21、基于多策略PSO - ES的结构优化方法及其应用

基于多策略PSO - ES的结构优化方法及其应用

1. 优化算法概述

在优化设计领域，存在多种无需目标函数（OF）梯度信息的算法，避免了基于梯度方法耗时且计算成本高的特点。在进化算法（EAs）领域，J. Holland最早开发了基于种群的遗传算法（GA），它模拟了达尔文进化论和遗传现象。1995年，Eberhart和Kennedy提出了粒子群优化（PSO）算法，这是另一种著名的基于种群的方法，模拟了自然界中动物（如鱼群、鸟群）的觅食行为。

PSO算法最初只能解决无约束优化问题，后来通过采用不同策略，也能解决有约束的优化问题。下面将详细介绍PSO算法、多策略PSO以及其在数值基准问题和结构优化实例中的应用。

2. 粒子群优化（PSO）算法

PSO算法基于由N个智能体组成的种群，每个智能体在搜索空间中的位置代表优化问题的一个试验解。在迭代优化过程中，粒子群中的粒子独立飞行，但从整个群体来看呈现出全局智能运动。

从经典力学的角度，标准PSO算法中，第k代的每个粒子i由其在搜索空间中的位置$kxi$和速度$kvi$完全表征。粒子的下一个位置受两种信息影响：
- 自我记忆：粒子能记住其访问过的最佳位置，作为局部吸引子，记为$pbest kx Pb_i$。
- 全局吸引子：基于整个群体中粒子共享的信息，记为$gbest kxGb$。

为防止速度爆炸，速度项被上限$vmax = γ (xu - xl)/τ$限制，其中时间单位$τ = 1$，$γ ∈[0.1, 1]$。粒子的位置和速度遵循以下调整规则：
[
\begin{align }
(k + 1)vi &= k