本书围绕航空航天结构一体化概率设计工程背景，以代理模型为主线，结合机器学习、智能算法、大数据等新兴技术，着重介绍航空航天结构智能可靠性设计的理论方法应用，涉及可靠性的基本知识、数学基础、设计方法等理论，Kriging、支持向量机、人工神经网络等代理模型技术，结构系统智能可靠性设计等方法与实例分析，以及人工智能学习理论在航空航天结构可靠性中的应用发展。本书将基础理论技术方法实例分析相结合，采用由易到难、循序渐进的方式进行编写，以便教学和学习。
样章试读
目录
- 目录
前言
第1章 结构可靠性理论基础001
1.1 结构可靠性定义及相关概念001
1.2 结构可靠性分类003
1.2.1 结构可靠性命名003
1.2.2 结构可靠性计算模型003
1.3 结构可靠性分析方法004
1.4 结构可靠性设计的数学基础006
1.4.1 随机事件及其概率007
1.4.2 随机变量及其分布的数字特征010
1.4.3 随机变量的函数分布015
1.4.4 统计量与统计方法019
1.4.5 泊松随机过程020
1.4.6 发生函数方法021
1.4.7 结构可靠性常用分布函数027
思考题037
习题037
参考文献038
第2章 结构可靠性设计方法039
2.1 近似解析方法039
2.1.1 线性功能函数情况下的可靠性分析039
2.1.2 非线性功能函数情况下的可靠性分析040
2.1.3 均值一次二阶矩可靠性分析方法的优缺点041
2.2 数学模拟方法041
2.2.1 MC法042
2.2.2 拉丁超立方抽样044
2.2.3 CVT抽样045
2.2.4 LCVT抽样045
2.2.5 重要度抽样046
2.3 结构可靠性设计的代理模型方法049
2.3.1 传统响应面法049
2.3.2 加权响应面法051
2.3.3 移动响应面法056
2.3.4 极值响应面法059
2.3.5 结构可靠性优化设计方法064
2.4 结构系统多目标可靠性设计的高精度代理模型方法068
2.4.1 系统可靠性经典模型069
2.4.2 系统层可靠性分析与建模方法073
2.4.3 分布式协同响应面法076
2.4.4 分布式协同极值响应面法082
2.4.5 矢量代理模型方法084
2.4.6 结构系统可靠性优化设计方法092
思考题100
参考文献100
第3章 基于Kriging模型的结构可靠性设计方法106
3.1 Kriging模型方法106
3.1.1 基本思想106
3.1.2 数学模型106
3.1.3 结构可靠性设计流程108
3.1.4 实例分析109
3.1.5 自适应Kriging模型109
3.2 极值Kriging模型方法113
3.2.1 基本思想113
3.2.2 数学模型114
3.2.3 动态概率分析原理115
3.2.4 实例分析116
3.3 分解协调改进Kriging模型方法119
3.3.1 基本思想119
3.3.2 数学模型119
3.3.3 动态协同概率分析原理122
3.3.4 实例分析122
3.4 分解协调改进极值Kriging模型方法126
3.4.1 基本思想126
3.4.2 数学模型126
3.4.3 动态协同概率分析原理126
3.4.4 实例分析127
3.5 分解协调混合代理模型方法129
3.5.1 基本思想129
3.5.2 数学模型130
3.5.3 动态可靠性分析原理131
3.5.4 实例分析131
3.6 基于Kriging模型方法的复杂结构动态协同优化设计137
3.6.1 基本思想137
3.6.2 动态协调优化设计分析原理138
3.6.3 实例分析138
思考题144
参考文献144
第4章 基于人工神经网络模型的结构可靠性设计方法146
4.1 人工神经网络模型方法146
4.1.1 基本思想147
4.1.2 数学模型148
4.1.3 结构可靠性设计流程151
4.1.4 实例分析152
4.2 广义回归神经网络模型方法153
4.2.1 基本思想153
4.2.2 数学模型154
4.2.3 结构可靠性设计流程155
4.2.4 实例分析156
4.3 基于人工神经网络的结构可靠性优化设计方法157
4.3.1 基本思想157
4.3.2 数学模型157
4.3.3 结构可靠性设计流程158
4.3.4 实例分析159
4.4 基于神经网络回归分布式协同策略的结构可靠性设计方法160
4.4.1 基本思想161
4.4.2 数学模型162
4.4.3 NNRDCS流程165
4.4.4 实例分析165
思考题169
参考文献169
第5章 基于支持向量机模型的结构可靠性设计方法170
5.1 支持向量机模型170
5.1.1 基本思想170
5.1.2 基础理论171
5.1.3 支持向量分类模型173
5.1.4 支持向量回归模型177
5.1.5 结构可靠性设计流程179
5.2 变保真度支持向量回归模型180
5.2.1 基本思想180
5.2.2 参数优化180
5.2.3 变保真度建模182
5.2.4 实例分析184
5.3 基于支持向量回归的极值响应面模型方法190
5.3.1 基本思想190
5.3.2 数学模型191
5.3.3 结构可靠性设计流程192
5.3.4 实例分析192
5.4 分布式协同极值支持向量机模型方法196
5.4.1 分布式协同极值响应面法的基本思想196
5.4.2 分布式协同极值支持向量机数学模型196
5.4.3 结构可靠性设计流程198
5.4.4 实例分析198
5.5 基于支持向量机模型的结构可靠性优化设计方法200
5.5.1 支持向量机可靠性优化设计基本思想200
5.5.2 自适应采样准则201
5.5.3 收敛准则202
5.5.4 算法流程203
5.5.5 实例分析204
5.6 基于支持向量机模型的结构系统可靠性优化设计方法205
5.6.1 基本思想205
5.6.2 改进支持向量机的数学模型205
5.6.3 实例分析205
思考题208
参考文献208
第6章 基于深度学习的结构可靠性设计方法209
6.1 深度学习基本概念209
6.1.1 深度学习的分类209
6.1.2 深度神经网络模型210
6.1.3 深度学习的可靠性分析基本步骤211
6.1.4 基于深度学习的结构可靠性评估流程212
6.2 深度神经网络方法213
6.2.1 深度神经网络213
6.2.2 常见的激活函数214
6.2.3 深度神经网络的计算过程216
6.3 卷积深度神经网络方法216
6.3.1 基本思想216
6.3.2 数学模型217
6.4 长短时记忆网络方法219
6.4.1 基本思想219
6.4.2 数学模型219
6.5 深度学习在航空结构可靠性设计中的应用220
6.5.1 实例1220
6.5.2 实例2222
思考题224
参考文献224
第7章 基于遗传算法的结构可靠性设计226
7.1 遗传算法226
7.1.1 遗传算法的基本原理226
7.1.2 遗传算法的优点227
7.2 改进极值Kriging模型方法228
7.2.1 基本思想228
7.2.2 数学模型228
7.3 遗传算法应用229
7.3.1 IKERSM建模特性229
7.3.2 IKERSM的仿真性能230
7.4 多种群遗传算法231
7.4.1 多种群遗传算法的基本原理231
7.4.2 多种群遗传算法所具备的优势234
7.5 基于移动极值的改进Kriging框架模型方法234
7.5.1 MKMEF的基本思想234
7.5.2 MKMEF的数学模型235
7.5.3 动态概率分析原理236
7.6 多种群遗传算法的应用236
7.6.1 MKMEF的建模特性236
7.6.2 MKMEF的仿真性能238
思考题238
习题239
参考文献239
第8章 基于粒子群优化算法的结构可靠性设计240
8.1 粒子群优化算法理论240
8.1.1 粒子群优化算法原理与标准算法240
8.1.2 粒子群优化算法实现242
8.1.3 粒子群优化算法参数分析244
8.1.4 粒子群优化算法分类245
8.1.5 粒子群优化算法应用领域246
8.2 粒子群优化算法改进247
8.2.1 参数设置247
8.2.2 拓扑结构247
8.2.3 混合策略248
8.3 实例分析249
8.3.1 标准测试函数249
8.3.2 工程实例分析252
思考题257
参考文献257
第9章 基于蚁群优化算法的结构可靠性设计258
9.1 蚁群优化算法原理258
9.2 蚁群优化算法的特点260
9.3 蚁群优化算法的改进260
9.3.1 自适应蚁群优化算法260
9.3.2 蚁群神经网络261
9.4 实例分析262
9.4.1 函数优化问题262
9.4.2 工程实例265
参考文献268
第10章 基于捕食者算法的结构可靠性设计270
10.1 捕食者算法的基本思想270
10.2 海洋捕食者算法的数学模型271
10.3 海洋捕食者算法的优化过程272
10.3.1 高速度比或猎物速度大于捕食者时（阶段1）272
10.3.2 单位速度比或捕食者和猎物以几乎相同的速度移动时（阶段2）272
10.3.3 低速度比且当捕食者速度大于猎物时（阶段3）273
10.4 涡的形成和海洋的记忆274
10.4.1 涡的形成和FAD效应274
10.4.2 海洋的记忆275
10.5 MPA的阶段、探索与开发275
10.6 海洋捕食者Kriging模型方法276
10.7 实例分析279
思考题281
参考文献281
第11章 结构可靠性设计的其他仿生智能算法283
11.1 人工蜂群算法283
11.1.1 背景283
11.1.2 原理及推导过程283
11.1.3 使用及其优缺点286
11.2 量子遗传算法287
11.2.1 产生背景287
11.2.2 基本理论288
11.2.3 量子遗传算法流程291
11.3 人工鱼群算法293
11.3.1 背景293
11.3.2 原理293
11.3.3 推导过程294
11.3.4 算法描述297
11.3.5 使用与结论298
京公网安备 11010102004214号