基于混沌优化的多层前馈神经网络

BP算法是应用广泛的一种多层前馈神经网络模型,针对算法求解精度低、搜索速度慢、易于陷入局部极值点等问题,根据混沌理论的全局优化思想,提出采用"多次载波"技术将混沌优化和前馈神经网络相结合,利用已找到的近似最优解来启发搜索全局最优解的方法训练神经网络,以布尔函数识别、曲线逼近、模式识别3个典型应用对算法进行验证。研究结果表明,算法具有较好的泛化能力和快速全局收敛的性能,特别是针对中小规模的网络,混沌优化算法在训练时间、全局收敛率等指标方面优于BP算法。     

利用混沌人工神经元网络进行布局优化计算

将混沌人工神经元网络引用到布局的优化求解计算中。讨论了混沌人工神经元网络的模型 ,以及布局问题到混沌神经网络的映射 ,并结合 2维规则物体的布局问题通过软件模拟计算对所讨论的算法进行了验证。     

多车场车辆路径问题的新型聚类蚁群算法

在对多车场带时间窗的车辆路径问题进行详细阐述的基础上,以车辆运输总费用最少为目标函数,建立了问题的数学模型。提出了先采用聚类蚁群算法将多车场带时间窗的车辆路径问题分解为若干个单车场车辆路径问题,然后对各单车场问题应用改进蚁群算法进行优化的求解思路。最后通过一个实例将这种新型聚类蚁群算法与就近分配禁忌搜索算法和K-均值算法的优化能力进行了对比。试验结果表明,该算法对优化多车场带时间窗的车辆路径问题的求解结果是相当令人满意的。     

求解车辆路径问题的改进微粒群优化算法

微粒群优化算法是求解连续函数极值的一个有效方法。研究了用该算法求解车辆路径的问题。设计了求解车辆路径问题的一种新的实数编码方案,将车辆路径问题转化成准连续优化问题,并采用罚函数法处理约束条件。应用该微粒群优化算法求解了多个车辆路径问题的算例,并与遗传算法和双种群遗传算法进行了比较。计算结果表明,该算法可以更有效地求得车辆路径问题的优化解,是解决车辆路径问题的有效方法。     

改进的BP神经网络在车辆目标识别中的应用研究

遥感图像下的车辆目标识别系统大多是基于传统的BP神经网络算法,传统BP神经网络算法存在诸多问题,如易形成局部极小而得不到全局最优、训练次数多、学习效率低、收敛速度慢等,影响和限制车辆目标识别系统的识别能力.针对传统BP神经网络存在的缺陷,为进一步提高车辆目标识别系统的识别精度,提出采用随机梯度下降法和深层滑动神经网络对传统BP神经网络进行改进.实验表明,改进后的BP神经网络具有良好的学习能力和更快的训练速度,适用于车辆目标识别系统的优化.     

多车场车辆路径问题的新型聚类蚁群算法

在对多车场带时间窗的车辆路径问题进行详细阐述的基础上,以车辆运输总费用最少为目标函数,建立了问题的数学模型.提出了先采用聚类蚁群算法将多车场带时间窗的车辆路径问题分解为若干个单车场车辆路径问题,然后对各单车场问题应用改进蚁群算法进行优化的求解思路.最后通过一个实例将这种新型聚类蚁群算法与就近分配禁忌搜索算法和K-均值算法的优化能力进行了对比.试验结果表明,该算法对优化多车场带时间窗的车辆路径问题的求解结果是相当令人满意的.     

模糊环境下基于Vague集的虚拟企业伙伴选择研究

为解决模糊完工时间和交货期下的虚拟企业伙伴选择问题,提出一种基于Vague集的伙伴选择方法。在给出基于Vague集的交货时间满足度概念的基础上,建立了以极大化交货时间满足度指数为优化目标的虚拟企业伙伴选择模型,该模型考虑了交货时间满足度、成本和任务间的时序关系等因素。为解决标准粒子群优化算法容易陷入局部极值的问题,引入混沌搜索方法,设计了一种混沌粒子群优化算法进行模型求解。实例分析表明,混沌粒子群优化算法比标准粒子群优化算法具有更强的局部搜索能力。     

基于混沌神经网络行星齿轮传动的模糊可靠性优化设计

以渐开线行星齿轮传动机构为例,在考虑了机械传动各设计参数的模糊性和随机性的基础上,在运用神经网络求解优化方面问题的同时,引进全局耦合模型GCM(GlobaUy Coupled Mode)混沌神经网络,通过混沌遍历,可使神经网络在整个相空间进行搜索,从而避免网络在运行过程中陷入局部极小值.利用混沌神经网络能达到系统的稳定平衡点和能够提高优化速度和精度等特点,探讨了基于混沌神经网的行星齿轮传动机构模糊可靠性的优化设计,实例进行实验,结果显示混沌神经网络的优化获得了全局最优解.表现出了令人满意的结果.     

基于双能γ射线的煤质灰分软测量技术研究

为提高煤质灰分测量精度,提出了基于双能γ射线的煤质灰分智能软测量方法,该方法以1377Cs和241Am作为中能和低能的γ射线源,并以探测器检测到的γ计数作为辅助变量,利用混沌算法优化的函数链神经网络实现灰分软测量辨识建模,最后对煤质灰分进行软测量预测和验证.研究结果表明:混沌算法优化的函数链神经网络预测方法的预测精度高,具有较强的泛化能力;基于混沌算法优化函数链神经网络的灰分智能软测量值与实测值的平均误差为0.7％,最大误差为0.9％,煤质灰分测量准确度高.     

混沌优化方法及其在机械工程中的应用

利用混沌运动的遍历性、内在随机性、“规律性”等特点 ,结合MATLAB5 .3.1高级程序设计语言的优化工具箱 ,提出了一种混沌约束优化算法。运用该算法编写了MATLAB优化的通用程序 ,并对机械工程中的优化问题进行了研究 ,得到了可靠且比现有广泛使用的优化方法更为有效的优化结果 ,具有很好的全局搜索能力。该算法简单、易于实现 ,求解精度、求解速度和可靠性较高 ,满足约束的效果较好 ,而且能处理混合离散优化变量 ,它为机械优化设计提供了一种实用方法与工具 ,值得推广与使用。     

A novel particle swarm optimization approach for product design and manufacturing

This paper presents a novel optimization approach that is a new hybrid optimization approach based on the particle swarm optimization algorithm and receptor editing property of immune system. The aim of the present research is to develop a new optimization approach and then to apply it in the solution of optimization problems in both the design and manufacturing areas. A single-objective test problem, tension spring problem, pressure vessel design optimization problem taken from the literature and two case studies for multi-pass turning operations are solved by the proposed new hybrid approach to evaluate performance of the approach. The results obtained by the proposed approach for the case studies are compared with a hybrid genetic algorithm, scatter search algorithm, genetic algorithm, and integration of simulated annealing and Hooke-Jeeves pattern search.     

求解物流配送路径优化问题的一种改进蚁群算法

物流配送路径优化是现代物流配送服务的关键环节之一，由于需求的小批量和动态变化等特点，需要设计一个快速有效的求解算法。为此，构建了物流配送路径优化问题的数学模型，设计了一个改进的蚁群算法来求解该问题，引进了选择算子、插点操作和动态改变算法参数等改进措施，开发和实现了一个试验软件包。仿真试验结果表明，该算法具有较好的全局寻优能力，收敛速度快，是解决物流配送路径优化问题的有效算法。     

Application of an efficient modified particle swarm optimization algorithm for process planning

In the modern manufacturing system, many flexible manufacturing system and NC machines are introduced to improve the production efficiency. Therefore, most parts have a large number of flexible process plans. However, a part can use only one process plan in the manufacturing process. So, the process planning problem has become a crucial problem in the manufacturing environment. It is a combinatorial optimization problem to conduct operations selection and operations sequencing simultaneously with various constraints deriving from the practical workshop environment as well as the parts to be processed. It is a NP-hard problem. In order to solve this problem effectively, this paper proposes a novel modified particle swarm optimization (PSO) algorithm to optimize the process planning problem. To improve the performance of the approach, efficient encoding, updating, and random search methods have been developed. To verify the feasibility and effectiveness of the proposed approach, seven cases have been conducted. The proposed algorithm has also been compared with the genetic algorithm and simulated annealing algorithm. The results show that the proposed modified PSO algorithm can generate satisfactory solutions and outperform other algorithms.     

Optimization of continuous-time production planning using hybrid genetic algorithms-simulated annealing

Evolutionary algorithms are stochastic search methods that mimic the principles of natural biological evolution to produce better and better approximations to a solution and have been used widely for optimization problems. A general problem of continuous-time aggregate production planning for a given total number of changes in production rate over the total planning horizon is considered. It is very important to identify and solve the problem of continuous-time production planning horizon with varying production rates over the interval of the planning period horizon. Some of the researchers have proposed global search methods for the continuous-time aggregate production-planning problem. So far, less work is reported to solve the problem of continuous-time production planning using local search methods like genetic algorithms (GA) and simulated annealing (SA). So in this work, we propose a modified single objective evolutionary program approach, namely GA, SA, and hybrid genetic algorithms-simulated annealing (GA-SA) for continuous-time production plan problems. The results are compared with each other and it was found that the hybrid algorithm performs better.     

求解物流Web服务组合问题的两阶段多目标蚁群算法

针对基于QoS的物流Web服务组合优化问题,提出了两阶段多目标蚁群优化(TMACO)算法。首先,针对原始数据集中存在被支配候选服务而增加算法求解时间的问题,提出了基于Pareto支配的预优化策略;其次,针对属性权重难以确定的问题,提出了不依赖权重的信息素更新策略和启发信息策略;最后,针对基础蚁群算法容易陷入局部最优的问题,提出了懒蚂蚁策略。实验结果表明,TMACO算法具有良好性能,相对于基础蚁群算法、利用解与理想解距离来更新信息素的改进蚁群算法、遗传算法以及用支配程度作为解的个体评价的改进遗传算法,TMACO算法有更高的寻优能力,能够找到更多更优的非劣解。     

基于混合粒子群算法具有交货期瓶颈的作业车间调度问题

为了解决一类具有交货期瓶颈的作业车间调度问题,给出了基于订单优势的交货期满意度和交货期瓶颈资源确定方法,以工件拖期加权和最小为优化目标,建立了基于交货期满意度和瓶颈资源约束的作业车间调度模型;为了求解该调度模型,设计了一种基于模拟退火的混合粒子群算法,该算法采用随机工序表达方式进行编码,并在模拟退火算法中引入变温度参数来提高算法效率。通过随机仿真,分别采用PSO-SA、SA和PSO对所建立的调度模型进行求解,结果显示PSO-SA算法的广泛性好、求解效率高且算法的稳定性好,验证了模型和算法的有效性。     

基于多纵向传输通道的双层过道布置问题建模与优化

针对制造和服务系统中纵向运输形式在双层过道布置问题中研究不足的情况,以实际布局方式为背景,对双层过道布置问题进行拓展,构建基于多纵向传输通道的双层过道布置问题混合整数规划模型,并提出一种混合模拟退火算法.该算法采用整数编码方式,以模拟退火算法为框架,结合2-Opt路径重连策略与逆转扰动操作,以避免陷入局部最优,同时采用...     

基于混合遗传模拟退火算法的离合器蝶形压紧弹簧优化设计

针对遗传模拟退火算法的局部搜索能力不足,并且可能早熟和遗失最好解;以及传统优化算法全局性较弱,容易陷入局部解的问题.提出一种将遗传模拟退火算法和共轭方向法相结合的混合遗传模拟退火算法.在此基础上对离合器蝶形压紧弹簧优化设计进行研究,并与传统优化方法进行比较,结果表明,该方法简单可行,可为蝶形压紧弹簧以及其他产品的设计提供一种新方法.     

基于组合优化算法的6R机器人逆运动学求解

针对逆运动学求解存在的多解、精度低及通用性差等问题,提出了一种适用于各类6R工业机器人求逆解的组合优化算法。根据经典D-H法建立了机器人运动学模型,以最小化位姿误差为目标,结合运动平稳性原则构造了逆解问题的目标函数,以线性加权和法设计了适应度函数。通过混沌映射初始化种群、收敛因子非线性更新、自适应惯性权重位置调整及引入模拟退火策略等4种措施得到了一种改进的鲸鱼优化算法,并用于逆运动学求解。组合算法将鲸鱼算法求解的结果作为初始值,再利用Newton-Raphson数值法迭代出满足精度要求的运动学逆解。仿真试验结果表明：改进后的鲸鱼算法求解性能得到了较大提高,相比于直接利用鲸鱼算法进行逆运动学求解,组合优化算法具有求解速度快、稳定性好、精度高的特点,证明了该算法求逆的可行性与有效性。