摘要：自适应粒子群优化算法是一种基于群体智能、改进全局优化技术，其优势在于减小了陷入局部极值的机率，增加了全局搜索能力。文中将自适应粒子群算法应用于完整桩基动力参数的识别，数值计算结果表明，本文所建立的智能方法能够对桩基动测进行有效的多参数识别，具有良好全局收敛能力，是一种行之有效的计算方法。
关键词：自适应粒子群优化算法；桩基动测；参数辩识
中图分类号：TU473 文献标识码：A
1 引言
桩作为细长杆件，其材质一般属于非匀质体，支托它的岩土本构关系复杂，所涉及的工程地质条件是随机的、模糊的，岩土特性参数之间也存在着高度的非线性关系。而且，桩在动力的击打下，桩土共同工作体系的模型边界是不固定的，质量及刚度分布是不同的，波动响应特征是变化的，其体系的模型是动态的。因此，单纯用理论分析和确定的数学模型是无法加以描述的。
2 桩基动测的波动方程
桩的完整性与桩的动态特征、质量及刚度分布状况密切相关，将桩的动态反应作为随频率变化的信息，在瞬时激振力的冲击下通过振动响应分析，可以得到完整桩的古典一维波动方程；
3 基于自适应粒子群算法
粒子群优化算法（简称PSO）是Kennedy和Eberhart受鸟群觅食启发，于1995年提出的一种群体智能的随机搜索优化算法。它模拟鸟类捕食的行为，通过粒子间的相互作用，对解空间进行智能搜索，从而发现最优解。迭代过程简单，收速度快，不需对函数求导，易与其它算法相结合等优点，具有深刻智能背景，适合于科学研究和工程应用。
PSO是基于粒子群和适应度的概念，群体中的每个粒子代表一个可能的解，粒子具有位置和速度两个特征，算法通过适应度衡量粒子的优劣，随机初始化一群粒子，通过进化找最优解，每一次进化，粒子更新两个“极值”，粒子本身的最优解和整个种群的最优解，粒子更新速度和位置的方式如下：