基于GA遗传算法的悬索桥静载试验车辆最优布载matlab仿真_悬索桥荷载试验车辆布置-优快云博客

1.程序功能描述

基于GA遗传算法的悬索桥静载试验车辆最优布载matlab仿真。主要是为了实现悬索桥静载试验自动化布载（确定车辆位置使得满足加载效率ηq的要求，0.95≤ηq≤1.05），总体要求是ηq尽量靠近1，所用的加载车辆尽量少，进行布载耗时越少越好。

2.测试软件版本以及运行结果展示

MATLAB2022A版本运行

测试工况：

测试仿真图：

测试数据结论：

车辆布载位置：

Xi_best =

179.5512 191.5642 216.6627 258.8153

车辆方向：

Di_best =

1 1 -1 1

车辆类型：

Ti_best =

3 3 3 3

占用车道：

Li_best =

6 6 6 5

最优函数值：

Minf =

3.3329e+03

加载效应值：

Ss =

3.3329e+03

载荷效率：

Lr =

0.9884

有效车辆：

ans =

23

算法仿真时间：

Times =

29.4721

（完整程序运行后无水印）

3.核心程序

..........................................................
          %约束条件分析
          if setss == 1 & Lr >= 0.95 & Lr <= 1.05 & flag == 1 & Lr8 <= 1.05 & Lr10 <= 1.05 & Lr37 <= 1.05 & Lr38 <= 1.05 & Lr52 <= 1.05 & Lr53 <= 1.05 & Lr142 <= 1.05 & Lr143 <= 1.05 & Lr144 <= 1.05 & Lr159 <= 1.05 & Lr160 <= 1.05 & Lr161 <= 1.05 & Lr162 <= 1.05 & Lr163 <= 1.05 & Lr164 <= 1.05 & Lr181 <= 1.05 & Lr199 <= 1.05 & Lr258 <= 1.05 & Lr259 <= 1.05
%              [epls,Lr,Ss] = func_obj(Xi,Di,Ti,Li,L_influence,S); 
             XXX=XXX+1; 
             Right(a) = 1;
             Xis{XXX} = [Xi];
             Dis{XXX} = [Di];
             Tis{XXX} = [Ti];
             Lis{XXX} = [Li];
             Lrs = [Lrs;Lr];
             Jrs = [Jrs;epls];
             Sss = [Sss;Ss];
             
             Lrs1= [Lrs1;Lr8];
             Lrs2= [Lrs2;Lr10];
             Lrs3= [Lrs3;Lr37];
             Lrs4= [Lrs4;Lr38];
             Lrs5= [Lrs5;Lr52];
             Lrs6= [Lrs6;Lr53];
             Lrs7= [Lrs7;Lr142];
             Lrs8= [Lrs8;Lr143];
             Lrs9= [Lrs9;Lr144];
             Lrs10= [Lrs10;Lr159];
             Lrs11= [Lrs11;Lr160];
             Lrs12= [Lrs12;Lr161];
             Lrs13= [Lrs13;Lr162];
             Lrs14= [Lrs14;Lr163];
             Lrs15= [Lrs15;Lr164];
             Lrs16= [Lrs16;Lr181];
             Lrs17= [Lrs17;Lr199];
             Lrs18= [Lrs18;Lr258];
             Lrs19= [Lrs19;Lr259];
          end
          JJ(a,1) = E;
      end 
      
      Objvsel=(JJ);    
      [Chrom,Objv]=reins(Chrom,Selch,1,1,Objv,Objvsel);   
      gen=gen+1; 
        
      
      %保存参数收敛过程和误差收敛过程以及函数值拟合结论
      Error(gen) = mean(Objvsel);
end 




[V,I]   = max(Jrs);


Xi_best = Xis{I};
Di_best = Dis{I};
Ti_best = Tis{I}; 
Li_best = Lis{I};
N;
Lr      = Lrs(I);
Ss      = Sss(I);
Minf    = V;

Times    = toc; 
%              Lrs1= [Lrs1;Lr8];
%              Lrs2= [Lrs2;Lr10];
%              Lrs3= [Lrs3;Lr37];
%              Lrs4= [Lrs4;Lr38];
%              Lrs5= [Lrs5;Lr52];
%              Lrs6= [Lrs6;Lr53];
%              Lrs7= [Lrs7;Lr142];
%              Lrs8= [Lrs8;Lr143];
%              Lrs9= [Lrs9;Lr144];
%              Lrs10= [Lrs10;Lr159];
%              Lrs11= [Lrs11;Lr160];
%              Lrs12= [Lrs12;Lr161];
%              Lrs13= [Lrs13;Lr162];
%              Lrs14= [Lrs14;Lr163];
%              Lrs15= [Lrs15;Lr164];
%              Lrs16= [Lrs16;Lr181];
%              Lrs17= [Lrs17;Lr199];
%              Lrs18= [Lrs18;Lr258];
%              Lrs19= [Lrs19;Lr259];
Lr8 = Lrs1(I);
Lr10 = Lrs2(I);
Lr37 = Lrs3(I);
Lr38 = Lrs4(I);
Lr53 = Lrs5(I);
Lr52 = Lrs6(I);
Lr142 = Lrs7(I);
Lr143 = Lrs8(I);
Lr144 = Lrs9(I);
Lr159 = Lrs10(I);
Lr160 = Lrs11(I);
Lr161 = Lrs12(I);
Lr162 = Lrs13(I);
Lr163 = Lrs14(I);
Lr164 = Lrs15(I);
Lr181 = Lrs16(I);
Lr199 = Lrs17(I);
Lr258 = Lrs18(I);
Lr259 = Lrs19(I);


%画图
func_view2(Xi_best,Di_best,Ti_best,Li_best,N,x1,x2);  
hold on
 

% data8  = load('dat\8.txt');
% data9  = load('dat\9.txt');
% data37  = load('dat\37.txt');
% data38 = load('dat\38.txt');
% data52 = load('dat\52.txt');
% data53 = load('dat\53.txt');
% data142 = load('dat\142.txt');
% data143 = load('dat\143.txt');
% data144 = load('dat\144.txt');
% data159 = load('dat\159.txt');
% data160  = load('dat\160.txt');
% data161  = load('dat\161.txt');
% data162  = load('dat\162.txt');
% data163 = load('dat\163.txt');
% data164 = load('dat\164.txt');
% data181 = load('dat\181.txt');
% data199 = load('dat\199.txt');
% data258 = load('dat\258.txt');
% data159 = load('dat\159.txt');


DD1 = data9;
DD2 = data10;
DD3 = data37;
DD4 = data38;
DD5 = data52;
DD6 = data53;
DD7 = data142;
DD8 = data143;
DD9 = data144;
DD10 = data159;
DD11 = data160;
DD12 = data161;
DD13 = data162;
DD14 = data163;
DD15 = data164;
DD16 = data181;
DD17 = data199;
DD18 = data258;
DD19 = data259;
DD20 = data259;

func_influence_line(DD1,DD2,DD3,DD4,DD5,DD6,DD7,DD8,DD9,DD10,DD11,DD12,DD13,DD14,DD15,DD16,DD17,DD18,DD19,DD20,NUS);

 
clc; 


disp('车辆布载位置：');
Xi_best

disp('车辆方向：');
Di_best

disp('车辆类型：');
Ti_best

disp('占用车道：');
Li_best

disp('最优函数值：'); 
Minf


disp('加载效应值：'); 
Ss

disp('载荷效率：'); 
Lr

disp('有效车辆：'); 
sum(Li_best)

disp('算法仿真时间：'); 
Times
 

[Lr,Lr8,Lr10,Lr37,Lr38,Lr52,Lr53,Lr142,Lr143,Lr144,Lr159,Lr160,Lr161,Lr162,Lr163,Lr164,Lr181,Lr199,Lr258,Lr259]'


figure;
plot(Error,'b-o');
xlabel('迭代次数');
ylabel('error');
06_057m

4.本算法原理

基于遗传算法（Genetic Algorithm, GA）的拱桥静载试验车辆最优布载问题是一个复杂的优化问题。在这个问题中，目标是最小化车辆布置对拱桥产生的不利影响，同时确保试验能够有效检测出拱桥的承载能力和潜在问题。假设有一座拱桥，我们需要对其进行静载试验，以评估其承载能力。为了进行这项试验，我们需要确定如何将车辆放置在桥面上，以便能够模拟最不利的情况，同时又不会对桥梁造成损害。这涉及到了车辆的位置、重量分布等问题。我们的目标是找到一种车辆布载方案，使得桥梁的关键部位承受最大的荷载，从而能够有效地评估桥梁的性能。

为了实现桥梁静载试验自动化布载（确定车辆位置使得满足加载效率ηq的要求，0.95≤ηq≤1.05），总体要求是ηq尽量靠近1，所用的加载车辆尽量少，进行布载耗时越少越好。

ηq=Ss/(1+μ)∙S

式中：

Ss—为静载试验荷载作用下控制截面设计内力或位移计算值；

S—为控制荷载作用下相应截面最不利内力或位移计算值；

μ—为按规范取用的冲击系数，对于平板挂车、履带车、重型车辆，取μ=0。

建立如下的优化模型：