计算机算法论文：桥梁损伤辨识中数据融合与遗传算法的应用

　　计算机算法论文：桥梁损伤辨识中数据融合与遗传算法的应用

　　摘要：本文介绍了基本遗传算法和改进遗传算法，并在位移与频率振型基础上进行桥梁损伤识别，基于模式逻辑实现数据融合，从实例分析中，看出通过改进的遗传算法对桥梁结构进行损伤识别，比传统遗传算法有更好的识别性能，识别结果更加准确，有必要在实际桥梁损伤识别中加大利用和推广。

　　关键词：桥梁；损伤识别；数据融合；遗传算法；应用

　　前言：遗传算法论文发表的全局搜索能力非常强大，且适应性突出，在土木结构的损伤识别中具有广泛应用。而以模式优选理论为基础改进的遗传算法，其运算效率更高，且收敛速度更快，在桥梁结构实际损伤识别过程中应用改进遗传算法，能够在数据融合方法支持下，集中处理多种传感器所采集的大量差异化数据，促使识别结果更加准确。根据相关实践证明，该方法具有良好的可行性，且性能更优良，有必要加大力度推广和应用。

　　基本遗传算法概述

　　所谓遗传算法，是一种以进化机制和生物遗传为基础的技术，比较适用应用在复杂系统的优化当中。遗传算法运算的对象是一个群体，该群体当中包括n个个体，所有个体都包含m个遗传基因。问题搜索空间由每个个体所组成，个体具备越大的适应度，就会与目标值越接近，对象群体在优胜略汰机制下，实现持续的进化和遗传，能够遗传到下一代的个体，证明其适应度比较高，在持续不停的迭代过程中，最终获得最佳个体X。变异、交叉和选择是组成基本遗传算法的重要遗传算子，要对代码方式、变异概率、交叉概率、群体规模以及适应度函数等参数进行合理化确定。

　　改进遗传算法

　　模糊优选理论

　　模糊优选理论包括两个方面，分别是相对优属度和多目标系统模式优选模型。如果在优选与决策当中，xab属于第b个子目标在第a个决策当中的特征值，那么也就可以理解为第a个个体对于第b块区域当中损伤适应度数值[1]。设定决策集当中的目标b对应的目标最大值和最小值分别是上界和下界，那么目标对应相对优属度为：

　　①针对效益性目标：rab=（xab-minxab）/（maxxab-minxab）

　　②针对成本性目标：rab=（maxxab-xab）/（maxxab-minxab）

　　在多目标系统模式优选模型当中，如果目标包含的子目标有n个，那么待识别的损伤区域就有n个，同时算法包含的个体有m个，在不同决策集当中实现优选比较，所以优选属于相对量。

　　以模糊优选理论为基础的改进遗传算法

　　模糊集合当中蕴含着最优解，所以该模糊集合对应隶属函数就是：。公式当中的ri（）是各子目标对应的相对优属度，而代表各子目标对应权重系数。该隶属函数在求解过程中，获得的最小解即为多目标系统对应最优解。根据改进多目标遗传算法运算流程，可以发现传统算法和改进算法主要的区别就是选择算子。传统遗传算法在选择算子当中，主要是根据适应度值确定对应个体有多大概率能够遗传至下一带；改进算法主要是把选择算子排列成n个并行群体，根据实际问题确定群体个数。损伤识别单元实际数量决定着n的具体数值，适应值对应的相对优属度确定各个子群体是否向下一代进行遗传。改进算法中，结合实际问题，把一个群体向n个子群体离散，保持群体的同步进行，因此，算法运行效率得到有效提升[2]。

　　以位移与频率振型为基础的损伤识别

　　通过差分法能够近似获得梁类结构对应的节点曲度，如果结构没有损伤，那么受到静力荷载作用影响，可以获得静力平衡方程：Ku=F；若结构存在损伤，则结构综合刚度矩阵会发生变化，对应的平衡方式也会改变，为：

　　K）ud=F，K=K

　　公式当中的指的是单元损伤程度，也叫单元刚度损伤系数，属于遗传算法求解过程中的目标值，如果=1，那么证明结构是完全损伤；如果=0，那么证明结构未出现损伤。

　　β＝1-，其中β代表单元刚度对应影响系数，之后可以通过损伤之前与损伤之后各个单元应变，对遗传算法优化目标函数加以构造，即：结构刚度在发生变化的时候，结构震动系数对应振型和固有频率也会随之改变，通常情况下，很难获得准确的结构频率参数，同时计算机论文振兴参数更难实现准确获取。结合相关研究，发现在振型不发生较大改变的时候，可直接结合频率变化与未损伤振型，对损伤实现定位与定量。

　　模式逻辑下的数据融合

　　基本理论

　　系统要对多源数据实现采集、集成以及处理，就要高效自主的通过有效方法，把单一传感器实际采集到的不准确信息和不完备信息，同其他类型传感器实际采集数据实现有机融合，获取有价值信息。在数据融合过程中，把以往通过模糊关系函数或者概率密度函数获得的多种或者两种传感器、知识源对应评价指标，转变成单值评价指标，以此对所有传感器对应采集到的具体信息加以反映，同时还可对单一数据源不能获得的信息实现准确反映[3]。在模糊判断基础上进行模糊推理，并在遵循各种模糊推理规则前提下，将模糊判断确定为结论进行推理，这种模糊推理方式与思维决策方式非常相似。

　　融合模糊关系函数

　　在融合多个不同的关系函数之后，就可以获得输入函数。比如（x，y）和（x，y）分别是基于频率振型和位移实现损伤识别的模糊关系函数，将这两个关系函数进行融合，即可得到输入函数：，通过泰勒级数代表f，同时将常数项和高阶项加以忽略，则获得函数

　　实例分析

　　某双跨梁结构的梁长度是20米，高度是0.7米。把梁结构合理化离散成具体单元和节点，其中单元有20个，节点有21个。通过无线传感器网络采集数据，先将固定荷载施加在结构当中，并在梁结构上科学布设加速度传感器、位移传感器以及应力传感器，对各个位置的参数进行采集。之后，将千斤顶施加在结构当中，在超载荷作用力下，导致梁结构出现裂缝对损伤加以模拟。通过相关传感器对损伤情况进行采集之后，获得固定荷载条件下，所有节点位置的加速度、位移等数据情况[4]。结合采集获得的对应节点数据，利用传统遗传算法以及改进多目标遗传算法，分别实现损伤识别。

　　根据传统遗传算法（图1）和改进遗传算法（图2），可以发现传统遗传算法进行100次的迭代后终止运算，并获得最优目标函数值24；改进遗传算法经过50多次的迭代后就获得了最优解，其目标函数值是9.6。因此，改进遗传算法运算效率更高，准确性更好，并且收敛速度也有效提高。另外，传统遗传算法进行运算之初，最优值产生的变化非常小，而改进算法刚开始运算就获得了较快的收敛速度，最优值也发生了较为明显的变化。而且传统遗传算法在运算初期，其平均值在较长时间段内出现上升情况，代表该方法的搜索性能不够好。

　　另外，针对目标函数，通过改进遗传算法实现损伤识别，同时利用模糊逻辑融合处理对应结果，发现单一使用频率振型或者位移进行损伤识别，得到的损伤结果比较模糊，几乎每个单元都存在一定损伤。而通过数据融合，获得的损伤结果较为精准，可信度更高，能够为桥梁损伤维护工作提供重要参考和技术支持。

　　结束语

　　遗传算法能够实现全局搜索，同时可以通过种群方式同步搜索个体，但是要对桥梁大型结构进行损伤识别，传统遗传算法会受到巨量数据影响，降低收敛速度，并很容易呈现出局部最优值。而以模式优选理论为基础改进遗传算法，能够有效提升运算效率，更准确、高效的识别桥梁结构损伤。

　　参考文献：

　　[1]蒋依坛. 基于改进遗传算法的桥梁监测传感器测点优化布置研究及监测信号处理[D]. 西南交通大学, 2017(3):85-85.

　　[2]刘哲. 基于柔度差曲率法与遗传算法结合的桥梁结构损伤识别[D]. 大连理工大学, 2016(6):97-97.

　　[3]饶尚坤. 基于改进遗传算法的传感器优化布置和损伤识别研究[D]. 湖南大学, 2016(1):134-134.

　　[4]张龙. 装配式梁桥横向连接损伤识别方法研究[D]. 武汉理工大学, 2016(8):61-61.