本技術涉及人工智能優化，具體涉及一種基于非連續型變量的工程結構多目標智能優化方法及系統。
背景技術：
1、工程結構優化設計是一種通過科學分析與創新設計，在確保建筑物、橋梁、隧道等工程結構滿足功能需求的前提下，提高結構性能、延長使用壽命、降低材料消耗與制造成本的關鍵技術手段。在工程結構優化設計中，抗疲勞性能是不可或缺的核心考量因素之一，其與保障安全、延長壽命、控制成本等方面息息相關。
2、當前針對鋼橋面板結構的疲勞壽命的優化設計方法主要存在如下缺陷：在工程實踐中，構造參數（如鋼板厚度、橫梁間距、螺栓規格等）通常為非連續值或標準值，屬于非連續型變量，而現有的遺傳算法多針對連續變量設計，采用的二進制編碼或連續變量交叉變異算子難以直接處理非連續型變量，生成的解常偏離工程可行域，需額外圓整處理，進而導致優化結果偏離真實pareto前沿；此類方法易陷入局部最優且無法保證解的可制造性，需要配合足尺試驗進一步驗證，增加了設計成本，尤其在構造參數與制造工藝強相關的場景下，傳統遺傳算法無法精準匹配實際生產中的可行域，導致優化結果難以落地。
3、因此，目前亟需一種能夠降低計算成本、提高效率并可以處理非連續型變量問題，且平衡性能與經濟的工程結構多目標優化方法。
技術實現思路
1、發明目的：為了克服以上不足，本技術的目的是提供一種基于非連續型變量的工程結構多目標智能優化方法及系統，通過結合中心點試驗設計、改進遺傳算法和pareto前沿分析，解決了現有技術中計算效率低、非連續型變量處理困難以及多目標協同優化不足的問題。
2、為解決上述技術問題，本技術提供了基于非連續型變量的工程結構多目標智能優化方法，包括：
3、s1：構建包含相互沖突的至少兩個優化目標的工程結構多目標優化模型，進而選取優化目標中的非連續型設計變量并為其設置取值約束；
4、s2：采用中心點復合實驗設計方法，在非連續型變量的可行域內選取樣本點并采用有限元分析獲取各個樣本點的力學響應數據，其中所述樣本點至少包括因子點、軸向點和中心點；
5、s3：基于樣本點通過最小二乘法擬合二階多項式響應面模型參數，得到代理模型，進而對代理模型執行顯著性檢驗及方差分析并在誤差超限時補充樣本點進行迭代更新；
6、s4：采用實數編碼方式構建包含非連續型變量的染色體并使各基因值限定在其非連續型變量的可行域集合中；
7、s5：基于面向非連續型變量的單點交叉算子執行交叉操作，獲得滿足離散取值約束的子代染色體并基于面向非連續型變量的隨機重置變異算子執行變異操作，在對應的離散取值集合中隨機生成并替換基因位；
8、s6：采用基于精英保留策略與快速非支配排序的多目標遺傳優化方法對種群進行預設次數迭代，獲得pareto最優解集并將所述pareto最優解集作為優化方案。
9、作為本技術的一種優選方式，在步驟s1中，構建多目標優化模型的方法包括：
10、根據工程需求定義相互沖突的優化目標，構建多目標優化模型，其中，所述優化目標包括結構重量、材料成本、應力幅中至少兩項；
11、選取影響目標的設計變量并設置取值約束條件。
12、作為本技術的一種優選方式，在步驟s2中，樣本點設計的方法包括：
13、采用中心點復合實驗設計方法，在非連續型變量的可行域內選取包括個因子點、個軸向點和個中心點的樣本點集，其中為設計變量，為3-5，所述樣本點的選取需覆蓋設計變量的整個取值范圍并至少包含非連續型變量的邊界值；
14、采用有限元分析獲取各個樣本點的力學響應數據，所述力學響應數據至少包括應力和位移數據。
15、作為本技術的一種優選方式，在步驟s3中，二階多項式響應面模型構建方法包括：
16、根據所述樣本點，構建二階多項式響應面模型：
17、，其中為需要預測的工程響應數據，為常數項，為設計變量；為線性項系數，為二次項系數，為交互項系數，為模型隨機誤差項；
18、通過最小二乘法擬合模型參數并進行顯著性檢驗和方差分析，進而在非連續型變量邊界處設置驗證點，若預設誤差超過設定閾值時，在誤差區域補充樣本點并迭代更新模型。
19、作為本技術的一種優選方式，在步驟s4中，染色體編碼的方法包括：
20、采用實數編碼方式構建染色體，設置種群規模并確定最大迭代次數；
21、初始化種群并校驗所有個體基因值均來自實際可用的非連續值集合。
22、作為本技術的一種優選方式，在步驟s5中，執行交叉操作的方法包括：
23、從種群中隨機選擇兩條染色體作為父代個體，即為和；
24、隨機生成一個交叉位點 i并將染色體劃分為前段和后段，其中1≤ i≤染色體長度-1，前段為基因位1至i-1，后段為基因位i至末尾；
25、將和在交叉位i及之后的基因片段互換，生成兩條子代染色體：
26、，其中+為基因片段的拼接，交叉概率取0.4~0.8。
27、作為本技術的一種優選方式，在步驟s5中，執行變異操作的方法包括：
28、隨機選擇染色體中的一個基因位；
29、在所述基因位的取值邊界內，隨機生成一個新值并替換原值：
30、，其中和分別為基因位的取值上邊界和下邊界，變異概率設置為0.05~0.1。
31、作為本技術的一種優選方式，在步驟s6中，獲得pareto最優解集的方法包括：
32、在每一代迭代開始時，將上一代的非支配解集復制到當前代的候選集合中，若上一代非支配解數量大于設定的最大精英數，則根據擁擠距離進行排序，優先保留擁擠距離大的個體；
33、采用錦標賽選擇方法，從種群中隨機抽取若干個個體組成錦標賽組，根據非支配等級選擇最優個體，其中非支配等級越低或擁擠距離越大，個體越優；
34、采用快速非支配排序方法，對所有個體計算支配計數和支配列表，將支配計數為0的個體歸入第一前沿，隨后依次構建下一前沿，直至所有個體完成排序；
35、取預設排序的個體作為pareto最優解集。
36、作為本技術的一種優選方式，在步驟s2中，所述非連續型變量包括鋼板厚度和橫梁間距，其中，所述非連續型變量的取值間隔符合工程標準序列。
37、本技術還一種使用所述方法的基于非連續型變量的工程結構多目標智能優化系統，包括：
38、優化模型構建模塊，用于構建包含相互沖突的至少兩個優化目標的工程結構多目標優化模型，進而選取影響目標的設計變量并為其設置取值約束；
39、樣本點設計模塊，用于采用中心點復合實驗設計方法，在非連續型變量的可行域內選取樣本點并采用有限元分析獲取各個樣本點的力學響應數據，其中所述樣本點至少包括因子點、軸向點和中心點；
40、響應模型構建模塊，用于基于樣本點通過最小二乘法擬合二階多項式響應面模型參數，得到代理模型，進而對代理模型執行顯著性檢驗及方差分析并在誤差超限時補充樣本點進行迭代更新；
41、染色體編碼模塊，用于采用實數編碼方式構建包含非連續型變量的染色體并使各基因值限定在其非連續型變量的可行域集合中；
42、交叉及變異模塊，用于基于面向非連續型變量的單點交叉算子執行交叉操作，獲得滿足離散取值約束的子代染色體并基于面向非連續型變量的隨機重置變異算子執行變異操作，在對應的離散取值集合中隨機生成并替換基因位；
43、優化方案生成模塊，用于采用基于精英保留策略與快速非支配排序的多目標遺傳優化方法對種群進行預設次數迭代，獲得pareto最優解集并將所述pareto最優解集作為優化方案。
44、本技術的上述技術方案相比現有技術具有以下優點：
45、1、本技術基于中心點復合試驗設計和響應面法，獲得力學響應的近似設計參數模型，無需有限元計算，可快速獲得不同設計參數組合下的力學響應；模型相關性好且顯著性高，可以代替試驗真實點對結果分析，方便工程設計。
46、2、本技術開發的基于單點交叉的非連續型變量交叉操作和基于單基因隨機重置的變異操作，基于實數型染色體編碼方式，通過染色體基因變換，能建立以實際可用的構造參數為可行域，實現設計參數的精準匹配。
47、3、本技術針對構造結構性能與重量或造價的競爭關系，基于pareto最優解的前沿面，可獲得綜合性能較優的構造參數設計。