粒子群优化算法求解车间调度问题

针对车间调度问题的特点构造了此问题的粒子表达方法,给出了具体的算法应用过程,并将结果与神经网络方法、遗传算法、改进的加工效率函数的调度算法做了对比.结果表明粒子群算法在柔性工作车间调度问题的应用上是十分有效的.     

基于粒子群算法的并联机构结构参数优化设计

介绍了粒子群优化算法的原理和实现方法，分析了该算法的主要参数对搜索性能的影响，井把粒子群算法用于六自由度的并联机构的参数优化设计中，取得了较好的效果，试验证明，粒子群算法是一种有效的优化方法，适用于大型复杂结构的优化设计。     

应用混沌粒子群算法求解工程优化问题

针对工程优化设计问题,提出了基于混沌粒子群算法的工程约束优化问题求解方法.CPSO算法利用混沌搜索的全局遍历性、随机性和规律性等特点,引导粒子在全局范围内搜索,从而克服了传统粒子群算法早熟收敛的缺点.该算法以种群适应度方差作为粒子群优化算法早熟收敛的判据,并用惩罚函数法处理违法约束的粒子,当基本粒子群算法陷入早熟时,随机选择粒子群中的部分粒子实施混沌搜索,直至满足迭代收敛条件为止.CPSO算法能提高种群的多样性和粒子搜索的遍历性,从而有效提高了PSO算法的收敛速度和精度.两个工程约束优化实例的求解结果表明,该算法的优化结果最好,收敛速度也比较快.     

求解作业车间调度问题的广义粒子群优化算法

为克服传统粒子群优化算法在解决组合优化问题上的局限性,分析了其优化机理,并在此基础上提出了广义粒子群优化模型。按照此模型提出了一种求解作业车间调度问题的广义粒子群优化算法。在本算法中,利用遗传算法中的交叉操作作为粒子间的信息交换策略,利用遗传算法中的变异操作作为粒子的随机搜索策略,而粒子的局部搜索策略则采用禁忌搜索来实现。为了控制粒子的局部搜索以及向全局最优解的收敛,迭代过程中交叉概率以及禁忌搜索的最大步长都是动态变化的。实验结果表明,本算法可有效地求解作业车间调度问题,验证了广义粒子群优化模型的合理性。     

解决JOB SHOP问题的粒子群优化算法

设计了2种解决Job shop问题的粒子群算法,即实数编码的粒子群调度算法和工序编码的粒子群调度算法。工序编码的粒子群调度算法更符合Job shop问题的特点,优化性能相对高。但粒子群调度算法容易陷入局部最优。为了提高优化性能,将粒子群算法和模拟退火算法结合,得到了粒子群-模拟退火混合调度算法。仿真结果表明了算法的有效性。     

求解多隔室车辆路径问题的改进粒子群优化算法

针对同时配送多种不能混装货物的多隔室车辆路径问题,建立了最小化车辆行驶成本的数学模型,并提出一种改进粒子群优化算法进行求解。该算法借鉴传统粒子群优化算法与模拟退火算法的思想,以粒子群算法为主框架,在粒子更新过程中引入模拟退火中的Metropolis准则,以一定概率接受劣解,使粒子在寻优过程中能够概率性地跳出局部最优。通过对经典车辆路径问题算例进行改编实验,并与已有文献、基本粒子群优化算法、基本人工蜂群算法分别进行对比分析表明,所提算法不但求解多隔室车辆路径问题有效,而且在求解质量上具有明显优势。     

混合粒子群优化算法求解多车辆拖动货物问题

为确定码头卜集装箱运输到目标位置的顺序和运输的车辆,提出了多车辆拖动货物问题,该问题需要考虑空间约束对车辆调度过程的影响.针对该问题,建立了整数规划数学模型,证明了该问题为NP完全难题,提出了四种解的编码方式,并利用模拟退火算法与粒子群优化算法结合的混合粒子群优化算法进行求解.将计算结果与模拟退火算法、粒子群优化算法进行了比较,结果表明,使用混合粒子群优化算法并采用先到先服务规则的两部分编码方法计算得到的解最好.     

粒子群优化算法综述

首先介绍了PSO的原理及具体实现步骤;然后针对PSO算法在搜索的初期收敛速度很快,但在后期却易于陷入局部最优的缺点,提出了各种改进办法;最后介绍了PSO算法的应用领域以及研究展望.     

半导体炉管区批调度问题的粒子群优化算法研究

为改善粒子群算法对大规模问题求解的性能,提出了一种基于文化进化的并行粒子群算法,详细阐述了该算法的原理和具体实施方案.针对半导体炉管区批调度问题,设计了双层粒子群算法,外层应用基于文化进化的并行粒子群算法进行批量计划问题的求解,内层采用传统的粒子群算法求解调度问题.通过对其他文献中的仿真实例进行计算和结果比较表明,该算法优于文献中的启发式算法和蚂蚁算法.     

粒子群优化算法及其在结构优化设计中的应用

介绍了粒子群优化算法的原理和实现方法,分析了该算法的主要参数对搜索方向的影响。将粒子群优化算 法与遗传算法在优化过程和搜索技术方面进行了对比。利用粒子群优化算法与遗传算法分别对测试函数和桁架结 构优化设计问题进行求解,将两种算法的计算结果进行了对比。计算结果表明在满足相同的计算精度的前提下,粒 子群优化算法的效率更高,利用粒子群优化算法可求解机翼结构优化设计问题,因此,粒子群算法是一种有效的优 化方法,适用于大型复杂结构优化设计。     

基于粒子群优化的形态学滤波器消噪方法

为了有效地消除信号的噪声,提出了基于粒子群优化的数学形态滤波器构造方法。首先,根据数学形态学算法的特性构造了形态学滤波器;然后,对于形态学滤波运算中的重要参数形态结构算子,采用具有全局优化性能的粒子群算法自适应选取,以最大信噪比作为整个优化过程的判定标准,从而实现了最优滤波器的构造;最后,通过仿真实验和轴承故障信号的分析表明,该形态学滤波器能够实现较好的滤波效果,可以有效地对机械设备的故障信号进行消噪。     

扩展拉格朗日乘子粒子群算法解决工程优化问题

工程上很多优化问题,如容器设计、波纹管、板翅式换热器的结构优化设计等,皆为非线性约束优化设计问题,常采用惩罚函数法处理约束条件;为获得问题最优解,该方法需要合理确定初始惩罚因子,且需要动态惩罚因子无穷大。扩展拉格朗日乘子法是一种改进的惩罚函数法,可以克服惩罚函数法的不足,获得全局最优解,但目前对其研究和应用有限。对拉格朗日乘子法与粒子群算法相结合处理非线性约束问题进行研究,提出惩罚因子更新策略,确定扩展拉格朗日乘子粒子群算法合理的操作过程。标准测试函数结果显示：提出的方法及策略实现了扩展拉格朗日乘子粒子群算法解决非线性约束问题,并得到了问题的全局最优解;其在容器及波纹管系列优化设计中的应用进一步显示,提出的方法在处理非线性约束工程实际问题时,运行稳定可靠,可快捷获得问题的全局最优解或近似最优解。     

基于序列响应面法的汽车结构耐撞性多目标粒子群优化设计

汽车结构的耐撞性及碰撞吸能优化是一个涉及到多变量、多约束和多目标的优化过程.为克服常规响应面法在整个设计空间进行逼近导致精度低和传统的单目标优化设计只能针对其中的一个目标进行优化的缺陷.提出采用逐次逼近方法,通过移动、缩放等方式在设计空间中不断更新兴趣域,在不同的兴趣域中将试验设计、能代表实际碰撞过程精度较高的近似模型和多目标粒子群优化算法相结合,获得一组最小化各目标函数的非劣解.利用最小距离选解法快速有效地从非劣解集中挑选出一组耐撞性效果最好的解并以此解作为下一迭代步兴趣域的中心,直到收敛至最优解,最终优化解的各个目标函数值均得到提高.数字算例表明,该方法具有较高的精度和较强的工程实用性.     

基于粒子群优化算法的工业机器人与外部轴标定

提出一种新的标定方法标定外部轴工作台与机器人工具间的坐标转换关系。该方法分为三步：首先,建立系统的数学模型,并根据模型标定机器人手腕与接触式距离传感器间的坐标转换关系,从而机器人和距离传感器组成机器人测量系统。然后,按预定程序移动检测目标,利用标定好的机器人测量系统测量并采集数据,初步标定出外部轴的转轴和俯仰两轴与机器人基础坐标系间的转换关系。最后,确定优化的目标函数,利用粒子群优化算法优化关键参数以提高系统的整体精度。试验结果验证了该标定方法的有效性。     

PSO改进算法在机械优化设计中的实现

首先引入了粒子群算法(PSO)和其改进算法的简介,然后根据改进算法在Matlab中开发了PSO工具箱。最后以减速器为模型实例采用该算法实现了优化设计。     

基于改进粒子群算法的盘式制动器优化设计

粒子群算法是近期发展的一种有效的优化方法.基于浓度的概念对粒子群优化算法做了改进,改善了粒子群的多样性,增强了算法的全局搜索能力,从而提高了优化效率.盘式制动器是保证汽车行驶安全的重要部件.应用此方法,以制动时间最短为目标,在几何约束、强度约束、温度约束等条件下,对盘式制动器的主要设计参数进行了优化设计.所得结果表明,盘式制动器的制动效率得到提高,保证了汽车行驶的安全性.     

多工位装配序列粒子群优化算法

针对传统单工位装配序列求解上的不足,将粒子群算法应用于多工位多目标装配序列优化的求解,提出一种面向复杂多工位产品的装配序列优化方法。采用优先序列图(Assembly precedence graph,APG)来描述零件间的优先约束关系,构建优先关系矩阵、装配干涉矩阵、工位能力表和装配信息表,描述装配部件干涉及工位之间的关系;给出粒子群算法编码体系和装配关系算法模型表达方法;综合考虑装配操作成本、装配工具更换成本和装配夹装变更成本和运输成本的影响,提出有工程意义的适应度函数的表达式;根据APG生成随机的可行初始装配序列,并利用粒子群算法(Particle swarm algorithm,PSO)对装配序列和装配工位进行优化。以飞机起落架装配序列规划实例验证多工位粒子群装配序列优化算法有效性。     

改进的粒子群优化算法及其工程应用

针对单目标粒子群优化算法局部搜索能力差,不能有效求解高维、复杂工程问题等缺点,提出了一种改进的粒子群优化算法,即单纯形粒子群优化方法的混合算法(SM PSO)。该混合算法,在继承粒子群优化算法原有优点的同时,不但可减少计算规模,且有效地增强了粒子群优化算法的局部搜索能力,提高了算法的鲁棒性能。文中采用30维经典测试函数及齿轮减速器优化问题作为算例,验证了该算法的优越性能。     

Fuzzy Gain Scheduled Continuous Stirred Tank Reactor with Particle Swarm Optimization based PID control Minimizing Integral Square Error

In this paper, a new control scheme, the gain scheduled Particle Swarm Optimization (PSO) based PID, is proposed for a continuous stirred tank reactor (CSTR). CSTR is a highly nonlinear process that exhibits stability in certain regions and instability in some regions. Generally, PID controllers are used in these processes. Tuning of the PID controller is required to guarantee the best performance of the CSTR. The proposed scheme implements the characteristics of the PSO's global optimization to tune the PID's control parameters: k_p, k_i, k_d, to obtain the best control effect by minimizing Integral Square Error online. The PID controller parameters tuned for each region using PSO are gain scheduled using fuzzy control. Fuzzy gain-scheduling is a special form of fuzzy control that uses linguistic rules and fuzzy reasoning to determine the controller parameter transition policy for the dynamic plant subject to large changes in its operating state. Simulation results show the feasibility of using the proposed controller for the control of the dynamic nonlinear CSTR.