基于小生境改进粒子群算法的几何约束求解

几何约束问题可以等价为求解非线性方程组问题。几何约束问题先被转化为一个优化问题。采用基于小生境改进粒子群优化算法来求解该优化问题。由于经典粒子群优化算法容易陷入局部最优,出现早熟现象。为此,基于小生境原理,提出一种小生境改进粒子群优化算法(niche improved particle swarm optimization,NIPSO)。该算法在进行速度和位置更新后,根据小生境数确定个体历史最好位置中的孤立点。然后对所有个体历史最好值差于孤立点值的粒子使用交叉和选择算子进行更新。实验表明,该方法可以提高几何约束求解的效率和收敛性。     

基于混合粒子群算法求解多目标混流装配线排序

针对生产调度中的多目标混流装配线排序问题,建立以最小化超载时间、产品变化率与总切换时间为优化目标的数学模型,并提出一种改进的多目标粒子群算法求解。该算法采用基于工件的编码方式,并提出新的解码方法;应用Pareto排序和小生境数评价个体,在此基础上形成了一种新的适应度函数。在个体最优解的更新中,为避免最优解丢失,对非支配粒子与支配粒子采用差异化方法更新。此外,运用两种策略解决粒子群算法过早收敛的问题:在个体最优解的更新中引入模拟退火思想,并将全局最优解的选择扩大到整个种群。通过数值算例研究了算法的收敛性、分布性和执行效率,结果表明了所提算法的优越性。     

离散粒子群优化算法求解多目标柔性作业车间调度问题

对多目标柔性作业车间调度优化问题进行研究,提出了一种基于Pareto档案的离散粒子群优化算法。在该算法中,种群中的粒子通过与其自身历史最优位置(pbest)以及种群全局最优位置(gbest)的交叉实现粒子位置的更新。对于多目标优化问题来说,一次迭代可能产生多个gbest,引入一个Pareto档案用于保存迭代产生的优秀个体。并将Pareto档案维护与gbest选择同时进行以确保Pareto档案中的个体必然为一些粒子的gbest。进而将变异操作引入到粒子群算法以增强其局部搜索能力。最后,将该算法应用于几个典型实例,并通过与几种已有算法的对比验证了其有效性。     

基于小生境粒子群算法的柔性作业车间调度优化方法

针对柔性作业车间调度中的多目标优化问题,提出一种将小生境技术和粒子群算法相结合求最优解的优化方法。构建了满足约束条件的多目标优化模型,采用分段排列编码的方式表示染色体,利用粒子群算法获得存储非劣解的外部存档,基于小生境技术计算粒子的删除概率对其进行更新,保证了解的精度和多样性。为从Pareto最优解集中选出一个最满意解,提出一种总体价值估计选取方法。通过试验验证了该方法的有效性。     

公差设计多目标模型及其粒子群优化算法研究

为解决成本一公差设计模型中忽视产品质量的问题，以新型的田口质量观和Pareto最优解集概念为基础，提出了一种公差设计多目标模型。该模型将加工成本和质量损失分别作为设计目标，并以统计法公差装配成功率为约束条件，获得了比极值公差法更加宽松的公差限。改进了传统的粒子群优化算法，利用Pareto最优性重新定义粒子，然后采用快速非支配排序技术进行粒子的适应度排序，使其能够有效地对多目标模型进行求解。该算法对具体工程实例求解时，一次运行就可求得令人满意的Pareto最优解集，设计者可以根据生产实际和市场需求从中进行选取。通过对求得的Pareto进行最优前沿的分析，可得到该类零件公差设计的特性，其结果验证了公差诒计的一船规徨．     

基于多目标种群协同算法的板坯入库优化

针对钢铁企业板坯入库决策问题,基于出库次序A型约束、分散性约束和垛位限高约束等构建了以板坯综合匹配度、垛位利用度和库存均衡度为目标函数的多目标入库决策优化模型。提出一种多目标种群协同粒子群优化算法,并设计了局部搜索策略以提高外部归档集中Pareto解的多样性,同时利用Pareto最优解改进粒子速度更新方式,达到多种群协同优化的目的。仿真实验证明,该算法可以更好地解决多目标板坯入库优化问题。     

基于小生境粒子群的多峰函数全局优化算法的研究

针对粒子群算法进行多极点函数优化时存在的局部极小点和搜寻效率低的问题,引入了小生境的思想到粒子群算法中,以粒子的最好位置为中心,粒子的最好的个体解对应的适应值为半径建立圆形小生境.在每个小生境中对粒子的速度位置进行更新,从而改变小生境的中心和半径,直到满足迭代次数,从而保持了微粒群的多样性,通过一个经典函数进行仿真表明,这种把粒子群和小生境结合起来的算法,能快速有效地找到多峰函数的全局最优点.     

基于拥挤距离排序的多目标粒子群优化算法及其应用

针对多目标粒子群算法在全局寻优能力和Pareto集多样性上的不足,提出基于拥挤距离排序的多目标粒子群算法.该算法采用精英策略,基于个体拥挤距离降序排列,进行外部种群的缩减和全局最优值的更新,并在内部粒子群中引入小概率变异机制,增强算法的全局寻优能力,控制Pareto最优解的数目,同时保证其收敛性和多样性特征.在电梯曳引性能的多目标优化应用中,证明了该算法对于两目标和三目标优化问题求解的有效性.不同规模实例的运算对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于改进强度Pareto进化算法,且缩短了运算时间,具有较高的效率与鲁棒性.     

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。     

解决多目标优化问题的一种粒子群优化算法

优化设计已发展成为一种有效的新型工程设计方法.粒子群优化算法作为一种新型优化算法,逐渐被用于解决多目标优化问题.但目前研究还较少,本文提出了一种基于Pareto解集的多目标粒子群优化算法.采用一个"记忆体"来存储当前得到的Pareto最优解,对当前所得到的Pareto最优解进行相互比较,以确定一个较优的微粒作为微粒群更新方程中的全局极值,由此来引导其它粒子尽快向最优靠拢,达到算法收敛的目的.测试函数的仿真实验结果表明该算法取得了很好的效果.     

用遗传算法提高协同优化方法的可靠性

分析了协同优化方法可靠性不好的根源。提出了用遗传算法来替代系统级优化问题中的基于梯度的优化算法的策略。实例表明所提出的策略是可行有效的。     

蚁群优化算法研究综述

介绍了蚁群优化算法的基本原理、流程和研究现状,重点评述了近年来蚁群优化算法在组合优化和连续优化两个领域的研究现状,并展望了这一领域的研究方向。     

多工况悬架下摆臂结构优化设计方法研究

采用了多种优化设计方法,以某悬架结构为例进行了结构优化设计方法研究.通过对车辆行驶工况和对车体空间布置的分析,建立了拓扑优化可设计域和非可设计域,完成了悬架结构的拓扑优化设计,并建立了工程结构.基于强度分布与应力干涉理论,将可靠性理论和优化方法相结合,进行了可靠性优化设计.其优化结果与尺寸优化和形状优化结果进行了对比,证明了优化设计方法的有效性和可行性,为工程结构提供了一种新设计思路.     

利用双向渐进结构优化法对结构固有振型的优化

利用双向渐进结构优化法研究结构的固有振型优化问题，双向渐进结构优化法(bi—directional evolutionary struetural optimization，简称BESO)是一种拓扑优化方法，它基于这样一个简单的优化程序：从结构中一步步地删去对结构目标性能低效或无效的材料，同时增加对结构目标性能高效的材料，从而使材料布局趋于优化。文中分别采用近似重分析思路的方法和基于变分法推导的公式计算单元特征向量灵敏度，并简单阐述BESO法对结构固有振型(特征向量)进行拓扑优化的一般过程。数值算例表明，用该方法对结构固有振型的优化是行之有效的，且用变分法计算特征向量灵敏度进行优化较之近似重分析法效率更高。     

双向渐进结构拓扑优化设计研究

双向渐进结构优化法（BESO）是近年来兴起的一种懈决各类结构优化问题的数值方法。其原理是通过同时删除和增补单元,使剩下的结构逐渐趋于优化。文章提出了基于应力约束的渐进结构优化方法,与其它优化方法相比,该方法原理简单,计算效率高,工程应用方便,并通过算例证明该方法的有效性和可行性。     

机械系统可靠性优化设计的实现策略

提出机械系统可靠性优化设计的３种实现策略：一是直接求解系统可行性优化设计整体数学规划模型的耦合优化策略;二是将单元可靠性优化设计模型和系统可靠性优化分配模型联立迭代求解的分解协调经策略;三是将单元可靠性优化分配模型分别独立求解的分散优化策略。前者适用于规模不大的机械系统的可靠性优化设计,后二者适用于规模较大的机械系统的可靠性优化设计。     

DISCRETE OPTIMIZATION APPROACH FOR 3-D SPACE PLATE-SYSTEM STRUCTURE

ＤＩＳＣＲＥＴＥＯＰＴＩＭＩＺＡＴＩＯＮＡＰＰＲＯＡＣＨＦＯＲ３－ＤＳＰＡＣＥＰＬＡＴＥ－ＳＹＳＴＥＭＳＴＲＵＣＴＵＲＥ￥ＮｉｅＳｈａｏｍｉｎ；ＪｉｎＭｉａｏ（ＹａｎｓｈａｎＵｎｉｖｅｒｓｉｔｙ）Ａｂｓｔｒａｃｔ：Ａｎｅｗｎｏｎｌｉｎｅａｒｏｐｔｉｍ...     

最优控制理论的现状与发展

概述了控制中的最优化方法，阐述了基本优化方法的特点以及优化方法的最新研究领域和发展趋势。     

基于应力的双向渐进结构拓扑优化设计

双向渐进结构优化法（BESO）是近年来兴起的一种解决各类结构优化问题的数值方法,其原理是通过同时删除和增补单元,使剩下的结构逐渐趋于优化。提出了基于应力约束的渐进结构优化方法,与其它优化方法相比,该方法原理简单,计算效率高,工程应用方便,并通过算例证明该方法的有效性和可行性。     

基于过滤器技术的约束粒子群优化算法

工程设计中处理约束优化常采用罚函数法,但其优化结果敏感于惩罚因子,针对特定的实际问题往往需要多次试验以得到合适的罚因子取值。为了避免反复的参数选取测试过程,将过滤器约束处理机制和粒子群优化(Particle swarm optimization,PSO)相结合用于求解约束优化问题。过滤器方法基于多目标规划中的支配思想,以一组互不支配点所对应的目标值与违背度对构成过滤器,利用其处理约束可以避免使用罚函数。基于过滤器的约束PSO算法在粒子进化过程中,对各粒子历史最优解和粒子群历史最优解分别构造滤器,并依据可行性优先的粒子比较准则从对应的过滤器中选择最优解从而实现粒子的更新。然后,利用工程优化设计标准算例和翼型优化设计实例,将过滤器PSO算法和罚函数PSO算法、遗传算法进行比较研究,结果表明过滤器PSO算法能够获得较好的约束优化设计结果,是求解约束优化问题的一种有效方法。