本发明专利技术属于悬臂梁设计技术领域，具体涉及一种悬臂梁的优化设计方法，包括首先针对悬臂梁设计的问题，建立数学模型；其次将其引入Q‑learning的算术优化算法(RAOA)；然后引入随机精英池策略进一步优化算法；最后通过改进的算术优化算法进行迭代求解；本发明专利技术增强了算法探索能力和收敛速度，将不同能力的搜索策略进行整合，从而提高搜索的有效性，有利于在实际应用中短时间得到更好的解决方案，同时还能够根据不同优化问题动态调整搜索策略，以确保最大收益。
【技术实现步骤摘要】
本专利技术属于悬臂梁设计，具体涉及一种悬臂梁的优化设计方法。
技术介绍
1、悬臂梁设计是工程领域一个非常重要的方面，悬臂梁设计涉及对一端固定、另一端自由的梁结构进行分析和优化，常见于建筑、桥梁等领域。设计时需综合考虑恒载、活载等荷载作用，确保梁的强度足以抵抗最大应力，避免屈服破坏；同时控制梁的最大挠度，保证结构刚度和使用舒适度。此外，还需评估梁的整体和局部稳定性，并设计可靠的连接节点，确保结构的安全性和可靠性。设计过程需符合相关规范和标准。
2、现有技术中的悬臂梁设计算法的收敛速度较慢，容易陷入最优解等缺点，进而使算法的搜索效率降低，因此提供一种先进的求解方法，专门针对悬臂梁设计问题中所遇到的各种挑战。这种方法的核心在于其能够动态调整算法内部的搜索策略，以适应不同问题在寻优过程中的特定需求。通过这种方式，无论是在初步探索阶段还是精细优化阶段，都能确保获得最佳的设计解决方案，由此可以解决诸多现有方法智能针对单独场景或少数几种场景进行应用的问题。
技术实现思路
1、本专利技术的目的是：旨在提供一种悬臂梁的优化设计方法，用于解决
技术介绍
中存在的问题。
2、为实现上述技术目的，本专利技术采用的技术方案如下：
3、一种悬臂梁的优化设计方法，包括
4、1、首先针对悬臂梁设计的问题，建立数学模型；
5、2、其次将其引入q-learning的算术优化算法(raoa)；
6、3、然后引入随机精英池策略进一步优化算法；
>7、4、最后通过改进的算术优化算法进行迭代求解；8、q-learning的算术优化算法包括：通过公式(1)中给出的q-learning函数来计算每个状态-动作对的q值，然后，将所有状态-动作对的q值保存在q表中：
9、
10、其中对于q-learning函数还包括贪婪搜索参数ε设计和奖励函数的设计；
11、贪婪搜索参数ε设计：ε在前c(c<t)次迭代中从0线性增加到0.9，此后固定为0.9，设置一个介于0和1之间的随机数β4，当随机数β4≥ε，执行随机搜索，当随机数β4<ε，执行贪婪搜索；
12、奖励函数表达式如式(2)：
13、
14、其中，ω是调节因子，t代表当前迭代次数，bestt代表第t次迭代的最优适应值。
15、上述raoa算法的步骤包括：
16、step1:初始状态空间s和动作空间a和q-table；
17、step2:初始状态时随机选择动作；
18、step3:如果β4>ε，随机选择动作，否则从q-table中选择收益最大的动作；
19、step4:在aoa算法中执行已选择的动作，并根据奖励函数(2)，计算收益；
20、step5:利用公式(1)更新q-table；
21、step6:如果满足终止条件，则结束循环，否则重复step3-step5三个步骤。
22、随机精英池策略算术优化算法包括：通过多种不同的搜索策略来探索解空间，并将不同能力的搜索策略整合起来。
23、其中随机精英池中多种不同的搜索策略包括：第一种搜索策略：
24、
25、其中，rand是一个0-1之间的随机数，x1(c+1)表示使用第一种搜索策略得到的第c+1的迭代位置，xbest(c)表示当前迭代最优位置，xm(c)表示当前种群所有解平均数。
26、其中随机精英池中多种不同的搜索策略包括：第二种搜索策略：
27、x2(c+1)＝(xbest(c)-xm(c))×0.1-
28、rand+((ub-lb)×rand+lb)×0.1#(5)
29、其中,x2(c+1)表示使用第二种搜索策略得到的第c+1的迭代位置，ub和lb代表变量上下界。
30、其中随机精英池中多种不同的搜索策略包括：第三种搜索策略：
31、x3(c+1)＝(xbest(c)-xm(c))-
32、rand×((ub-lb)×rand+lb)#(6)
33、其中,x3(c+1)表示使用第三种搜索策略得到的第c+1的迭代位置。
34、其中随机精英池中多种不同的搜索策略包括：第四种搜索策略：
35、x4(c+1)＝xrand(t)-
36、rand×|xrand(t)-2×rand×x(t)|#(7)
37、其中,x4(c+1)表示使用第四种搜索策略得到的第c+1的迭代位置，xrand(t)代表从精英池中随机选择一个解。
38、本专利技术产生的有益效果，体现在如下两个个方面：
39、(1)增强了算法探索能力和收敛速度，更加适用于实际工程应用场景。本专利技术融合基于q-learning和随机精英池两种改进策略的reaoa算法。不仅可以根据问题的变化动态选择aoa搜索策略，而且将不同能力的搜索策略进行整合，从而提高搜索的有效性，有利于在实际应用中短时间得到更好的解决方案。
40、(2)本专利技术提出的raoa算法可以根据不同优化问题，动态调整搜索策略，以确保最大收益。并针对算术优化算法在求解优化问题时存在的收敛速度慢，容易陷入最优解等缺点，提出基于随机精英池策略的aoa算法(eaoa)。eaoa算法可以将不同的搜索策略进行整合，从而提高搜索效率。然后，融合上述两种算法，构造了基于q-learning随机精英池策略的改进aoa算法(reaoa)。大量的实验结果表明，reaoa算法不仅继承了raoa在单峰函数中的快速收敛特性，而且具有eaoa算法在复杂多峰函数中的寻优能力，使得reaoa在寻优效率和精度上都得以提高。
本文档来自技高网...
【技术保护点】
1.一种悬臂梁的优化设计方法，其特征在于：包括
2.根据权利要求1所述的一种悬臂梁的优化设计方法，其特征在于：其中对于Q-learning函数还包括贪婪搜索参数ε设计和奖励函数的设计；
3.根据权利要求2所述的一种悬臂梁的优化设计方法，其特征在于：
4.根据权利要求1所述的一种悬臂梁的优化设计方法，其特征在于：其中随机精英池中多种不同的搜索策略包括：第一种搜索策略：
5.根据权利要求4所述的一种悬臂梁的优化设计方法，其特征在于：其中随机精英池中多种不同的搜索策略包括：第二种搜索策略：
6.根据权利要求5所述的一种悬臂梁的优化设计方法，其特征在于：其中随机精英池中多种不同的搜索策略包括：第三种搜索策略：
7.根据权利要求6所述的一种悬臂梁的优化设计方法，其特征在于：其中随机精英池中多种不同的搜索策略包括：第四种搜索策略：
【技术特征摘要】
1.一种悬臂梁的优化设计方法，其特征在于：包括
2.根据权利要求1所述的一种悬臂梁的优化设计方法，其特征在于：其中对于q-learning函数还包括贪婪搜索参数ε设计和奖励函数的设计；
3.根据权利要求2所述的一种悬臂梁的优化设计方法，其特征在于：
4.根据权利要求1所述的一种悬臂梁的优化设计方法，其特征在于：其中随机精英池中多种不同的搜索策略包括：第一种搜索策...
【专利技术属性】
技术研发人员：张新功，张煜凯，刘海杨，杨有，丁磊，
申请(专利权)人：重庆师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。