基于改进蜻蜓算法的结构损伤识别研究

刘文冰 林梓欢 张甲鑫

 

摘要：本文以梁式桥为研究对象，建立基于模态数据的目标函数，利用蜻蜓算法进行结构损伤识别，并在此基础上对算法进行改进，引入测试函数对改进算法进行计算功能评估，数值仿真结果进一步显示改进算法提升了结构损伤识别的识别精度和抗噪性能。

关键词：结构损伤识别，蜻蜓算法，改进蜻蜓算法

1引言

结构损伤识别致力于建立结构几何/材料参数和模态参数等特征之间的关系，并通过测量和这些特征关系的异常变化来反演结构的损伤情况[1, 2]。蜻蜓算法（Dragonfly algorithm，DA）是由Seyedali Mirjalili[3]等于2016年提出的一种新型智能优化算法，其主灵感来源于自然界中蜻蜓的静态和动态群集行为。该算法具有强大的寻优能力，近年来已成功应用于机械领域、图像识别、结构优化等领域。尽管蜻蜓算法在其他领域的应用已取得一定成果，但在结构损伤识别领域的应用效果尚不明确[4]。因此，本文旨在搭建基于蜻蜓算法的结构损伤识别框架，并基于强化莱维飞行和最优解双向搜索策略，形成改进蜻蜓算法，研究其在结构损伤识别的性能和应用。

2改进蜻蜓算法

基于原始蜻蜓算法存在容易陷入局部最优，识别精度不足的问题，本文提出一种融合强化莱维飞行、最优解双向搜索策略的改进蜻蜓算法（Improved dragonfly algorithm，IDA）。改进策略具体描述如下：（1）强化莱维飞行策略。莱维飞行具有遍历性和随机性，是一种非高斯的随机过程。强化莱维飞行策略由小步长（短距离）的跳跃聚集在一块，和偶尔大步长（长距离）的跳跃组成，两者相互交替[5]。该模式可以提高蜻蜓个体在搜索空间内最大程度全面搜索能力；（2）最优解双向搜索策略。双向搜索策略被广泛应用于寻找最优解的问题，这种策略能够极大地提高搜索效率，其思路是在一个方向上搜索，然后在另外一个方向再搜索，直到找到最优解。该方法可以搜索大型空间范围而不需要消耗大量时间。

强化莱维飞行策略提高了蜻蜓个体在搜索空间内最大程度全面搜索能力，最优解双向搜索策略降低了搜索时间，将两者融入蜻蜓算法中得到改进蜻蜓算法后，可以有效提高结构识别损伤精度并缩短运行时间。

3数据仿真

3.1基准函数测试

本文通过将以上两种优化策略应用于原蜻蜓算法（DA算法）中，形成改进蜻蜓算法（IDA）算法，在正式投入应用前，对两者计算性能对比评估。我们测试函数进行测试，将迭代次数设置为500，种群个数设置为30，将DA算法和IDA算法各运行10次取平均值，得到测试结果如下图1所示。从图中可以看出，迭代初期，IDA算法的收敛路径略微优于DA算法；迭代后期，IDA算法的收敛路径大幅度优于DA算法，说明IDA算法可以更快地脱离局部最优解，充分利用前期最优解的信息指引，提高后期运行效率。

图1 测试结果

3.2桁架结构损伤识别

本文考虑如图2所示桁架模型，测试所提算法应用于结构损伤识别领域的性能，其物理参数和几何参数分别为：弹性模量E=210GPa，材料密度ρ=7850kg/m3，其横截面为矩形截面，面积A=1.164e-3m2，惯性矩I=7.6165e-7 m4，泊松比为0.3。桁架共划分为31个单元，每个单元长度L=1.52m。目标函数设置如下：

(1)

式中：μ1、μ2分别为频率和阵型的权重系数。

图2 桁架模型

工况如表1所示，考虑1%高斯白噪声。

表 1损伤工况设置

工况	损伤类型	损伤描述
1	单损伤	20%@15
2	多损伤	20%@15，20%@30

基于IDA的结构损伤识别结果如图3所示，

图3 基于IDA的结构损伤识别结果

可以看出改进后蜻蜓算法在无噪声和1%噪声的情况下，结构损伤识别结果较为精确。特别是单损伤工况下，识别精度几乎接近100%。在加入噪声影响后，改进蜻蜓算法在工况2中的16号单元出现了一定程度的误判，但识别幅值较真实损伤小很多。从以上结果可以看出通过这种方法进行的结构损伤识别得出的数据是可靠的，方法具有可行性。

4结论

本文建立了一种基于模态数据和蜻蜓算法的结构损伤识别框架，并融入了强化莱维飞行和最优解双向搜索策略，提出了一种改进蜻蜓算法。该算法无论是在单损伤、多损伤工况下都能提供有效损伤识别信息，并且在加入噪声影响后，原蜻蜓算法出现较大判别误差，而改进蜻蜓算法可以明显减小判别误差，提高识别精度。

参考文献

[1] 缪炳荣, 张盈, 黄仲等. 利用模态应变能变化率的结构损伤识别优化方法[J]. 振动工程学报, 2023 36(02): 477-86.

[2] HOU R R, XIA Y. Review on the new development of vibration-based damage identification for civil engineering structures: 2010-2019 [J]. J Sound Vib 2021, 491.

[3] MIRJALILI S. Dragonfly algorithm: a new meta-heuristic optimization technique for solving single-objective, discrete， and multi-objective problems [J]. Neural Comput Appl, 2016, 27(4): 1053-73.

[4] CHEN Z P, ZHAO D, LIU Q T, et al. A Novel Improved Dragonfly Algorithm-Based Structural Damage Identification Approach Using Flexibility Assurance Criterion and Trace Lasso [J]. Int J Struct Stab Dy, 2023.

[5] 奚金明, 郑荣艳. 基于自适应权重和莱维飞行的改进海鸥优化算法[J]. 计算机系统应用, 2023, 32(12): 171-9.

第一作者：刘文冰（2003-），广东梅州，在读本科生，土木工程

基金项目：佛山科学技术学院创新创业计划创新训练项目（S202311847057）