连通式油气悬架整车建模与平顺性优化

为改善某连通式油气悬架工程车辆的平顺性,基于7自由度整车数学模型,建立整车Simulink模型与液压系统AMEsim模型的联合仿真系统,将白噪声法生成的四轮相关路面时域模拟信号作为仿真激励,进行联合仿真分析。在确定车辆平顺性评价指标后,选择影响车辆性能的可优化悬架参数,建立目标函数和约束条件,应用改进的多目标遗传算法优化求解。将优化前后的参数值分别代入联合仿真模型,仿真结果显示,在50 km/h车速下,车身垂向加速度均方根值降低42%,车轮动载荷均方根平均值降低44.2%,悬架动行程均方根平均值提高32.6%;在不同车速下,车辆的平顺性均得到大幅提高。     

基于整车多学科性能提升的轮胎优化设计

为了提升整车路噪、平顺性以及疲劳耐久综合性能，构造了序列近似多目标优化方法，结合虚拟试验场(virtual proving ground, VPG)技术对轮胎参数进行了优化设计。采用径向基函数代理模型建立了CDTire轮胎模型关键物理参数与整车多学科性能VPG仿真输出响应的显式数学关系，基于多目标粒子群优化算法与自适应补点方法持续更新代理模型迭代求解逐步逼近真实Pareto前沿。通过设计变量分类建立2步法优化模型，求解匹配轮胎模型参数后，车辆关键测点的全频段噪声均方根、最大振动加速度均值及疲劳损伤均值分别降低了1.6%,10.4%及3.8%,优化效果显著。     

基于粒子群算法多目标优化液压支架四连杆

针对煤矿液压支架四连杆受力计算较为复杂,简化计算时易出现较大误差且稳定性较差的问题,提出从四连杆机构的空间受力出发并结合支架的运动轨迹,采用粒子群优化算法对四连杆机构展开优化研究。首先建立了四连杆优化模型,在优化模型中选取对结果影响较大的参数作为优化变量,以轨迹偏差、连杆长、连杆力之和作为目标函数,根据液压支架设计规范确定约束条件。然后使用粒子群算法对目标函数进行迭代求解并在求解过程中采用惩罚函数法解决优化模型中不等式约束问题。对比优化前后连杆的杆长、受力和稳定性数据,发现优化后的四连杆实现了轻量化,且受力较小,稳定性提高。研究结果对四连杆的设计有实际参考价值。     

基于毫米波雷达获取料堆DEM的插值方法研究

针对现有的全自动堆取料机技术的发展过程中存在料堆高程模型获取困难、测量装置环境适应性差、成本高和模型精度低的问题,提出利用77GHz毫米波雷达、差分北斗和角度编码器的集成技术获取大型料堆表面的离散点云数据。推导出多传感数据融合获取离散点云数据的公式,并提出采用量子化鸽群优化Kriging插值算法获取料堆的数字高程模型(DEM),采用交叉验证的方式对比分析了优选参数后改进的普通Kriging、普通Kriging、反距离加权、基于三角剖分的线性和自然邻域插值算法,改进后的Kriging插值算法均方根误差低于0.37m,均方误差低于0.14m,均方根误差相比普通Kriging插值算法降低了39.9%。在现场的测试过程中,该方法可不受天气和粉尘的影响得到料堆的DEM,能够满足堆取料机全自动项目对精度的需求。     

主动全向声纳浮标定位算法和定位误差研究

针对主动全向声纳浮标定位目标算法和定位误差问题,依据"纯距离测量"定位的最小二乘算法,给出了定位误差方差阵的迭代计算方法和计算流程.采用蒙特卡洛仿真方法,统计分析了定位算法的精度;对比分析了定位误差均方差理论计算值和目标位置仿真结果的均方根误差,给出了定位算法的精度,验证了定位误差算法的正确性.     

融合加权SVD改进算法的工业机器人运动学标定

针对环境或人为因素引入的测量粗差对测量坐标系和机器人基坐标系的转换存在较大影响的问题,对奇异值分解(SVD)算法进行了改进,并将其应用于机器人运动学标定中。以ABB-IRB2600型机器人为研究对象,建立修正型D-H(MD-H)运动学模型和误差模型;通过激光跟踪仪测量得到机器人末端靶球位置坐标,在SVD算法中,根据补偿前位置误差大小对测量数据重新分配权重,转换测量坐标系和机器人基坐标系;使用Levenberg-Marquart(L-M)算法进行了误差参数辨识,并在Matlab中对机器人25个运动学参数进行了仿真补偿。仿真和实验结果表明,加权SVD算法稳定性更优,能够减小测量粗差影响,经标定后机器人的平均绝对误差降低了65.10%,均方根误差降低了65.85%,其绝对定位精度得到了明显提高。     

一种改进的蚁群遗传混合智能算法在TSP问题中的应用

蚁群算法、遗传算法作为两大仿生优化算法,有其各自的适用域与局限性。原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,但是由于两种算法混合,当求解问题规模变得越来越大时,求解步骤也会增多,从而使得求解速度会有所缓慢。本文改进算法采用信息素挥发因子自适应调整机制,调节算法收敛速度,保证算法的全局搜索能力,进而扩大解的搜索空间。同时根据公共路径降低蚁群算法运算时间,诱导蚁群寻找更优解,提高了其寻优能力和速度。仿真结果表明,改进后的算法在寻优能力,收敛速度及求解精度上均取到了较好的效果。     

基于生死单元法的BOPP薄膜激光打孔数值模拟

目的 利用有限元方法研究薄膜多脉冲激光打孔过程,探究生死单元法运用在薄膜激光打孔中的可行性.方法 基于Ansys中的生死单元法,使用Ansys参数化设计语言(APDL)编写程序,建立薄膜多脉冲激光打孔的二维瞬态温度场模型并进行仿真分析,测量孔深、上孔径,对仿真结果进行实验验证.结果 仿真与实验结果趋势一致,微孔孔径与孔深随脉冲次数的增加而逐渐增加;孔深最大误差为23.51％,平均误差为12.21％,均方根误差为1.573μm;上孔径最大误差为3.64％,平均误差为2.77％,均方根误差为2.215μm;薄膜在激光束轴心处温度最高,轴心两侧温度逐渐降低,高温区域随着脉冲次数增加而逐渐增大.结论 使用APDL语言程序结合生死单元法对薄膜多脉冲激光打孔进行仿真分析,结果可靠.     

一种改进的蚁群算法在工艺规划与车间调度集成优化中的应用

改进标准蚁群算法的执行策略,可提高工艺规划和调度集成问题的求解质量和效率。通过节点集、有向弧/无向弧集、AND/OR关系,建立了基于AND/OR图的工艺规划和调度集成优化模型。提出一种求解工艺规划与车间调度集成问题的改进蚁群优化算法,采用了信息素动态更新策略避免收敛过慢和局部收敛,利用多目标优化策略提高求解质量。仿真结果证明了该算法的有效性。     

考虑多间隙关节和不确定参数机构的非线性动力学分析

以典型四杆机构为研究对象，利用蒙特卡洛算法模拟不确定几何参数与间隙大小的生成，建立含多间隙关节和不确定参数的四杆机构非线性动力学方程，提出一种考虑多间隙关节和不确定参数机构的非线性动力学分析方法。首先，研究了不同情况下间隙关节和不确定参数对机构运动精度的影响，并量化机构运动误差；然后，重点探究了不确定参数、曲柄转速、间隙尺寸和间隙位置对四杆机构分岔与混沌现象的影响。分析结果表明：由于间隙关节和不确定参数的影响，导致了机构运动精度的降低；同时，利用分岔图证明了系统分岔和混沌行为对曲柄转速、间隙尺寸的依赖和敏感性；曲柄转速与间隙尺寸的变化，是导致机构出现分岔与混沌行为的主要因素，不确定几何参数对机构整体分岔现象的影响有限。     

微小型移动机器人的路径规划及编队研究

针对微小型移动机器人的路径寻优及编队问题,提出了路径规划与轨迹跟踪相结合的方法来实现多机器人的编队任务。首先提出了基于传统蚁群算法的改进算法,仿真结果证明,改进算法通过改进参数及初始信息素矩阵,使其收敛速度提高了50%,全局寻优能力提高了30%。其次设计了基于李雅普诺夫算法的轨迹跟踪控制器,仿真结果证明,其误差最终趋于0,验证了该控制器的稳定性。最后结合李雅普控制器和路径寻优算法,实现了多机器人在最优路径上的稳定编队。     

用于多目标优化的蚁群算法的构建及其应用

从蚁群的生物学行为出发,将成群募集和海量募集两种机制融入蚁群算法,并针对多目标优化的特性,综合考虑解的被支配度和分散度,抽提出一种启发式规则,用以评价食物源的优劣,进而构建多目标连续蚁群优化算法(MO-CACO).通过两个多目标典型函数的优化测试,验证了MO-CACO具有较强的多目标全局寻优能力,且稳健性良好,所求得的最优解集的多目标值能均匀地逼近Pareto最优前沿的各部分.将MO-CACO用于二甲苯异构化装置的操作优化,取得了满意的结果,MO-CACO可为化工过程多目标决策提供支持.     

履带急救车非线性减振系统动态性能优化

针对履带急救车非线性减振系统在随机激励下的动态性能优化问题,首先提出了一种基于改进的分块增维精细积分法和NSGA-Ⅱ算法的多目标参数辨识方法,对履带急救车非线性减振系统进行了参数辨识;然后,应用Sobol’法分析了减振系统各物理参数对系统输出的全局灵敏度;最后,应用遗传算法对减振系统进行了动态性能优化。结果表明：经过优化,担架台垂向振动加权加速度均方根值由原来的0.5210m/s2下降为0.4183m/s2,降幅达19.7%,减振系统动态性能得到了明显改善。     

一种新型包装码垛机器人路径规划方法

目的为了提高码垛机器人的工作效率,减小能量损耗,优化机器人末端抓手的工作轨迹。方法建立机器人路径规划的数学模型,在此基础上对传统的蚁群算法进行改进,将环境中局部的机器人路径信息引入蚁群信息素的初始化和路径选择概率中,提高蚁群算法的收敛速度,并防止算法早熟,避免算法陷入局部最优。结果仿真结果表明,改进后的蚁群算法收敛速度更快,能够在较短时间内规划出最佳路径。结论所提方法能够明显提高码垛机器人最佳路径搜索能力,对于提升机器人运行效率具有重要指导意义。     

一种工业机器人多目标轨迹优化算法

为解决工业机器人工作效率低、能耗损失严重和关节冲击磨损较大的问题,提出了一种基于布谷鸟搜索(cuckoo search,CS)算法和非支配排序遗传算法-II(non-dominated sorting genetic algorithm-II,NSGA-II)的混合算法(简称为CSNSGA-II),用于机器人的轨迹优化...     

蚁群算法的研究现状及其展望

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化系统，该算法采用分布式并行计算和正反馈机制，易于与其他方法结合，目前已经在众多组合优化领域中得到广泛应用。在介绍基本蚁群算法数学模型的基础上，列举了进入21世纪以来部分具有代表性的蚁群算法改进模型及其应用情况，然后重点从算法的模型改进、理论分析、并行实现、应用领域、硬件实现、智能融合等角度对蚁群算法在今后的研究方向作了系统分析与展望。     

求解连续空间优化问题的扩展粒子蚁群算法

扩展蚁群算法是蚁群算法创始人Dorigo提出的一种用于求解连续空间优化问题的最新蚁群算法,但该算法的收敛速度参数和局部搜索参数取值缺乏理论指导,因此其性能受算法参数影响较大.本文提出一种求解连续空间优化的扩展粒子蚁群算法,将粒子群算法嵌入到扩展蚁群算法中用于在线优化扩展蚁群算法参数,减少了参数人为调整的盲目性.从而改善扩展蚁群算法的寻径行为.通过将本文提出的算法与遗传算法、克隆选择算法、蚁群算法、扩展蚁群算法对5种典型测试函数优化的结果对比表明,本文算法在搜索速度和全局搜索能力方面均优于其它算法.     

基于蚁群算法的军用车辆器材装箱配载问题

目的对军用车辆器材装箱配载问题进行合理优化,以提高集装箱的空间利用率。方法阐述了军用车辆器材装箱配载问题的重要性,并对装箱配载问题进行理论分析,应用蚁群算法建立数学模型和实现流程,通过实例分析验证该算法的合理性。结果利用蚁群算法模拟与优化装箱配载问题使集装箱利用率达到了88.96%,并确定出了最优的装箱配载方案。结论蚁群算法能够对军用车辆器材装箱配载问题进行合理优化。