买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于梯度提升的悬索桥施工阶段吊杆力智能优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120030652B 。

龙图腾网通过国家知识产权局官网在2025-07-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510119464.2，技术领域涉及：G06F30/13；该发明授权一种基于梯度提升的悬索桥施工阶段吊杆力智能优化方法是由高庆飞;董易典;梁锐鸿;姜在阳;赵海峰;童语昕;梁权彬;宇雷;胡文涛;刘洋设计研发完成，并于2025-01-24向国家知识产权局提交的专利申请。

本一种基于梯度提升的悬索桥施工阶段吊杆力智能优化方法在说明书摘要公布了：一种基于梯度提升的悬索桥施工阶段吊杆力智能优化方法，涉及桥梁施工智能优化技术领域。该方法步骤依次为：数据准备；模型定义与优化目标；训练第一棵树；基于增益确定分裂点；更新叶子节点；迭代训练；预测新数据；误差分析；粒子群优化算法优化施工阶段吊杆力；输出优化结果。能够高效建立施工阶段吊杆力与成桥阶段吊杆力之间的精准映射关系，并通过全局优化算法快速反求最优施工阶段吊杆力分布，全面提高优化效率与精度。

本发明授权一种基于梯度提升的悬索桥施工阶段吊杆力智能优化方法在权利要求书中公布了：1.一种基于梯度提升的悬索桥施工阶段吊杆力智能优化方法，其特征在于：包括以下步骤： 步骤一：数据准备 设悬索桥施工阶段有m根吊杆，样本数量为n，对于第i个样本，施工阶段吊杆力表示为：Xi＝[xi1,xi2,…,xim]，xij表示第i个样本的第j根吊杆的施工阶段吊杆力，对应的成桥阶段的吊杆力表示为：Yi＝[yi1,yi2,…,yim]，yij表示第i个样本的第j根吊杆的成桥阶段吊杆力，i＝1,2,…,n，j＝1,2,…,m，输入施工阶段吊杆力数据集为：X＝{X1,X2,…,Xn}，输出成桥阶段吊杆力数据集为：Y＝{Y1,Y2,…,Yn}； 步骤二：模型定义与优化目标 模型映射关系：建立映射函数f，将施工阶段吊杆力映射到成桥阶段吊杆力，模型的目标是学习f，使预测值与真实值Yi的误差最小化； 优化目标：使用平方误差作为损失函数L， 表示yij的预测值； 目标公式：最小化损失函数为： 步骤三：训练第一棵树 初始化预测值：初始状态下，模型预测值是目标函数的均值， 计算初始残差：残差表示为真实值yij与当前模型预测值的差： 步骤四：基于增益确定分裂点 梯度和二阶导数：使用损失函数的泰勒二阶展开式，计算每个样本的梯度和二阶导数，表示如下： 对于当前节点内样本集合D，有： 增益公式：对于分裂点vt，将数据分为左子节点DL和右子节点DR，有： 式中，GL和GR分别表示左子节点和右子节点的梯度和，HL和HR分别表示左子节点和右子节点的二阶导数和，λ表示正则化参数，γ表示分裂惩罚项； 选择最佳分裂点：遍历所有分裂点vt，选择增益最大的分裂点： 步骤五：更新叶子节点 叶子节点输出值：对于叶子节点，其输出值为： 更新预测值：模型预测值更新为：η表示学习率； 步骤六：迭代训练 重新计算残差： 终止条件：达到最大树数量T或损失函数的下降小于阈值ε； 步骤七：预测新数据 输入新数据：Xnew＝[xnew,1,xnew,2,…,xnew,m]； 模型预测：使用所有树的累加结果，计算新的预测值： 式中，Tκ·表示第κ颗树的预测函数，TκXnew表示在输入的新数据Xnew上，第κ棵树所做出的预测结果； 步骤八：误差分析 比较通过模型预测的成桥阶段吊杆力和理想成桥阶段吊杆力Y*，利用下式计算误差： 式中，为预测的第j根吊杆的成桥阶段吊杆力，为理想目标的第j根吊杆的成桥阶段吊杆力； 如果误差E大于工程设定的允许阈值，则进一步调整Xnew，以使成桥阶段吊杆力满足理想目标； 步骤九：粒子群优化算法优化施工阶段吊杆力 优化目标定义： 1目标函数：定义优化后的施工阶段吊杆力X需要最小化预测成桥阶段吊杆力与理想目标之间的误差，目标函数如下： 式中，fXj表示优化后通过模型预测的第j根吊杆的成桥阶段吊杆力； 2约束条件：定义单根吊杆上下限约束： 式中，和分别表示第j根吊杆力的最小允许值和最大允许值； 粒子群优化算法： 1粒子初始化：初始化N个粒子，每个粒子表示一组施工阶段吊杆力Pi，表示如下： Pi＝[xi1,xi2,…,xim]，i＝1,2,…,N 初始化粒子速度，表示如下： vij＝Uniform-vmax,vmax 式中，α是比例系数； 2计算粒子的适应度： 3更新粒子历史最优位置与全局最优位置： 粒子历史最优位置更新表示为：Pi best＝Pi，若FPi＜FPi best； 全局最优位置更新表示为：Pglobal＝Pi，若FPi＜FPglobal； 4更新粒子速度和位置： 粒子速度更新通过下式计算： 粒子位置更新通过下式计算： 式中，表示第i个粒子在第j个维度上第t次迭代后的速度，w表示惯性权重，c1表示个体学习因子，c2表示群体学习因子，r1和r2为在[0,1]区间随机取值，表示第i个粒子在第j个维度上的位置在第t次迭代的值； 5约束处理： 粒子速度限制： 粒子位置约束： 6终止条件：当全局最优适应度值变化满足时，停止迭代； 步骤十：输出优化结果 优化后的施工阶段吊杆力：输出粒子群的全局最优位置Pglobal： 验证优化效果：将优化后的施工阶段吊杆力Xopt输入xgboost模型，预测成桥阶段吊杆力： Yopt＝fXopt 计算优化后的误差：比较优化后预测的成桥阶段吊杆力Yopt与理想值Y*： 式中，Yopt,j表示优化后预测的第j根吊杆的成桥阶段吊杆力； 输出结果：输出优化后的施工阶段吊杆力Xopt、优化后预测的成桥阶段吊杆力Yopt以及优化误差FXopt。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。