智能蚁群算法

蚁群算法是一种新颖的求解复杂优化组合问题的模拟进化算法,它具有典型的群体智能的特性。该算法的主要特点是正反馈、分布式计算、鲁棒性和并行性等,在许多领域都得到了成功应用。本文主要对蚁群算法的原理、特性及蚁群算法的改进算法进行了总体介绍。     

基于神经元网络和粒子群优化算法的轧制工艺一性能优化

为了达到厚板生产中的强度和屈强比等性能指标，本文在用神经元网络对屈服强度和抗拉强度建模的基础上，结合粒子群优化算法对粗轧开轧温度、中间坯厚度、终轧温度、终冷温度及冷却速率等生产工艺参数进行了优化。优化结果与实验室热轧实验及工业试生产结果的对比表明，本模型能有效地优化厚板生产过程的工艺参数，从而为优化工艺或柔性化生产工艺的设计提供指导。     

基于多子群目标分段差分进化的多目标热连轧负荷分配

针对热连轧负荷分配的目标函数处理中采用的加权系数不好确定的问题,设计了一种多子群目标分段优化的差分进化算法.每个子群优化目标函数的一个子目标,子群之间独立进化,不但解决了加权系数问题,并且提高了算法的收敛速度和精度.最后,算法的有效性通过仿真进行了验证.     

一种基于差分进化的正弦余弦算法

正弦余弦算法是一种新型仿自然优化算法,利用正余弦数学模型来求解优化问题。为提高正弦余弦算法的优化精度和收敛速度,提出了一种基于差分进化的正弦余弦算法。该算法通过非线性方式调整参数提高算法的搜索能力、利用差分进化策略平衡算法的全局探索能力及局部开发能力并加快收敛速度、通过侦察蜂策略增加种群多样性以及利用全局最优个体变异策略增强算法的局部开发能力等优化策略来改进算法,最后通过仿真实验和结果分析证明了算法的优异性能。      

基于改进的微粒群算法的板形模式识别方法

针对在实际生产中板形信号识别精度不高的问题,通过对板形信号和板形识别数学模型的分析,采用基于混沌序列的微粒群寻优算法对板形信号进行识别。以勒让德正交多项式作为板形缺陷的基模式,将板形信号模式识别过程转化为函数的优化问题,有效地提高了算法的寻优效果,改进了板形信号模式识别的速度和精度。     

多目标粒子群优化算法研究综述

针对多目标粒子群优化算法的研究进展进行综述。首先,回顾了多目标优化和粒子群算法等基本理论;其次,分析了多目标优化所涉及的难点问题;再次,从最优粒子选择策略,多样性保持机制,收敛性提高手段,多样性与收敛性平衡方法,迭代公式、参数、拓扑结构的改进方案5个方面综述了近年来的最新成果;最后,指出多目标粒子群算法有待进一步解决的问题及未来的研究方向。      

基于支持向量机的边坡稳定性预测

为准确快速地对边坡进行稳定性分析,提出基于支持向量机(Support vector machine SVM)的稀土矿开采边坡的SVM预测模型,结合42个稀土矿开采边坡实际案例,并分别采用网格寻优算法、遗传算法(Genetic algorithm GA)、粒子群算法(Particle swarm optimization PSO)对SVM模型进行参数寻优,寻找适合稀土矿开采边坡的SVM模型参数算法,结果表明PSO算法适合稀土矿开采边坡的稳定性分析,该算法的预测准确率最高。     

改进的蚁群算法在矿山物流配送路径优化中的研究

物流配送路径优化问题是公认的NP难题，本文运用一种新型的模拟进化算法——蚁群算法对其进行求解。针对车辆路径问题及蚁群算法各自的特点，本文对蚁群算法进行多方面改进，以优化其搜索能力和加快收敛速度。文中通过对实例计算求解，取得了满意的结果，从而证明了新算法的有效性。     

一种基于粒子群参数优化的改进蚁群算法及其应用

针对现有基于粒子群参数优化的改进蚁群算法耗时较大的问题,提出了一种新的解决方案.方案中采用一种全局异步与精英策略相结合的信息素更新方式,同时合理减少蚁群算法被粒子群算法调用一次所需的迭代代数.对日本旭川垃圾场巡查机器人路径规划问题仿真求解的结果表明,与其他算法相比,该改进算法具有比较明显的速度优势.      

基于位移反分析的岩质边坡稳定性分析

通过工程现场获得边坡位移量等信息,并基于正交试验设计和FLAC3D建立训练样本和测试样本,运用BP神经网络建立起边坡位移与待反演参数之间潜在的映射关系.利用粒子群算法的参数优化功能优化BP神经网络,然后再用粒子群算法从全局空间上搜索出BP神经网络中预测位移与实测位移最接近的一组参数组合,最后采用FLAC3D计算出边坡的安全系数来评价其稳定性.研究表明将BP神经网络与粒子群算法相结合,进行位移反分析是可行的;通过位移反分析得到的参数结果,进行稳定性分析将更准确.     

用粒子群算法优化编制露天矿生产作业计划

从露天矿采掘和运输成本的最小化角度出发,构建露天矿生产作业计划模型.基于群体智能优化理论,提出了用粒子群算法对露天矿生产作业计划模型进行解算的方法,并在求解过程中设计了带核粒子及双吸引子的粒子搜索策略.以MATLAB软件为平台进行求解运算最佳作业计划.以某露天铁矿为工程背景进行实例研究,将研究结果与露天矿实际生产指标和非线性规划解算结果进行比较验证.结果表明,粒子群算法可用于露天矿生产作业计划的优化编制.      

基于群体智能优化的MKL-SVM算法及肺结节识别

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题,提出了一种基于群体智能优化的多核学习支持向量机算法。首先,研究了五种单核函数对支持向量机分类性能的影响,进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法;其次,为增加粒子多样性及快速寻优,将粒子群优化算法引入了遗传算法中的杂交操作,并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后,分别采用深度特征与手工特征作为识别算法的输入,研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入,以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试,进一步为了验证所提算法的泛化能力,选取公开数据集LUNA16进行测试。实验结果表明,本文算法易于跳出局部最优解,提升了算法的学习能力与泛化能力,具有较优的分类性能。      

基于LQR-QPSO的地下铲运机控制参数优化研究

现代控制理论是实现地下铲运机路径跟踪控制的重要技术之一。目前,控制算法应用的难点在于参数的选取和整定。为解决控制参数整定问题,提出应用量子行为粒子群优化算法（QPSO）对基于线性二次型调节（LQR）的状态反馈控制器进行参数优化,实现对地下铲运机精准、稳定的路径跟踪控制。状态反馈控制器基于铲运机的误差动力学模型得出,优化后的路径跟踪控制最大横向位置偏差低于0.23 m。仿真试验结果表明：相较于标准粒子群优化算法,QPSO算法优化的路径跟踪控制器的最大横向位置偏差减小53.4%,优化效果更好、成功率更高。     

Application of Improved PSO Algorithm in Hydraulic Pressing System Identification

 In view of characteristics of particle swarm optimization (PSO) algorithm of fast convergence but easily falling into local optimum value, a novel improved particle swarm optimization algorithm is put forward, and it is applicable to identify parameters of hydraulic pressure system model in strip rolling process. In order to maintain population diversity and enhance global optimization capability, the algorithm is firstly improved by means of decreasing its inertia weight linearly from the maximum to the minimum and then combined with chaotic characteristics of ergodicity, randomness and sensitivity to initial value. When the improved algorithm is used to identify parameters of hydraulic pressure system, the comparison of simulation curves and measured curves indicates that the identification results are reliable and close to actual situation. A new method was provided for hydraulic AGC system model identification.     

基于DBN-LSSVM的热连轧带钢厚度预测

为提高热连轧带钢精轧厚度预测精度,建立了通过深度置信网络(deep belief network,简称DBN)提取特征的最小二乘支持向量机回归模型(DBN-LSSVM),并且利用粒子群优化算法(particle swarm optimization,简称PSO)优化最小二乘支持向量机(least squares support vector machine,简称LSSVM)相关超参数。通过采集某热连轧带钢生产线实时现场数据,对所提出厚度预测模型进行训练和离线仿真。结果表明,基于DBN-LSSVM的预测模型具有良好的学习能力和泛化性,DBN-LSSVM模型的预测精度较传统BP算法和DBN-BP算法有显著提高,该厚度预测模型在生产实践中具有很好的应用前景。     

碱煮过程浸出率预测与优化研究

针对钨碱煮过程WO_3浸出率预测困难的问题,建立了动态机理模型与最小二乘支持向量机(LSSVM)相结合的并联混合模型,在该混合模型的基础上,构建了碱煮过程优化模型,将动态浸出问题转化为带约束的优化问题,并以粒子群优化(PSO)算法对优化模型进行求解。仿真结果表明,混合模型预测精度高,优化模型效果好,提高了WO_3浸出率,降低了浸出成本。     

基于改进粒子群优化算法的机器人路径规划

提出了一种改进粒子群优化算法的移动机器人路径规划方法。该方法首先将粒子群分成两组,对其中一组加入变异算子,能提高种群的多样性和避免粒子群优化算法的早熟。该方法模型简单,算法复杂度低,收敛速度快。仿真实验结果获得了从起点到终点的无碰撞路径,证实了该方法的有效性和可行性。     

轧机垂直系统动力学参数辨识

 针对轧机垂直系统动力学参数可信度不足等问题，提出一种基于实测数据的改进粒子群算法辨识轧机垂直系统动力学参数的方法。首先,将轧机垂直系统刚度和阻尼考虑成达芬振子和范德波尔振子，构建轧机垂直系统非线性动力学模型，并对粒子群算法进行改进；然后，通过数值仿真算例辨识得到系统在感染噪声和不含噪声时的动力学参数，验证了该算法的有效性；最后，以现场某轧机垂直系统为研究对象，基于现场实测数据，应用该算法进行辨识，得到了轧机垂直系统动力学参数估计，通过实测位移、速度和加速度信号分别与辨识后的位移、速度和加速度信号进行对比，证明该方法辨识轧机垂直系统动力学参数结果可靠，具有一定的工程应用价值。