樣本大多是按照隨機變量的概率特征產生隨機數，但是這些隨機數會比較集中在均值附近，導致網絡不能學習到遠離均值的實驗范圍內的信息。針對這一問題，本文運用均勻設計表指導樣本的選擇，經過對比證明后

4、者可以使樣本點均勻的分散在試驗范圍，包含更多信息，使網絡達到從盡量少的樣本中獲取更多信息的目的。另外在網絡訓練之前，對樣本進行了歸一化處理，均衡了各個樣本對訓練結果的影響。
　　三、采用MATLAB編程平臺
　　選擇MATLAB作為實現遺傳算法與神經網絡的結合模擬隱式功能函數和蒙特卡羅抽樣的編程平臺，不僅因為MATLAB具有強大的矩陣計算能力和數據可視化的特點，更重要的是由于MATLAB中強大的神經網絡和遺傳算法工具箱，給編