摘要：由于船体结构及碰撞优化的复杂性,使得传统优化方法难以有效进行。基于遗传算法、模拟退火算法和BP神经网络,结合正交试验设计和ABAQUS参数化仿真技术,提出一种新的结构耐撞性优化方法--SGA-BP-GA。为了提高BP网络对结构耐撞性指标的预测精度和泛化能力,利用模拟退火算法的概率突跳特性克服遗传算法易早熟和陷于局部最优的缺点,在此基础上采用模拟退火遗传算法(SGA)对BP网络的权重进行优化。采用提出的SGA-BP-GA方法对fpso舷侧结构耐撞性能进行优化设计,以验证其准确性与可行性。结果表明:与传统BP、GA-BP和SA-BP相比,SGA-BP具有更高的预测精度和泛化能力;与GA-BP-GA方法相比,SGA-BP-GA优化结果仍提高了5.34%;提出的SGA-BP-GA方法能够较好的适用于复杂的船体结构耐撞性优化设计。

摘要：基于遗传算法和ABAQUS参数化有限元仿真技术,对传统的BP-GA优化方法进行改进,并采用改进的BP-GA方法对浮式生产储油卸油装置(fpso)舷侧结构的耐撞性能进行优化,以验证其可行性和准确性。结果表明,与传统的BP神经网络相比,经遗传算法优化的BP神经网络具有更高的预测精度和更强的泛化能力;改进的BP-GA优化方法可在结构减重的基础上进一步提高结构的耐撞性能,能较好地适用于复杂的fpso舷侧结构耐撞性优化设计。采用的优化方法具有通用性,可为抗爆性能的优化设计提供参考。