精确的有限元模型对结构健康监测系统具有重要意义。然后由于模型简化、测量误差、材料特性变异等原因，按照设计图纸建立的初始有限元模型与结构的实际情况具有一定的差异。通过改变有限元模型中的设计参数，可以将这种差异减小，使得有限元模型预测的结果与实际结构的响应相一致。通过改变设计参数来减小预测响应和实际响应之间误差的技术称为有限元模型修正。
有限元模型修正属于最优化问题。现有有限元模型修正研究多集中在单一解的寻优上，即根据有限元模型计算响应和实际结构响应之间差值构建的目标函数，然后寻找到目标函数的全局最优解。然而由于多种原因，如结构响应测试的不完备性，模态识别误差，目标函数构建方式的不同等，目标函数的全局最优解并不一定能够代表结构的实际情况。相反，一些在目标函数值上与全局最优解近似的局部最优有可能更好地表示结构的实际情况，因此由传统的提供一个最优结果，转变为提供多个修正结果，然后根据现场实际情况，以往类似结构的经验来决定最终选用的模型显得更为合理，因此有限元模型修正成为一个多解寻优问题。而传统的优化算法均是提供一个寻优结果，不适用于多解问题。为解决模型修正中的多解问题，本文首先分析了导致有限元模型修正中多解问题出现的原因，然后针对多解问题，本文提供了三种优化算法用于寻找全局最优和多个局部最优解，最后对于三种优化算法，采用数值算例验证算法的可行性。
首先，对可能导致有限元模型多解问题的原因进行了分析。指出由于测试信息不完备，模态识别方法误差，构建目标函数的方式不同等因素，目标函数值并不能完全代表结构实际情况和有限元模型之间的偏差，因此传统的仅提供一个最优解作为最后修正方法，可能会漏掉真正能代表实际结构的有限元模型。
然后提出了三种优化算法用于寻找目标函数的多个最优解，包括全局最优和一些局部最优解：
第一种优化算法为基于邻域搜索的人工蜂群算法。为了保证蜂群的多样性，提高最后寻找到多个最优解的可能性，提出了邻域搜索策略，同时为寻找多个最优解，提出了在标准人工蜂群算法的基础上，增加候选蜂选择过程。分别采用单峰值函数和多峰值函数验证了算法的计算速度和多解寻优能力。结果证明，所提算法相较于标准人工蜂群算法具有计算效率高的特点，并且能同时找到多个最优解。
第二种优化算法为双角度控制多种群粒子群算法。在稳态遗传算法中，通过单角度控制两个解是否属于同一区域，如果两个解不属于同一区域，但在一条直线上，则会引起漏解现象的发生。采用双角度控制避免了上述现象。并且提出了分种群策略，每个种群会产生一个种群最优，每个粒子根据与不同种群最优之间的距离动态判别所属种群。最后用数值试验验证了所提算法的有效性。
第三种算法是针对目前多解寻优算法精度不足的缺点所提出的一种混合算法，将梯度算法和稳态遗传算法相结合，利用梯度算法局部寻优速度快和寻优精度高的特点来改善稳态遗传算法的寻优精度。最后采用多峰值测试函数对比验证了改进前后算法的计算精度。结果证明，梯度算法的加入，并没有在计算时间上有明显增加，但是在计算精度上却有明显改善。
最后采用ASCE-Benchmark有限元模型修正对三种算法的表现进行了测试及分析。ASCE-Benchmark模型修正过程首先显示了多解问题的存在，然后对目标函数进行寻优，即有限元模型修正。修正结果表明，所提三种算法均能找到目标函数的两个解，但在计算效率和计算精度上有所区别。
谷歌
火狐
