本发明涉及安全工程，尤其涉及一种场馆网壳屋盖测点优化方法及系统。
背景技术：
1、随着现代社会的发展和人们生活水平的提高，各类体育场馆的建设越来越受到重视。这些体育场馆不仅作为体育赛事的举办场所，还承载了文化演出、商业活动等多种功能。因此，确保此类结构的安全与运营效率显得尤为重要。网壳结构作为一种具有高强度、轻质量和优美外形的空间结构形式，被广泛应用于体育场馆的屋盖设计。然而，网壳结构的复杂性和大规模待选测点的数量给传感器的优化布置带来了巨大的挑战。
2、现有的传感器布置方法在处理复杂网壳结构的测点方案时，存在传感器布置优化效果差、求解速度慢和缺乏对外部激励识别的研究等主要问题。体育场馆网壳结构中，待选测点规模庞大，通常需要布置几十甚至上百个传感器。由于实际结构模型自由度数量巨大，传统的优化算法在处理如此大规模的待选测点时，常常表现出计算效率低、求解速度慢的问题。为了降低计算复杂性，现有研究往往采用简化模型以减少待选测点位置。然而，对于异型空间网壳结构，这种简化处理难度较大，且可能影响优化结果的准确性。因此，亟须一种高性能的优化算法来解决大规模待选测点问题，提升传感器布置的效果和效率。
技术实现思路
1、为了克服上述现有技术中自适应能力不强、预报精度不足的缺点，本发明的主要目的在于提供一种场馆网壳屋盖测点优化方法及系统。
2、为达到上述目的，本发明采用以下技术方案，一种基于多种群非支配重组遗传算法(mp-rga)的传感器优化布置方法实现，包括以下步骤：
3、所述种群初始化通过在初始化阶段将测点位置划分为多个种群(种群1，种群2，…种群n)，同时进行遗传迭代操作，以改善算法的寻优能力，种群初始化时需设置多种群数量n。理论上，多种群数量越多越好，但在种群总个体数不变的情况下，过多种群划分将导致单个种群个体数量少，严重降低算法的优化搜索能力。
4、所述计算适应度通过适应度函数f1计算的适应度值来体现，本技术方案所述的体育场馆复杂网壳结构监测点优化时，基于测点位置估计的模态向量，构建mac矩阵，选择最小化mac矩阵中的非对角元素作为适应度函数，即：
5、
6、式中，macij表示mac矩阵中第i行第j列的元素；表示mac矩阵中非对角单元中的最大值；x表示测点位置布置方案。
7、所述反向学习通过生成与原种群相对应的反向种群，将其中适应度优于原种群的个体保留，淘汰掉原种群中较差个体，从而实现对解空间的充分搜索。
8、所述种群交流通过种群交流比α、种群交流频率f来实施，种群交流比和种群交流频率影响多种群交流过程中不同种群个体进化方向和相似度。增大种群交流比和交流频率，多种群中每代最差种群从最优种群中获得优良个体增多，最差种群向最优种群更新速度加快。
9、所述最优种群指按照适应度函数ffit评价种群1，种群2，…种群n得到的最优种群。
10、所述最劣种群指按照适应度函数ffit评价种群1，种群2，…种群n得到的最劣种群。
11、所述改进种群指将最优种群的精英个体引入最劣种群中，替换相应数量的较差个体。
12、所述自适应种群大小指按照0.5-1.5的缩放比例动态调整种群的大小，当种群亲代个体平均适应度优于上代种群亲代个体平均适应度时，表示上代种群亲代取得了较好的搜索效果，可以减小种群大小。反之，迭代取得了较差的搜索效果，应增大种群大小提高搜索能力。具体根据适应度值和sigmoid函数按照以下步骤确定：
13、(a)计算适应度变化率
14、(b)计算缩放比β＝sigmoid(5×α)+0.5
15、(c)确定更新后的种群大小gn＝gn-1×β
16、其中，ffit_(n-1)表示n-1代的适应度值，ffit_(n)表示n代的适应度值，α表示适应度变化率，β表示缩放比，gn-1表示n-1代的种群大小，gn表示n代的种群大小。
17、所述自适应交叉指通过非支配重组方法来确保个体的多样性，自适应非支配重组操作中，每次迭代对种群中一部分个体进行非支配重组，保证种群多样性，同时避免种群优良基因片段被全部破坏。非支配重组的比例可通过种群适应度的方差衡量其相似度来确定，相似度越大，进行非支配重组的种群个体越多，其计算公式：
18、nr＝-ln(d(fitness))·t·nparent
19、式中，nr表示进行非支配重组的个体数，d(fitness)表示亲代个体适应度的方差，t表示常数1/20，nparent表示种群亲代个体数。
20、所述自适应变异指在寻优前期采用较小的突变概率，后期采用较大的突变概率。此变异策略既可保证算法前期快速收敛到最优解附近，又有利于后期跳出局部收敛。其自适应转换函数也采用sigmoid函数，具体计算如下式。
21、
22、式中，m为常数0.1，表示变异概率一般不超过0.1。
23、所述最优布置方案指完成规定的迭代次数满足设定的条件时得到的最优方案。
24、与现有技术相比较，本发明的有益效果为：通过优化测点位置，确保了测点布置方案能够更有效地反映结构动态特性，从而提高结构健康监测的准确性和可靠性。通过最小化mac(modalassurancecriterion)矩阵中的非对角元素，优化了模态向量之间的区分度，减少了模态混淆，提高了模态参数识别的精度。提高了算法的鲁棒性和效率，通过将大种群划分为多个种群同时进行遗传迭代操作，提高了搜索效率和全局搜索能力。通过种群之间的个体交换，引入了更丰富的遗传多样性，有助于跳出局部最优解，找到全局最优解。适应度函数的设计考虑了mac矩阵的特性，使得算法能够针对特定的结构优化问题进行有效的评估和指导。根据适应度收敛程度进行动态调整，确保了算法在足够的时间内找到满意的解，同时避免了不必要的计算。通过自适应调整，保持了种群的多样性，同时确保了算法的收敛性根据适应度值的变化动态调整种群大小，有助于在算法的不同阶段保持适当的搜索范围和搜索精度。通过将最优种群中的精英个体引入最劣种群，加速了算法的收敛过程，同时保持了种群的优秀遗传特性。
25、综上所述，实现了场馆网壳屋盖测点布置的优化，提高了结构健康监测系统的性能，同时确保了算法的高效性和结果的可靠性。这些技术效果的实现对于工程结构的长期健康监测和安全评估具有重要意义。
1.一种场馆网壳屋盖测点优化方法，其特征在于，包括以下步骤：
2.如权利要求1所述的场馆网壳屋盖测点优化方法，其特征在于，所述适应度函数表示为：
3.如权利要求1所述的场馆网壳屋盖测点优化方法，其特征在于，所述非支配重组遗传算法包括以下步骤：
4.如权利要求1所述的场馆网壳屋盖测点优化方法，其特征在于，所述基于测点位置，构建mac矩阵，包括以下步骤：
5.如权利要求1所述的场馆网壳屋盖测点优化方法，其特征在于，所述非支配重组遗传算法的迭代次数初设为大于1000的整数，根据适应度收敛程度进行扩大调整，直至适应度收敛；
6.如权利要求1所述的场馆网壳屋盖测点优化方法，其特征在于，所述非支配重组算法中种群大小通过适应度值和sigmoid函数确定，包括以下步骤：
7.如权利要求1所述的场馆网壳屋盖测点优化方法，其特征在于，所述非支配重组遗传算法中种群的交叉概率根据种群适应度的方差衡量的相似度来确定，计算公式为：
8.如权利要求1所述的场馆网壳屋盖测点优化方法，其特征在于，所述非支配重组遗传算法中种群的突变概率通过sigmoid函数自适应转换函数进行自适应调整，计算公式如下：
9.如权利要求1所述的场馆网壳屋盖测点优化方法，其特征在于，所述识别交流后种群中每个种群中的最优种群和最劣种群包括：
10.一种场馆网壳屋盖测点优化系统，其特征在于，包括：
