杆系结构体优化方法、装置、电子设备及存储介质

1.本发明涉及建筑技术领域，具体涉及一种杆系结构体优化方法、装置、电子设备及存储介质。


背景技术：

2.杆系结构拥有良好的材料利用效率和出色的承载能力及结构刚度，在框架、大跨空间网架、输电塔、高层建筑支撑体系等工程中得到广泛应用。因此，实现对杆系结构体系的快速优化，降低工程造价，具有非常可观的工程价值。在工程设计优化阶段，工程师希望在不降低结构受力性能、保证结构安全、并满足建筑外观、施工性能约束的前提下尽可能减少结构的材料用量，降低建造成本。
3.现有的杆系结构优化方法一般通过有限元软件计算结构的力学响应，采用启发式的随机优化算法进行杆件参数优化。
4.然而，上述方法，建模过程自动化程度低，且应用范围较小，优化时间较长，从而效率较低。


技术实现要素：

5.有鉴于此，本发明实施例提供了一种杆系结构体优化方法、装置、电子设备及存储介质，旨在解决现有技术中的杆系结构体优化方法建模过程自动化程度低，且应用范围较小，优化时间较长，从而效率较低。
6.根据第一方面，本发明实施例提供了一种杆系结构体优化方法，包括：
7.根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵；其中，节点特征矩阵用于表征目标建筑物中各个构件的特征以及各个构件对应的交叉点的特征；邻接矩阵用于表征各个构件与各个交叉点之间的连接关系；
8.将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应；结构力学响应用于表征各个构件、各个交叉点以及目标建筑物整体受到一定荷载后的受力变化情况；
9.根据各个构件的建筑成本，生成目标函数；
10.根据结构力学响应生成约束函数，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量。
11.本发明实施例提供的杆系结构体优化方法，根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵，保证了生成的目标建筑物对应的节点特征矩阵以及邻接矩阵的准确性。然后，将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应，保证了输出的目标建筑物对应的结构力学响应的准确性。根据各个构件的建筑成本，生成目标函数，保证了生成的目标函数的准确性。然后，根据结构力学响应生成约束函数，以约束函数为约束
条件，对目标函数进行优化，输出各个构件对应的目标优化变量，保证了输出的各个构件对应的目标优化变量的准确性。上述杆系结构体优化方法，不需要通过有限元软件计算各个节点的结构力学响应，而是通过目标结构响应代理模型计算目标建筑物对应的结构力学响应，且根据结构力学响应生成约束函数，从而可以计算结构力学响应随杆件和交叉点的参数变化的梯度信息，进而不会限制优化算法的选择，可以选择各种优化算法。然后，根据结构力学响应生成约束函数，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量。因此，可以降低计算复杂度，提高优化收敛速率，缩短了优化时间，扩大了应用范围，且提高了效率，且保证了输出的各个构件对应的目标优化变量的准确性。
12.结合第一方面，在第一方面第一实施方式中，构件信息中包括各个构件以及各个交叉点的位置关系和结构特征，根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵，包括：
13.根据各个构件与各个交叉点的位置关系和结构特征，生成节点特征矩阵；
14.根据各个构件与各个交叉点之间的拓扑连接关系，生成邻接矩阵。
15.本发明实施例提供的杆系结构体优化方法，构件信息中包括各个构件以及各个交叉点的位置关系和结构特征，根据各个构件与各个交叉点的位置关系和结构特征，生成节点特征矩阵，保证了生成的节点特征矩阵的准确性。根据各个构件与各个交叉点之间的拓扑连接关系，生成邻接矩阵，保证了生成的邻接矩阵的准确性。进而可以保证将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出的目标建筑物对应的结构力学响应的准确性。
16.结合第一方面，在第一方面第二实施方式中，将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应，包括：
17.将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型中的编码器；
18.编码器对节点特征矩阵以及邻接矩阵进行特征识别并提取，并对提取的特征进行变换整合，生成目标建筑物对应的节点嵌入向量或/和图嵌入向量；
19.将节点嵌入向量或/和图嵌入向量输入至目标结构响应代理模型中的解码器，解码器对节点嵌入向量或/和图嵌入向量进行解码计算，输出结构力学响应。
20.本发明实施例提供的杆系结构体优化方法，将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型中的编码器。编码器对节点特征矩阵以及邻接矩阵进行特征识别并提取，并对提取的特征进行变换整合，生成目标建筑物对应的节点嵌入向量或/和图嵌入向量，保证了生成的目标建筑物对应的节点嵌入向量或/和图嵌入向量的准确性。然后，将节点嵌入向量或/和图嵌入向量输入至目标结构响应代理模型中的解码器，解码器对节点嵌入向量或/和图嵌入向量进行解码计算，输出结构力学响应，保证了输出的结构力学响应的准确性。
21.结合第一方面第二实施方式，在第一方面第三实施方式中，编码器包括k个卷积层和一个池化层，编码器对节点特征矩阵以及邻接矩阵进行特征识别并提取，并对提取的特征进行变换整合，生成目标建筑物对应的节点嵌入向量或/和图嵌入向量，包括：
22.每个卷积层对上一层的当前节点信息和邻居节点信息进行变换和整合后得到本层的当前节点信息；其中，当前节点信息用于表征各个构件以及各个交叉点中任一目标节点对应的当前信息；邻居节点信息用于表征目标节点的邻居节点的当前信息；
23.在经过k个卷积层的变换整合处理后，得到节点嵌入向量；
24.池化层对节点嵌入向量中的信息进行聚合处理，生成图嵌入向量。
25.本发明实施例提供的杆系结构体优化方法，编码器包括k个卷积层和一个池化层，每个卷积层对上一层的当前节点信息和邻居节点信息进行变换和整合后得到本层的当前节点信息，保证了每个卷积层对上一层的当前节点信息和邻居节点信息进行变换和整合后得到的本层的当前节点信息的准确性。在经过k个卷积层的变换整合处理后，得到节点嵌入向量，保证了得到的节点嵌入向量的准确性。池化层对节点嵌入向量中的信息进行聚合处理，生成图嵌入向量，保证了生成的图嵌入向量的准确性，进而可以保证解码器输出的结构力学响应的准确性。
26.结合第一方面，在第一方面第四实施方式中，根据各个构件的建筑成本，生成目标函数，包括：
27.获取各个构件对应的结构特征；
28.根据各个构件对应的结构特征，计算各个构件对应的建筑成本；
29.将各个构件对应的建筑成本进行相加，生成目标函数。
30.本发明实施例提供的杆系结构体优化方法，获取各个构件对应的结构特征，根据各个构件对应的结构特征，计算各个构件对应的建筑成本，保证了计算得到的各个构件对应的建筑成本的准确性。然后，将各个构件对应的建筑成本进行相加，生成目标函数，保证了得到目标函数的准确性。
31.结合第一方面，在第一方面第五实施方式中，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量，包括：
32.利用拉格朗日乘子将目标函数和约束函数组合为拉格朗日函数；
33.采用梯度下降法更新目标函数中的优化变量和以及拉格朗日乘子；
34.直至拉格朗日函数收敛，输出各个构件对应的目标优化变量。
35.本发明实施例提供的杆系结构体优化方法，利用拉格朗日乘子将目标函数和约束函数组合为拉格朗日函数，保证了生成的拉格朗日函数的准确性。然后，采用梯度下降法更新目标函数中的优化变量和以及拉格朗日乘子，保证了更新目标函数中的优化变量和以及拉格朗日乘子的准确性以及快速性，从而降低了计算复杂度，提高了优化收敛速率，缩短了优化时间。直至拉格朗日函数收敛，输出各个构件对应的目标优化变量，保证了输出的各个构件对应的目标优化变量的准确性。
36.结合第一方面，在第一方面第六实施方式中，目标结构响应代理模型的训练过程，包括：
37.获取训练集，训练集中包括训练建筑物对应的训练节点特征矩阵、训练邻接矩阵以及真实结构力学响应；
38.将训练建筑物对应的训练节点特征矩阵以及训练邻接矩阵输入至初始结构响应代理网络，输出训练建筑物对应的虚拟结构力学响应；
39.基于真实结构力学响应和虚拟结构力学响应计算损失函数，并基于计算结果，对初始结构响应代理网络进行参数更新，得到目标结构响应代理模型。
40.本发明实施例提供的杆系结构体优化方法，获取训练集，将训练建筑物对应的训练节点特征矩阵以及训练邻接矩阵输入至初始结构响应代理网络，输出训练建筑物对应的
虚拟结构力学响应，保证了输出的训练建筑物对应的虚拟结构力学响应的准确性。然后，基于真实结构力学响应和虚拟结构力学响应计算损失函数，并基于计算结果，对初始结构响应代理网络进行参数更新，得到目标结构响应代理模型，保证了得到的目标结构响应代理模型的准确性。从而可以保证将目标建筑物对应的节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出的目标建筑物对应的结构力学响应的准确性。
41.根据第二方面，本发明实施例还提供了一种杆系结构体优化装置，包括：
42.第一生成模块，用于根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵；其中，节点特征矩阵用于表征目标建筑物中各个构件的特征以及各个构件对应的交叉点的特征；邻接矩阵用于表征各个构件与各个交叉点之间的连接关系；
43.输出模块，用于将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应；结构力学响应用于表征各个构件、各个交叉点以及目标建筑物整体受到一定荷载后的受力变化情况；
44.第二生成模块，用于根据各个构件的建筑成本，生成目标函数；
45.优化模块，用于根据结构力学响应生成约束函数，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量。
46.本发明实施例提供的杆系结构体优化装置，根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵，保证了生成的目标建筑物对应的节点特征矩阵以及邻接矩阵的准确性。然后，将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应，保证了输出的目标建筑物对应的结构力学响应的准确性。根据各个构件的建筑成本，生成目标函数，保证了生成的目标函数的准确性。然后，根据结构力学响应生成约束函数，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量，保证了输出的各个构件对应的目标优化变量的准确性。上述杆系结构体优化装置，不需要通过有限元软件计算各个节点的结构力学响应，而是通过目标结构响应代理模型计算目标建筑物对应的结构力学响应，且根据结构力学响应生成约束函数，从而可以计算结构力学响应随杆件和交叉点的参数变化的梯度信息，进而不会限制优化算法的选择，可以选择各种优化算法。然后，根据结构力学响应生成约束函数，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量。因此，可以降低计算复杂度，提高优化收敛速率，缩短了优化时间，扩大了应用范围，且提高了效率，且保证了输出的各个构件对应的目标优化变量的准确性。
47.根据第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中的杆系结构体优化方法。
48.根据第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行第一方面或者第一方面的任意一种实施方式中的杆系结构体优化方法。
附图说明
49.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体
实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
50.图1是应用本发明实施例提供的杆系结构体优化方法的流程图；
51.图2是应用本发明另一实施例提供的杆系结构体优化方法的流程图；
52.图3是应用本发明另一实施例提供的框架-剪力墙结构示意图；
53.图4是应用本发明另一实施例提供的杆系结构体优化方法的流程图；
54.图5是应用本发明另一实施例提供的目标结构响应代理模型训练过程的流程图；
55.图6是应用本发明另一实施例提供的目标结构响应代理模型训练过程的流程图；
56.图7是应用本发明另一实施例提供的杆系结构体优化方法的流程图；
57.图8是应用本发明实施例提供的杆系结构体优化装置的功能模块图；
58.图9是应用本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
59.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
60.需要说明的是，本技术实施例提供的杆系结构体优化的方法，其执行主体可以是杆系结构体优化的装置，该杆系结构体优化的装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部，其中，该计算机设备可以是服务器或者终端，其中，本技术实施例中的服务器可以为一台服务器，也可以为由多台服务器组成的服务器集群，本技术实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中，均以执行主体是电子设备为例来进行说明。
61.在本技术一个实施例中，如图1所示，提供了一种杆系结构体优化方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
62.s11、根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵。
63.其中，节点特征矩阵用于表征目标建筑物中各个构件的特征以及各个构件对应的交叉点的特征；邻接矩阵用于表征各个构件与各个交叉点之间的连接关系。
64.具体地，电子设备可以接收用户输入的目标建筑物对应的杆系结构的构件信息和拓扑连接关系，也可以接收其他设备发送的目标建筑物对应的杆系结构的构件信息和拓扑连接关系，电子设备还可以对目标建筑物进行识别，确定目标建筑物对应的杆系结构的构件信息和拓扑连接关系，本技术实施例对电子设备获取目标建筑物对应的杆系结构的构件信息和拓扑连接关系的方式不做具体限定。
65.电子设备获取到目标建筑物对应的杆系结构的构件信息和拓扑连接关系之后，可以根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵。
66.关于该步骤将在下文进行详细介绍。
67.s12、将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应。
68.其中，结构力学响应用于表征各个构件、各个交叉点以及目标建筑物整体受到一定荷载后的受力变化情况。
69.具体地，电子设备在生成目标建筑物对应的节点特征矩阵以及邻接矩阵之后，可以将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，目标结构响应代理模型对输入的节点特征矩阵以及邻接矩阵进行特征分析以及特征提取，并根据提取的特征输出目标建筑物对应的结构力学响应。
70.关于该步骤将在下文进行详细介绍。
71.s13、根据各个构件的建筑成本，生成目标函数。
72.具体地，电子设备可以根据各个构件对应的结构特征，计算各个构件对应的建筑成本。然后，根据各个构件对应的建筑成本，生成目标函数。
73.关于该步骤将在下文进行详细介绍。
74.s14、根据结构力学响应生成约束函数，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量。
75.具体地，在生成目标函数之后，电子设备可以根据目标建筑物对应的结构力学响应，生成约束函数。然后，电子设备可以以约束函数为约束条件，利用预设优化算法对目标函数进行优化，输出各个构件对应的目标优化变量。
76.其中，预设优化算法可以是梯度下降算法、指数加权平均算法、动量梯度下降、rmsprop算法以及adam优化算法中的至少一种，本技术实施例对预设优化算法不做具体限定。
77.本发明实施例提供的杆系结构体优化方法，根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵，保证了生成的目标建筑物对应的节点特征矩阵以及邻接矩阵的准确性。然后，将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应，保证了输出的目标建筑物对应的结构力学响应的准确性。根据各个构件的建筑成本，生成目标函数，保证了生成的目标函数的准确性。然后，根据结构力学响应生成约束函数，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量，保证了输出的各个构件对应的目标优化变量的准确性。上述杆系结构体优化方法，不需要通过有限元软件计算各个节点的结构力学响应，而是通过目标结构响应代理模型计算目标建筑物对应的结构力学响应，且根据结构力学响应生成约束函数，从而可以计算结构力学响应随杆件和交叉点的参数变化的梯度信息，进而不会限制优化算法的选择，可以选择各种优化算法。然后，根据结构力学响应生成约束函数，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量。因此，可以降低计算复杂度，提高优化收敛速率，缩短了优化时间，扩大了应用范围，且提高了效率，且保证了输出的各个构件对应的目标优化变量的准确性。
78.在本技术一个实施例中，如图2所示，提供了一种杆系结构体优化方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
79.s21、根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵。
80.其中，节点特征矩阵用于表征目标建筑物中各个构件的特征以及各个构件对应的交叉点的特征；邻接矩阵用于表征各个构件与各个交叉点之间的连接关系。
81.在本技术一种可选的实施方式中，构件信息中包括各个构件以及各个交叉点的位置关系和结构特征，上述步骤s21“根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵”，可以包括如下步骤：
82.s211、根据各个构件与各个交叉点的位置关系和结构特征，生成节点特征矩阵。
83.具体地，电子设备可以根据各个构件与各个交叉点的位置关系和结构特征，生成二分图结构，具体如下：
84.g＝(v
t
,v
s1
,...,v
sk
,e)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
85.其中，vt,vs1,
…
,vsk代表节点集合，e代表边集合，也就是杆件集合；其中vt节点集合代表杆系结构中杆件的交叉点，每个vt∈vt都至少将其空间坐标作为交叉点特征(x,y,z)，除此之外还可以将杆件交叉点的荷载、边界条件作为交叉点特征；vs1,
…
,vsk代表各种类别的杆件，每种杆件都有自己独特的构件特征；边只存在于vt节点集合和vs节点集合之间。
86.电子设备可以根据二分图结构中的节点集合，生成交叉点特征矩阵以及构架特征矩阵，然后，根据交叉点特征矩阵以及构架特征矩阵，生成节点特征矩阵。
87.s212、根据各个构件与各个交叉点之间的拓扑连接关系，生成邻接矩阵。
88.具体地，在生成二分图结构中的节点集合之后，电子设备可以为每个vt集合中的交叉点赋予一个交叉点号i，并根据各个构件与各个交叉点之间的拓扑连接关系，将所有vt交叉点集合里的节点按一定顺序排列，赋予每个节点一个节点号j，生成邻接矩阵。其中，邻接矩阵可以用来表示二分图结构中的边集合e。
89.示例性的，假设邻接矩阵为a，则元素aij＝1代表节点vi和vj之间存在边，其含义为杆件vj的一端位于节点vi处，而aij＝0则代表节点vi和vj之间不存在边。
90.为了更好地介绍本技术实施例中介绍的目标建筑物对应的节点特征矩阵以及邻接矩阵。如图3所示为一个简单的框架剪力墙结构和其对应的数字化表征，该结构共有8个杆件交叉点和3种类型的杆件：柱、墙和梁(墙可以看作一种特殊的杆件，有4个端点)。杆件交叉点的特征为其空间坐标，每种类型的杆件也都有其特征，柱的结构特征为(b,h,rx,ry)，即截面宽、截面高、x方向的配筋率，y方向的配筋率；墙的结构特征为(t,rx,ry)，即墙厚度、水平方向的配筋率和竖直方向的配筋率；梁的结构特征为(b,h,rb,rt,p)，即截面宽、截面高、底部配筋率、顶部配筋率和荷载线密度值。
91.根据各个构件与各个交叉点的位置关系和结构特征，可以生成节点特征矩阵。然后根据各个构件与各个交叉点之间的拓扑连接关系，生成邻接矩阵。
92.其中，邻接矩阵a可以如下所示：
[0093][0094]
其中，紧接矩阵a中的9列代表图2中框架剪力墙结构对应的9个构件，紧接矩阵a中的8行代表图2中框架剪力墙结构对应的8个交叉点。由紧接矩阵a的第一列可知，构件1即柱1，连接的是交叉点1和交叉点5，即节点1和节点5，
……
，构件9即梁9，连接的是交叉点5和交叉点8，即节点5和节点8。
[0095]
s22、将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应。
[0096]
其中，结构力学响应用于表征各个构件、各个交叉点以及目标建筑物整体受到一定荷载后的受力变化情况。
[0097]
在本技术一种可选的实施方式中，上述步骤s22“将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应”，可以包括如下步骤：
[0098]
s221、将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型中的编码器。
[0099]
具体地，电子设备可以将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型中的编码器。
[0100]
s222、编码器对节点特征矩阵以及邻接矩阵进行特征识别并提取，并对提取的特征进行变换整合，生成目标建筑物对应的节点嵌入向量或/和图嵌入向量。
[0101]
在本技术一种可选的实施方式中，编码器包括k个卷积层和一个池化层，上述步骤s222“编码器对节点特征矩阵以及邻接矩阵进行特征识别并提取，并对提取的特征进行变换整合，生成目标建筑物对应的节点嵌入向量或/和图嵌入向量”，可以包括如下步骤：
[0102]
(1)每个卷积层对上一层的当前节点信息和邻居节点信息进行变换和整合后得到本层的当前节点信息。
[0103]
其中，当前节点信息用于表征各个构件以及各个交叉点中任一目标节点对应的当前信息；邻居节点信息用于表征目标节点的邻居节点的当前信息。
[0104]
(2)在经过k个卷积层的变换整合处理后，得到节点嵌入向量。
[0105]
(3)池化层对节点嵌入向量中的信息进行聚合处理，生成图嵌入向量。
[0106]
具体地，编码器中的每个卷积层可以将上一层的当前节点信息和邻居节点的信息变换和整合后得到本层的当前节点信息，其计算方式具体如下：
[0107][0108]
其中，表示第k层v节点的嵌入向量；n(v)表示v节点的邻接节点集合；γ
θ
代表任意一种可微的函数，例如多层感知机mlp；ψ
θ
代表任意一种可微的、排列无关的函数，例如求和函数、求平均值函数或者最大值函数。以gnn的一种模型-同构图神经网络(graph isomorphism network,gin)为例，其函数选择为ψ
θ
＝∑(
·
)，γ
θ
＝mlp
(k)
(
·
)，于是第k个卷
积层可以写作：
[0109][0110]
其中，mlp
(k)
表示一个定义好隐层数和神经元数量的多层感知机，mlp
(k)
中的激活函数采用relu函数。
[0111]
需要注意的是，第一个卷积层的输入变量就是当前节点的节点特征矩阵。由于二分图中的不同节点集合的节点特征不尽相同，需要先经过一个变换，例如mlp，将所有的节点特征维度统一。
[0112]
在经过k个卷积层后，得到了节点嵌入向量出于问题需要，有时还会再经过一个池化层pool
(
·
)
，将节点嵌入向量中的信息聚合为图嵌入向量或其他中间层级的嵌入向量。根据问题的不同，池化层可选择求和、取最大值、取平均值等多种操作。
[0113]
需要说明的是，根据问题需要，编码器可采取不同的形式，最常用的形式为多层感知机mlp，本技术实施例对编码器的形式不做具体限定。
[0114]
s223、将节点嵌入向量或/和图嵌入向量输入至目标结构响应代理模型中的解码器，解码器对节点嵌入向量或/和图嵌入向量进行解码计算，输出结构力学响应。
[0115]
具体地，目标结构响应代理模型中的解码器可以将编码器得到的节点嵌入向量或图嵌入向量转化为最终的结构力学响应。
[0116]
示例性的，结构力学响应可以是框架结构中各层的层间位移角，或者空间网架结构中各节点的位移。
[0117]
s23、根据各个构件的建筑成本，生成目标函数。
[0118]
关于该步骤请参见图1对s13的介绍，在此不进行赘述。
[0119]
s24、根据结构力学响应生成约束函数，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量。
[0120]
关于该步骤请参见图1对s14的介绍，在此不进行赘述。
[0121]
本发明实施例提供的杆系结构体优化方法，构件信息中包括各个构件以及各个交叉点的位置关系和结构特征，根据各个构件与各个交叉点的位置关系和结构特征，生成节点特征矩阵，保证了生成的节点特征矩阵的准确性。根据各个构件与各个交叉点之间的拓扑连接关系，生成邻接矩阵，保证了生成的邻接矩阵的准确性。进而可以保证将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出的目标建筑物对应的结构力学响应的准确性。
[0122]
然后，将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型中的编码器。其中，编码器包括k个卷积层和一个池化层，每个卷积层对上一层的当前节点信息和邻居节点信息进行变换和整合后得到本层的当前节点信息，保证了每个卷积层对上一层的当前节点信息和邻居节点信息进行变换和整合后得到的本层的当前节点信息的准确性。在经过k个卷积层的变换整合处理后，得到节点嵌入向量，保证了得到的节点嵌入向量的准确性。池化层对节点嵌入向量中的信息进行聚合处理，生成图嵌入向量，保证了生成的图嵌入向量的准确性，进而可以保证解码器输出的结构力学响应的准确性。然后，将节点嵌入向量或/和图嵌入向量输入至目标结构响应代理模型中的解码器，解码器对节点嵌入向量或/和图嵌入向量进行解码计算，输出结构力学响应，保证了输出的结构力学响应的准确性。
[0123]
在本技术一个实施例中，如图4所示，提供了一种杆系结构体优化方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
[0124]
s31、根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵。
[0125]
其中，节点特征矩阵用于表征目标建筑物中各个构件的特征以及各个构件对应的交叉点的特征；邻接矩阵用于表征各个构件与各个交叉点之间的连接关系。
[0126]
关于该步骤请参见图2对s21的介绍，在此不进行赘述。
[0127]
s32、将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应。
[0128]
其中，结构力学响应用于表征各个构件、各个交叉点以及目标建筑物整体受到一定荷载后的受力变化情况。
[0129]
关于该步骤请参见图2对s22的介绍，在此不进行赘述。
[0130]
s33、根据各个构件的建筑成本，生成目标函数。
[0131]
在本技术一种可选的实施方式中，上述步骤s33“根据各个构件的建筑成本，生成目标函数”，可以包括如下步骤：
[0132]
s331、获取各个构件对应的结构特征。
[0133]
具体地，电子设备可以接收用户输入的各个构件对应的结构特征，也可以接收其他设备发送的各个构件对应的结构特征，电子设备还可以对目标建筑物进行识别，确定目标建筑物中各个构件对应的结构特征，本技术实施例对电子设备获取各个构件对应的结构特征的方式不做具体限定。
[0134]
示例性的，柱的结构特征为(b,h,rx,ry)，即截面宽、截面高、x方向的配筋率，y方向的配筋率；墙的结构特征为(t,rx,ry)，即墙厚度、水平方向的配筋率和竖直方向的配筋率；梁的结构特征为(b,h,rb,rt,p)，即截面宽、截面高、底部配筋率、顶部配筋率和荷载线密度值。
[0135]
s332、根据各个构件对应的结构特征，计算各个构件对应的建筑成本。
[0136]
具体地，电子设备可以根据各个构件对应的结构特征，计算各个构件对应的建筑成本。
[0137]
s333、将各个构件对应的建筑成本进行相加，生成目标函数。
[0138]
具体地，电子设备在计算得到各个构件对应的建筑成本之后，可以将各个构件对应的建筑成本进行相加，生成目标函数。
[0139]
示例性的，目标函数可以如下公式所示：
[0140]
f(x)＝∑
v＝columnbvhv
lv[λ1+2λ2η(ρ
x
+ρy)+∑
v＝beambvhv
lv[λ1+2λ2η(ρb+ρ
t
)]
[0141]
(5)
[0142]
式中，v代表梁或者柱，bv，hv，lv分别为截面宽度、高度和长度；对柱来说，ρ
x
为x方向的配筋率,ρy为y方向的配筋率，对梁来说,ρb为底部配筋率、ρ
t
为顶部配筋率；λ1为单位体积混凝土的价格,λ2为单位重量钢筋的价格，η为钢筋的密度。
[0143]
s34、根据结构力学响应生成约束函数，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量。
[0144]
在本技术一种可选的实施方式中，上述步骤s34“以约束函数为约束条件，对目标
函数进行优化，输出各个构件对应的目标优化变量”，可以包括如下步骤：
[0145]
s341、利用拉格朗日乘子将目标函数和约束函数组合为拉格朗日函数。
[0146]
s342、采用梯度下降法更新目标函数中的优化变量和以及拉格朗日乘子。
[0147]
s343、直至拉格朗日函数收敛，输出各个构件对应的目标优化变量。
[0148]
具体地，电子设备还确定了目标建筑物对应的结构力学响应之后，可以根据结构力学响应生成约束函数。
[0149]
示例性的，钢筋混凝土框架结构常见的约束函数为层间位移角约束，罕遇地震下各层的层间位移角不超过0.02，将此约束函数改写为等式约束，具体如下：
[0150][0151]
式中，θi为第i层的层间位移角。
[0152]
于是优化问题可以表达为：
[0153][0154]
s.t. h(x)＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0155]
其中，f(x)为目标函数，h(x)为约束条件。
[0156]
电子设备可以采用拉格朗日乘子法解决带约束的优化问题，利用拉格朗日乘子将目标函数和约束函数组合为拉格朗日函数，如下所示
[0157]
l(x,λ)＝f(x)-λh(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0158]
然后，采用梯度下降法更新优化变量x和拉格朗日乘子λ：
[0159][0160]
λ
′
＝λ+λh(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0161]
式中，β和γ均为预先确定的学习率。
[0162]
电子设备可以不断更新优化变量x和拉格朗日乘子λ，直到拉格朗日函数收敛，此时即认为找到了满足约束函数的最优目标函数值，输出各个构件对应的目标优化变量。
[0163]
本发明实施例提供的杆系结构体优化方法，获取各个构件对应的结构特征，根据各个构件对应的结构特征，计算各个构件对应的建筑成本，保证了计算得到的各个构件对应的建筑成本的准确性。然后，将各个构件对应的建筑成本进行相加，生成目标函数，保证了得到目标函数的准确性。
[0164]
然后，根据所述结构力学响应生成约束函数，利用拉格朗日乘子将目标函数和约束函数组合为拉格朗日函数，保证了生成的拉格朗日函数的准确性。然后，采用梯度下降法更新目标函数中的优化变量和以及拉格朗日乘子，保证了更新目标函数中的优化变量和以及拉格朗日乘子的准确性以及快速性，从而降低了计算复杂度，提高了优化收敛速率，缩短了优化时间。直至拉格朗日函数收敛，输出各个构件对应的目标优化变量，保证了输出的各个构件对应的目标优化变量的准确性。
[0165]
在本技术一个可选的实施例中，如图5所示，上述目标结构响应代理模型的训练过程，包括：
[0166]
s41、获取训练集。
[0167]
其中，训练集中包括训练建筑物对应的训练节点特征矩阵、训练邻接矩阵以及真实结构力学响应。其中，训练建筑物对应的真实结构力学响应可以是通过有限元计算得到或者通过试验得到，本技术实施例对获取训练建筑物对应的真实结构力学响应的方式不做具体限定。
[0168]
具体地，电子设备可以接收用户输入的获取训练集，也可以接收其他设备发送的获取训练集，本技术实施例对电子设备获取获取训练集的方式不做具体限定。
[0169]
s42、将训练建筑物对应的训练节点特征矩阵以及训练邻接矩阵输入至初始结构响应代理网络，输出训练建筑物对应的虚拟结构力学响应。
[0170]
具体地，电子设备可以将训练建筑物对应的训练节点特征矩阵以及训练邻接矩阵输入至初始结构响应代理网络。初始结构响应代理网络中的编码器中的每个卷积层可以将上一层的当前节点信息和邻居节点的信息变换和整合后得到本层的当前节点信息，其计算方式如下：
[0171][0172]
其中，表示第k层v节点的嵌入向量；n(v)表示v节点的邻接节点集合；γ
θ
代表任意一种可微的函数，例如多层感知机mlp；ψ
θ
代表任意一种可微的、排列无关的函数，例如求和函数、求平均值函数或者最大值函数。以gnn的一种模型-同构图神经网络(graph isomorphism network,gin)为例，其函数选择为ψ
θ
＝∑(
·
)，γ
θ
＝lp
()
(
·
)，于是第k个卷积层可以写作：
[0173][0174]
其中，mlp
()
表示一个定义好隐层数和神经元数量的多层感知机，mlp
()
中的激活函数采用relu函数。
[0175]
需要注意的是，第一个卷积层的输入变量就是当前节点的节点特征矩阵。由于二分图中的不同节点集合的节点特征不尽相同，需要先经过一个变换，例如mlp，将所有的节点特征维度统一。
[0176]
在经过k个卷积层后，得到了节点嵌入向量出于问题需要，有时还会再经过一个池化层pool
(
·
)
，将节点嵌入向量中的信息聚合为图嵌入向量或其他中间层级的嵌入向量。根据问题的不同，池化层可选择求和、取最大值、取平均值等多种操作。
[0177]
然后，将训练节点特征矩阵以及训练邻接矩阵对应的节点嵌入向量和/或嵌入向量输入至解码器。解码器可以将训练节点特征矩阵以及训练邻接矩阵对应的节点嵌入向量和嵌入向量转化为最终的虚拟结构力学响应。
[0178]
s43、基于真实结构力学响应和虚拟结构力学响应计算损失函数，并基于计算结果，对初始结构响应代理网络进行参数更新，得到目标结构响应代理模型。
[0179]
具体地，电子设备可以基于真实结构力学响应和虚拟结构力学响应计算损失函数，并基于基于计算结果，对初始结构响应代理网络进行参数更新，得到目标结构响应代理模型。
[0180]
示例性的，目标结构响应代理模型的训练过程可以如图6所示。将训练建筑物对应
的训练节点特征矩阵以及训练邻接矩阵输入至初始结构响应代理网络中的编码器，输出训练节点特征矩阵以及训练邻接矩阵对应的节点嵌入向量和/或嵌入向量。然后，解码器可以将训练节点特征矩阵以及训练邻接矩阵对应的节点嵌入向量和嵌入向量转化为最终的虚拟结构力学响应。电子设备可以基于真实结构力学响应和虚拟结构力学响应计算损失函数，并基于基于计算结果，对初始结构响应代理网络进行参数反馈，得到目标结构响应代理模型。
[0181]
本发明实施例提供的杆系结构体优化方法，获取训练集，将训练建筑物对应的训练节点特征矩阵以及训练邻接矩阵输入至初始结构响应代理网络，输出训练建筑物对应的虚拟结构力学响应，保证了输出的训练建筑物对应的虚拟结构力学响应的准确性。然后，基于真实结构力学响应和虚拟结构力学响应计算损失函数，并基于计算结果，对初始结构响应代理网络进行参数更新，得到目标结构响应代理模型，保证了得到的目标结构响应代理模型的准确性。从而可以保证将目标建筑物对应的节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出的目标建筑物对应的结构力学响应的准确性。
[0182]
为了更好地介绍本技术实施例提供的杆系结构体优化方法，如图7所示，提供了杆系结构体优化方法的流程图。具体地，电子设备可以获取目标建筑物对应的杆件优化变量以及杆件基本变量，然后根据杆件优化变量以及杆件基本变量生成目标建筑物对应的节点特征矩阵以及邻接矩阵。电子设备将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物中各个节点以及杆件对应的结构力学响应。然后，根据各个节点以及杆件对应的结构力学响应，计算约束方法，并根据各个杆件的优化变量生成目标函数。利用拉格朗日乘子将目标函数和约束函数组合为拉格朗日函数，采用梯度下降法更新目标函数中的优化变量和以及拉格朗日乘子，直至拉格朗日函数收敛，输出各个构件对应的目标优化变量。
[0183]
应该理解的是，虽然图1、图2、以及图4-图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、图2、以及图4-图5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0184]
如图8所示，本实施例提供一种杆系结构体优化装置，包括：
[0185]
第一生成模块51，用于根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵；其中，节点特征矩阵用于表征目标建筑物中各个构件的特征以及各个构件对应的交叉点的特征；邻接矩阵用于表征各个构件与各个交叉点之间的连接关系；
[0186]
输出模块52，用于将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应；结构力学响应用于表征各个构件、各个交叉点以及目标建筑物整体受到一定荷载后的受力变化情况；
[0187]
第二生成模块53，用于根据各个构件的建筑成本，生成目标函数；
[0188]
优化模块54，用于根据结构力学响应生成约束函数，以约束函数为约束条件，对目
volatile memory)，例如至少一个磁盘存储器。存储器64可选的还可以是至少一个位于远离前述处理器61的存储装置。其中处理器61可以结合图8所描述的装置，存储器64中存储应用程序，且处理器61调用存储器64中存储的程序代码，以用于执行上述任一方法步骤。
[0198]
其中，通信总线62可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。通信总线62可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0199]
其中，存储器64可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固态硬盘(英文：solid-state drive，缩写：ssd)；存储器64还可以包括上述种类的存储器的组合。
[0200]
其中，处理器61可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。
[0201]
其中，处理器61还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：asic)，可编程逻辑器件(英文：programmable logic device，缩写：pld)或其组合。上述pld可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：cpld)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：fpga)，通用阵列逻辑(英文：generic array logic,缩写：gal)或其任意组合。
[0202]
可选地，存储器64还用于存储程序指令。处理器61可以调用程序指令，实现如本技术图1、图2以及图4-图5实施例中所示的杆系结构体优化方法。
[0203]
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的杆系结构体优化方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0204]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

技术特征：
1.一种杆系结构体优化方法，其特征在于，包括：根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成所述目标建筑物对应的节点特征矩阵以及邻接矩阵；其中，所述节点特征矩阵用于表征所述目标建筑物中各个构件的特征以及各个所述构件对应的交叉点的特征；所述邻接矩阵用于表征各个所述构件与各个所述交叉点之间的连接关系；将所述节点特征矩阵以及所述邻接矩阵输入至目标结构响应代理模型，输出所述目标建筑物对应的结构力学响应；所述结构力学响应用于表征各个所述构件、各个所述交叉点以及所述目标建筑物整体受到一定荷载后的受力变化情况；根据各个所述构件的建筑成本，生成目标函数；根据所述结构力学响应生成约束函数，以所述约束函数为约束条件，对所述目标函数进行优化，输出各个所述构件对应的目标优化变量。2.根据权利要求1所述的方法，其特征在于，所述构件信息中包括各个所述构件以及各个所述交叉点的位置关系和结构特征，所述根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵，包括：根据各个所述构件与各个所述交叉点的位置关系和结构特征，生成所述节点特征矩阵；根据各个所述构件与各个所述交叉点之间的拓扑连接关系，生成所述邻接矩阵。3.根据权利要求1所述的方法，其特征在于，所述将所述节点特征矩阵以及所述邻接矩阵输入至目标结构响应代理模型，输出所述目标建筑物对应的结构力学响应，包括：将所述节点特征矩阵以及所述邻接矩阵输入至所述目标结构响应代理模型中的编码器；所述编码器对所述节点特征矩阵以及所述邻接矩阵进行特征识别并提取，并对提取的特征进行变换整合，生成所述目标建筑物对应的节点嵌入向量或/和图嵌入向量；将所述节点嵌入向量或/和所述图嵌入向量输入至所述目标结构响应代理模型中的解码器，所述解码器对所述节点嵌入向量或/和所述图嵌入向量进行解码计算，输出所述结构力学响应。4.根据权利要求3所述的方法，其特征在于，所述编码器包括k个卷积层和一个池化层，所述编码器对所述节点特征矩阵以及所述邻接矩阵进行特征识别并提取，并对提取的特征进行变换整合，生成所述目标建筑物对应的节点嵌入向量或/和图嵌入向量，包括：每个所述卷积层对上一层的当前节点信息和邻居节点信息进行变换和整合后得到本层的当前节点信息；其中，所述当前节点信息用于表征各个所述构件以及各个所述交叉点中任一目标节点对应的当前信息；所述邻居节点信息用于表征所述目标节点的邻居节点的当前信息；在经过k个所述卷积层的变换整合处理后，得到所述节点嵌入向量；所述池化层对所述节点嵌入向量中的信息进行聚合处理，生成所述图嵌入向量。5.根据权利要求1所述的方法，其特征在于，所述根据各个所述构件的建筑成本，生成目标函数，包括：获取各个所述构件对应的结构特征；根据各个所述构件对应的结构特征，计算各个所述构件对应的建筑成本；
将各个所述构件对应的建筑成本进行相加，生成所述目标函数。6.根据权利要求1所述的方法，其特征在于，所述以所述约束函数为约束条件，对所述目标函数进行优化，输出各个所述构件对应的目标优化变量，包括：利用拉格朗日乘子将所述目标函数和所述约束函数组合为拉格朗日函数；采用梯度下降法更新所述目标函数中的优化变量和以及所述拉格朗日乘子；直至所述拉格朗日函数收敛，输出各个所述构件对应的目标优化变量。7.根据权利要求1所述的方法，其特征在于，所述目标结构响应代理模型的训练过程，包括：获取训练集，所述训练集中包括训练建筑物对应的训练节点特征矩阵、训练邻接矩阵以及真实结构力学响应；将所述训练建筑物对应的所述训练节点特征矩阵以及训练邻接矩阵输入至初始结构响应代理网络，输出所述训练建筑物对应的虚拟结构力学响应；基于所述真实结构力学响应和所述虚拟结构力学响应计算损失函数，并基于计算结果，对所述初始结构响应代理网络进行参数更新，得到所述目标结构响应代理模型。8.一种杆系结构体优化装置，其特征在于，包括：第一生成模块，用于根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成所述目标建筑物对应的节点特征矩阵以及邻接矩阵；其中，所述节点特征矩阵用于表征所述目标建筑物中各个构件的特征以及各个所述构件对应的交叉点的特征；所述邻接矩阵用于表征各个所述构件与各个所述交叉点之间的连接关系；输出模块，用于将所述节点特征矩阵以及所述邻接矩阵输入至目标结构响应代理模型，输出所述目标建筑物对应的结构力学响应；所述结构力学响应用于表征各个所述构件、各个所述交叉点以及所述目标建筑物整体受到一定荷载后的受力变化情况；第二生成模块，用于根据各个所述构件的建筑成本，生成目标函数；优化模块，用于根据所述结构力学响应生成约束函数，以所述约束函数为约束条件，对所述目标函数进行优化，输出各个所述构件对应的目标优化变量。9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-7中任一项所述的杆系结构体优化方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的杆系结构体优化方法。

技术总结
本发明涉及建筑技术领域，具体涉及一种杆系结构体优化方法、装置、电子设备及存储介质。包括：根据目标建筑物对应的杆系结构的构件信息和拓扑连接关系，生成目标建筑物对应的节点特征矩阵以及邻接矩阵；将节点特征矩阵以及邻接矩阵输入至目标结构响应代理模型，输出目标建筑物对应的结构力学响应；根据各个构件的建筑成本，生成目标函数；根据结构力学响应生成约束函数，以约束函数为约束条件，对目标函数进行优化，输出各个构件对应的目标优化变量。该方法，可以降低计算复杂度，提高优化收敛速率，缩短了优化时间，扩大了应用范围，且提高了效率，且保证了输出的各个构件对应的目标优化变量的准确性。变量的准确性。变量的准确性。


技术研发人员：王琛 张翀 陶慕轩 樊健生 宋凌寒
受保护的技术使用者：清华大学
技术研发日：2023.02.27
技术公布日：2023/7/19