电子论文-基于Matlab遗传工具箱的高强混凝土配合比优化
基于Matlab遗传算法工具箱的优化计算实现
基于Matlab遗传算法工具箱的优化计算实现
陈秋莲;王成栋
【期刊名称】《现代电子技术》
【年(卷),期】2007(30)2
【摘要】遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法.遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用,而受到了广泛关注.Matlab的遗传算法工具箱具有使用简单方便,计算可靠,快捷高效和图形结果可视化等特点,具有广阔的应用前景.主要介绍了基于Matlab遗传算法工具箱,深入分析其编码方式、初始群体、选择、交叉、变异操作及适应度函数的实现方法.最后给出应用实例,验证了Matlab遗传算法优化工具的有效性.
【总页数】4页(P124-126,129)
【作者】陈秋莲;王成栋
【作者单位】广西大学,计算机与电子信息学院,广西,南宁,530004;南宁利隆消防检测有限公司,广西,南宁,530003
【正文语种】中文
【中图分类】TP311
【相关文献】
1.基于MATLAB平台的遗传算法工具箱 (GA Toolbox)的优化计算 [J], 罗隆福;李勇;周立华
2.MATLAB遗传算法工具箱(GAOT)在水资源优化计算中的应用 [J], 杜东;马震;孙
晓明
3.基于Matlab遗传算法工具箱GUI方式的非线性电路求解 [J], 朱秀娥
4.基于MATLAB遗传算法优化工具箱的优化计算 [J], 高尚
5.基于MATLAB遗传算法工具箱的离心泵多目标优化 [J], 曾红;王全玉;张志华因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传算法的混凝土配合比优化设计
基于遗传算法的混凝土配合比优化设计摘要：混凝土配合比优化设计一直是混凝土工程领域的重要研究方向之一，本文以遗传算法为基础，通过对混凝土的材料性能和工程性能进行研究和分析，设计出一种遗传算法来进行混凝土配合比的优化设计。
实验结果表明，该算法能够有效地提高混凝土的力学性能和耐久性能，并得出了最佳配合比及其各组分配比的优化设计结果，为混凝土的实际生产和应用提供了理论参考和技术支持。
关键字：遗传算法，混凝土，配合比，优化设计1. 研究背景混凝土作为一种重要的建筑材料，其力学性能和耐久性能的优化设计一直是混凝土工程领域的重要研究方向之一。
混凝土的配合比是影响混凝土性能的重要因素之一，不同材料的配比会对混凝土的力学性能和耐久性能产生不同的影响，因此混凝土配合比的优化设计十分关键。
2. 遗传算法原理遗传算法是一种模拟生物进化过程进行搜索的一种优化方法，其基本原理是模拟自然选择、交叉和突变等生物进化过程，通过不断地优化适应度函数来得到最佳解。
在混凝土配合比优化设计中，可以将适应度函数设置为混凝土力学性能和耐久性能的综合评价指标，通过遗传算法搜索最优配合比。
3. 实验内容和方法本文通过对混凝土的材料性能和工程性能进行研究和分析，确定了混凝土配合比优化设计的目标和约束条件。
然后，设计了一种基于遗传算法的混凝土配合比优化设计方法，并将其应用于混凝土配合比的优化设计中。
最后，对实验结果进行了分析和评价。
4. 实验结果和分析实验结果表明，基于遗传算法的混凝土配合比优化设计方法能够有效地提高混凝土的力学性能和耐久性能。
得出了最佳配合比及其各组分配比的优化设计结果，为混凝土的实际生产和应用提供了理论参考和技术支持。
5. 结论本文设计了一种基于遗传算法的混凝土配合比优化设计方法，并将其应用于混凝土配合比的优化设计中。
实验结果表明，该算法能够有效地提高混凝土的力学性能和耐久性能，并得出了最佳配合比及其各组分配比的优化设计结果，为混凝土的实际生产和应用提供了理论参考和技术支持。
基于MATLAB遗传算法优化工具箱的优化计算
基于M AT LAB遗传算法优化工具箱的优化计算高 尚① 摘 要 采用M atlab语言编制的遗传算法工具箱(GAO T)可实现二进制编码和真值编码的模拟进化计算。
此工具箱在遗传操作方面非常灵活。
介绍了用遗传算法工具箱解决了连续优化问题和旅行商问题,并给出了两个实例。
关键词 遗传算法 优化 旅行商问题一、遗传算法遗传算法(Genetic algo rithm s:GA)是由美国M ich igan 大学的John Ho lland教授在60年代提出的,它是一种自然适应优化方法,该算法是基于自然遗传和自然优选机理的寻优方法。
所谓自然遗传和自然优选来自于达尔文的进化论学说,该学说认为在生物进化过程中,任一动植物经过若干代的遗传和变异,使之能够适应新的环境,是优胜劣汰的结果,这种自然遗传思想也适用于求解优化问题。
GA采用选择(selec2 ti on)、交叉(cro ssover)和变异(m utati on)运算来实现“物竞天择,适者生存”这一自然法则的模拟。
遗传算法的一般框架[2, 3,4]:输入参数:染色体个数N,交叉概率P c,变异概率P m;通过初始化过程产生N个染色体;计算所有染色体的评价函数;根据评价函数抽样选择染色体;对染色体进行交叉和变异操作;重复若干次(下一代的代数)计算评价函数、选择、交叉和变异。
由于最好的染色体不一定出现在最后一代,开始时保留最好的染色体,如果在新的种群又发现更好的染色体,则用它代替原来的染色体,进化完成后,这个染色体可以看作最优化的结果。
遗传算法几乎渗透到从工程到社会科学的诸多领域,必须要编制遗传算法的程序进行计算,作为使用者希望找一个现成的程序,而M A TLAB的遗传算法工具箱正好满足要求。
我们主要对遗传算法工具箱的用法和技巧作一点探讨。
二、遗传算法工具箱M A TLAB语言简单,但功能强大,程序移植性比较好。
M A TLAB的遗传算法工具箱的下载地址:h ttp: m irage GA Too l Box gao t GAO T.zi p其主程序是ga.m,其用法如下:functi on[x,endPop,bPop,trace Info]=ga(bounds,evalFN,e2 val Op s,startPop,op ts,ter m FN,ter mOp s,selectFN,selec2 tOp s,xO verFN s,xO ver Op s,m utFN s,m utOp s)输出部分:x运行中最好的结果endPop最后一代染色体(可选择的)bPop最好染色体的轨迹(可选择的)trace Info每一代染色体中最好的个体和平均结果矩阵(可选择的)输入参数:bounds变量上限和下限组成的矩阵evalFN评价函数的文件名,通常是.m文件eval Op s运行评价函数的输入选项,默认值为[NULL](可选择的)startPop调用initialize.m文件得到的初始染色体(可选择的)op ts一个向量[ep silon p rob-op s disp lay],这里ep silon表示两代之间的差距;p rob-op s取0表示采用二进制编码,取1表示采用实数本身;disp lay取is1表示运行中显示、当前染色体和最好结果,取0表示运行中不显示。
MATLAB在混凝土结构优化设计教学中的运用
MATLAB在混凝土结构优化设计教学中的运用胡俊;宣以琼【摘要】借助MATLAB软件对混凝土结构受弯构件优化设计进行了研究.建立了混凝土结构受弯构件优化设计的数学模型;编写了混凝土结构受弯构件优化设计程序;计算分析表明：计算结果满足混凝土结构设计规范的要求.%Matlab was employed to study the optimal design for flexural members in concrete structures.the mathematical model of optimum design for flexural members of concrete structures was builded,the optimum design of flexural members are realized through Matlab program.the following conclusions can be drawn：the results can be suitable to Code for design of concrete structures.【期刊名称】《聊城大学学报（自然科学版）》【年(卷),期】2011(024)003【总页数】3页(P26-28)【关键词】优化设计;混凝土结构;数学模型【作者】胡俊;宣以琼【作者单位】安徽建筑工业学院土木工程学院,安徽合肥230601;安徽建筑工业学院土木工程学院,安徽合肥230601【正文语种】中文【中图分类】TU3181 概述建筑结构设计要求满足的基本功能包括安全性、适用性、耐久性和经济性.按照现行的结构设计理论和现行的规范进行的设计，一般都能满足安全性、适用性和耐久性的要求.但在进行结构设计时，因为影响结构设计结果的因素很多，导致结构设计的结果不是唯一的.例如：选择不同的截面尺寸、不同的材料强度，可导致不同的混凝土和钢筋的用量.所以在结构设计中，如何解决安全性和经济性之间的关系是结构设计的一个重要的课题.结构优化设计，就是在满足结构的使用和安全要求的基础上，降低工程造价.本文提出的受弯构件结构的优化设计，就是探讨怎样在满足结构安全的情况下，使结构设计最经济.2 混凝土受弯构件优化设计数学模型的建立图1是矩形截面钢筋混凝土简支梁，梁的跨度为L，截面最大弯矩为M，最大剪力为V，梁截面宽度为b，梁截面高度为h.试求在满足安全性要求条件下，对钢筋混凝土梁进行优化设计.图1 混凝土简支梁示意图2.1 设计变量对于混凝土梁，决定工程造价的主要是混凝土和钢筋的造价.混凝土造价取决于混凝土的用量，钢筋的造价取决于钢筋的用量.在本文中仅考虑单筋矩形截面钢筋混凝土梁，架立筋和箍筋按构造要求配置，可看作常数.选梁的截面尺寸b、h和梁的主筋面积Ag为设计变量.2.2 目标函数等截面矩形梁，可取梁单位长度的价格作目标函数：C＝bhph＋Agpg，式中ph 为混凝土单价pg为钢筋单价.2.3 约束条件（1）受弯构件承载力［1］＝fyAg，式中：M为弯矩设计值；Mu为截面抵抗矩；γ0为结构重要性系数；α1为截面应力不均匀系数，取为1；fc为混凝土轴心抗压强度设计值；h0为截面有效高度，h0＝h－a；a为混凝土保护层厚度；fy为钢筋抗拉强度设计值；x为混凝土受压区名义计算高度.令相对受压区高度再令αs＝ξ（1－0.5ξ），则上述受弯承载力计算可转化为这样计算时，可先令，得到αs，再进行抗弯条件的验算.（2）最小配筋率限制条件［1］，式中：ρ为受弯构件纵向受拉钢筋实际配筋率；ρmin为受弯构件纵向受拉钢筋最小配筋率.（3）最大配筋率限制条件［1］：ξ≤ξb，ξb为界限相对受压区高度.（4）按构造配箍筋条件［1］：V≤0.07fcbh0.（5）梁截面尺寸限制条件：b＞0，h＞0，b≥b0，不等式中b0为梁宽度的下限值.2.4 优化数学模型3 算例某矩形截面钢筋混凝土简支梁，已知：截面设计最大弯矩为M＝47.58 kN·m，设计最大剪力为V＝30kN，混凝土设计轴心抗压强度fc＝12.5N／mm2，钢筋设计抗拉强度fy＝310N／mm2，结构重要性系数γ0＝1.2，纵向受拉钢筋最小配筋率ρmin＝0.15%，，界限相对受压区高度ξb＝0.544，α＝45mm，梁宽度的下限值b0＝200mm，混凝土单价ph＝400元／m3，钢筋单价pg＝3.5×10＾4元／m3.对其进行优化设计.依据上面的优化数学模型，约束条件为编制MATLAB程序如下［2，3］3.1 先建立M文件fun.m，定义目标函数3.2 再建立M文件myconl.m定义非线性约束3.3 主程序3.4 计算结果4 结果分析b＝200mm，满足梁宽最小值要求；对于矩形截面梁，一般高宽比为2.0-3.5，本算例中梁高h＝406 mm，高宽比为2.03，所以满足要求；Ag＝573mm2，则配筋率ρ＝0.79%，梁的经济配筋率为0.6%-1.5%［4］，所以纵筋配筋满足经济性要求，结果合理.参考文献【相关文献】［1］ GB 50010-2002，混凝土结构设计规范［S］.北京：中国建筑工业出版社，2002.［2］清源计算机工作室.MATLAB基础及其应用［M］.北京：机械工业出版社，2000.［3］周璐，陈渝，钱方，等译.数值方法［M］.Matlab版北京：电子工业出版社，2007. ［4］李美娟，马魏.建筑结构［M］.合肥：合肥工业大学出版社，2006.。
基于MATLAB的遗传算法优化工具箱的应用
出。默认值为[1e-6 1 0]
终止给终止函数的参数，默认值为[100]
选择函数的名称，默认值为[normGeomSelect]
传递给选择函数的参数，默认值为[0.08]
交叉函数名称表，二进制编码默认值为[simpleXover]，浮点数编码默认值为[arithXover
输入参数 Bounds evalFN evalOps startPop
opts
termFN termOps selectFn selectOps xOverFNs xOverOps mutFNs
mutOps
表 2 ga.m 的输入参数
Tab.2 Input parameter of ga.m
定
义
变量上下界的矩阵，矩阵的行数确定变量的个数
基于 MATLAB 的遗传算法优化工具箱的应用
章红兵
同济大学工业工程系，上海（201804）
E-mail：roky951@
摘 要：本文对遗传算法（GA）和基于 MATLAB 的遗传算法优化工具箱（GAOT）作了简 要的介绍，详细分析了优化工具函数，具体探讨了 GAOT 在参数优化和非线性规划中的应 用，实例证明了 GA 在最优化工程中的可行性以及 GAOT 在解决基于 GA 的优化问题上的 有效性和实用性。 关键词：遗传算法，Matlab，优化，遗传算法工具箱
3.1 主界面函数
-1-
主程序 ga.m 提供了 GAOT 与外部的接口。它的函数格式如下： [x endPop bPop traceInfo]=ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps, selectFn,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)
基于遗传算法的混凝土配合比优化研究
基于遗传算法的混凝土配合比优化研究一、研究背景混凝土是建筑工程中广泛使用的一种材料，混凝土的配合比直接影响着混凝土的强度、耐久性和经济性等方面。
因此，混凝土配合比的优化一直是混凝土研究领域的热点问题。
传统的混凝土配合比优化方法主要依赖于试验室试验和经验公式，这些方法存在着试验周期长、成本高、结果不稳定等缺点。
随着计算机技术和优化算法的不断发展，基于遗传算法的混凝土配合比优化方法逐渐成为了研究的热点。
二、研究内容基于遗传算法的混凝土配合比优化研究主要包括以下内容：1.混凝土配合比的确定混凝土配合比的确定是混凝土配合比优化研究的基础。
混凝土配合比的确定需要考虑到混凝土的强度、耐久性、流动性等多个方面因素。
在确定混凝土配合比时，需要进行多组试验，通过试验结果来确定混凝土的配合比。
2.遗传算法的基本原理遗传算法是一种模拟自然生物进化过程的优化算法。
遗传算法主要包括选择、交叉、变异等基本操作。
在选择操作中，根据适应度函数对种群进行选择；在交叉操作中，将两个个体的染色体进行配对，生成新的个体；在变异操作中，对某些个体的染色体进行变异操作，产生新的个体。
3.遗传算法在混凝土配合比优化中的应用将遗传算法应用到混凝土配合比优化中，可以将混凝土配合比优化问题转化为一种优化问题，通过遗传算法来求解最优解。
在遗传算法中，混凝土配合比的配合比参数作为染色体的基本单元，通过适应度函数来评估染色体的优劣程度，通过选择、交叉、变异等基本操作来不断进化种群，最终得到最优的混凝土配合比。
4.优化结果的分析与实验验证在得到最优的混凝土配合比后，需要对优化结果进行分析和实验验证。
通过对混凝土样品的试验，验证优化结果的准确性和可行性，同时对优化结果进行分析，探究优化结果的合理性和优越性。
三、研究意义基于遗传算法的混凝土配合比优化研究具有以下意义：1.提高混凝土的强度和耐久性通过优化混凝土配合比，可以得到更加合理的混凝土配合比，从而提高混凝土的强度和耐久性。
基于Matlab遗传算法工具箱的优化计算实现_陈秋莲
基金项目 : 广西大学科研基金项目(X061001)
124
《 现代电子技术》 2007 年第 2 期总第 241 期
交叉概率 P c 和变异概率 P m ; f : I →R 表示适应函数 ;
+
嵌入式与单片机
和下限组成 的 矩阵 ; evalFN : 评价 函 数的 文 件 名 , 通常 是 . m 文件 ; Options : 一个向量[ ep silon f loat\ binary p rec] , 这 里 epsilon 表示 两代 之间的 差距 ; 第 二个 参数取 0 表 示采 用二进制编码 , 取 1 表示采 用实 数本身 ; prec 表 示变 量的 精度 。 默认值为[ le - 6 1 ] (可选择的); 输出参数 pop 中包 含有初始群体的变量值和适应值 。 (2) 选择操作 选择或复制 操 作是 决 定哪 些 个体 可 以进 入 下一 代 。 工具包中提供 了赌 轮盘 选择 法(roulet te) , 锦 标赛 选 择法 (tou rnS elect)和 几 何 规 划 排 序 选 择 (n ormGeomSelect )。 如采 用 几 何 规 划 排 序 选 择 可 用 : f unction [ new Pop ] = normGeomS elect(oldPop , options) 其中 options 为选择概率 ; oldpop 为旧群体 。 (3) 交叉操作 交叉过程是选取 2 个个体作为父代 parent1 , parent2 , 产 生出 2 个新的子代个体 child1 和 child2 。GAO T 中提供 了 : arithXover , heuristicXover , simpleXover 三种交叉方式 。 如算 术交叉(arithXover)的实现 可通过调用 function [ c1 , c2] = arithXover(p1 , p2 , bounds , ops)得到 。 该函数会 产生一个随 机数 a ; 然后通过父代 p1 和 p2 : p1 *a + p2 *(1 - a), p1 * (1 - a) + p2 *a 得到子代个体 c1 和 c2 。 (4) 变异操作 GAO T 提供 了几个变 异操作 的 M 文 件 : binaryM u tation. m , boun daryM utation. m , mu ltiN onU nifM u tation. m , nonU nifM utation. m , u nif M utation. m , 在各 个不同的 M 文 件中包含了不同的变异操作 , 如 non UnifM u tation. m 文件 中包含了非 统一 变异 函数 : fu nction [ parent] = non UnifM utate(paren t , b ou nds , op s) ; 其 输 入参 数 有 parent : 父代 对应的变量值和适 应值 , bounds : 变量 上限 和下 限组 成的 矩阵 , ops : nonU nif M utate 的参数[ 当前代 …] 。 (5) 评价函数 *eval. m 是 遗传 算 法与 具体 应用 问 题的 惟 一接 口 , 是进行自然选择 的惟一 依据 。 改 变种群 内部结 构的 遗传 操作均要通过评 价函数 加以控 制 。 许多 类型的 评价 函数 都可以用 于遗传 算法 , 但 他应至少 要满足 一个条件 : 函数 值部分有序地分布 。 在 *eval. m 应包含有这样一行 : fun ction [ val , sol] =gaFxeval(sol , options), 其 中 : sol 为群体中各个个体的值 , val 为个体的适应值 。 如求函数 F(x) =x *sin(10 *π*x) +1 , 在 x ∈ [ - 1 , 2] 范围内的极大值 。 F(x)为 x 的评价函数 。那么编写评价 函数 M 文件的代码应有以下 3 行 :
基于Matlab语言的高性能混凝土配合比优化设计
等式约束在 X 处的值。对上式给出的兼有等式和 不等式约束的非线性规划, 其最优解应满足 Kuhn-
Tuker 条件或简称 K-T 方程:
m
E f ( X* ) +
K*i # $Gi ( X * ) = 0
i= 1
$Gi ( X * ) = 0 i = 1, ,, m
( 11)
K*i \ 0 i = me+ 1 , ,, m
tR \ 0
( 1)
对于用卵石配制高性能混凝土:
01296Ccf ce, k
x
1
+ x2
x
3
+
0171
-
f cu, k +
tR \ 0
( 2)
式中 f ce, k ) ) ) 水泥的强度等级;
Cc ) ) ) 水泥强度 等级的 富余系数, 一般取
1113;
f cu, k ) ) ) 设计的混凝土立方体抗压强度标准
i= 1
m
E $f ( Xk ) + Ki # $ Gi ( Xk ) i= 1
式中, Ki ( i = 1, 2, ,, m ) 为拉格朗日乘子。
Hessian 矩阵的拟牛顿近似矩阵, 更新公式为: Hk+ 1 = Hk + qkqTkP( qTkSk ) - H TkSTkSkH kP( STk HkSk )
( 12)
其中 Sk = Xk+ 1 - X k
m
E qk = $f ( Xk+ 1 ) +
Ki # $Gi ( X k+ 1 ) -
式中的第一行描述了目标函数和约束条件在解 X *
处的梯度之和为零。用拉格朗日乘子 K*i ( i = 1, 2,
Matlab遗传算法优化工具箱GAOT的研究与应用
M a tl ab遗传算法优化工具箱(GAO T)的研究与应用3周正武1,丁同梅1,2,田毅红2,3,王晓峰2,4(1.广东省技师学院,广东博罗 516100; 2.天津大学机械工程学院,天津 300072;3.承德技师学院,河北承德 067400;4.郑州职业技术学院,河南郑州 450121)摘 要:介绍遗传算法的基本原理和Matlab的遗传算法优化工具箱(G AOT),分析了优化工具函数。
探讨Matlab遗传算法工具箱在参数优化和非线性规划中的应用。
通过优化实例,说明遗传算法是一种具有良好的全局寻优性能的优化方法。
用Matlab语言及Matlab语言编制的优化工具箱进行优化设计具有语言简单、函数丰富、用法比较灵活、编程效率高等特点。
关键词:遗传算法;Matlab工具箱;优化中图分类号:T H164 文献标识码:A 文章编号:1007-4414(2006)06-0069-03The study and appli ca ti on of geneti c a lgor ith m opti m i za ti on toolbox i n M a tl abZhou Zheng-wu1,D ing T ong-mei1,2,Tian Yi-hong2,3,W ang Xiao-feng2,4(1.College of high-grade technician,B oluo Guangdong 516100,China;2.College of m echanical and engineering,Tianjin university,Tianjin 300072,China;3.Chengde college of high-grade technician,Chengde Hebei 067400,China;4.Zhengzhou vocational college of technology,Zhengzhou Henan 450121,China)Abstract:The paper intr oduces genetic algorith m(G A)and Matlab genetic algorith m op ti m izati on t oolbox and analyses the op ti m izati on t oolbox functi on.The functi on op ti m izati on p r oble m of para meter op ti m izati on and nonlinear has been given t o de monstrate that genetic algorith m is a better gl obal op ti m izati on method.The op ti m izati on design in M atlab and Matlab op ti m i2 zati on t oolbox have si m p le language、abundant functi ons、flexible method and high p r ogramm ing efficiency.Key words:genetic agolrith m;matlab t oolbox;op ti m izati on 遗传算法(G A)是一类借鉴生物界自然选择和遗传原理的随机优化搜索算法。
matlab;高性能混凝土;配合比优化设计;序列二次规划
matlab；高性能混凝土；配合比优化设计；序列二次规划高性能混凝土主要是指混凝土的抗压强度高，弹性模量大，抗裂能力强，耐久性好的混凝土，既可以满足结构的抗荷载要求，又具有较低的厚度设计，减少自重和降低施工成本，有助于降低建设成本，满足经济性和结构性能要求。
因此，研制出高性能混凝土，并优化其配合比，考虑混凝土的性能，对混凝土结构设计具有重要意义。
Matlab是一款具有强大功能和潜力的软件，使用它可以有效解决科学计算和工程设计问题，能够实现大量的数据处理和信息管理，其功能强大，可以帮助工程师更好地完成各种设计任务。
因此，应用Matlab技术进行对高性能混凝土配合比优化设计和序列二次规划，可以更大程度地发挥其优势，在高性能混凝土配合比设计中发挥作用。
首先，高性能混凝土应给出混凝土配合比的设计原则，明确减小气孔率、增加抗压强度和降低相对湿度的设计目标，同时重视用料的经济性，并考虑内部胶结形式的稳定性，满足上述目标可以有效减少配合比设计的不确定性。
其次，应利用Matlab建立混凝土配合比优化模型，以优化混凝土配合比以实现抗压强度和其他力学性能的最优化。
该模型应设计为面向对象数据结构，采用序列二次规划法，以期达到优化目标。
第三，应评估Matlab技术优化设计及序列二次规划模型的信噪比，确保优化设计混凝土配合比的准确性和可靠性。
最后，应在高性能混凝土实验室中进行抗压强度、等压强度、抗折强度、抗剪强度、抗冻结强度及抗腐蚀性能的实验检测，以验证其设计性能的准确性和可靠性。
综上所述，Matlab技术可用于高性能混凝土配合比优化设计序列二次规划，以求得更优混凝土配合比，有效提升混凝土结构的性能。
在进行优化设计时，应注意混凝土配合比的设计原则和混凝土性能的评估，同时进行实验检测，以确保优化设计的可靠性和准确性。
基于Matlab遗传算法工具箱的优化计算实现
基于Matlab遗传算法工具箱的优化计算实现一、概述随着科技的发展和社会的进步，优化问题在众多领域，如工程设计、经济管理、生物科学、交通运输等中扮演着越来越重要的角色。
优化计算的目标是在给定的约束条件下，寻找一组变量，使得某个或某些目标函数达到最优。
许多优化问题具有高度的复杂性，传统的数学方法往往难以有效求解。
寻求新的、高效的优化算法成为了科研人员的重要任务。
遗传算法（Genetic Algorithm, GA）是一种模拟自然选择和遗传学机制的搜索算法，通过模拟自然界的进化过程，寻找问题的最优解。
自20世纪70年代初由美国密歇根大学的John Holland教授提出以来，遗传算法因其全局搜索能力强、鲁棒性好、易于与其他算法结合等优点，被广泛应用于各种优化问题中。
1. 遗传算法简介遗传算法（Genetic Algorithm, GA）是一种模拟自然选择和遗传学机制的优化搜索算法。
该算法起源于对生物进化过程中遗传机制的研究，通过模拟自然选择和遗传过程中的交叉、突变等操作，在搜索空间内寻找最优解。
自20世纪70年代初由John Holland教授提出以来，遗传算法已在多个领域取得了广泛的应用，包括函数优化、机器学习、模式识别、自适应控制等。
遗传算法的基本思想是将问题的解表示为“染色体”，这些染色体在算法中通过选择、交叉和突变等操作进行演化。
选择操作模仿了自然选择中“适者生存”的原则，根据适应度函数对染色体进行筛选交叉操作则模拟了生物进化中的基因重组过程，通过交换染色体中的部分基因，生成新的个体突变操作则是对染色体中的基因进行小概率的随机改变，以维持种群的多样性。
在遗传算法中，种群初始化是算法的起点，通过随机生成一组初始解作为初始种群。
根据适应度函数对种群中的个体进行评估，选择出适应度较高的个体进行交叉和突变操作，生成新的种群。
这个过程不断迭代进行，直到满足终止条件（如达到最大迭代次数或找到满足精度要求的最优解）为止。
基于Matlab的高强混凝土配合比的试验研究
基于Matlab的高强混凝土配合比的试验研究
梁晓颖;童胜云;武瑞华
【期刊名称】《山西建筑》
【年(卷),期】2006(032)013
【摘要】通过对利用Matlab语言的优化工具箱所计算出的高强混凝土的最优用量的试验分析,证明了强度和工作性能均能满足工程的需要,从而验证了该方法求出的高强混凝土最优配合比的可行性.
【总页数】2页(P150-151)
【作者】梁晓颖;童胜云;武瑞华
【作者单位】河北工程学院,河北,邯郸,056038;邯郸钢铁集团炼铁部,河北,邯
郸,056003;邯郸钢铁集团炼铁部,河北,邯郸,056003
【正文语种】中文
【中图分类】TU528.31
【相关文献】
1.基于Matlab遗传工具箱的高强混凝土配合比优化 [J], 陆海标;郑建壮;徐旭岭
2.新疆地区高强混凝土配合比试验研究 [J], 张广泰;毛婷厅
3.双层箍筋约束高强混凝土配合比及强度试验研究 [J], 李书;孙林柱;杨芳;庞建勇
4.C80高强混凝土配合比的试验研究 [J], 赵志峰
5.电杆超高强混凝土配合比设计及强度试验研究 [J], 徐巍峰; 王灿灿; 曹文典; 吴建灵; 曹枚根; 赵心怡
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Matlab遗传算法优化工具箱的应用
1． 1 遗传算法原理 遗传算法是由美国 Michigan 大学的 John Holland
教授在 20 世纪 60 年代提出的，它是模拟生物在自然
环境中的遗传和进化过程而形成的一种自适应全局 优化概率 搜 索 算 法［4－5］。 理 论 基 础 来 源 于 生 物 的 自 然选择理论和基因遗传学原理。它是将问题域的可 行解看作是群体的 / 染色体 0，将其置于问题的 / 环境 0 中，根据适者生存的原则，从中选择出适应环境 的 / 染色体 0 进行复制，即再生，通过交叉、变异两种 基因操作产生出新一代更适合环境的 /染色体 0 群， 这样一代代不断改进，最后收敛到一个最适合环境 的个体上，求得问题的最佳解。遗传算法提供了一种 求解复杂系统优化问题的模式，它不依赖于问题的具 体领域，对问题的求解种类有很强的鲁棒性，现已几 乎渗透到从工程到社会科学的诸多领域，广泛用于 函数优化、组合优化、生产调度、机器学习、自动控制、 图像处理和人工生命等领域［6］。 1． 2 遗传算法的特点
programming tools greatly simplify the programming，the optimization results are more accurate．
Key words： genetic algorithm； Matlab； optimization； neural network
函数优化是遗传算法的经典应用领域，也是遗传 算法进行性能评价的常用算例，许多人构造出了各种 各样复杂形式的测试函数： 连续函数和离散函数、凸 函数和凹函数、低维函数和高维函数、单峰函数和多 峰函数等。对于一些非线性、多模型、多目标的函数 优化问题，用其它优化方法较难求解，而遗传算法可 方便的得到较好的结果。
基于MATLAB优化工具箱的优化计算研究(1)
按照了课件 的要求来做。整个论文紧扣最优化这个问题而来。而研究内容则就是最优化问题。 将这个课题分为了理论和实践 2个部分来探讨。具体内容正文做了很详细的讲解， 在此就不说了。
2MATLAB优化工具箱使用
Matlab的优化工具箱提供的功能主要有线性规划、非线性规划、极值问题等，这些也是比较常见的优化问题。那么对于Matlab的优化工具箱的熟悉与应用也是必不可少的。
1.1课题背景及目的------------------------------------------------------------------------------4
1.2课题研究方法-----------------------------------------------------------------------------------4
基于MATLAB优化工具箱的优化计算研究
摘要
随着科学技术不断地进步，优化问题在经济生活中的应用也越来越广泛，优化问题已经成为工程应用领域使用最广泛的技术术语之一。最优化方法就是专门研究如何从多个方案中科学、合理地提取出最佳方案的科学。本文主要是利用MATLAB优化工具箱对解决一些简单的优化模型。MATLAB优化工具箱功能之强大，对于优化问题具有很大的使用意义。用最优化方法解决最优化问题的技术称为最优化技术，它包含 2个方面的内容；1）建立数学模型 即用数学语言描述最优化问题，模型中的数学关系式反应了最优化问题所要达到的目标和各种约束条件 2）模型求解利用 MATLAB 优化工具箱，可以求解很多优化模型可以求解线性，非线性最小化，方程求解，曲线拟合，二次规划等问题。MATLAB优化工具箱在处理实际优化问题中得到了广泛应用。
参考文献-----------------------------------------------------------------------------------------------13
高强度混凝土配合比设计的优化
高强度混凝土配合比设计的优化摘要随着高强度混凝土的广泛应用，对于高强度混凝土的配合比的研究亟待深入，考虑混凝土拌合物各组成部分的非线性特征，利用Matlab对其进行数值分析，建立配合比设计的优化函数，通过数值分析方法得出配合比设计的优化结果。
关键词高强度混凝土；配合比；优化设计《普通混凝土配合比设计规程》JGJ55-2000中定义，强度等级为C60及以上的混凝土称为高强度混凝土。
高强度混凝土一般采用强度不低于42.5级的水泥、优质的粗骨料、高效能的减水剂及矿物质超细粉等原材料，高强度混凝土的配制主要有三个方面的控制因素：一是原材料的选择；二是配合比的设计；三是配合比设计的优化。
本文基于Matlab遗传工具箱对高强度混凝土的配合比优化设计进行了分析与初步探索，建立简化的数学模型并借助数值分析方法进行配合比设计的优化。
1 原材料选择混凝土是一种非线性复合材料，其由水泥、粗细骨料、水及添加剂等非线性材料组成，组成材料及配合比例的非线性，决定了混凝土的配置质量离散性较大。
对于高强度混凝土而言，由于配置质量要求更高使得其对各种影响因素的控制较普通混凝土更为复杂和严格。
1）水泥。
作为高强度混凝土的主要材料之一，水泥是影响混凝土强度的主要因素。
配制高强度混凝土需要矿物组成合理、细度合格的高强度水泥，一般优选旋窑生产的硅酸盐水泥或普通硅酸盐水泥，水泥强度不低于42.5等级。
水泥细度愈小，其颗粒比表面积愈大，水化反应愈充分；但是水泥细度有限值要求，细度过高，水化反应剧烈会导致水化热过大，混凝土内部产生过多裂缝，对混凝土后期强度及耐久性产生不利影响。
2）粗骨料。
混凝土材料中，粗骨料起着骨架作用，混凝土的抗压强度大小与粗骨料的抗压强度成正比，在配置高强度混凝土时，要求粗骨料必须是质地坚硬、强度较高的碎石（如辉绿岩、花岗岩等），其压碎指标值不应小于12%，且抗压强度要大于混凝土目标强度的1.5倍。
3）细骨料。
影响混凝土和易性的主要因素为细骨料砂，高强度混凝土的配置要求选取级配良好、含泥量少、石英含量多的江砂或河砂。
matlab遗传算法在泵送混凝土成本优化中的应用
matlab遗传算法在泵送混凝土成本优化中的应用
刘爱丽;银彦鹏
【期刊名称】《山西建筑》
【年(卷),期】2010(036)003
【摘要】通过对C40泵送混凝土施工特性的研究,归纳总结出设计C40泵送混凝土时的组分约束条件,以1m3混凝土的成本为优化目标,将线性约束条件转化成约束矩阵,并设定为遗传算法的各项操作参数,最后通过matlab遗传算法工具箱进化计算获得最优解.
【总页数】2页(P276-277)
【作者】刘爱丽;银彦鹏
【作者单位】山东省德州市交通工程监理公司,山东德州,253000;山西省交通科学研究院,山西太原,030006
【正文语种】中文
【中图分类】TU723.3
【相关文献】
1.遗传算法在泵送混凝土成本优化中的应用 [J], 初金章
2.Matlab中遗传算法在测量平差中的应用 [J], 陈雷
3.Matlab遗传算法工具箱在约束非线性惩罚函数中的应用 [J], 袁明珠;
4.基于Matlab的遗传算法在结构优化设计中的应用 [J], 吴立华;白洁;左亚军;谭国所;刘永福;李克天
5.遗传算法在泵送混凝土成本优化中的应用 [J], 张庆磊
因版权原因，仅展示原文概要，查看原文内容请购买。
高强高性能混凝土配合比优化设计研究
高强高性能混凝土配合比优化设计研究一、高强高性能混凝土主要性能（一）力学性能混凝土抗压强度是其标准试件在压力作用下，直到破坏掉，这个单位面积所能承受的最大压力。
混凝土抗压强度主要由水灰比、水化程度和密实度三个基本要素决定，即通过降低水灰比，提高水化程度和密实度，从而提高混凝土抗压强度。
参数和水化程度可直接进行量化，但参数密实度与相同混凝土完全振捣密实后的表现密度相关，而密实度（c）是通过含气量来影响强度的，因气孔会降低水泥浆基体的强度。
（二）工作性工作性是新拌混凝土性能，即新搅拌混凝土在一定施工条件下，便于搅拌、运输和浇灌等工作，且质量均匀、密实程度较高的一种性能。
工作性在搅拌时体现为各种组合材料都能均匀搅拌，运输中表现为新拌混凝土的稀稠程度不会发生变化，而在浇筑过程则表现为新拌混凝土易于振实，并能流满模板。
在硬化方面，表现为可保证水泥充分水化且水泥石和骨料能进行有效粘结。
对新拌混凝土的工作性测试和评价方法主要有坍落度试验，VEBE稠度测验以及密实度系数。
虽然在测试高强高性能混凝土有多重方法，但坍落度测试是应用最广泛的一项。
（三）耐久性混凝土耐久性指混凝土在使用条件下抵抗各种破坏因素的作用，能使混凝土长期保持一个轻度和外观完整性。
对混凝土来说常见的侵蚀现象有硫酸盐侵蚀、二氧化碳侵蚀和冻融破坏等几方面，多数表现为化学侵蚀作用。
为避免以上侵蚀作用给混凝土带来破坏，就需采取降低水灰比及使用引气剂措施来提高混凝土性能和抗冻耐久性。
二、高强高性能混凝土配合比优化设计高强高性能混凝土首要保证的重点性能为：强度、耐久性、工作性、适用性及体积稳定性，其次才考虑经济性。
因此本文将以上性能指标作为高强高性能混凝土配合比的数学模型约束条件并以工程造价为目标函数来建立优化模型。
（一）材料约束1、水泥高性能混凝土采用水泥一般用硅酸盐水泥，并要求硅酸盐水泥各项指标都能满足通用硅酸盐水泥的标准要求（GB175 -2007）。
第9章基于MATLAB优化工具箱的优化计算
第9章基于MATLAB优化工具箱的优化计算MATLAB是一种功能强大的数值计算和编程环境，其中的优化工具箱提供了各种用于求解数学优化问题的函数和工具。
在本章中，我们将介绍如何使用MATLAB优化工具箱来进行优化计算。
首先，我们需要了解什么是优化问题。
优化问题是指在给定的约束条件下，寻找使目标函数取得最大或最小值的变量值。
优化问题广泛应用于工程、经济学、物理学等领域中。
MATLAB优化工具箱提供了多种优化算法，其中包括线性规划、非线性规划、整数规划等。
在MATLAB中，可以使用`optimproblem`函数创建一个优化问题对象。
例如，下面的代码创建一个最小化问题，并定义了目标函数和约束条件：```problem = optimproblem('Minimize');x = optimvar('x', 'LowerBound', 0);y = optimvar('y', 'LowerBound', 0);problem.Objective = x^2 + y^2;problem.Constraints.constr1 = x + y >= 1;problem.Constraints.constr2 = x - y <= 2;```在定义好优化问题后，可以使用`solve`函数求解该问题。
例如，下面的代码使用内置的`fmincon`函数来求解问题，并获取最优解和最优目标值：```[solution, fval] = solve(problem);```在上述例子中，`solution`是一个结构体，包含了最优变量值。
`fval`是一个标量，表示在最优解下的目标函数值。
如果想要使用不同的求解器求解问题，可以使用`optimoptions`函数创建一个选项对象，并在`solve`函数中指定求解器和选项。
例如，下面的代码使用`fmincon`求解器，并设置了最大迭代次数为100：```options = optimoptions('fmincon', 'MaxIterations', 100);[solution, fval] = solve(problem, 'Options', options);```除了使用现成的优化算法，MATLAB优化工具箱还提供了`optimtool`函数，可以打开一个图形用户界面，通过交互式的方式进行优化计算。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于Matlab遗传工具箱的高强混凝土配合比优化陆海标1,郑建壮1,徐旭岭2(1.浙江省正邦水电建设有限公司,浙江杭州 310051;2.杭州工业汽轮机研究所,浙江杭州 310022)摘 要:利用Matlab提供的遗传工具箱来解决高强混凝土配合比的优化设计问题.从成功的配合比数据中,归纳出各组分用量的取值范围,以1m3混凝土成本为优化目标.将带非线性约束的数学规划问题转化成线性不等式、区间约束和非线性约束函数,设置遗传算法的各相关参数,完成遗传操作获得最优解.经实配试验其结果与工程实例中提供的设计参数相比,减少费用17.2%.关键词:高强混凝土;配合比优化;成本最小化;遗传算法中图分类号:T U528.062 文献标识码:A 文章编号:1008-536X(2007)0320047204Mixture s Optimal De sign of H igh2strength Concrete Ba sed on G A Toolbox of MAT LABLU Hai2biao1,ZHENG Jian2zhuang1,XU Xu2ling2(1.Zhejiang Zhengbang Hydroelectric P ower C onstruction C o.,Ltd.,Hangzhou310051,China;2.Hangzhou Industrial S team Turbine Institute,Hangzhou310022,China)Abstract:The G enetic Alg orithm T oolbox of M AT LAB is used to s olve the mixtures optimal design problem of high2strength concrete. The dosage ranges of all kinds of component materials are induced from the data of s ome success ful precedent concrete mixtures,and the lowest cost of1m3concrete is taken as the objective function of the optimal design of concrete mixtures.The mathematical programming of restricted optimization is trans formed into linear inequalities,bounds restriction and nonlinear constraint function.Then the parameters of G A are choosen and the best s olution is reached by G A operation.A fter the real experiment,the optimization result reduces17.2% of the cost compared with the design results in an engineering example.K ey w ords:high2strength concrete;mixtures optimal design;minimizing cost;genetic alg orithm0 引 言目前,我国混凝土的年产量已超过5亿m3.如果对配合比设计进行优化,不仅可节约大量矿物、资源和能源,减少污染;还可降低成本、提高经济效益.因此,配合比优化设计早已为国内外研究者关注的课题.为设计性能可靠、价格合理的混凝土,专家们进行着不懈的研究和探索,提出建立数学模型,借助数值优化方法进行配合比的优化设计的思想,认为使拌合物参数选择和施工质量控制实现计算机化,是混凝土科学的发展方向之一[1].近年来,智能计算方法在各方面得到了广泛的应用,其中遗传算法(G enetic Alg orithm, G A)在寻求非线性、多变量、有约束问题的最优解和近收稿日期:2007206227作者简介:陆海标(1979-),男,浙江绍兴人,助理工程师,从事水利工程施工管理.似最优解方面,具有较强能力.特别是Matlab中遗传工具的开发和完善为遗传算法的应用开辟了广阔的前景.本文正是利用这一工具(G enetic Alg orithm T oolbox)实现混凝土配合比优化.1 G A求解函数优化问题遗传算法是模拟生物的自然选择和遗传中发生的复制、交叉和变异等现象,而开发的一种自适应的随机搜索和全局优化的算法[2].利用G A求解函数优化问题应先建立数学规划模型:max or min f(X)subject to X∈RRΑU(1)式中:X=[x1,x2,…,x n]T为决策向量,f(X)为目标函数,U为基本空间,R是U的一个子集.x1,x2,…,x n在各自的定义域内的任一组值都是 第19卷 第3期浙江水利水电专科学校学报V ol.19 N o.3 2007年9月J.Zhejiang Wat.C ons&Hydr.C ollege Sep.2007一个可行解,在G A 中称为个体.对个体的一组值进行编码,形成一位串,即基因位串.G A 求解函数最优化问题的程序见图1[2-3]:图1 遗传算法运算程序2 高强混凝土的配合比优化模型高强混凝土的配合比的优化,根据工程实际的不同要求,选择不同的优化目标.本文是以使混凝土材料的经济成本最小化为优化目标建立目标函数和约束条件[3-4].2.1 目标函数混凝土主要由水泥、水、砂、石、超细粉掺合料、外加剂等六种材料组成.混凝土配合比设计就是要确定1m 3混凝土中各组份材料的用量,这六种组份材料的用量分别以变量x 1,x 2,…,x 6表示,各组分单价分别为y 1,y 2,…,y 6,则该混凝土的材料费用可以用下式表达为:f =∑6i =1x i yi(2)设在优化过程中各个组份材料的类型保持不变,则每种材料的价格是固定的,y i 是常数,因此f 仅是x i 的函数.2.2 约束条件配制高强混凝土应该遵循以下一些原则.首先是正确地选择原材料.必须使用强度等级为42.5以上的硅酸盐水泥,并且优先选用球状水泥、调粒水泥等;为了改善流动性、强度与耐久性,需添加超细粉掺合料;为了具备高的减水效果和控制混凝土的坍落度损失,应掺入新型高效减水剂;骨料宜采用密实坚硬的石灰岩和深层火成岩等的碎石.其次要控制施工工艺.采用强制式搅拌,泵送施工,高频振动等施工方法.最后要符合配合比参数取值范围的要求.水胶比范围在0.20～0.40,粗骨料体积含量在0.4m 3左右,骨料最大粒径≤20mm ,砂率为36%～40%,胶凝材料用量为500～600kg ,新型高效减水剂的掺量为水泥用量的0.8%～1.4%.严格按以上要求控制组成材料、配合比参数和施工工艺,并正确养护,就可获得高强混凝土.上述对配合比参数值域的限制,可表达成数学规划的一组约束条件.(1)各原材料的用量x i 的取值范围就是对决策变量的边界约束,形如x i ∈[a i ,b i ],i =1,2,…,6(3)式中a i ,b i 是常数,分别为材料用量的上下限.(2)水胶比是水的用量与胶凝材料用量之比,其取值范围用不等式约束加以表示:0.20<x 2x 1+x 5<0.40(4)(3)砂率为用砂量与砂和石总用量之比.对其值域的限制被写成不等式约束:0.36<x 3x 3+x 4<0.40(5)(4)胶凝材料包含水泥和粉煤灰等胶凝性矿物细掺合料.其用量的限定范围为:500<x 1+x 5<600(6)(5)外加剂主要用来增强新拌混凝土的和易性等力学性能,改善混凝土微观结构.其用量与水泥之比应满足下式:0.008<x 6x 1<0.014(7)(6)粗骨料(碎石)的体积等于用量与密度之比,并符合后面给出的取值区间.0.35<x 4e<0.45(8)式中:e 是粗骨料的表观密度,可通过试验测定,也可以在2400～2800kg/m 3之间根据经验取值.(7)在材料用料的优化过程中,须保持各种原材料的总重量不变.利用假定质量法可导出:∑6i =1xi=G -x 2×δ(9) 48 浙江水利水电专科学校学报第19卷式中:G为用水量,取值范围是1950～2500kg,由所添加的外加剂的种类和作用效果来确定,一般取10%～25%.(8)在混凝土配合比设计中,强度是最重要的设计指标之一.强度值取决于各种原材料的品质及用量、配制工艺和养护环境等多种因素,在其他条件保持不变的情况下,强度可以近似地表达成水胶比的函数.下式即为根据文献[4]的经验公式推出的不等式约束方程.c<149.5+14.08×x1+x5x1-81.54×x2x1+x5<d(10)上式中的常数是根据试验数据通过归纳而得出的;c, d是在配制不同强度等级的混凝土时,容许其强度偏差的上、下限值.在本研究中,强度要求至少为C60,根据95%的强度保证率,c,d分别取65和75.3 工程实例某工程要求混凝土的强度等级C60以上,坍落度16～18cm,泵送施工.要求设计配合比参数,使混凝土满足性能要求并具有最低成本.提供的原料如下:(1)水泥:强度等级42.5的普通硅酸盐水泥;(2)超细粉:Ⅰ级粉煤灰;(3)萘系高效减水剂:FDN;(4)粗骨料:石灰石碎石、细骨料、河砂;(5)自来水.应用G A T ool实现配合比优化设计,需先从高强混凝土的成功的配合比设计方案中,归纳出混凝土组成材料用量的限度范围,见表1.表1 配合比参数取值范围组分材料水泥水砂石粉煤灰外加剂符号x(1)x(2)x(3)x(4)x(5)x(6)用量范围/kg 250～450130～210500～10001000～1500100～2503～20价格/(元/kg)0.240.0010.0230.0260.0057.53.1 Matlab2G A T ool的主要参数设置(1)Fitness function:function f=Fun-C ost(x)%以1立方米混凝土成本最小为目标函数f=0.24×x(1)+0.001×x(2)+0.023×x(3)+0.026×x(4)0.005×x(5)+7.5×x(6);(2)Linear inequalities:将约束表达式(4)～(9)化为线性不等式约束形式,其中e=2600kg/m3,δ=0.2:A・X≤b(11)式中:A=0.2-1000.20-0.4100-0.4000-0.640.3600000.6-0.40-1000-101000100.0080000-1 -0.01400001000-100000100-1-1.2-1-1-1-11 1.21111,X=x(1)x(2)x(3)x(4)x(5)x(6),b=-500600-9101170-19502500(3)Bounds:将约束表达式(3),化为区间约束,则:Lower=[25013050010001003]Upper=[4502101000150025020](4)Nonlinear constraint function:function[c,ceq]=Fun-nonlcon(x)%非线性约束函数c=[65×x(1)×x(2)+65×x(2)×x(5)-14.08×x(1)×x(1)-28.16×x(1)×x(5)-14.08×x(5)×x (5)+81.54×x(2)×x(2)-149.5;14.08×x(1)×x(1)+28.16×x(1)×x(5)+14.08×x(5)×x(5)-81.54×x(2)×x(2)-75 第3期陆海标等.基于Matlab遗传工具箱的高强混凝土配合比优化49 ×x (1)×x (2)-75×x (2)×x (5)+149.5];ceq =[ ];3.2 G A T ool 的运算结果及试验对比经过数次调整遗传算子参数和终止条件,得到以下几组较稳定的结果,图2所示的是其中任取的两次,分别记为A 、B ,其混凝土组成材料的用量列于表2中.图2 遗传算法运算结果表2 与图2遗传结果相应的各组分用量组分用量(kg/m 3)水泥水砂石粉煤灰外加剂造价/(元/m 3)A 314.27130.00475.76950.27175.73 2.6505131.96B314.55130.00475.03949.84175.64 2.6413131.93 取各参数分别为315、130、475、950、175、2.7进行实配试验.其成本为132.5元/m 3,优化前后的配合比相关参数和性能对比见表3.可以看出优化后的成本降低17.2%,同时满足混凝土的强度和坍落度等性能要求.表3 优化前后配合比的参数和性能的对比项 目优化前优化后水泥/kg 360315水/kg 150130砂/kg 510475石/kg 900950粉煤灰/kg 180175减水剂/kg 5 2.7成本/(元/m 3)160132.528d 强度/MPa73.569.7坍落度/cm18～2016～194 结 语作为智能计算的一个重要分支的遗传算法在复杂非线性问题的寻优中具有很强的优越性,尤其是遗传算法具有简单、通用、高效等优点,特别是在Matlab 中集成的遗传算法工具箱———G enetic Alg orithm T ool ,极大的减化了应用者的编程工作量,使得这一方法的应用更为普及和有效.本文正是用这一工具箱对高强混凝土配合比进行了优化设计,其结果经过实配试验的验证,很好地说明了这一方法在此领域中应用的有效性及前景.参考文献:[1] 吴中伟,廉惠珍.高强度混凝土———绿色混凝土[J ].混凝土与水泥制品,2000(1):3-6.[2] 雷英杰,张善文,李续武,等.M AT LAB 遗传算法工具箱及应用[M].西安:西安电子科技大学出版社,2005.[3] 王继宗,卢智成.基于遗传算法的高强混凝土配合比优化设计[J ].混凝土与水泥制品,2004(6):19-22.[4] 万朝均.高强超高强高强度混凝土配合比设计经验探讨[J ].混凝土,2002(3):39. 50 浙江水利水电专科学校学报第19卷。