Graph neural network-assisted evolutionary algorithm for rapid optimization design of shear-wall structures

在求解复杂的优化问题，例如剪力墙结构的优化设计时，传统的进化算法（EAs）面临因适应度评估导致的高昂计算成本挑战。相比之下，代理模型辅助进化算法（SAEAs）能够有效降低评估成本，因此被广泛应用。然而，当遇到新的结构优化案例时，现有的 SAEAs 需要从零开始建立数据集并训练机器学习代理模型，这大大降低了其效率。为了解决这一问题，本文提出了一种新颖的图神经网络（GNN）辅助进化算法（GAEA），其框架和工作流程与现有 SAEAs 显著不同。随后，本文提出了一种基于图表示的强大 GNN 代理模型，该模型具有良好的泛化能力。在经过大量同类型案例的训练后，该模型可以直接应用于该类别的各种新案例。通过将 GNN 与 EA 相结合，GAEA 在处理新的结构案例时能够直接使用训练好的 GNN 代理模型进行适应度评估。此外，本文创新性地提出了一种基于距离的代理模型评估与更新策略，该策略能够在不重新训练模型的情况下高效修正 GNN 的预测误差。本文将 GAEA 应用于钢筋混凝土（RC）剪力墙结构的优化设计，这是结构工程领域的典型 EOP。数值实验结果表明：1）在相同的适应度评估次数下，GAEA 仅需 2.8% 至 33.2% 的计算时间，即可分别达到典型 EA 或 SAEA 64.4% 和 92.5% 的优化效果；2）在相同的优化时间（10 分钟、45 分钟和 120 分钟）下，GAEA 的优化效果优于典型 EA 和 SAEA，满足剪力墙结构方案设计阶段的快速优化需求。本研究的发现可应用于各类 RC 建筑结构的快速优化，并为其他复杂优化问题提供更高效的求解参考。

推荐引用格式： FEI Y F, QIN S Z, LIAO W J, et.al. Graph neural network-assisted evolutionary algorithm for rapid optimization design of shear-wall structures[J/OL]. Advanced Engineering Informatics, 2025, 65: 103129. DOI:10.1016/j.aei.2025.103129.
论文链接