航空航天结构智能可靠性设计

目录前言第1章 结构可靠性理论基础0011.1 结构可靠性定义及相关概念0011.2 结构可靠性分类0031.2.1 结构可靠性命名0031.2.2 结构可靠性计算模型0031.3 结构可靠性分析方法0041.4 结构可靠性设计的数学基础0061.4.1 随机事件及其概率0071.4.2 随机变量及其分布的数字特征0101.4.3 随机变量的函数分布0151.4.4 统计量与统计方法0191.4.5 泊松随机过程0201.4.6 发生函数方法0211.4.7 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0392.1 近似解析方法0392.1.1 线性功能函数情况下的可靠性分析0392.1.2 非线性功能函数情况下的可靠性分析0402.1.3 均值一次二阶矩可靠性分析方法的优缺点0412.2 数学模拟方法0412.2.1 MC法0422.2.2 拉丁超立方抽样0442.2.3 CVT抽样0452.2.4 LCVT抽样0452.2.5 重要度抽样0462.3 结构可靠性设计的代理模型方法0492.3.1 传统响应面法0492.3.2 加权响应面法0512.3.3 移动响应面法0562.3.4 极值响应面法0592.3.5 结构可靠性优化设计方法0642.4 结构系统多目标可靠性设计的高精度代理模型方法0682.4.1 系统可靠性**模型0692.4.2 系统层可靠性分析与建模方法0732.4.3 分布式协同响应面法0762.4.4 分布式协同极值响应面法0822.4.5 矢量代理模型方法0842.4.6 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1063.1 Kriging模型方法1063.1.1 基本思想1063.1.2 数学模型1063.1.3 结构可靠性设计流程1083.1.4 实例分析1093.1.5 自适应Kriging模型1093.2 极值Kriging模型方法1133.2.1 基本思想1133.2.2 数学模型1143.2.3 动态概率分析原理1153.2.4 实例分析1163.3 分解协调改进Kriging模型方法1193.3.1 基本思想1193.3.2 数学模型1193.3.3 动态协同概率分析原理1223.3.4 实例分析1223.4 分解协调改进极值Kriging模型方法1263.4.1 基本思想1263.4.2 数学模型1263.4.3 动态协同概率分析原理1263.4.4 实例分析1273.5 分解协调混合代理模型方法1293.5.1 基本思想1293.5.2 数学模型1303.5.3 动态可靠性分析原理1313.5.4 实例分析1313.6 基于Kriging模型方法的复杂结构动态协同优化设计1373.6.1 基本思想1373.6.2 动态协调优化设计分析原理1383.6.3 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1464.1 人工神经网络模型方法1464.1.1 基本思想1474.1.2 数学模型1484.1.3 结构可靠性设计流程1514.1.4 实例分析1524.2 广义回归神经网络模型方法1534.2.1 基本思想1534.2.2 数学模型1544.2.3 结构可靠性设计流程1554.2.4 实例分析1564.3 基于人工神经网络的结构可靠性优化设计方法1574.3.1 基本思想1574.3.2 数学模型1574.3.3 结构可靠性设计流程1584.3.4 实例分析1594.4 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1604.4.1 基本思想1614.4.2 数学模型1624.4.3 NNRDCS流程1654.4.4 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1705.1 支持向量机模型1705.1.1 基本思想1705.1.2 基础理论1715.1.3 支持向量分类模型1735.1.4 支持向量回归模型1775.1.5 结构可靠性设计流程1795.2 变保真度支持向量回归模型1805.2.1 基本思想1805.2.2 参数优化1805.2.3 变保真度建模1825.2.4 实例分析1845.3 基于支持向量回归的极值响应面模型方法1905.3.1 基本思想1905.3.2 数学模型1915.3.3 结构可靠性设计流程1925.3.4 实例分析1925.4 分布式协同极值支持向量机模型方法1965.4.1 分布式协同极值响应面法的基本思想1965.4.2 分布式协同极值支持向量机数学模型1965.4.3 结构可靠性设计流程1985.4.4 实例分析1985.5 基于支持向量机模型的结构可靠性优化设计方法2005.5.1 支持向量机可靠性优化设计基本思想2005.5.2 自适应采样准则2015.5.3 收敛准则2025.5.4 算法流程2035.5.5 实例分析2045.6 基于支持向量机模型的结构系统可靠性优化设计方法2055.6.1 基本思想2055.6.2 改进支持向量机的数学模型2055.6.3 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2096.1 深度学习基本概念2096.1.1 深度学习的分类2096.1.2 深度神经网络模型2106.1.3 深度学习的可靠性分析基本步骤2116.1.4 基于深度学习的结构可靠性评估流程2126.2 深度神经网络方法2136.2.1 深度神经网络2136.2.2 常见的激活函数2146.2.3 深度神经网络的计算过程2166.3 卷积深度神经网络方法2166.3.1 基本思想2166.3.2 数学模型2176.4 长短时记忆网络方法2196.4.1 基本思想2196.4.2 数学模型2196.5 深度学习在航空结构可靠性设计中的应用2206.5.1 实例12206.5.2 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2267.1 遗传算法2267.1.1 遗传算法的基本原理2267.1.2 遗传算法的优点2277.2 改进极值Kriging模型方法2287.2.1 基本思想2287.2.2 数学模型2287.3 遗传算法应用2297.3.1 IKERSM建模特性2297.3.2 IKERSM的仿真性能2307.4 多种群遗传算法2317.4.1 多种群遗传算法的基本原理2317.4.2 多种群遗传算法所具备的优势2347.5 基于移动极值的改进Kriging框架模型方法2347.5.1 MKMEF的基本思想2347.5.2 MKMEF的数学模型2357.5.3 动态概率分析原理2367.6 多种群遗传算法的应用2367.6.1 MKMEF的建模特性2367.6.2 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2408.1 粒子群优化算法理论2408.1.1 粒子群优化算法原理与标准算法2408.1.2 粒子群优化算法实现2428.1.3 粒子群优化算法参数分析2448.1.4 粒子群优化算法分类2458.1.5 粒子群优化算法应用领域2468.2 粒子群优化算法改进2478.2.1 参数设置2478.2.2 拓扑结构2478.2.3 混合策略2488.3 实例分析2498.3.1 标准测试函数2498.3.2 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2589.1 蚁群优化算法原理2589.2 蚁群优化算法的特点2609.3 蚁群优化算法的改进2609.3.1 自适应蚁群优化算法2609.3.2 蚁群神经网络2619.4 实例分析2629.4.1 函数优化问题2629.4.2 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27010.1 捕食者算法的基本思想27010.2 海洋捕食者算法的数学模型27110.3 海洋捕食者算法的优化过程27210.3.1 高速度比或猎物速度大于捕食者时（阶段1）27210.3.2 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）27210.3.3 低速度比且当捕食者速度大于猎物时（阶段3）27310.4 涡的形成和海洋的记忆27410.4.1 涡的形成和FAD效应27410.4.2 海洋的记忆27510.5 MPA的阶段、探索与开发27510.6 海洋捕食者Kriging模型方法27610.7 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28311.1 人工蜂群算法28311.1.1 背景28311.1.2 原理及推导过程28311.1.3 使用及其优缺点28611.2 量子遗传算法28711.2.1 产生背景28711.2.2 基本理论28811.2.3 量子遗传算法流程29111.3 人工鱼群算法29311.3.1 背景29311.3.2 原理29311.3.3 推导过程29411.3.4 算法描述29711.3.5 使用与结论298