模糊环境下的差异作业单机批调度优化问题的研究*

针对现实生产制造系统中存在的时间参数模糊化问题,本文用梯形模糊数表征时间参数,给出了一种具有模糊加工时间和模糊批次间隔的、以最小化制造跨度为目标的模糊差异作业单机批调度问题模型。在对模糊差异作业单机批调度问题进行有效求解方面,针对基本粒子群算法容易陷入局部最优的问题,本文给出了一种基于遗传操作的混合粒子群算法,利用遗传算法思想对粒子进行交叉、变异操作,增强了算法跳出局部最优的能力。仿真实验验证了该算法具有可行性和有效性。     

混合粒子群算法在模糊柔性车间作业计划中的应用*

针对现实生产系统中存在的时间参数模糊化问题,给出了一种基于区间值梯形模糊数的模糊柔性车间作业计划问题模型。在对模糊柔性车间作业计划问题进行有效求解方面,针对基本粒子群算法容易陷入局部最优的问题,随后给出了一种基于遗传操作的混合粒子群算法,利用遗传算法思想对粒子进行交叉、变异操作,增强了算法跳出局部最优的能力。仿真实验表明,该算法具有可行性和有效性。     

具有模糊时间窗的有容积约束车辆调度优化问题研究*

针对现实配送过程中存在的时间参数模糊化与车辆容积限制问题,利用梯形模糊代数、有符号距离和区间数距离公式,构造出一种较高精度的提前/滞后惩罚函数,在此基础上给出了一种以最小化服务点提前/滞后惩罚、最小化配送总里程以及最小化配送车辆数量为目标的、具有模糊时间窗的有容积约束配送车辆调度问题模型。在问题求解方面,结合粒子群算法和遗传算法,引入遗传算法思想对粒子进行交叉、变异操作,给出了一种基于遗传操作的混合粒子群算法,以解决基本粒子群算法容易陷入局部最优的问题。仿真实验表明,该算法具有可行性和有效性。     

基于粒子群算法的模糊控制在倒立摆中的应用

粒子群算法是一种仿生进化算法,源于对鸟群觅食行为的模拟,由于其计算简单、快速,被广泛应用.但是,基本粒子群算法在求解的过程中存在着全局搜索能力和局部求精能力两个性能指标之间的矛盾,算法容易陷入局部极值,进化后期的收敛速度慢.针对上述问题,提出了基于混沌变异算子的粒子群算法,可以使粒子摆脱局部极值,继续优化,加快收敛速度.将基于混沌变异的粒子群算法与模糊算法相结合,用于控制倒立摆系统的平衡.仿真实验表明,混沌变异粒子群算法优化了倒立摆系统模糊控制器的设计,改善了控制效果.     

基于改进混沌粒子群算法的薄壁件铣削参数优化

为提高薄壁框体结构件铣削加工精度及加工效率,提出一种薄壁框体结构件铣削加工工艺参数 优化方法。针对标准粒子群算法存在易陷入局部最优解,且不能自适应调整权重系数等问题,将混沌算法与多 目标粒子群算法结合,建立了以铣削力和单位时间材料去除率为优化目标,以铣削 4 因素为优化变量,以机床 主轴转速、进给量、铣削深度和表面粗糙度为约束条件的多目标约束优化模型。利用有限元仿真准确计算每个 优化解的加工误差,将结果及时反馈到优化算法中,进而找到最优加工工艺参数组合。以典型薄壁结构侧壁铣 削为例,分别采用试验参数、标准粒子群优化参数和本文所提算法优化结果进行仿真模拟,对仿真结果进行分 析比较,证明了该方法的有效性。     

混沌海豚群优化灰色神经网络的空中目标威胁评估

分析空中目标威胁评估特点,综合考虑威胁价值、威胁能力和威胁程度,建立空中目标威胁评估框架;针对海豚群算法易陷入局部最优和早熟收敛等问题,提出一种混沌海豚群算法,将混沌搜索策略引入海豚群算法,通过混沌初始化、动态分群和早熟优化机制,提高算法的全局寻优能力;利用混沌海豚群算法对灰色神经网络的初始参数寻优,通过搜索到的最优解建立基于混沌海豚群算法优化的灰色神经网络模型,并用于空中目标威胁评估.仿真实验表明,混沌海豚群算法优化的灰色神经网络在保证一定收敛速度的基础上,能够提升寻优精度,对测试集的预测效果优于传统灰色神经网络和基本海豚群优化的灰色神经网络,验证了所提算法模型在空中目标威胁评估中的有效性.     

基于DEA混合算法的模糊车间作业计划问题的研究*

针对以最小化制造跨度为目标,具有模糊加工时间的车间作业计划问题,采用梯形模糊数来表征时间参数,并应用可能性理论,在此基础上构建车间作业计划问题目标函数。为了对模糊环境下的车间作业计划问题进行有效求解,给出了一种DEA-GA混合求解算法,混合算法采用了DNA进化算法的分裂、变异和水平选择算子,然后利用遗传算法的交叉算子实现个体之间的交互,避免早熟收敛。仿真实验表明,该算法高效可行,与GA等优化算法相比,具有更快的收敛速度。     

多目标粒子群优化算法在柔性车间调度中的应用

将粒子群优化(Particle Swarm Optimization,PSO)算法和混沌搜索方法结合在一起,提出一种求解多目标柔性作业车间调度问题(Flexible job shop scheduling problem,FJSP)的新算法,利用混沌对PSO的参数进行自适应优化来有效平衡算法的全局搜索和局部开挖能力,并采用混沌局部优化策略来改善算法的搜索性能.此外,为了搜索到问题的所有非劣解,采用基于模糊逻辑的适应度函数来评价粒子.对于四个典型FJSP实例的实验验证了算法的可行性和有效性.     

改进的变尺度混沌粒子群算法及其应用

针对粒子群算法(PSO)存在局部最优及后期收敛速度慢等问题,提出一种改进的变尺度混沌粒子群算法(IMCPSO).该算法初期,在整个解空间对最优粒子进行变尺度混沌扰动,以防止陷入局部最优;算法后期,则以最优粒子为中心引入变尺度混沌扰动,以提高算法收敛速度.当算法一旦陷入局部最优时,采用混沌粒子替代部分种群粒子以增加粒子多样性,使算法尽快跳出局部最优.基于benchmark测试函数的仿真结果表明,所提算法与基本粒子群算法(SPSO)和变尺度混沌粒子群算法(MCPSO)相比,具有明显好的搜索精度和收敛速度.最后,将该算法应用于电路故障诊断实验中的支持向量机参数优化问题,实验结果说明了其应用价值.     

模糊需求下转运联盟车辆路径及混沌粒子群优化

建立了基于模糊需求的企业间转运联盟车辆路径问题,并基于模糊结构元理论将模糊需求问题转化为清晰需求问题．针对该模型,提出了一种混沌粒子群算法,该算法在经典粒子群算法的基础上融入了两次混沌变换,有效的利用了粒子群算法和混沌算法各自的优势．     

求解TSP问题的模糊自适应粒子群算法

由于惯性权值的设置对粒子群优化（PSO）算法性能起着关键的作用，本文通过引入模糊技术，给出了一种惯性权值的模糊自适应调整模型及其相应的粒子群优化算法，并用于求解旅行商（TSP）问题。实验结果表明了改进算法在求解组合优化问题中的有效性，同时提高了算法的性能，并具有更快的收敛速度。     

基于惯性因子自适应粒子群和模糊熵的图像分割 *

由于基本粒子群算法存在易陷入局部最优以及过早收敛的缺点 ,使得基于粒子群和模糊熵的图像分割算法难以得到理想的分割效果。针对此问题 ,提出了一种基于惯性因子自适应粒子群和模糊熵的图像分割算法,利用惯性因子自适应粒子群和高斯变异来搜索使模糊熵最大的参数值 ,得到模糊参数的最优组合 ,进而确定图像的分割阈值。通过与其他两种粒子群算法的分割结果进行比较 ,表明该算法取得了令人满意的分割结果 ,算法运算时间较小 ,具有很好的鲁棒性和自适应性。     

Adaptive fuzzy particle swarm optimization for global optimization of multimodal functions

This paper proposes an adaptive fuzzy PSO (AFPSO) algorithm, based on the standard particle swarm optimization (SPSO) algorithm. The proposed AFPSO utilizes fuzzy set theory to adjust PSO acceleration coefficients adaptively, and is thereby able to improve the accuracy and efficiency of searches. Incorporating this algorithm with quadratic interpolation and crossover operator further enhances the global searching capability to form a new variant, called AFPSO-QI. We compared the proposed AFPSO and its variant AFPSO-QI with SPSO, quadratic interpolation PSO (QIPSO), unified PSO (UPSO), fully informed particle swarm (FIPS), dynamic multi-swarm PSO (DMSPSO), and comprehensive learning PSO (CLPSO) across sixteen benchmark functions. The proposed algorithms performed well when applied to minimization problems for most of the multimodal functions considered.     

改进的粒子群模糊聚类方法

针对基于粒子群的模糊聚类算法以隶属度编码时对噪音敏感,以及处理样本数小于样本维数的数据集效果较差等问题,通过改进其中的模糊聚类约束方法,提出一种改进的基于粒子群的模糊聚类方法.当样本对各类的隶属度之和不为1时,新方法在粒子群优化得出的隶属度基础上,根据样本与各类之间的距离对隶属度进一步分配,以使隶属度满足模糊聚类约束条件.新方法显著地改善了在隶属度编码下使用粒子群进行模糊聚类的效果,并通过典型的数据集进行了验证.     

基于改进PSO和BP混合优化算法的炉温控制系统研究

针对工业生产中电阻炉温度控制系统所存在的大惯性、大滞后等问题,提出一种应用于电阻炉炉温的基于改进粒子群(PSO,particle swarm optimization)算法的模糊RBF-PID控制策略.在该控制系统中,采用引入惯性权重因子和遗传变异算子的改进粒子群算法对模糊RBF(径向基函数)隶属度函数的初始值进行优化,再用BP(误差反向传播)算法进行细调,并结合模糊推理和RBF学习能力在线调整PID控制参数,从而达到最优的PID控制效果.仿真结果表明,该算法跟踪快、超调小、不易陷入局部极小值,同时鲁棒性和抗干扰性优于传统PID控制.     

Optimal short-term hydro-thermal scheduling using quasi-oppositional teaching learning based optimization

This paper presents a new approach for solving short-term hydrothermal scheduling (HTS) using an integrated algorithm based on teaching learning based optimization (TLBO) and oppositional based learning (OBL). The practical hydrothermal system is highly complex and possesses nonlinear relationship of the problem variables, cascading nature of hydro reservoirs, water transport delay and scheduling time linkage that make the problem of optimization difficult using standard optimization methods. To overcome these problems, the proposed quasi-oppositional teaching learning based optimization (QOTLBO) is employed. To show its efficiency and robustness, the proposed QOTLBO algorithm is applied on two test systems. Numerical results of QOTLBO are compared with those obtained by two phase neural network, augmented Lagrange method, particle swarm optimization (PSO), improved self-adaptive PSO (ISAPSO), improved PSO (IPSO), differential evolution (DE), modified DE (MDE), fuzzy based evolutionary programming (Fuzzy EP), clonal selection algorithm (CSA) and TLBO approaches. The simulation results reveal that the proposed algorithm appears to be the best in terms of convergence speed, solution time and minimum cost when compared with other established methods. This method is considered to be a promising alternative approach for solving the short-term HTS problems in practical power system.     

新的混合模糊C-均值聚类算法

基于量子行为的粒子群算法(QPSO)是一种改进的粒子群优化算法.它使用的参数个数少,在解的收敛性和全局搜索能力上优于基本的粒子群算法(PSO).将QPSO算法与模糊C-均值(FCM)算法相结合提出一种新的混合模糊C-均值聚类算法(QPSO-FCM),新算法代替了FCM算法的基于梯度下降的迭代过程,在一定程度上克服了FCM算法易陷入局部极小的缺陷,降低了FCM算法的初值敏感度.实验结果表明,改进后的新算法与FCM算法和PSO与FCM结合算法相比,具有良好的收敛性,聚类效果也有较好的改善.     

基于文化微粒群算法的丙烯腈收率软测量模型

丙烯腈收率是丙烯腈装置的关键指标,如何得到丙烯腈收率是厂家很关注的研究,将新型优化算法用于丙烯腈收率软测量建模是1种较好的尝试。将新型微粒群优化算法用于同样新型的文化算法种群空间的优化,设计文化微粒群优化算法。它由种群空间和信念空间2部分组成,在种群空间和信念空间分别采用各自算法并行演化,同时,2个空间又根据一定的协议相互联系。分别将该算法和基本微粒群算法用于一些常用测试函数的优化问题;结果表明,与基本微粒群算法相比,文化微粒群算法加强了全局搜索能力,更容易收敛于全局最优解。最后将文化微粒群优化算法用于优化神经网络,构成文化微粒群神经网络,并将其应用于丙烯腈收率软测量建模。结果表明,此模型精度高,应用前景广阔。