焦楚杰， 崔力仕， 高仁辉， 郭 伟， 宋德强

(1.广州大学 土木工程学院， 广东 广州 510006； 2.中山市东峻混凝土有限公司， 广东 中山 528400；3.珠海春禾新材料研究院有限公司， 广东 珠海 519000)

传统的混凝土配方设计主要基于规范及大量试配试验，耗费时间与人工、材料，但结果却难以达到最优.通过对权值和阈值的修正、隐含层节点数的选择，BP神经网络可以表达多个自变量到多个因变量的函数映射关系，能够通过混凝土中多种原材料用量的选择实现对其强度的预测.通过对人工神经网络的改进，更新的智能算法模型能够实现智能搜索和全局寻优的能力.因此，有学者采用神经网络来优化混凝土配方，并预测混凝土性能指标，推动了智能算法在混凝土领域的使用[1-2].但是，在混凝土配方智能化方面，针对混凝土配方进行单一的强度预测相对容易实现[3-5]，如果增加预测变量(如成本)，则有一定的难度.原因在于神经网络能够实现各材料用量与混凝土强度之间的非线性映射，但是原材料成本与配方之间存在着线性关系，因此难以使用神经网络对其成本和强度同时进行拟合.

惩罚函数法可用于解决遗传算法和梯度算法中的约束问题[6-7]，但使用惩罚函数法解决离散变量的例子并不多.本文拟使用遗传算法(GA)来优化BP神经网络的权值和阈值，并将其优化完成之后的网络作为粒子群(PSO)算法的目标函数，之后将惩罚函数引入到粒子群算法的适应度函数中，以解……