结构复杂的工程项目中钢管桁架栈桥的结构优化

摘 要

　　随着科技发展，超高、大跨、超薄等复杂、柔性结构不断涌现。桁架结构在面对上述高难度工程具有诸多显著的优点，为工程的顺利竣工提供了一种良好的选择。其在结构方面具有结构构件自重小、相对荷载性能好、整体稳定性良好，各个部分之间的协调性可灵活调整等优点；在施工方面具有施工步骤简单，施工工艺要求较低，运输条件要求低，可根据现场要求灵活拆卸等优点；在经济成本方面具有施工和建造成本低廉等优点。因此桁架结构被广泛应用到大型机场、火车站、博物馆、运动场馆等大跨度、结构复杂的工程项目中并取得了良好的应用效果。

　　结构优化经过多年的发展由最初的由设计人员被动的结构分析变成了现如今的主动结构优化，但优化难度依然很大。传统的结构优化方法存在着各种缺陷，这种缺陷导致工程在设计时很难达到最优方案。因此，为了解决这些问题，寻求一种性能优异的结构优化方法是十分迫切和必要的。

　　伴随着计算机技术的飞速发展，智能优化问题越来越受到人们的重视与研究。

　　优化算法在计算机领域，人工智能领域和管理决策领域都得到了广泛的应用。仿生优化算法的发展为建筑与土木工程领域的结构优化设计提供了一种全新而高效的方法选择。目前果蝇优化算法在土木工程领域中的应用尚且较少，本文将果蝇优化算法应用到桁架结构优化中，以期为土木工程结构优化提供一种新的方法和思路。标准果蝇优化算法在面对复杂多维度优化问题时在求解过程中表现相对不稳定，由于搜索逻辑的限制相对较容易造成早熟现象陷入局部最优解，本文针对这两个方面进行了相应的改进使其能更好的适应桁架结构优化问题。将基本果蝇优化算法中的固定搜索步长改为引入惯性权重函数的动态调整搜索步长，从而使算法在应对复杂多峰优化问题时更稳定。同时引入禁忌搜索理论，当达到算法局部收敛状态时继续深度寻优，提高寻优精度和速度以期跳出局部最优问题，从而更好的平衡果蝇算法的全局与局部搜索能力。将改进后的果蝇优化算法应用桁架算例和管式栈桥实际工程构件优化当中，将桁架杆件的横截面积设为变量，将桁架工程最小结构自重设为目标函数，进行结构模型优化分析，并与原始数据和文献中的其他算法进行对比。结果表明，改进后的果蝇优化算法在应对管式栈桥的结构优化等复杂问题时的稳定性和可能陷入局部最优解等问题均有明显改进，平衡了算法的全局与局部搜索能力，并且效果明显。本文为结构优化和类似工程问题的解决提供了一种新的思路和方法。

　　关键词：桁架结构优化；果蝇优化算法；自适应搜索步长；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

目录

　　第1章绪论

　　1.1选题的背景及意义

　　―十二五‖（2011-2015）时期我国土建行业得到了蓬勃的发展，人们对工程项目的结构功能有了更高的期待，对工程的美观度也有了进一步要求，提出了许多超前的特殊结构要求。如何在满足结构荷载及约束条件的前提下能更好的降低造价，使结构各个部分的受力情况更加合理，使整个结构可靠性、经济性和耐久性更佳，成为了人们不断深入研究的关键问题。同时，项目结构优化使得建造材料进一步减少，使土建行业更能符合国家可持续发展、绿色发展战略。

　　同时，我国在十三五（2016年至2020年）期间取得举世瞩目的经济建设成果，修建了大量的民用住房和大型基础设施。这些工程项目都具有施工难度高，运用大量新技术新标准，采用全新的设计概念等特点，对结构的设计提出了更高的要求。这些项目的顺利完成极大程度上满足了广大人民群众的日常生产生活需求，也为建筑产业提供了广阔的市场需求，一大批新技术新方法再次在此期间得到了广泛的应用并取得了良好的效果。

　　习总书记在《十九大报告》中指出―我国要坚定不移贯彻新发展理念，坚决端正发展观念、转变发展方式，发展质量和效益不断提升‖，―经济保持中高速增长，供给侧结构性改革深入推进，经济结构不断优化，数字经济等新兴产业蓬勃发展，高铁、公路、桥梁、港口、机场等基础设施建设快速推进‖。为我国基础设建设提出了全面的要求，我国广阔的地域、复杂的地貌也对基础设施建设的结构提出了更高的需求。Michell早在1904年提出了一种最早的桁架理论，这一理论被后人总结为Michell桁架理论[1],1977年Prager针对Michell桁架理论进行了相应的优化进而提出了如今被广泛接受的经典桁架布局理论[2],桁架理论的研究由此逐渐发展开来。桁架结构具有诸多优势，例如结构自重小、施工工艺简洁、造价低廉等，其结构由杆件和节点构成整个结构，有平面桁架和空间桁架[3]之分因此近年来被广泛应用到土建工程项目中，应用范围包括深基坑支护、道桥结构设计、特殊结构设计、高压输电线路网架、水利闸门及闸门支撑等。由于我国近年来不断加深基础设施建设，桁架结构在我国的工程建设中发挥着越来越重要的作用。正是由于桁架结构的上述优点，许多重大工程项目均采用桁架结构，例如乔治华盛顿大桥（图1-1）、鞍钢大跨度厂房（图1-2）、北京首都国际机场3号航站楼（图1-3）、深圳湾体育馆（图1-4）、广州展览馆（图1-5）、南京收费站（图1-6）等基础设施建筑中。

　　1.2结构设计优化的基本概况

　　1.2.1结构优化设计的内容设计优化

　　即在既定的约束条件下从若干已有的设计方案中选择出复合设计要求同时又最合理的设计已达到目标最优化。设计最优化就是不断寻找更佳设计方案的过程，这一过程的运用就是最优化设计方法，随后逐渐完善的最优设计理论成为了此方法的数学基础与理论根据[4].将力学约束条件和优化方法有机的结合在一起便是工程结构优化，根据工程需求的不同，将工程中某些参数以变量的形式参与优化计算，形成一个最优化结构的解域。再根据工程的约束条件建立数学模型，以数学的方法在所得的解域中寻找符合设计要求且最合理的设计方案。经过国内外学者的不断研究及实践表明，工程结构设计优化能明显降低工程成本，降低为原成本的70%~95%,工程施工总时长也能明显下降，工程的设计标准和建筑的耐久性、适用性都有了明显改善。

　　1.2.2结构优化设计的方法

　　结构优化经过多年的发展由最初的由设计人员被动的结构分析变成了现如今的主动结构优化，但优化难度依然很大。1974年SchimitLA和FarshiB提出了结构优化中的近似问题[5],之后伴随着计算机技术的应用，现代结构优化才真正成为了可能。结构优化这门学科的长足发展使得各类工程项目的结构可靠度更高，造价更低，结构设计的效率也大大提高。正是由于以上这些优点，结构优化越来越得到人们的重视与认可，正在成为工程领域中不可或缺的一部分。但是传统的结构优化方法存在着各种缺陷，在工程结构优化初期，没有有效的优化设计方法，人们在面对结构优化问题时往往根据直觉来判断，这一时期的方法被称为直觉准则法，例如极限应力法、极限应变法均是此时期的代表方法。受制人思想的局限性，这类方法几乎很难得到最优的结构优化设计。并且该方法效率极低也没有相应的理论依据，优化结果十分不稳定。随着时间的发展，结构优化方法又出现了数学规划法，该方法相较于传统的直觉准则法有了相应的数学理论支撑，有了很大的进步，寻优过程和取得的最优工程方案都更加稳定。但同时受制于该方法的数学理论限制，该方法只能用于能够显式表达的优化问题，且计算规模不易过大，计算效率低下。

　　在当今实际工程结构优化问题中，往往不是理想的受力状态，很大一部分是多维度约束条件、复杂非线性变化问题。由于上文所介绍的两种传统结构优化方法，即直觉准则法和数学规划法，都具有相应的缺陷，早已不适合解决如今复杂的工程结构优化问题，因而人们迫切的需要一种全新的结构优化方法，在这一背景下将现代的群智能优化算法应用到工程结构优化中来越来越受到学者们的重视。在广泛研究和学习自然界中生物的进化和生存习性这一过程中，人们逐渐了解了群体生物在生存过程中的优势并以此为基础提出了仿生学群智能算法理论。其中以蚁群智能算法[6]、遗传算法[7]和微粒群算法[8]

　　第1章绪论为代表，这三类经典智能算法为之后的智能算法理论研究奠定了坚实的基础。下面分别对以上三种智能优化算法做简要概述：

　　（1）蚁群智能算法目前，蚁群智能算法（AntColonyOptimizationalgorithms,ACO）[9-10]普遍被认为最早是由意大利学者Dorigo和其导师Maniezzo在上世纪90年代提出。在研究中他们发现，单只的蚂蚁个体并不具有群体智能性，而蚁群却能具有很好的群体智能性。例如蚂蚁群体在寻找食物时在群体层面上总能以最短的路径找到食物，能够以最优路程的避开路径上的各类障碍。蚁群智能算法相较于其他智能算法具有很强的鲁棒性，相对更容易与其他算法结合成为优势互补的复合式优化算法。因此国内外学者均对其做了大量研究，近年来蚁群算法已日趋完善并应用于广泛的领域中，取得了一系列的应用成果。但是，蚁群算法也存在着易早熟、求解过程相对不稳定等缺陷。

　　（2）遗传算法美国密歇根大学教授JohnHolland是最早提出遗传算法（GeneticAlgorithm,GA）的学者，该算法是Holland教授在研究生物遗传特性时偶然获得灵感而提出的一种群智能算法[11].在Holland教授提出GA算法后的十几年间，DeJong教授和Goldberg教授等又逐步对最初的GA算法进行了改进，使得其缺陷极大减少，逐步成为了如今成熟的遗传智能算法[12-13].遗传算法具有很多优点，例如其不需要优化问题的导函数连续，可直接应用于工程结构当中；算法本身采取并行式计算方法，能极大提高算法的寻优效率；在搜索方向上能够根据目标函数自适应改变，能够自主优化搜索空间[14-20].这些优点使得GA算法被广泛应用各个领域并被学者们广泛研究。但是遗传算法也存在着自身缺陷，如局部搜索能力和全局搜索能力不协调、收敛状态过早和求解过程波动较大，导致算法的收敛性能差，求解过程迭代时间长等问题[21].

　　（3）粒子群算法手群体动物觅食行为的启发，工程师Eberhart和心理学家kennedy提出了一种新式并行群体智能算法即粒子群算法（ParticleSwarmOptimization,PSO）[8].该算法是模拟自然界鸟群、鱼群等生物的群体协作觅食行为的最优路径，从而找到优化问题的最优解[22].粒子群算法在寻优初期能较快的寻找到全局最优解但同时也存在着寻优精度低、易发散等缺陷[24].在算法初步收敛的状态下，大部分粒子会向初步收敛出聚集，从而导致失去种群多样性，形成单一的收敛状态，收敛速度明显变慢同时最终的收敛精度相对于其他优化算法也较低[25-26].

　　随着时间的推移，越来越多的算法种类被开发与应用。这些智能算法理论成为以后人们研究优化问题高效而有力的工具。

　　1.2.3结构优化设计的研究现状

　　20世纪60年代，伴随着计算机技术的迅猛发展，使得设计人员将繁琐的结构设计工作由图纸搬到了电脑上。结构优化效率大为提高，结构设计人员可以有更多的时间与精力去考虑怎样得到更优的结构设计方案。1974年SchimitLA和FarshiB提出了将有限元思想与数学归纳理论相结合来求解工程结构重量最优问题，结构优化才逐步迈入了新的时代[5],之后伴随着智能优化算法也大量应用到结构优化当中，现代结构优化方法才逐步运用到工程实际当中。如今，经过多年的研究发展结构优化已经由最初的只能对结构尺寸进行优化变成了如今的能对结构形状进行最优化调节的拓扑优化和更进一步的材料分布优化；由单一目标优化问题发展为多个目标同时优化[27].正是由于结构优化这门学科的长足发展使得各类工程项目的结构可靠度更高，造价更低，结构设计的效率也大大提高。正是由于以上这些优点，结构优化越来越得到人们的重视与认可，正在成为工程领域中不可或缺的一部分。经过多年发展，许多中外学者对结构优化问题进行了深入研究，并将其成果应用到各自的领域，取得了一定的成果[28].例如GAzamirad和BArezoo提出了一种可大幅降低重量的冲压模具结构改进软件包[29].TIde等用结构优化方法设计轻质结构，并尽量减小接触约束应力的设计方法，成功地实现了轻量化齿轮箱的设计，可用于自动变速器的设计过程[30].A.Kaveh提出了一种称为水蒸发优化算法（WaterEvaporationOptimization,WEO），该算法是受物理学启发的基于种群的智能优化算法，用于连续结构优化[31].SRojas-Labanda等为了将不同的优化求解器应用到各种基于有限元的结构拓扑优化问题中，开发了一个具有广泛代表性的最小顺应性、最小体积和不同尺寸的机构设计问题实例库[32].SZargham讨论了求解结构拓扑优化问题常用的各种演算方法和数值方法[33].这些结构优化的研究取得了一些进展但还是有许多不足，例如会过早的收敛，求解过程不可靠，我们还是有必要对此进行相关研究。

　　1.3智能优化算法在结构优化设计中应用的国内外研究现状

　　1.3.1国内研究现状

　　自上世纪70年代，现代意义上的结构优化理论被提出，随后基于计算机技术的日趋成熟，将仿生智能算法应用于结构优化这一理念逐步被国内众多学者所重视并取得了一系列的研究与应用成果。房娟艳等，广泛研究了可用于工程领域的智能优化算法，讨论了算法应用于工程结构优化的意义和可行性，并针对某桁架工程应用多种智能优化算法进行结构优化，证明了经过优化算法结构优化后的工程结构可以有效提高其经济性和工程质量。[34].李丽娟等，首先研究了标准鱼群算法的特点与原理，随后在此基础上提出了一种引入粒子群算法的改进鱼群算法，将改进后的复合鱼群算法应用于四个桁架实际工程的结构优化当中，显著优化了桁架的结构自重，证明了改进后算法的有效性[35].

　　曾磊针使用化学反应算法（CRO）对具有应力约束和位移约束的桁架结构进行优化设计，通过实验选择符合实际问题的算法参数，对具有应力约束和位移约束的情况的桁架结构建立数学模型，对于工程中的约束问题采用惩罚函数机制来处理，并对比了传统处理方法[36].王迪针将如何配置高电压杆于桁架结构中这一难题和杆件横截面积优化问题进行同时优化，为此他提出了一种改进的遗传算法，该算法能有效提高算法的并行效率，同时对多个目标同时进行优化，并将该改进优化算法应用于某实际桁架工程当中，验证了改进后算法的可行性[37].王仁华等，提出一种基于形状退火算法（STSA）改进的结构拓扑优化算法，并将改进后的算法用于桁架结构拓扑优化设计，改进后的算法优化特点为注重结构构型的改变而较少考虑结构的力学性能，进而针对既定几何构型的桁架结构截面优化[38].梁靖昌为了实现启发式粒子群智能算法（HeuristicParticleSwarmOptimizer,HPSO）的多目标化，提出了一种引入Pareto最优理论的改进粒子群智能算法，该改进粒子群算法通过与GA算法相结合有效缓解了粒子群算法易陷入局部最优的缺陷，从而得到一个新型多目标杂交算法（Multi-objectiveHPSO-GAHybridAlgorithm,MHGH），并将改进后算法应用于计算模型中证明了算法的有效性[39].何润田提出了一种新型多目标深度搜索优化算法（IMQGSO），该算法采用多种群协同搜索，算法的并行程度高，计算效率快，能够同时针对多个目标函数进行协同优化，并将改进后的算法应用于多个实际桁架结构的优化算例中，证明了算法的有效性[40].如今经过多年的研究与发展，智能优化算法在桁架结构优化领域已经有了长足的发展，但是这些目前还存在着许多不足，如参数种类较多，设置较为复杂，不利于大规模的普及应用，因此继续对其研究以期找到一种相对简洁的智能有化算法来对桁架结构进行结构优化显得十分必要。

　　1.3.2国外研究现状

　　经过多年的研究与发展，国外的智能优化算法已经广泛应用到各个领域当中，在土木工程结构优化领域发挥着重要的作用，发展了种类繁多的改进优化算法来适应不同的工程结构需求。AFiore等，提出一种改进的差分进化算法来对平面钢桁架进行结构优化，以钢桁架的重量最小为目标函数，以方形空心横截面为计算变量，设计优化涉及尺寸优化，形状优化和拓扑优化[41].DervisKaraboga等，提出了一种基于混沌理论的改进人工蜂群算法（ABC），将其应用到桁架结构算例当中从而验证了改进算法针对桁架工程结构优化的有效性[42].AylinEceKayabekir探讨了一种新型智能算法即花卉授粉算法（FPA），并讨论了其应用在土木工程领域、机械领域、电子通讯领域和化学领域的实用性，其中在土木工程领域对25杆桁架结构应用FPA算法进行了结构优化，验证了算法的可行性[43].ZepengChen等，提出了一种结合改进的Nelder-Mead算法（NMA）的混合粒子群优化算法（PSO），改进后的NMA选择n-simplex子平面的一部分进行优化，使用基于模态应变能的指数（MSEBI）来定位损伤，可有效提升PSO算法的收敛速度和精度，极大提高了结构损伤检测（SDD）领域的计算效率[44].AndreaCaponio等，提出一种基于人口分布理论的元启发式算法用于对实际工程结构优化的应用，其所提出的算法在面临非线性和不可区分的优化问题时，都能较好的收敛，寻优过程稳定，提供了一种全新的思路[45].

　　1.4本文的主要工作

　　（1）在大量学习参考国内外相关文献的基础上，了解桁架结构的基本概念、结构特征、应用情况及其所面临的问题。深入研究了果蝇优化算法的原理和其优缺点，详细了解了替他主流算法的适用领域和主要原理。学习了针对智能算法的若干改进措施和其对应的改进方面。针对标准果蝇优化算法在面对复杂优化问题时求解状态不稳定，在寻优过程后期可能会陷入局部最优解这两个缺陷，对标准果蝇算法（FOA）的搜索步长进行改进，引入惯性权重系数ω，使果蝇算法的固定搜索步长变为动态的自适应步长。在算法步骤中引入禁忌搜索理论，使算法在初步到达收敛状态时通过更新禁忌表继续深度寻优从而跳出局部最优解。同时在大量研究相关文献的基础上，提出了一种基于禁忌搜索理论的改进果蝇优化算法（ImprovedFruitflyOptimizationAlgorithm,IFOA），IFOA在面对复杂优化问题时寻优过程表现稳定，在寻优后期阶段易陷入局部最优的缺陷也有了明显的改善。

　　（2）根据桁架结构的约束条件确定桁架结构的数学模型，根据果蝇优化算法的特点将桁架结构的数学模型应用到果蝇优化算法模拟，将改进后的果蝇优化算法应用到桁架结构的结构优化当中，包括经典桁架结构算例和实际桁架工程。将桁架结构杆件的横截面积设为变量，桁架结构的最小结构自重为目标函数。运用相应软件得到改进后的果蝇优化算法寻优曲线图，比将寻优结果与其他文献中的算法和标准果蝇优化算法进行对比以验证本文算法的有效性。

　　第 2 章 装配式模块化栈桥概述
　　2.1 栈桥的发展历程
　　2.2 栈桥的结构组成及特点
　　2.3 栈桥结构的国内外研究现状
　　2.3.1 国内研究现状
　　2.3.2 国外研究现状
　　2.4 装配式模块化栈桥
　　2.5 本章小结

　　第 3 章 果蝇优化算法及其常用改进
　　3.1 果蝇优化算法的原理
　　3.1.1 果蝇觅食原理
　　3.2 标准果蝇优化算法
　　3.2.1 标准果蝇优化算法步骤
　　3.2.2 标准果蝇优化算法流程图
　　3.3 标准 FOA 算法性能特点
　　3.4 果蝇优化算法的国内外研究现状
　　3.4.1 果蝇优化算法的国内研究现状
　　3.4.2 果蝇优化算法的国外研究现状

　　3.5 标准果蝇优化算法的优势与缺陷
　　3.5.1 标准果蝇优化算法的优势
　　3.5.2 标准果蝇优化算法的缺陷
　　3.6 标准果蝇优化算法的常用改进方法
　　3.6.1 标准果蝇优化算法本身的改进
　　3.6.2 标准果蝇优化算法与其他算法的结合
　　3.7 本章小结

　　第 4 章 基于禁忌搜索改进的果蝇优化算法及应用
　　4.1 果蝇优化算法的自适应步长
　　4.2 禁忌搜索理论
　　4.3 标准果蝇优化算法后期收敛的判定
　　4.4 改进果蝇优化算法（IFOA）步骤
　　4.5 改进果蝇优化算法（IFOA）在桁架结构优化中的应用
　　4.5.1 10 杆平面桁架结构截面优化设计
　　4.5.2 25 杆空间桁架结构截面优化设计
　　4.5.3 52 杆平面桁架
　　4.5.4 72 杆空间桁架结构截面优化设计
　　4.5.5 200 杆平面桁架结构截面优化设计
　　4.6 本章小结

　　第 5 章 基于改进果蝇算法的管式栈桥结构优化设计
　　5.1 工程概况
　　5.2 建立钢管栈桥工程的数学模型
　　5.2.1 钢管栈桥工程桁架结构的约束条件
　　5.2.2 钢管栈桥工程桁架结构的目标函数
　　5.3 钢管栈桥桁架工程结构优化设计
　　5.3.1 GHJ-6.9-30-1 段桁架结构工程概况
　　5.3.2 GHJ-6.9-30-1 段桁架结构优化设计
　　5.3.3 GHJ-6.9-1 段桁架结构工程概况
　　5.3.4 GHJ-6.9-1 段桁架结构优化设计
　　5.4 本章小结

结论与展望

　　结论

　　本文研究了果蝇优化算法在桁架实际工程结构优化中的可行性，对结构优化问题和智能算法理论均进行了详细的介绍。针对算法性能的不同，讨论了其在应用在土木工程结构优化领域所面临的缺陷与优势，并针对缺陷详细讨论了可能的改进措施，以求果蝇优化算法在面临土木工程结构优化问题时表现出强的适用性与更好的算法性能。通过上文对桁架结构和算法的详细分析，结合工程实例，可以得出如下结论：

　　（1）本文首先对桁架结构优化和智能优化算法的发展过程进行了介绍，对它们的国内外研究现状进行了简要概述。在结构优化与智能优化算法相结合这一领域，国外进行了较早的研究并取得了显著的成果，与之相比国内对这一领域的研究还有一定差距。在实际工程结构优化当中方法都较为落后，因此对结构优化与智能算法相结合这一领域的研究十分必要。

　　（2）介绍了经典结构优化方法的特点，及其在面对现代要求更高的工程结构时所面临的不足。介绍了标准果蝇优化算法的优点与缺陷，并与其它智能算法在寻优精度、寻优速度、计算量等方面进行了对比。对其实现步骤与流程进行了研究学习，通过对其应用现状的研究可知其在其他领域的应用已有了一定的成果，但在土木工程领域的领用还较为罕见。

　　（3）研究了智能优化算法的改进方法，并详细探讨了这些改进方法会对算法性能造成哪些方面的影响。针对标准果蝇优化算法的特点，介绍了若干具有针对性的主流改进措施。

　　（4）针对土木工程结构优化实际问题的特点，在标准果蝇优化算法的基础上引入惯性权重系数和禁忌搜索理论，将标准果蝇算法的固定搜索步长变为自适应搜索步长。使改进后的果蝇优化算法不易陷入局部最优解，在面对复杂优化问题时求解过程更加稳定。并通过桁架结构算例应用可知，改进后果蝇优化算法能适用与桁架结构优化问题。

　　（5）将改进后的果蝇优化算法应用到某钢管栈桥实际工程中，通过软件模 拟实现对钢管栈桥桁架的结构优化。优化结果表明，改进果蝇优化算法在面对复杂实际工程应用问题时求解过程稳定，也不易陷入局部最优解。与其他主流算法相比，性能表现更加良好，能够适用土木工程结构优化领域当中。

　　未来工作与展望

　　本文只是针对桁架结构的截面尺寸进行了优化，在结构形状优化和拓扑优化方面研究并未涉及，此外在更加复杂的桁架结构优化问题的研究尚且不足，因此在桁架结构优化问题上还有多问题值得我们去深入研究。

　　果蝇优化算法相比于其他算法具有极大的优势，在其他领域已有了显著的应用成果，若能在土木工程结构优化领域得到广泛的应用将会在很大程度上降低研究人员的工作量并在土木工程结构优化问题上取得更大成果，为以后的结构优化问题提供了新的方法与思路。

　　参考文献
　　[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] 闫宏亮。 改进的自适应遗传算法在桁架结构优化中的应用[D]. 长安大学， 2009.
　　[4] 蔡新， 郭兴文， 张旭明。 工程结构优化设计[M]. 中国水利水电出版社， 2003.
　　[5] Schmit L A, Farshi B. Some Approximation Concepts for Structural Synthesis[J].Aiaa Journal, 1973, 12（5）：692-699.
　　[6] 黄挚雄， 张登科， 黎群辉。蚁群算法及其改进形式综述[J].计算技术与自动化， 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] 唐文艳。 结构优化中的遗传算法研究和应用[D]. 大连理工大学， 2002.
　　[15] 刘兰芬，杨信丰。基于混合遗传算法的有效路径求解[J/OL].计算机工程与应用，2018:1-7[16] 张玉州，梅俊，徐廷政。一种求解 TSP 问题的混合遗传算法[J/OL].安庆师范大学学报（自然科学版），2018（03）：77-81[17] 周 勇 , 胡 中 功 . 改 进 的 快 速 遗 传 算 法 在 函 数 优 化 中 的 应 用 [J/OL]. 现 代 电 子 技术，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] 李红亚， 彭昱忠， 邓楚燕，等。 GA 与 PSO 的混合研究综述[J]. 计算机工程与应用， 2018（2）：20-28.
　　[22] 赵乃刚， 邓景顺。 粒子群优化算法综述[J]. 科技创新导报， 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] 张强，李盼池。一种自适应多策略行为粒子群优化算法[J/OL].控制与决策， 2018:1-9[27] 蔡新， 李洪煊， 武颖利，等。工程结构优化设计研究进展[J].河海大学学报（自然科学版）， 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]房娟艳， 魏燕婷， 魏长城，等。 工程结构优化的群体智能算法分析[J]. 湖州师范学院学报， 2016（10）：54-57.
　　[35]李丽娟， 彭懿。 粒子群-鱼群混合算法在桁架结构优化设计中的应用[J]. 空间结构， 2012, 18（4）：44-48.
　　[36] 曾磊。 基于 CRO 算法的桁架结构优化方法及应用研究[D].湖南大学， 2017.
　　[37] 王迪。 基于自适应遗传算法的智能桁杆件架多目标优化设计[J]. 科技创新与应用， 2015（23）：55-56.
　　[38] 王仁华， 赵宪忠。 平面桁架结构拓扑优化设计的改进智能算法[J]. 工程力学， 2012, 29（11）：205-211.
　　[39] 梁靖昌。 改进的启发式粒子群算法及其在钢结构中的多目标优化应用[D].广东工业大学，2015.
　　[40] 何润田。 改进的多目标快速群搜索算法及其在桁架优化中的应用[D].河北工程大学，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]庞瑞，李倩倩，李江华，王璐，刘晓怡。某国家粮食储备库钢桁架栈桥优化设计研究[J/OL].河南城建学院学报，2018（04）：49-54[47]狄海飞。浅淡特大桥水上钢栈桥的设计及施工[J].江西建材，2018（11）：60-61+63.
　　[48]薛江松，李金鹏。高速铁路隧道仰拱全工序履带式栈桥设计与应用[J].隧道建设（中英文），2018,38（08）：1397-1404.
　　[49]杨小军。输煤钢栈桥结构方案选择与探讨[J].山西煤炭， 2018, 38（04）：58-60+63.
　　[50]姚健。可回收钢栈桥在深基坑工程中的应用[J].建筑施工， 2018, 40（08）：1371-1373.
　　[51]张燕。施工栈桥在深基坑工程中应用技术研究[J].建筑结构， 2018, 48（S1）：783-787.
　　[52]邵荣伟。钻孔嵌岩植桩在钢栈桥管桩施工中的应用[J].低碳世界， 2018（06）：224-225.
　　[53]盛海江，古江林。模块栈桥工程监理要点分析[J].煤炭工程， 2018, 50（06）：161-163.
　　[54]张战凯，边鹏飞。深水钢栈桥设计方案对比分析[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] 韩 俊 英 , 刘 成 忠 . 自 适 应 变 异 的 果 蝇 优 化 算 法 [J]. 计 算 机 应 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] 刘成忠， 韩俊英。 基于细菌迁徙的自适应果蝇优化算法[J]. 计算机工程与科学， 2014, 36（04）：690-696.
　　[67] 李德毅， 孟海军。 隶属云和隶属云发生器[J]. 计算机研究与发展， 1995（jf）：15-20.
　　[68] 李德毅， 刘常昱。 论正态云模型的普适性[J]中国工程科学， 2004, 6（08）：28-34.
　　[69] 吴小文， 李擎。 果蝇算法和 5 种群智能算法的寻优性能研究[J]. 火力与指挥控制， 2013, 38（4）：17-20.
　　[70] 刘立群， 韩俊英， 代永强，等。 果蝇优化算法优化性能对比研究[J]. 计算机技术与发展， 2015（8）：94-98.
　　[71] 郑晓龙， 王凌， 王圣尧。 求解置换流水线调度问题的混合离散果蝇算法[J]. 控制理论与应用， 2014, 31（2）：159-164.
　　[72] 王克甫， 薛鹏， 黄全振，等。 求解旅行商问题的改进果蝇算法[J]. 计算机工程与设计， 2014（08）：2789-2792.
　　[73] 杨书佺， 舒勤， 何川。 改进的果蝇算法及其在 PPI 网络中的应用[J]. 计算机应用与软件， 2014（12）：291-294.
　　[74] 赖豪杰， 李晓英， 张磊，等。 基于改进果蝇算法的水库群调度应用研究[J]. 水电能源科学，2013（08）：74-76.
　　[75]吴坤， 康建设， 姜新亮。 基于果蝇算法和灰色神经网络的电子装备故障预测方法研究[J]. 计算机测量与控制， 2015, 23（09）：3081-3084.
　　[76]张凯， 王健， 蒋惠波，等。 基于改进果蝇算法的桥式起重机金属结构优化设计[J]. 起重运输机械， 2014（08）：41-44.
　　[77]耿立艳， 陈丽华。 基于 FOA 优化混合核 LSSVM 的铁路货运量预测[J]. 计算机应用研究， 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]张勇， 夏树发， 唐冬生。 果蝇优化算法对多峰函数求解性能的仿真研究[J]. 暨南大学学报（自然科学与医学版）， 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]宁剑平， 王冰， 李洪儒，等。 递减步长果蝇优化算法及应用[J]. 深圳大学学报（理工版）， 2014, 31（4）：367-373.
　　[91] 单单。 止损策略对双随机安全第一投资组合模型的影响研究[D]. 重庆大学， 2014.
　　[92] 毛正阳， 方群， 李克行，等。 应用改进果蝇优化算法的月面巡视器路径规划[J]. 中国空间科学技术， 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，罗富宝，丁金嫚。 禁忌搜索-粒子群算法在无功优化中的应用[J]. 电网技术，2011,35（07）：129-133.
　　[97] 韩俊英， 刘成忠。 自适应混沌果蝇优化算法[J]. 计算机应用， 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]张炳华。土建结构优化设计[M].同济大学出版社， 1998

致谢

　　首先，非常感谢我的导师李彦苍教授对我的指导和帮助。本文从选题到完成自始至终是在导师李彦苍教授的悉心指导下完成的，导师的谆谆教诲不仅使我学到了很多理论知识，而且也学到了做人的道理，导师渊博的知识、严谨的治学态度、一丝不苟的工作作风深深的感染了我，使我终身收益。在此谨向李彦苍老师致以最衷心的感谢！导师的深情厚谊作者将铭记一生！

　　衷心的感谢土木学院的各位领导及任课教师对我的指导与帮助，使我能够顺利完成学业。感谢父母在我的求学生涯中对我的支持与鼓励，感谢同窗室友在学习期间对我的帮助与鼓励，同时感谢所有在学业、生活、工作上关心我、帮助过我的人！本文的顺利完成参考了大量的参考文献，再此对这些文章的作者也表示感谢！最后特别感谢各位专家和教授在百忙之中对本文进行评阅，并渴望得到各位专家和教授的宝贵意见和建议！

（如您需要查看本篇毕业设计全文，请您联系客服索取）