智能反演算法及其应用研究
| 第一章 绪论 | 第1-30页 |
| 1．1 选题背景及研究意义 | 第8-10页 |
| 1．2 反问题的描述 | 第10-13页 |
| 1．2．1 数学上的统一描述 | 第10-11页 |
| 1．2．2 力学上的统一描述 | 第11页 |
| 1．2．3 信息论上的统一描述 | 第11-12页 |
| 1．2．4 系统论上的统一描述 | 第12-13页 |
| 1．3 岩土工程反分析方法研究现状 | 第13-22页 |
| 1．4 本文的主要研究工作 | 第22-23页 |
| 参考文献 | 第23-30页 |
| 第二章 基于蚁群算法的结构物性参数识别方法研究 | 第30-52页 |
| 2．1 引言 | 第30-31页 |
| 2．2 蚁群算法概述 | 第31-37页 |
| 2．2．1 蚁群算法的仿生背景 | 第31-32页 |
| 2．2．2 蚁群算法的实现 | 第32-34页 |
| 2．2．3 蚁群第法研究现状 | 第34-37页 |
| 2．3 基于蚁群算法的结构参数反演方法 | 第37-47页 |
| 2．3．1 反演计算模型 | 第37-38页 |
| 2．3．2 搜索空间的离散 | 第38-41页 |
| 2．3．3 对蚁群算法的改进 | 第41-43页 |
| 2．3．4 算法参数的选择 | 第43-47页 |
| 2．4 算例 | 第47-49页 |
| 2．5 小结 | 第49页 |
| 参考文献 | 第49-52页 |
| 第三章 基于粒子群算法的结构物性参数识别方法研究 | 第52-73页 |
| 3．1 引言 | 第52页 |
| 3．2 粒子群算法概述 | 第52-59页 |
| 3．2．1 粒子群算法的仿生背景 | 第52-53页 |
| 3．2．2 粒子群算法 | 第53-55页 |
| 3．2．3 粒子群算法研究现状 | 第55-59页 |
| 3．3 粒子群算法收敛性研究 | 第59-67页 |
| 3．4 基于粒子群算法的结构参数反演方法 | 第67-68页 |
| 3．4．1 粒子群算法对约束的自适应 | 第67页 |
| 3．4．2 动态惯性重策略 | 第67-68页 |
| 3．5 算例 | 第68-70页 |
| 3．6 小结 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 第四章 混合反演算法 | 第73-99页 |
| 4．1 引言 | 第73页 |
| 4．2 混合优化方法研究概况 | 第73-76页 |
| 4．3 基于粒子群算法和单纯形法的混合算法 | 第76-87页 |
| 4．3．1 子算法的选择 | 第76-80页 |
| 4．3．2 混合结构形式的选择 | 第80-82页 |
| 4．3．3 粒子单纯形法 | 第82-84页 |
| 4．3．4 混合概率函数的构建 | 第84-85页 |
| 4．3．5 约束的自适应 | 第85-86页 |
| 4．3．6 算例 | 第86-87页 |
| 4．4 基于粒子群算法和免疫选择的混合算法 | 第87-95页 |
| 4．4．1 免疫系统及免疫算法概述 | 第87-89页 |
| 4．4．2 免疫算法的基本步骤及实现 | 第89-92页 |
| 4．4．3 参数识别的免疫粒子群算法 | 第92-94页 |
| 4．4．4 算例 | 第94-95页 |
| 4．5 小结 | 第95-96页 |
| 参考文献 | 第96-99页 |
| 第五章 提高反演解可信度方法初探 | 第99-120页 |
| 5．1 反演解的可靠性 | 第99-102页 |
| 5．2 反演结果失真的原因 | 第102-103页 |
| 5．3 局部模型解近似全局模型解的条件 | 第103-114页 |
| 5．3．1 一种线弹性材料参数的反演 | 第104-112页 |
| 5．3．2 多种线弹性材料参数的反演 | 第112-114页 |
| 5．3．3 非线性弹性材料参数的反演 | 第114页 |
| 5．4 虚拟观测位移法 | 第114-116页 |
| 5．5 子域法 | 第116页 |
| 5．6 算例 | 第116-118页 |
| 5．7 小结 | 第118-119页 |
| 参考文献 | 第119-120页 |
| 第六章 结论与展望 | 第120-123页 |
| 博士期间的学术论文 | 第123-124页 |
| 创新点摘要 | 第124-125页 |
| 致谢 | 第125-126页 |
| 大连理工大学学位论文版权使用授权书 | 第126页 |
