摘 要

　　隨著(zhù)科技發(fā)展，超高、大跨、超薄等復雜、柔性結構不斷涌現。桁架結構在面對上述高難度工程具有諸多顯著(zhù)的優(yōu)點(diǎn)，為工程的順利竣工提供了一種良好的選擇。其在結構方面具有結構構件自重小、相對荷載性能好、整體穩定性良好，各個(gè)部分之間的協(xié)調性可靈活調整等優(yōu)點(diǎn)；在施工方面具有施工步驟簡(jiǎn)單，施工工藝要求較低，運輸條件要求低，可根據現場(chǎng)要求靈活拆卸等優(yōu)點(diǎn)；在經(jīng)濟成本方面具有施工和建造成本低廉等優(yōu)點(diǎn)。因此桁架結構被廣泛應用到大型機場(chǎng)、火車(chē)站、博物館、運動(dòng)場(chǎng)館等大跨度、結構復雜的工程項目中并取得了良好的應用效果。

　　結構優(yōu)化經(jīng)過(guò)多年的發(fā)展由最初的由設計人員被動(dòng)的結構分析變成了現如今的主動(dòng)結構優(yōu)化，但優(yōu)化難度依然很大。傳統的結構優(yōu)化方法存在著(zhù)各種缺陷，這種缺陷導致工程在設計時(shí)很難達到最優(yōu)方案。因此，為了解決這些問(wèn)題，尋求一種性能優(yōu)異的結構優(yōu)化方法是十分迫切和必要的。

　　伴隨著(zhù)計算機技術(shù)的飛速發(fā)展，智能優(yōu)化問(wèn)題越來(lái)越受到人們的重視與研究。

　　優(yōu)化算法在計算機領(lǐng)域，人工智能領(lǐng)域和管理決策領(lǐng)域都得到了廣泛的應用。仿生優(yōu)化算法的發(fā)展為建筑與土木工程領(lǐng)域的結構優(yōu)化設計提供了一種全新而高效的方法選擇。目前果蠅優(yōu)化算法在土木工程領(lǐng)域中的應用尚且較少，本文將果蠅優(yōu)化算法應用到桁架結構優(yōu)化中，以期為土木工程結構優(yōu)化提供一種新的方法和思路。標準果蠅優(yōu)化算法在面對復雜多維度優(yōu)化問(wèn)題時(shí)在求解過(guò)程中表現相對不穩定，由于搜索邏輯的限制相對較容易造成早熟現象陷入局部最優(yōu)解，本文針對這兩個(gè)方面進(jìn)行了相應的改進(jìn)使其能更好的適應桁架結構優(yōu)化問(wèn)題。將基本果蠅優(yōu)化算法中的固定搜索步長(cháng)改為引入慣性權重函數的動(dòng)態(tài)調整搜索步長(cháng)，從而使算法在應對復雜多峰優(yōu)化問(wèn)題時(shí)更穩定。同時(shí)引入禁忌搜索理論，當達到算法局部收斂狀態(tài)時(shí)繼續深度尋優(yōu)，提高尋優(yōu)精度和速度以期跳出局部最優(yōu)問(wèn)題，從而更好的平衡果蠅算法的全局與局部搜索能力。將改進(jìn)后的果蠅優(yōu)化算法應用桁架算例和管式棧橋實(shí)際工程構件優(yōu)化當中，將桁架桿件的橫截面積設為變量，將桁架工程最小結構自重設為目標函數，進(jìn)行結構模型優(yōu)化分析，并與原始數據和文獻中的其他算法進(jìn)行對比。結果表明，改進(jìn)后的果蠅優(yōu)化算法在應對管式棧橋的結構優(yōu)化等復雜問(wèn)題時(shí)的穩定性和可能陷入局部最優(yōu)解等問(wèn)題均有明顯改進(jìn)，平衡了算法的全局與局部搜索能力，并且效果明顯。本文為結構優(yōu)化和類(lèi)似工程問(wèn)題的解決提供了一種新的思路和方法。

　　關(guān)鍵詞：桁架結構優(yōu)化；果蠅優(yōu)化算法；自適應搜索步長(cháng)；禁忌搜索

Abstract

　　As the development of science and technology grows, complex and flexible structures such as ultra-high, large-span and ultra-thin have continuously emerged.The truss structure has many significant advantages in the face of the above-mentioned difficult projects, and provides a good choice for the successful completion of the project. The structure has the advantages of light weight, large bearing capacity, outstanding seismic performance, flexible coordination between various parts. What's more, it also has simple construction steps, low construction process requirements and low transportation conditions. It can be flexibly disassembled according to the requirements in working occasion and contains low cost in terms of construction. Therefore, the truss structure has been widely applied to stadiums, factories, bridges and other large-span, complex structural projects and achieved excellent application results.

　　After years of development, designers become positive to calculate and obtain the optimization algorithm, rather than previously relying on the traditional optimization of choosing an optimization algorithm from several ones. However, it is still difficult to optimize the structure accurately and effectively. Traditional structural optimization methods, however, can't afford to attain the best optimal decision in civil engineering. Therefore, in order to solve these problems, it is necessary to seek for well-performed structural optimization.

　　As the computer technology develops rapidly, intelligent optimization has been paid more and more attention and attracted more researches of scientists. Optimization algorithms are widely used in the field of computer, artificial intelligence and management decision-making. Compared with today's main optimization algorithms, FOA has less key parameters, which is conducive to computer programming, strong global search ability, high precision of optimization, strong robustness and good convergence performance. At present, the application of FOA in the field of civil engineering is still not common. In order to provide a new method and idea for the optimization of civil engineering structure this thesis applies the fruit fly optimization algorithm to the optimization of truss structure. The standard fruit fly optimization algorithm is easy to fall into the local optimum and the process is unstable in the face of complex optimization problems. In such case, the corresponding improvements are made to better enable to adapt the truss structure optimization problems. The fixed search step size in the basic fruit fly optimization algorithm is changed to the dynamic adjustment search step size of the inertia weight function. Thus the algorithm is more stable in dealing with complex multi-peak optimization problems. At the same time, the tabu search theory is introduced. When it reaches the local convergence state of the algorithm, the depth optimization is continued, and the optimization precision and speed are improved to jump out of the local optimal problem. The improved fruit fly optimization algorithm is applied to the truss example and the actual engineering component optimization of the tubular trestle. The truss section size is taken as the design variable, and the optimization model is established with the minimum weight of the structural member as the objective function. Conduct the structural model optimization analysis and compare with raw data and other algorithms in the literature. The results show that the improved FOA can significantly improve the stability of the complex problems such as structural optimization of tubular trestle bridges and falling into local optimal solutions. It further balances the global and local search capabilities of the algorithm and the effect is rather obvious. This paper provides a new idea and method for structural optimization and similar engineering problems.

　　Key words: truss structure optimization; fruit fly optimization algorithm; adaptive search step size; tabu search

目錄

　　第1章緒論

　　1.1選題的背景及意義

　　―十二五‖（2011-2015）時(shí)期我國土建行業(yè)得到了蓬勃的發(fā)展，人們對工程項目的結構功能有了更高的期待，對工程的美觀(guān)度也有了進(jìn)一步要求，提出了許多超前的特殊結構要求。如何在滿(mǎn)足結構荷載及約束條件的前提下能更好的降低造價(jià)，使結構各個(gè)部分的受力情況更加合理，使整個(gè)結構可靠性、經(jīng)濟性和耐久性更佳，成為了人們不斷深入研究的關(guān)鍵問(wèn)題。同時(shí)，項目結構優(yōu)化使得建造材料進(jìn)一步減少，使土建行業(yè)更能符合國家可持續發(fā)展、綠色發(fā)展戰略。

　　同時(shí)，我國在十三五（2016年至2020年）期間取得舉世矚目的經(jīng)濟建設成果，修建了大量的民用住房和大型基礎設施。這些工程項目都具有施工難度高，運用大量新技術(shù)新標準，采用全新的設計概念等特點(diǎn)，對結構的設計提出了更高的要求。這些項目的順利完成極大程度上滿(mǎn)足了廣大人民群眾的日常生產(chǎn)生活需求，也為建筑產(chǎn)業(yè)提供了廣闊的市場(chǎng)需求，一大批新技術(shù)新方法再次在此期間得到了廣泛的應用并取得了良好的效果。

　　習總書(shū)記在《十九大報告》中指出―我國要堅定不移貫徹新發(fā)展理念，堅決端正發(fā)展觀(guān)念、轉變發(fā)展方式，發(fā)展質(zhì)量和效益不斷提升‖，―經(jīng)濟保持中高速增長(cháng)，供給側結構性改革深入推進(jìn)，經(jīng)濟結構不斷優(yōu)化，數字經(jīng)濟等新興產(chǎn)業(yè)蓬勃發(fā)展，高鐵、公路、橋梁、港口、機場(chǎng)等基礎設施建設快速推進(jìn)‖。為我國基礎設建設提出了全面的要求，我國廣闊的地域、復雜的地貌也對基礎設施建設的結構提出了更高的需求。Michell早在1904年提出了一種最早的桁架理論，這一理論被后人總結為Michell桁架理論[1],1977年P(guān)rager針對Michell桁架理論進(jìn)行了相應的優(yōu)化進(jìn)而提出了如今被廣泛接受的經(jīng)典桁架布局理論[2],桁架理論的研究由此逐漸發(fā)展開(kāi)來(lái)。桁架結構具有諸多優(yōu)勢，例如結構自重小、施工工藝簡(jiǎn)潔、造價(jià)低廉等，其結構由桿件和節點(diǎn)構成整個(gè)結構，有平面桁架和空間桁架[3]之分因此近年來(lái)被廣泛應用到土建工程項目中，應用范圍包括深基坑支護、道橋結構設計、特殊結構設計、高壓輸電線(xiàn)路網(wǎng)架、水利閘門(mén)及閘門(mén)支撐等。由于我國近年來(lái)不斷加深基礎設施建設，桁架結構在我國的工程建設中發(fā)揮著(zhù)越來(lái)越重要的作用。正是由于桁架結構的上述優(yōu)點(diǎn)，許多重大工程項目均采用桁架結構，例如喬治華盛頓大橋（圖1-1）、鞍鋼大跨度廠(chǎng)房（圖1-2）、北京首都國際機場(chǎng)3號航站樓（圖1-3）、深圳灣體育館（圖1-4）、廣州展覽館（圖1-5）、南京收費站（圖1-6）等基礎設施建筑中。

　　1.2結構設計優(yōu)化的基本概況

　　1.2.1結構優(yōu)化設計的內容設計優(yōu)化

　　即在既定的約束條件下從若干已有的設計方案中選擇出復合設計要求同時(shí)又最合理的設計已達到目標最優(yōu)化。設計最優(yōu)化就是不斷尋找更佳設計方案的過(guò)程，這一過(guò)程的運用就是最優(yōu)化設計方法，隨后逐漸完善的最優(yōu)設計理論成為了此方法的數學(xué)基礎與理論根據[4].將力學(xué)約束條件和優(yōu)化方法有機的結合在一起便是工程結構優(yōu)化，根據工程需求的不同，將工程中某些參數以變量的形式參與優(yōu)化計算，形成一個(gè)最優(yōu)化結構的解域。再根據工程的約束條件建立數學(xué)模型，以數學(xué)的方法在所得的解域中尋找符合設計要求且最合理的設計方案。經(jīng)過(guò)國內外學(xué)者的不斷研究及實(shí)踐表明，工程結構設計優(yōu)化能明顯降低工程成本，降低為原成本的70%~95%,工程施工總時(shí)長(cháng)也能明顯下降，工程的設計標準和建筑的耐久性、適用性都有了明顯改善。

　　1.2.2結構優(yōu)化設計的方法

　　結構優(yōu)化經(jīng)過(guò)多年的發(fā)展由最初的由設計人員被動(dòng)的結構分析變成了現如今的主動(dòng)結構優(yōu)化，但優(yōu)化難度依然很大。1974年SchimitLA和FarshiB提出了結構優(yōu)化中的近似問(wèn)題[5],之后伴隨著(zhù)計算機技術(shù)的應用，現代結構優(yōu)化才真正成為了可能。結構優(yōu)化這門(mén)學(xué)科的長(cháng)足發(fā)展使得各類(lèi)工程項目的結構可靠度更高，造價(jià)更低，結構設計的效率也大大提高。正是由于以上這些優(yōu)點(diǎn)，結構優(yōu)化越來(lái)越得到人們的重視與認可，正在成為工程領(lǐng)域中不可或缺的一部分。但是傳統的結構優(yōu)化方法存在著(zhù)各種缺陷，在工程結構優(yōu)化初期，沒(méi)有有效的優(yōu)化設計方法，人們在面對結構優(yōu)化問(wèn)題時(shí)往往根據直覺(jué)來(lái)判斷，這一時(shí)期的方法被稱(chēng)為直覺(jué)準則法，例如極限應力法、極限應變法均是此時(shí)期的代表方法。受制人思想的局限性，這類(lèi)方法幾乎很難得到最優(yōu)的結構優(yōu)化設計。并且該方法效率極低也沒(méi)有相應的理論依據，優(yōu)化結果十分不穩定。隨著(zhù)時(shí)間的發(fā)展，結構優(yōu)化方法又出現了數學(xué)規劃法，該方法相較于傳統的直覺(jué)準則法有了相應的數學(xué)理論支撐，有了很大的進(jìn)步，尋優(yōu)過(guò)程和取得的最優(yōu)工程方案都更加穩定。但同時(shí)受制于該方法的數學(xué)理論限制，該方法只能用于能夠顯式表達的優(yōu)化問(wèn)題，且計算規模不易過(guò)大，計算效率低下。

　　在當今實(shí)際工程結構優(yōu)化問(wèn)題中，往往不是理想的受力狀態(tài)，很大一部分是多維度約束條件、復雜非線(xiàn)性變化問(wèn)題。由于上文所介紹的兩種傳統結構優(yōu)化方法，即直覺(jué)準則法和數學(xué)規劃法，都具有相應的缺陷，早已不適合解決如今復雜的工程結構優(yōu)化問(wèn)題，因而人們迫切的需要一種全新的結構優(yōu)化方法，在這一背景下將現代的群智能優(yōu)化算法應用到工程結構優(yōu)化中來(lái)越來(lái)越受到學(xué)者們的重視。在廣泛研究和學(xué)習自然界中生物的進(jìn)化和生存習性這一過(guò)程中，人們逐漸了解了群體生物在生存過(guò)程中的優(yōu)勢并以此為基礎提出了仿生學(xué)群智能算法理論。其中以蟻群智能算法[6]、遺傳算法[7]和微粒群算法[8]

　　第1章緒論為代表，這三類(lèi)經(jīng)典智能算法為之后的智能算法理論研究奠定了堅實(shí)的基礎。下面分別對以上三種智能優(yōu)化算法做簡(jiǎn)要概述：

　　（1）蟻群智能算法目前，蟻群智能算法（AntColonyOptimizationalgorithms,ACO）[9-10]普遍被認為最早是由意大利學(xué)者Dorigo和其導師Maniezzo在上世紀90年代提出。在研究中他們發(fā)現，單只的螞蟻個(gè)體并不具有群體智能性，而蟻群卻能具有很好的群體智能性。例如螞蟻群體在尋找食物時(shí)在群體層面上總能以最短的路徑找到食物，能夠以最優(yōu)路程的避開(kāi)路徑上的各類(lèi)障礙。蟻群智能算法相較于其他智能算法具有很強的魯棒性，相對更容易與其他算法結合成為優(yōu)勢互補的復合式優(yōu)化算法。因此國內外學(xué)者均對其做了大量研究，近年來(lái)蟻群算法已日趨完善并應用于廣泛的領(lǐng)域中，取得了一系列的應用成果。但是，蟻群算法也存在著(zhù)易早熟、求解過(guò)程相對不穩定等缺陷。

　　（2）遺傳算法美國密歇根大學(xué)教授JohnHolland是最早提出遺傳算法（GeneticAlgorithm,GA）的學(xué)者，該算法是Holland教授在研究生物遺傳特性時(shí)偶然獲得靈感而提出的一種群智能算法[11].在Holland教授提出GA算法后的十幾年間，DeJong教授和Goldberg教授等又逐步對最初的GA算法進(jìn)行了改進(jìn)，使得其缺陷極大減少，逐步成為了如今成熟的遺傳智能算法[12-13].遺傳算法具有很多優(yōu)點(diǎn)，例如其不需要優(yōu)化問(wèn)題的導函數連續，可直接應用于工程結構當中；算法本身采取并行式計算方法，能極大提高算法的尋優(yōu)效率；在搜索方向上能夠根據目標函數自適應改變，能夠自主優(yōu)化搜索空間[14-20].這些優(yōu)點(diǎn)使得GA算法被廣泛應用各個(gè)領(lǐng)域并被學(xué)者們廣泛研究。但是遺傳算法也存在著(zhù)自身缺陷，如局部搜索能力和全局搜索能力不協(xié)調、收斂狀態(tài)過(guò)早和求解過(guò)程波動(dòng)較大，導致算法的收斂性能差，求解過(guò)程迭代時(shí)間長(cháng)等問(wèn)題[21].

　　（3）粒子群算法手群體動(dòng)物覓食行為的啟發(fā)，工程師Eberhart和心理學(xué)家kennedy提出了一種新式并行群體智能算法即粒子群算法（ParticleSwarmOptimization,PSO）[8].該算法是模擬自然界鳥(niǎo)群、魚(yú)群等生物的群體協(xié)作覓食行為的最優(yōu)路徑，從而找到優(yōu)化問(wèn)題的最優(yōu)解[22].粒子群算法在尋優(yōu)初期能較快的尋找到全局最優(yōu)解但同時(shí)也存在著(zhù)尋優(yōu)精度低、易發(fā)散等缺陷[24].在算法初步收斂的狀態(tài)下，大部分粒子會(huì )向初步收斂出聚集，從而導致失去種群多樣性，形成單一的收斂狀態(tài)，收斂速度明顯變慢同時(shí)最終的收斂精度相對于其他優(yōu)化算法也較低[25-26].

　　隨著(zhù)時(shí)間的推移，越來(lái)越多的算法種類(lèi)被開(kāi)發(fā)與應用。這些智能算法理論成為以后人們研究?jì)?yōu)化問(wèn)題高效而有力的工具。

　　1.2.3結構優(yōu)化設計的研究現狀

　　20世紀60年代，伴隨著(zhù)計算機技術(shù)的迅猛發(fā)展，使得設計人員將繁瑣的結構設計工作由圖紙搬到了電腦上。結構優(yōu)化效率大為提高，結構設計人員可以有更多的時(shí)間與精力去考慮怎樣得到更優(yōu)的結構設計方案。1974年SchimitLA和FarshiB提出了將有限元思想與數學(xué)歸納理論相結合來(lái)求解工程結構重量最優(yōu)問(wèn)題，結構優(yōu)化才逐步邁入了新的時(shí)代[5],之后伴隨著(zhù)智能優(yōu)化算法也大量應用到結構優(yōu)化當中，現代結構優(yōu)化方法才逐步運用到工程實(shí)際當中。如今，經(jīng)過(guò)多年的研究發(fā)展結構優(yōu)化已經(jīng)由最初的只能對結構尺寸進(jìn)行優(yōu)化變成了如今的能對結構形狀進(jìn)行最優(yōu)化調節的拓撲優(yōu)化和更進(jìn)一步的材料分布優(yōu)化；由單一目標優(yōu)化問(wèn)題發(fā)展為多個(gè)目標同時(shí)優(yōu)化[27].正是由于結構優(yōu)化這門(mén)學(xué)科的長(cháng)足發(fā)展使得各類(lèi)工程項目的結構可靠度更高，造價(jià)更低，結構設計的效率也大大提高。正是由于以上這些優(yōu)點(diǎn)，結構優(yōu)化越來(lái)越得到人們的重視與認可，正在成為工程領(lǐng)域中不可或缺的一部分。經(jīng)過(guò)多年發(fā)展，許多中外學(xué)者對結構優(yōu)化問(wèn)題進(jìn)行了深入研究，并將其成果應用到各自的領(lǐng)域，取得了一定的成果[28].例如GAzamirad和BArezoo提出了一種可大幅降低重量的沖壓模具結構改進(jìn)軟件包[29].TIde等用結構優(yōu)化方法設計輕質(zhì)結構，并盡量減小接觸約束應力的設計方法，成功地實(shí)現了輕量化齒輪箱的設計，可用于自動(dòng)變速器的設計過(guò)程[30].A.Kaveh提出了一種稱(chēng)為水蒸發(fā)優(yōu)化算法（WaterEvaporationOptimization,WEO），該算法是受物理學(xué)啟發(fā)的基于種群的智能優(yōu)化算法，用于連續結構優(yōu)化[31].SRojas-Labanda等為了將不同的優(yōu)化求解器應用到各種基于有限元的結構拓撲優(yōu)化問(wèn)題中，開(kāi)發(fā)了一個(gè)具有廣泛代表性的最小順應性、最小體積和不同尺寸的機構設計問(wèn)題實(shí)例庫[32].SZargham討論了求解結構拓撲優(yōu)化問(wèn)題常用的各種演算方法和數值方法[33].這些結構優(yōu)化的研究取得了一些進(jìn)展但還是有許多不足，例如會(huì )過(guò)早的收斂，求解過(guò)程不可靠，我們還是有必要對此進(jìn)行相關(guān)研究。

　　1.3智能優(yōu)化算法在結構優(yōu)化設計中應用的國內外研究現狀

　　1.3.1國內研究現狀

　　自上世紀70年代，現代意義上的結構優(yōu)化理論被提出，隨后基于計算機技術(shù)的日趨成熟，將仿生智能算法應用于結構優(yōu)化這一理念逐步被國內眾多學(xué)者所重視并取得了一系列的研究與應用成果。房娟艷等，廣泛研究了可用于工程領(lǐng)域的智能優(yōu)化算法，討論了算法應用于工程結構優(yōu)化的意義和可行性，并針對某桁架工程應用多種智能優(yōu)化算法進(jìn)行結構優(yōu)化，證明了經(jīng)過(guò)優(yōu)化算法結構優(yōu)化后的工程結構可以有效提高其經(jīng)濟性和工程質(zhì)量。[34].李麗娟等，首先研究了標準魚(yú)群算法的特點(diǎn)與原理，隨后在此基礎上提出了一種引入粒子群算法的改進(jìn)魚(yú)群算法，將改進(jìn)后的復合魚(yú)群算法應用于四個(gè)桁架實(shí)際工程的結構優(yōu)化當中，顯著(zhù)優(yōu)化了桁架的結構自重，證明了改進(jìn)后算法的有效性[35].

　　曾磊針使用化學(xué)反應算法（CRO）對具有應力約束和位移約束的桁架結構進(jìn)行優(yōu)化設計，通過(guò)實(shí)驗選擇符合實(shí)際問(wèn)題的算法參數，對具有應力約束和位移約束的情況的桁架結構建立數學(xué)模型，對于工程中的約束問(wèn)題采用懲罰函數機制來(lái)處理，并對比了傳統處理方法[36].王迪針將如何配置高電壓桿于桁架結構中這一難題和桿件橫截面積優(yōu)化問(wèn)題進(jìn)行同時(shí)優(yōu)化，為此他提出了一種改進(jìn)的遺傳算法，該算法能有效提高算法的并行效率，同時(shí)對多個(gè)目標同時(shí)進(jìn)行優(yōu)化，并將該改進(jìn)優(yōu)化算法應用于某實(shí)際桁架工程當中，驗證了改進(jìn)后算法的可行性[37].王仁華等，提出一種基于形狀退火算法（STSA）改進(jìn)的結構拓撲優(yōu)化算法，并將改進(jìn)后的算法用于桁架結構拓撲優(yōu)化設計，改進(jìn)后的算法優(yōu)化特點(diǎn)為注重結構構型的改變而較少考慮結構的力學(xué)性能，進(jìn)而針對既定幾何構型的桁架結構截面優(yōu)化[38].梁靖昌為了實(shí)現啟發(fā)式粒子群智能算法（HeuristicParticleSwarmOptimizer,HPSO）的多目標化，提出了一種引入Pareto最優(yōu)理論的改進(jìn)粒子群智能算法，該改進(jìn)粒子群算法通過(guò)與GA算法相結合有效緩解了粒子群算法易陷入局部最優(yōu)的缺陷，從而得到一個(gè)新型多目標雜交算法（Multi-objectiveHPSO-GAHybridAlgorithm,MHGH），并將改進(jìn)后算法應用于計算模型中證明了算法的有效性[39].何潤田提出了一種新型多目標深度搜索優(yōu)化算法（IMQGSO），該算法采用多種群協(xié)同搜索，算法的并行程度高，計算效率快，能夠同時(shí)針對多個(gè)目標函數進(jìn)行協(xié)同優(yōu)化，并將改進(jìn)后的算法應用于多個(gè)實(shí)際桁架結構的優(yōu)化算例中，證明了算法的有效性[40].如今經(jīng)過(guò)多年的研究與發(fā)展，智能優(yōu)化算法在桁架結構優(yōu)化領(lǐng)域已經(jīng)有了長(cháng)足的發(fā)展，但是這些目前還存在著(zhù)許多不足，如參數種類(lèi)較多，設置較為復雜，不利于大規模的普及應用，因此繼續對其研究以期找到一種相對簡(jiǎn)潔的智能有化算法來(lái)對桁架結構進(jìn)行結構優(yōu)化顯得十分必要。

　　1.3.2國外研究現狀

　　經(jīng)過(guò)多年的研究與發(fā)展，國外的智能優(yōu)化算法已經(jīng)廣泛應用到各個(gè)領(lǐng)域當中，在土木工程結構優(yōu)化領(lǐng)域發(fā)揮著(zhù)重要的作用，發(fā)展了種類(lèi)繁多的改進(jìn)優(yōu)化算法來(lái)適應不同的工程結構需求。AFiore等，提出一種改進(jìn)的差分進(jìn)化算法來(lái)對平面鋼桁架進(jìn)行結構優(yōu)化，以鋼桁架的重量最小為目標函數，以方形空心橫截面為計算變量，設計優(yōu)化涉及尺寸優(yōu)化，形狀優(yōu)化和拓撲優(yōu)化[41].DervisKaraboga等，提出了一種基于混沌理論的改進(jìn)人工蜂群算法（ABC），將其應用到桁架結構算例當中從而驗證了改進(jìn)算法針對桁架工程結構優(yōu)化的有效性[42].AylinEceKayabekir探討了一種新型智能算法即花卉授粉算法（FPA），并討論了其應用在土木工程領(lǐng)域、機械領(lǐng)域、電子通訊領(lǐng)域和化學(xué)領(lǐng)域的實(shí)用性，其中在土木工程領(lǐng)域對25桿桁架結構應用FPA算法進(jìn)行了結構優(yōu)化，驗證了算法的可行性[43].ZepengChen等，提出了一種結合改進(jìn)的Nelder-Mead算法（NMA）的混合粒子群優(yōu)化算法（PSO），改進(jìn)后的NMA選擇n-simplex子平面的一部分進(jìn)行優(yōu)化，使用基于模態(tài)應變能的指數（MSEBI）來(lái)定位損傷，可有效提升PSO算法的收斂速度和精度，極大提高了結構損傷檢測（SDD）領(lǐng)域的計算效率[44].AndreaCaponio等，提出一種基于人口分布理論的元啟發(fā)式算法用于對實(shí)際工程結構優(yōu)化的應用，其所提出的算法在面臨非線(xiàn)性和不可區分的優(yōu)化問(wèn)題時(shí)，都能較好的收斂，尋優(yōu)過(guò)程穩定，提供了一種全新的思路[45].

　　1.4本文的主要工作

　　（1）在大量學(xué)習參考國內外相關(guān)文獻的基礎上，了解桁架結構的基本概念、結構特征、應用情況及其所面臨的問(wèn)題。深入研究了果蠅優(yōu)化算法的原理和其優(yōu)缺點(diǎn)，詳細了解了替他主流算法的適用領(lǐng)域和主要原理。學(xué)習了針對智能算法的若干改進(jìn)措施和其對應的改進(jìn)方面。針對標準果蠅優(yōu)化算法在面對復雜優(yōu)化問(wèn)題時(shí)求解狀態(tài)不穩定，在尋優(yōu)過(guò)程后期可能會(huì )陷入局部最優(yōu)解這兩個(gè)缺陷，對標準果蠅算法（FOA）的搜索步長(cháng)進(jìn)行改進(jìn)，引入慣性權重系數ω，使果蠅算法的固定搜索步長(cháng)變?yōu)閯?dòng)態(tài)的自適應步長(cháng)。在算法步驟中引入禁忌搜索理論，使算法在初步到達收斂狀態(tài)時(shí)通過(guò)更新禁忌表繼續深度尋優(yōu)從而跳出局部最優(yōu)解。同時(shí)在大量研究相關(guān)文獻的基礎上，提出了一種基于禁忌搜索理論的改進(jìn)果蠅優(yōu)化算法（ImprovedFruitflyOptimizationAlgorithm,IFOA），IFOA在面對復雜優(yōu)化問(wèn)題時(shí)尋優(yōu)過(guò)程表現穩定，在尋優(yōu)后期階段易陷入局部最優(yōu)的缺陷也有了明顯的改善。

　　（2）根據桁架結構的約束條件確定桁架結構的數學(xué)模型，根據果蠅優(yōu)化算法的特點(diǎn)將桁架結構的數學(xué)模型應用到果蠅優(yōu)化算法模擬，將改進(jìn)后的果蠅優(yōu)化算法應用到桁架結構的結構優(yōu)化當中，包括經(jīng)典桁架結構算例和實(shí)際桁架工程。將桁架結構桿件的橫截面積設為變量，桁架結構的最小結構自重為目標函數。運用相應軟件得到改進(jìn)后的果蠅優(yōu)化算法尋優(yōu)曲線(xiàn)圖，比將尋優(yōu)結果與其他文獻中的算法和標準果蠅優(yōu)化算法進(jìn)行對比以驗證本文算法的有效性。

　　第 2 章 裝配式模塊化棧橋概述
　　2.1 棧橋的發(fā)展歷程
　　2.2 棧橋的結構組成及特點(diǎn)
　　2.3 棧橋結構的國內外研究現狀
　　2.3.1 國內研究現狀
　　2.3.2 國外研究現狀
　　2.4 裝配式模塊化棧橋
　　2.5 本章小結

　　第 3 章 果蠅優(yōu)化算法及其常用改進(jìn)
　　3.1 果蠅優(yōu)化算法的原理
　　3.1.1 果蠅覓食原理
　　3.2 標準果蠅優(yōu)化算法
　　3.2.1 標準果蠅優(yōu)化算法步驟
　　3.2.2 標準果蠅優(yōu)化算法流程圖
　　3.3 標準 FOA 算法性能特點(diǎn)
　　3.4 果蠅優(yōu)化算法的國內外研究現狀
　　3.4.1 果蠅優(yōu)化算法的國內研究現狀
　　3.4.2 果蠅優(yōu)化算法的國外研究現狀

　　3.5 標準果蠅優(yōu)化算法的優(yōu)勢與缺陷
　　3.5.1 標準果蠅優(yōu)化算法的優(yōu)勢
　　3.5.2 標準果蠅優(yōu)化算法的缺陷
　　3.6 標準果蠅優(yōu)化算法的常用改進(jìn)方法
　　3.6.1 標準果蠅優(yōu)化算法本身的改進(jìn)
　　3.6.2 標準果蠅優(yōu)化算法與其他算法的結合
　　3.7 本章小結

　　第 4 章 基于禁忌搜索改進(jìn)的果蠅優(yōu)化算法及應用
　　4.1 果蠅優(yōu)化算法的自適應步長(cháng)
　　4.2 禁忌搜索理論
　　4.3 標準果蠅優(yōu)化算法后期收斂的判定
　　4.4 改進(jìn)果蠅優(yōu)化算法（IFOA）步驟
　　4.5 改進(jìn)果蠅優(yōu)化算法（IFOA）在桁架結構優(yōu)化中的應用
　　4.5.1 10 桿平面桁架結構截面優(yōu)化設計
　　4.5.2 25 桿空間桁架結構截面優(yōu)化設計
　　4.5.3 52 桿平面桁架
　　4.5.4 72 桿空間桁架結構截面優(yōu)化設計
　　4.5.5 200 桿平面桁架結構截面優(yōu)化設計
　　4.6 本章小結

　　第 5 章 基于改進(jìn)果蠅算法的管式棧橋結構優(yōu)化設計
　　5.1 工程概況
　　5.2 建立鋼管棧橋工程的數學(xué)模型
　　5.2.1 鋼管棧橋工程桁架結構的約束條件
　　5.2.2 鋼管棧橋工程桁架結構的目標函數
　　5.3 鋼管棧橋桁架工程結構優(yōu)化設計
　　5.3.1 GHJ-6.9-30-1 段桁架結構工程概況
　　5.3.2 GHJ-6.9-30-1 段桁架結構優(yōu)化設計
　　5.3.3 GHJ-6.9-1 段桁架結構工程概況
　　5.3.4 GHJ-6.9-1 段桁架結構優(yōu)化設計
　　5.4 本章小結

結論與展望

　　結論

　　本文研究了果蠅優(yōu)化算法在桁架實(shí)際工程結構優(yōu)化中的可行性，對結構優(yōu)化問(wèn)題和智能算法理論均進(jìn)行了詳細的介紹。針對算法性能的不同，討論了其在應用在土木工程結構優(yōu)化領(lǐng)域所面臨的缺陷與優(yōu)勢，并針對缺陷詳細討論了可能的改進(jìn)措施，以求果蠅優(yōu)化算法在面臨土木工程結構優(yōu)化問(wèn)題時(shí)表現出強的適用性與更好的算法性能。通過(guò)上文對桁架結構和算法的詳細分析，結合工程實(shí)例，可以得出如下結論：

　　（1）本文首先對桁架結構優(yōu)化和智能優(yōu)化算法的發(fā)展過(guò)程進(jìn)行了介紹，對它們的國內外研究現狀進(jìn)行了簡(jiǎn)要概述。在結構優(yōu)化與智能優(yōu)化算法相結合這一領(lǐng)域，國外進(jìn)行了較早的研究并取得了顯著(zhù)的成果，與之相比國內對這一領(lǐng)域的研究還有一定差距。在實(shí)際工程結構優(yōu)化當中方法都較為落后，因此對結構優(yōu)化與智能算法相結合這一領(lǐng)域的研究十分必要。

　　（2）介紹了經(jīng)典結構優(yōu)化方法的特點(diǎn)，及其在面對現代要求更高的工程結構時(shí)所面臨的不足。介紹了標準果蠅優(yōu)化算法的優(yōu)點(diǎn)與缺陷，并與其它智能算法在尋優(yōu)精度、尋優(yōu)速度、計算量等方面進(jìn)行了對比。對其實(shí)現步驟與流程進(jìn)行了研究學(xué)習，通過(guò)對其應用現狀的研究可知其在其他領(lǐng)域的應用已有了一定的成果，但在土木工程領(lǐng)域的領(lǐng)用還較為罕見(jiàn)。

　　（3）研究了智能優(yōu)化算法的改進(jìn)方法，并詳細探討了這些改進(jìn)方法會(huì )對算法性能造成哪些方面的影響。針對標準果蠅優(yōu)化算法的特點(diǎn)，介紹了若干具有針對性的主流改進(jìn)措施。

　　（4）針對土木工程結構優(yōu)化實(shí)際問(wèn)題的特點(diǎn)，在標準果蠅優(yōu)化算法的基礎上引入慣性權重系數和禁忌搜索理論，將標準果蠅算法的固定搜索步長(cháng)變?yōu)樽赃m應搜索步長(cháng)。使改進(jìn)后的果蠅優(yōu)化算法不易陷入局部最優(yōu)解，在面對復雜優(yōu)化問(wèn)題時(shí)求解過(guò)程更加穩定。并通過(guò)桁架結構算例應用可知，改進(jìn)后果蠅優(yōu)化算法能適用與桁架結構優(yōu)化問(wèn)題。

　　（5）將改進(jìn)后的果蠅優(yōu)化算法應用到某鋼管棧橋實(shí)際工程中，通過(guò)軟件模 擬實(shí)現對鋼管棧橋桁架的結構優(yōu)化。優(yōu)化結果表明，改進(jìn)果蠅優(yōu)化算法在面對復雜實(shí)際工程應用問(wèn)題時(shí)求解過(guò)程穩定，也不易陷入局部最優(yōu)解。與其他主流算法相比，性能表現更加良好，能夠適用土木工程結構優(yōu)化領(lǐng)域當中。

　　未來(lái)工作與展望

　　本文只是針對桁架結構的截面尺寸進(jìn)行了優(yōu)化，在結構形狀優(yōu)化和拓撲優(yōu)化方面研究并未涉及，此外在更加復雜的桁架結構優(yōu)化問(wèn)題的研究尚且不足，因此在桁架結構優(yōu)化問(wèn)題上還有多問(wèn)題值得我們去深入研究。

　　果蠅優(yōu)化算法相比于其他算法具有極大的優(yōu)勢，在其他領(lǐng)域已有了顯著(zhù)的應用成果，若能在土木工程結構優(yōu)化領(lǐng)域得到廣泛的應用將會(huì )在很大程度上降低研究人員的工作量并在土木工程結構優(yōu)化問(wèn)題上取得更大成果，為以后的結構優(yōu)化問(wèn)題提供了新的方法與思路。

　　參考文獻
　　[1] Michell A G M. The limits of economy of materials in frame structures[J]. Philosophical Magazine, 1904, 8（47）：589-597.
　　[2] Prager W. Optimal Layout of Grillages[M]. Introduction to Structural Optimization. Springer Vienna, 1972:1-18.
　　[3] 閆宏亮。 改進(jìn)的自適應遺傳算法在桁架結構優(yōu)化中的應用[D]. 長(cháng)安大學(xué)， 2009.
　　[4] 蔡新， 郭興文， 張旭明。 工程結構優(yōu)化設計[M]. 中國水利水電出版社， 2003.
　　[5] Schmit L A, Farshi B. Some Approximation Concepts for Structural Synthesis[J].Aiaa Journal, 1973, 12（5）：692-699.
　　[6] 黃摯雄， 張登科， 黎群輝。蟻群算法及其改進(jìn)形式綜述[J].計算技術(shù)與自動(dòng)化， 2006, 25（03）：35-38.
　　[7] Whitley D. A genetic algorithm tutorial[J].Statistics & Computing, 1994, 4（2）：65-85.
　　[8] Trelea I C. The particle swarm optimization algorithm: Convergence analysis and parameter selection[J].Information Processing Letters, 2003, 85（6）：317-325.
　　[9] M Dorigo ,V Maniezzo A Colorni .The Ant System :Optimization by a colony of cooperating agents[ J ] .IEEE Transactions on System s , Man , and Cybernetics - Part B , 1996 , 26 （1）： 29 -41 .
　　[10] Dorigo M, Gambardella L M. Ant colony system: A cooperative learning approach to the traveling salesman problem[J]. IEEE Trans on Ec, 1997, 1（1）：53-66.
　　[11] Holland J H. Adaptation in natural and artificial systems[M]. MIT Press, 1992.
　　[12] Jong K A D. Analysis of the behavior of a class of genetic adaptive systems[J]. Ph.d.thesis University of Michigan, 1975.
　　[13] Goldberg D E. Genetic Algorithms in Search, Optimization and Machine Learning[J]. 1988, xiii（7）：2104-2116.
　　[14] 唐文艷。 結構優(yōu)化中的遺傳算法研究和應用[D]. 大連理工大學(xué)， 2002.
　　[15] 劉蘭芬，楊信豐。基于混合遺傳算法的有效路徑求解[J/OL].計算機工程與應用，2018:1-7[16] 張玉州，梅俊，徐廷政。一種求解 TSP 問(wèn)題的混合遺傳算法[J/OL].安慶師范大學(xué)學(xué)報（自然科學(xué)版），2018（03）：77-81[17] 周 勇 , 胡 中 功 . 改 進(jìn) 的 快 速 遺 傳 算 法 在 函 數 優(yōu) 化 中 的 應 用 [J/OL]. 現 代 電 子 技術(shù)，2018（17）：153-157[18] Matamoros M E V, Kumral M. Correction to: Calibration of Genetic Algorithm Parameters for Mining-Related Optimization Problems[J]. Natural Resources Research 2018:1-3.
　　[19] Shen F, Jian X, Xi X. Implementation of graphic vertex-coloring parallel synthesis algorithm based on genetic algorithm and compute unified device architecture[J]. Automatic Control & Computer Sciences, 2017, 51（1）：32-41.
　　[20] Mohamed K S. Bio-Inspired Machine Learning Algorithm: Genetic Algorithm[J]. 2018.
　　[21] 李紅亞， 彭昱忠， 鄧楚燕，等。 GA 與 PSO 的混合研究綜述[J]. 計算機工程與應用， 2018（2）：20-28.
　　[22] 趙乃剛， 鄧景順。 粒子群優(yōu)化算法綜述[J]. 科技創(chuàng )新導報， 2015, 12（26）：216-217.
　　[24] Kadavy T, Pluhacek M, Viktorin A, et al. Multi-swarm Optimization Algorithm Based on Firefly and Particle Swarm Optimization Techniques[C].International Conference on Artificial Intelligence and Soft Computing. Springer, Cham, 2018:405-416.
　　[25] Xia X, Gui L, He G, et al. A hybrid optimizer based on firefly algorithm and particle swarm optimization algorithm[J]. Journal of Computational Science, 2017.
　　[26] 張強，李盼池。一種自適應多策略行為粒子群優(yōu)化算法[J/OL].控制與決策， 2018:1-9[27] 蔡新， 李洪煊， 武穎利，等。工程結構優(yōu)化設計研究進(jìn)展[J].河海大學(xué)學(xué)報（自然科學(xué)版）， 2011, 39（3）：269-276.
　　[28] Azamirad G, Arezoo B. Structural design of stamping die components using bi-directional evolutionary structural optimization method[J]. International Journal of Advanced Manufacturing Technology, 2016, 87（1-4）：969-979.
　　[29] Ide T, Kitajima H, Otomori M, et al. Structural optimization methods of nonlinear static analysis with contact and its application to design lightweight gear box of automatic transmission of vehicles[J]. Structural & Multidisciplinary Optimization, 2016, 53（6）：1383-1394.
　　[30] Kaveh A, Bakhshpoori T. A new metaheuristic for continuous structural optimization: water evaporation optimization[J]. Structural & Multidisciplinary Optimization, 2016, 54（1）：23-43.
　　[31] Rojas-Labanda S, Stolpe M. Benchmarking optimization solvers for structural topology optimization[J]. Structural & Multidisciplinary Optimization, 2015, 52（3）：527-547.
　　[32] Sivapuram R, Dunning P D, Kim H A. Simultaneous material and structural optimization by multiscale topology optimization[J]. Structural & Multidisciplinary Optimization, 2016, 54（5）：1267-1281.
　　[33] Zargham S, Ward T A, Ramli R, et al. Topology optimization: a review for structural designsunder vibration problems[J]. Structural & Multidisciplinary Optimization, 2016, 53（6）：1157-1177.
　　[34]房娟艷， 魏燕婷， 魏長(cháng)城，等。 工程結構優(yōu)化的群體智能算法分析[J]. 湖州師范學(xué)院學(xué)報， 2016（10）：54-57.
　　[35]李麗娟， 彭懿。 粒子群-魚(yú)群混合算法在桁架結構優(yōu)化設計中的應用[J]. 空間結構， 2012, 18（4）：44-48.
　　[36] 曾磊。 基于 CRO 算法的桁架結構優(yōu)化方法及應用研究[D].湖南大學(xué)， 2017.
　　[37] 王迪。 基于自適應遺傳算法的智能桁桿件架多目標優(yōu)化設計[J]. 科技創(chuàng )新與應用， 2015（23）：55-56.
　　[38] 王仁華， 趙憲忠。 平面桁架結構拓撲優(yōu)化設計的改進(jìn)智能算法[J]. 工程力學(xué)， 2012, 29（11）：205-211.
　　[39] 梁靖昌。 改進(jìn)的啟發(fā)式粒子群算法及其在鋼結構中的多目標優(yōu)化應用[D].廣東工業(yè)大學(xué)，2015.
　　[40] 何潤田。 改進(jìn)的多目標快速群搜索算法及其在桁架優(yōu)化中的應用[D].河北工程大學(xué)，2017.
　　[41] Fiore A, Marano G C, Greco R, et al. Structural optimization of hollow-section steel trusses by differential evolution algorithm[J]. International Journal of Steel Structures, 2016, 16（2）：411-423.
　　[42] Karaboga D, Gorkemli B, Ozturk C, et al. A comprehensive survey: artificial bee colony （ABC） algorithm and applications[J]. Artificial Intelligence Review, 2014, 42（1）：21-57.
　　[43] Kayabekir A E, Bekda? G, Nigdeli S M, et al. A Comprehensive Review of the Flower Pollination Algorithm for Solving Engineering Problems[M]. Nature-Inspired Algorithms and Applied Optimization. 2018.
　　[44] Chen Z, Yu L. An Improved PSO-NM Algorithm for Structural Damage Detection[M].Advances in Swarm and Computational Intelligence. 2015:124-132.
　　[45] Cincin A, Ozben B, Erdogan O. Memetic Algorithms in Engineering and Design[M].
　　Handbook of Memetic Algorithms. 2012:241-260.
　　[46]龐瑞，李倩倩，李江華，王璐，劉曉怡。某國家糧食儲備庫鋼桁架棧橋優(yōu)化設計研究[J/OL].河南城建學(xué)院學(xué)報，2018（04）：49-54[47]狄海飛。淺淡特大橋水上鋼棧橋的設計及施工[J].江西建材，2018（11）：60-61+63.
　　[48]薛江松，李金鵬。高速鐵路隧道仰拱全工序履帶式棧橋設計與應用[J].隧道建設（中英文），2018,38（08）：1397-1404.
　　[49]楊小軍。輸煤鋼棧橋結構方案選擇與探討[J].山西煤炭， 2018, 38（04）：58-60+63.
　　[50]姚健。可回收鋼棧橋在深基坑工程中的應用[J].建筑施工， 2018, 40（08）：1371-1373.
　　[51]張燕。施工棧橋在深基坑工程中應用技術(shù)研究[J].建筑結構， 2018, 48（S1）：783-787.
　　[52]邵榮偉。鉆孔嵌巖植樁在鋼棧橋管樁施工中的應用[J].低碳世界， 2018（06）：224-225.
　　[53]盛海江，古江林。模塊棧橋工程監理要點(diǎn)分析[J].煤炭工程， 2018, 50（06）：161-163.
　　[54]張戰凱，邊鵬飛。深水鋼棧橋設計方案對比分析[J].公路， 2018, 63（06）：177-180.
　　[55]Tinkov D V, Safonov A A. Design optimization of truss bridge structures of composite materials[J]. Journal of Machinery Manufacture & Reliability, 2017, 46（1）：46-52.
　　[56]Mieszko Ku?awa, Tomasz Kamińki, Jan Bień。 Experimental Vibration Tests in Fatigue Evaluation of a Riveted Truss Bridge[M].Experimental Vibration Analysis for Civil Structures. 2018:237-248.
　　[57]Hoang-Trong L, Nguyen-Hoang V, Vo-Duy H. Investigation on Turbulence Effects on Flutter Derivatives of Suspended Truss Bridge Section[J]. 2017:891-902.
　　[58]Miyashita T, Iwasaki E, Nagai M. Performance Evaluation of Hinges in Cantilever Steel Truss Bridges by Temperature Induced Strain[C].International Conference on Experimental Vibration Analysis for Civil Engineering Structures. Springer, Cham, 2017:192-199.
　　[59]Walia S K, Patel R K, Vinayak H K, et al. Time-frequency and wavelet-based study of an old steel truss bridge before and after retrofitting[J]. Journal of Civil Structural Health Monitoring, 2015, 5（4）：1-18.
　　[60]Goi Y, Kim C W. Damage detection of a truss bridge utilizing a damage indicator from multivariate autoregressive model[J]. Journal of Civil Structural Health Monitoring, 2017, 7（2）：153-162.
　　[61]Mustafa S, Debnath N, Dutta A. Bayesian probabilistic approach for model updating and damage detection for a large truss bridge[J]. International Journal of Steel Structures, 2015, 15（2）：473-485.
　　[62] Pan W T. A new Fruit Fly Optimization Algorithm: Taking the financial distress model as an example[J]. Knowledge-Based Systems, 2012, 26（2）：69-74.
　　[63] Yang M, Liu N B, Liu W. Image 1D OMP sparse decomposition with modified fruit-fly optimization algorithm[J]. Cluster Computing, 2017, 20（1）：1-8.
　　[64] 韓 俊 英 , 劉 成 忠 . 自 適 應 變 異 的 果 蠅 優(yōu) 化 算 法 [J]. 計 算 機 應 用 研 究 , 2013, 30（09）：2641-2644.
　　[65] Lin S M. Analysis of service satisfaction in web auction logistics service using a combinationof Fruit fly optimization algorithm and general regression neural network[J]. Neural Computing & Applications, 2013, 22（3-4）：783-791.
　　[66] 劉成忠， 韓俊英。 基于細菌遷徙的自適應果蠅優(yōu)化算法[J]. 計算機工程與科學(xué)， 2014, 36（04）：690-696.
　　[67] 李德毅， 孟海軍。 隸屬云和隸屬云發(fā)生器[J]. 計算機研究與發(fā)展， 1995（jf）：15-20.
　　[68] 李德毅， 劉常昱。 論正態(tài)云模型的普適性[J]中國工程科學(xué)， 2004, 6（08）：28-34.
　　[69] 吳小文， 李擎。 果蠅算法和 5 種群智能算法的尋優(yōu)性能研究[J]. 火力與指揮控制， 2013, 38（4）：17-20.
　　[70] 劉立群， 韓俊英， 代永強，等。 果蠅優(yōu)化算法優(yōu)化性能對比研究[J]. 計算機技術(shù)與發(fā)展， 2015（8）：94-98.
　　[71] 鄭曉龍， 王凌， 王圣堯。 求解置換流水線(xiàn)調度問(wèn)題的混合離散果蠅算法[J]. 控制理論與應用， 2014, 31（2）：159-164.
　　[72] 王克甫， 薛鵬， 黃全振，等。 求解旅行商問(wèn)題的改進(jìn)果蠅算法[J]. 計算機工程與設計， 2014（08）：2789-2792.
　　[73] 楊書(shū)佺， 舒勤， 何川。 改進(jìn)的果蠅算法及其在 PPI 網(wǎng)絡(luò )中的應用[J]. 計算機應用與軟件， 2014（12）：291-294.
　　[74] 賴(lài)豪杰， 李曉英， 張磊，等。 基于改進(jìn)果蠅算法的水庫群調度應用研究[J]. 水電能源科學(xué)，2013（08）：74-76.
　　[75]吳坤， 康建設， 姜新亮。 基于果蠅算法和灰色神經(jīng)網(wǎng)絡(luò )的電子裝備故障預測方法研究[J]. 計算機測量與控制， 2015, 23（09）：3081-3084.
　　[76]張凱， 王健， 蔣惠波，等。 基于改進(jìn)果蠅算法的橋式起重機金屬結構優(yōu)化設計[J]. 起重運輸機械， 2014（08）：41-44.
　　[77]耿立艷， 陳麗華。 基于 FOA 優(yōu)化混合核 LSSVM 的鐵路貨運量預測[J]. 計算機應用研究， 2017, 34（02）：409-412.
　　[78]Du T S, Ke X T, Liao J G, et al. DSLC-FOA: An Improved Fruit Fly Optimization Algorithm Application to Structural Engineering Design Optimization Problems[J]. Applied Mathematical Modelling, 2017.
　　[79]Shan D, Cao G H, Dong H J. LGMS-FOA: An Improved Fruit Fly Optimization Algorithm for Solving Optimization Problems[J]. Mathematical Problems in Engineering,2013,（2013-9-18）， 2013, 2013（7）：1256-1271.
　　[80]Hou J Y, Wang B. A Kind of Diminishing Step Fruit Fly Optimization Algorithm[J]. Applied Mechanics & Materials, 2014, 487:687-691[81]Xiao C, Hao K, Ding Y. An improved fruit fly optimization algorithm inspired from cell communication mechanism for pre-oxidation process of carbon fiber production[C]. Control Conference. IEEE, 2014:9033-9038.
　　[82]Crawford B, Soto R, Torres-Rojas C, et al. A Binary Fruit Fly Optimization Algorithm to Solve the Set Covering Problem[C]. International Conference on Computational Science and Its Applications. Springer, Cham, 2015:411-420.
　　[83]Mousavi S M, Tavana M, Alikar N, et al. A tuned hybrid intelligent fruit fly optimization algorithm for fuzzy rule generation and classification[J]. Neural Computing & Applications, 2017, In Press（2）：1-13.
　　[84]Babal?k A, ??can H, ?smail Babao?lu, et al. An improvement in fruit fly optimization algorithm by using sign parameters[J]. Soft Computing, 2017（2）：1-17.
　　[69]Seghir F, Khababa A. A hybrid approach using genetic and fruit fly optimization algorithms for QoS-aware cloud service composition[J]. Journal of Intelligent Manufacturing, 2016:1-20.
　　[85]Mousavi S M, Alikar N, Niaki S T A. An improved fruit fly optimization algorithm to solve the homogeneous fuzzy series-parallel redundancy allocation problem under discount strategies[M]. Springer-Verlag, 2016.
　　[86]El-Telbany M E. Improving the Predictability of GRNN Using Fruit Fly Optimization and PCA: The Nile Flood Forecasting[C]. Proceedings of the International Conference on Advanced Intelligent Systems and Informatics 2016. Springer International Publishing, 2016.
　　[87]Szczypta J, ?apa K. Aspects of Structure Selection and Parameters Tuning of Control Systems Using Hybrid Genetic-Fruit Fly Algorithm[M]. Information Systems Architecture and Technology: Proceedings of 36th International Conference on Information Systems Architecture and Technology - ISAT 2015 - Part I. Springer International Publishing, 2016.
　　[88]張勇， 夏樹(shù)發(fā)， 唐冬生。 果蠅優(yōu)化算法對多峰函數求解性能的仿真研究[J]. 暨南大學(xué)學(xué)報（自然科學(xué)與醫學(xué)版）， 2014, 35（1）：82-87.
　　[89]Gorur P, Amrutur B. Speeded up Gaussian Mixture Model algorithm for background subtraction[C]. IEEE International Conference on Advanced Video and Signal Based Surveillance. IEEE Computer Society, 2011:386-391.
　　[90]寧劍平， 王冰， 李洪儒，等。 遞減步長(cháng)果蠅優(yōu)化算法及應用[J]. 深圳大學(xué)學(xué)報（理工版）， 2014, 31（4）：367-373.
　　[91] 單單。 止損策略對雙隨機安全第一投資組合模型的影響研究[D]. 重慶大學(xué)， 2014.
　　[92] 毛正陽(yáng)， 方群， 李克行，等。 應用改進(jìn)果蠅優(yōu)化算法的月面巡視器路徑規劃[J]. 中國空間科學(xué)技術(shù)， 2014, V34（5）：87-93.
　　[93] Niu J, Zhong W, Liang Y, et al. Fruit fly optimization algorithm based on differential evolution and its application on gasification process operation optimization[J]. Knowledge-Based Systems, 2015, 88（C）：253-263.
　　[94] Wu L, Zuo C, Zhang H. A cloud model based fruit fly optimization algorithm[M]. Elsevier Science Publishers B. V. 2015.
　　[95] Miti? M, Vukovi? N, Petrovi? M, et al. Chaotic fruit fly optimization algorithm[J]. Knowledge-Based Systems, 2015, 89: 446-458.
　　[96] 曾令全，羅富寶，丁金嫚。 禁忌搜索-粒子群算法在無(wú)功優(yōu)化中的應用[J]. 電網(wǎng)技術(shù)，2011,35（07）：129-133.
　　[97] 韓俊英， 劉成忠。 自適應混沌果蠅優(yōu)化算法[J]. 計算機應用， 2013, 33（5）：1313-1316.
　　[98] Li L, Khandelwal K. An adaptive quadratic approximation for structural and topology optimization[M]. Pergamon Press, Inc. 2015.
　　[99] Wang Y L, Wei-Ji L I. Particle Swarm Optimization and Its Application to Structural Optimum Design[J]. Mechanical Science & Technology, 2005.
　　[100]Li F, Tang H S, Xue S T, et al. Application of a particle swarm optimization algorithm in truss structure optimal design[J]. Journal of Civil Architectural & Environmental Engineering, 2009, 31（1）：7-12.
　　[101]Teke T, Pekcan O. A bat-inspired algorithm for structural optimization[J]. Computers & Structures, 2013, 128（128）：77-90.
　　[102]Kang S L, Zong W G, Lee S H, et al. The harmony search heuristic algorithm for discrete structural optimization[J]. Engineering Optimization, 2005, 37（7）：663-684.
　　[103]Erbatur F, Hasan?ebi O, ?lker Tütüncü， et al. Optimal design of planar and space structures with genetic algorithms[J]. Computers & Structures, 2000, 75（2）：209-224.
　　[104]張炳華。土建結構優(yōu)化設計[M].同濟大學(xué)出版社， 1998

致謝

　　首先，非常感謝我的導師李彥蒼教授對我的指導和幫助。本文從選題到完成自始至終是在導師李彥蒼教授的悉心指導下完成的，導師的諄諄教誨不僅使我學(xué)到了很多理論知識，而且也學(xué)到了做人的道理，導師淵博的知識、嚴謹的治學(xué)態(tài)度、一絲不茍的工作作風(fēng)深深的感染了我，使我終身收益。在此謹向李彥蒼老師致以最衷心的感謝！導師的深情厚誼作者將銘記一生！

　　衷心的感謝土木學(xué)院的各位領(lǐng)導及任課教師對我的指導與幫助，使我能夠順利完成學(xué)業(yè)。感謝父母在我的求學(xué)生涯中對我的支持與鼓勵，感謝同窗室友在學(xué)習期間對我的幫助與鼓勵，同時(shí)感謝所有在學(xué)業(yè)、生活、工作上關(guān)心我、幫助過(guò)我的人！本文的順利完成參考了大量的參考文獻，再此對這些文章的作者也表示感謝！最后特別感謝各位專(zhuān)家和教授在百忙之中對本文進(jìn)行評閱，并渴望得到各位專(zhuān)家和教授的寶貴意見(jiàn)和建議！

（如您需要查看本篇畢業(yè)設計全文，請您聯(lián)系客服索取）