摘要：基于传统加筋形式的船舶舷侧结构,提出一种新式折叠V型夹层板舷侧结构,针对其复杂的耐撞性优化问题,分别利用GA-BP-GA方法和直观分析法对其开展耐撞性能优化设计,并验证了GA-BP-GA方法的可行性与准确性。结果表明:经遗传算法优化后的BP神经网络具有较优的训练精度和泛化能力;与原设计相比,GA-BPGA最优设计的耐撞性能提高了21.0%,高于正交最优设计的16.5%和直观优化的6.3%;GA-BP-GA最优设计关于耐撞性指标的预测值与有限元仿真值之间的相对误差均小于3.5%,具有较高的可信度。

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。