面向多目标拆卸线平衡问题的一种改进粒子群优化算法

为提升粒子群优化算法在解决复杂拆卸线平衡问题时的计算能力,提出一种改进的粒子群优化算法。该算法选取每个粒子运行最优的邻居粒子为粒子每次迭代过程中"个体学习部分"的学习样本。为保证种群多样性,避免算法出现早熟收敛,提出一种粒子间的水平混合变异(均匀分布变异和高斯分布变异),通过变异判定条件,对粒子的位置进行变异更新,提升算法的搜索性能。针对多目标问题,利用基于目标优先顺序的粒子群优化算法,将多个目标问题按优先顺序进行优化。通过拆卸问题的仿真计算比较结果,验证算法的有效性。     

基于改进多目标粒子群优化算法的企业再制造物流网络优化

为解决碳税政策下的多目标企业再制造物流网络优化问题,综合考虑设施选址与运输方式选择,建立了总成本和碳排放最小化的混合整数规划模型。设计了约束处理机制改进多目标粒子群优化算法,并结合水泥企业运营管理数据验证了模型和算法的有效性。将改进多目标粒子群算法与第二代约束非支配排序遗传算法比较,凸显了改进多目标粒子群算法在求解中、大规模问题时的优越性。     

一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

基于改进粒子群优化算法的传感器部署机制

为提高无线传感器网络性能,通过恰当的传感器部署机制获得优化的覆盖是很重要的问题。改进的粒子群优化算法通过重新部署初始随机分布的移动传感器,改善了覆盖效果。针对粒子群优化算法可能出现局部最优而导致覆盖优化效果降低问题,引入模拟退火算法的接受规则更新微粒的速度和位置。为减少算法执行时间,采用Voronoi图覆盖空缺和传感器间距离的标准偏差设计了适应度函数。最后根据移动距离调整各个传感器的移动目标,减少了能量消耗。仿真结果表明:和原始粒子群算法相比,改进的算法能够获得更高的覆盖率、更快的收敛以及更低的能量消耗。     

列车调度问题模型与基于混合粒子群优化的求解算法

针对复线列车调度问题,建立了描述问题解空间的阻塞限制混合流水车间模型,并提出一种混合粒子群优化算法进行求解。该算法以最小化最长完工时间为目标,设计了释放-回推算法来安排列车运行顺序并计算最小化最长完工时间,利用改进的粒子群优化算法解决轨道分配问题并进行全局优化。此外,通过基于迭代邻域的搜索算法来提高种群的局部搜索能力。实验结果表明,所提出的方法能够有效地求解复线列车调度问题。     

基于改进粒子群的焊点检测路径规划方法

针对电路板的焊点检测路径优化问题,提出一种改进的粒子群优化算法。在粒子进化过程中,根据时间函数的变化,调整粒子进化参数组合。在焊点空间路径规划过程中,将最小时间函数作为移动准则。在当前焊点检测点,建立路径规划时间函数,利用改进粒子群算法求取时间函数最小点,作为下一路径点,从而逐步得到焊点移动路径。仿真结果表明,利用所提方法可以规划出一条有效最优路径,进行完成焊点路径规划任务。同时实验结果表明,相对于其他粒子群算法,该算法具有较好的收敛精度,且收敛速度可控。     

基于粒子群算法的多目标模糊物元优化研究

针对产品设计优化过程中多目标性、模糊性、不确定性等特性,提出基于粒子群算法的多目标模糊物元求解策论.建立了多目标模糊物元优化模型,定义了物元的各个权重,根据某种优化准则,将多目标优化问题转化成了单目标问题的优化.运用粒子群算法作为求解策略,并提出新的改进方法,给出模糊物元多目标优化设计问题的改进自适应粒子群算法(MAPSO)求解过程,并将它与其他方法进行比较,结果显示该算法具有较高的执行效率.     

基于混合粒子群算法的汽车零件精冲车间调度研究

针对传统遗传算法在车间作业调度问题难以解决求解约束优化问题时存在难以同时兼顾求解质量和收敛效率这一问题,通过采用了基于工序编码的方式生成可行调度及借鉴遗传算法单点交叉方法,生成基于工件的交叉算子作为粒子的更新方式,将改进后的粒子群优化算法用于求解精冲零件车间调度问题,并在算法中通过利用局部搜索的方式提升粒子群中粒子收敛效率。通过对典型的调度测试问题进行模拟实验,证明了改进后的混合粒子群算法对于求解车间调度问题的适用性及具有不错的求解性能。     

并联机器人的粒子群优化神经网络自适应控制算法研究

针对传统控制算法对并联机器人的控制效果不好的问题,提出了一种并联机器人的粒子群优化神经网络自适应控制算法,该算法在基于神经网络的自适应PID控制算法的基础上,首先对粒子群优化算法进行惯性权重的优化和收缩因子的改进,然后将该改进算法应用于原算法上。仿真试验结果表明,提出的粒子群优化神经网络自适应控制算法,在性能上远远优于传统PID控制算法和基于神经网络的自适应PID控制算法。     

基于量子粒子群优化算法的斜齿轮设计

粒子群优化算法是一种基于群智能的优化方法,量子粒子群优化算法是基于PSO进行改进的算法,规则简单、收敛速度快、易于编程实现。对于多约束条件的斜齿轮传动的优化设计,笔者提出了一种基于量子粒子群优化算法优化求解的方法,实践表明能够快速、有效求得优化解,是求解齿轮优化设计问题的一个较好方案。     

改进粒子群优化算法在工程优化问题中的应用研究

粒子群优化（PSO）算法是一种群集智能方法，它通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。在对于粒子群群体构造和粒子多样性对收敛速度和精度影响的研究基础上提出了一种改进型粒子群优化算法。针对工程中的有约束的优化问题，将改进粒子群算法与函数法相结合进行求解。计算实例表明改进型粒子群优化算法大大改善了传统PSO算法的全局收敛性能，解的精度提高了很多。     

An improved particle swarm optimization algorithm for reliability problems

An improved particle swarm optimization (IPSO) algorithm is proposed to solve reliability problems in this paper. The IPSO designs two position updating strategies: In the early iterations, each particle flies and searches according to its own best experience with a large probability; in the late iterations, each particle flies and searches according to the fling experience of the most successful particle with a large probability. In addition, the IPSO introduces a mutation operator after position updating, which can not only prevent the IPSO from trapping into the local optimum, but also enhances its space developing ability. Experimental results show that the proposed algorithm has stronger convergence and stability than the other four particle swarm optimization algorithms on solving reliability problems, and that the solutions obtained by the IPSO are better than the previously reported best-known solutions in the recent literature.     

基于改进粒子群算法的隐式广义预测控制

针对大多数工业系统的控制输入输出都存在约束的情况,提出一种基于改进粒子群算法的隐式广义预测控制算法(IGPC)。粒子群算法(PSO)是一种基于群体的智能优化算法,解决受约束的优化问题具有精度高、收敛速度快等优点;为了避免粒子群算法陷入早熟,提高精度,引入细菌觅食算法中的自适应迁徙机制。在隐式广义预测控制的滚动优化环节引入改进粒子群算法,弥补了传统GPC在处理受约束控制问题上的缺陷。仿真结果表明了该方法的有效性和良好的控制性能。     

Research on selection strategy of machining equipment in cloud manufacturing

Cloud manufacturing (CM) is a new type of networked manufacturing model, which is proposed in 2010. Optimization technology is one of the key techniques for CM operation, which are used for the efficient integration of manufacturing resources. In all kinds of manufacturing resources, the machining equipment is one of the most important resources. Using optimization techniques to achieve optimal selection of machining equipment is rarely studied in the CM. In order to handle the optimization selection of machining equipment in CM, comparing with the existing resources optimal configuration, an optimal selection strategy is introduced for the machining equipment in CM. In the selection strategy, first, a multiple objective and binary integer programming model is proposed to describe the optimal selection of machining equipment in CM. Second, after analyzing the mathematical model and the real-world problem of the machining equipment selection in CM, the priority method is adopted to convert the multiple-objective problem into a single-objective problem. Third, an improved particle swarm optimization (IPSO) algorithm based on a novel encoding scheme and fitness function is presented to solve the single-objective mathematical model. Finally, the simulation experiments verify the effectiveness of the IPSO algorithm and show that the selection strategy is more objective and effective to help the client select the machining equipment in the CM than current resources optimization model. This research provides a theoretical support for the development of CM.     

基于IPSO-SVR的航空发动机磨损预测研究

为提高支持向量回归(Support Vector Regression,SVR)预测模型对航空发动机磨损预测的准确性,提出利用改进的自适应粒子群优化(Improved Particle Swarm Optimization,IPSO)算法对SVR的结构参数和训练样本向量维数进行优化。IPSO算法采用非线性惯性权重和自适应探测响应机制,克服传统粒子群随机初始位置影响寻优结果的不足,提高预测结果的准确性和一致性。利用某型发动机光谱分析数据进行磨损预测研究。结果表明:与传统PSO-SVR和常用BP神经网络预测模型相比,IPSO-SVR预测结果具有更高的准确性,且预测结果保持良好的一致性。     

Economic design of \bar X & S control charts based on Taguchi’s loss function and its optimization

Much research effort has been devoted to economic design of  & S control charts,however,there are some problems in usual methods.On the one hand,it is difficult to estimate the relationship between costs and other model parameters,so the economic design method is often not effective in producing charts that can quickly detect small shifts before substantial losses occur;on the other hand,in many cases,only one type of process shift or only one pair of process shifts are taken into consideration,which may not correctly reflect the actual process conditions.To improve the behavior of economic design of control chart,a cost & loss model with Taguchi’s loss function for the economic design of  & S control charts is embellished,which is regarded as an optimization problem with multiple statistical constraints.The optimization design is also carried out based on a number of combinations of process shifts collected from the field operation of the conventional control charts,thus more hidden information about the shift combinations is mined and employed to the optimization design of control charts.At the same time,an improved particle swarm optimization(IPSO) is developed to solve such an optimization problem in design of  & S control charts,IPSO is first tested for several benchmark problems from the literature and evaluated with standard performance metrics.Experimental results show that the proposed algorithm has significant advantages on obtaining the optimal design parameters of the charts.The proposed method can substantially reduce the total cost(or loss) of the control charts,and it will be a promising tool for economic design of control charts.     

基于GA-PSO的地砖铺设机器人作业点优化

针对建筑移动机器人路径规划中移动小车作业点问题,提出了以最大可操作度为优化指标,基于遗传粒子群混合算法搜寻移动小车作业点的方法。阐述了地砖铺设机器人系统的组成及灵巧度优化指标;给出了移动机械臂铺砖的一般步骤;结合遗传算法和粒子群算法的优点,以机械臂可操作度最大为原则进行优化,以快速准确地得到最优作业位姿点。利用MATLAB软件编写程序对移动机器人贴地砖作业进行了仿真实验。结果表明:该路径优化方法能够精确地得到合理的作业点位置。     

改进Kmeans和PSO算法的发动机电控系统故障诊断

为更好的识别发动机电控系统故障类别,本文提出一种改进Kmeans和PSO算法。该算法依数据聚类分析问题的要求,以数据点与各群中心的距离为评估标准,将粒子群优化算法和Kmeans算法相结合,用粒子群优化算法的记忆与分享信息的能力来选取群中心,并利用Kmeans来调整群中心的位置,解决粒子群算法的求解效率低和Kmeans易落入区域最佳解的情况。将该方法应用于构建的发动机电控系统故障诊断模型,结果表明能有效提高发动机电控系统故障识别效果。     

基于粒子群算法的并行多机调度问题研究

将港口拖轮作业调度问题描述为一类带特殊工艺约束的并行多机调度问题，采用粒子群算法求解该类调度问题，提出了一种2维粒子表示方法，通过对粒子位置向量进行排序生成有效调度，并采用粒子位置向量多次交换的局部搜索方法来提高算法的搜索效率。最后，通过计算验证了混合粒子群算法的有效性。     

基于IPSO-PNN的电动汽车故障诊断

为了提高电动汽车故障诊断的准确性,提出了一种基于改进粒子群(Improved Particle Swarm Optimization,IPSO)算法优化概率神经网络(Probabilistic Neural Network,PNN)的电动汽车故障诊断方法,即基于IPSO-PNN的电动汽车故障诊断方法。首先,研究了基于PNN的电动汽车故障诊断模型,分析了PNN的平滑因子对该模型诊断准确率的影响;其次,在粒子群(Particle Swarm Optimization,PSO)算法中引入频率粒子群和采用动态惯性权重,改善PSO算法的全局和局部寻优能力,利用IPSO算法优化基于PNN的电动汽车故障诊断模型的平滑因子,以改善模型的分类能力;最后进行仿真与分析。仿真结果表明:相较于基于PSO-PNN的电动汽车故障诊断方法,基于IPSO-PNN的电动汽车故障诊断方法具有更高的诊断准确率和诊断速度。