基于遗传萤火虫算法的含风电电力系统机组组合研究

随着风能资源的广泛应用,机组组合问题求解愈显复杂。以减少煤耗费用提高系统经济性为目标,提出一种采用遗传萤火虫算法求解含风电电力系统机组组合问题的新方法。引入遗传算法双矩阵通路判断及约束修复策略,提高了初始解生成质量及产生速度;再利用萤火虫算法求解连续负荷经济优化分配,给出自适应交叉概率,从而提高了算法的收敛速度。应用所提算法对经典10机系统优化仿真表明,与其他算法相比,该方法能合理安排机组组合,提高系统供电的经济性,具有较好的实用价值。     

基于优化神经网络的高拱坝力学参数反演

高拱坝力学性能参数变化规律复杂,使用人工智能算法进行预测已经成为反演参数的重要手段。使用遗传算法对神经网络进行优化来检验优化后算法的性能,并比较不同算法应用于参数反演中预测结果的精度。根据某高拱坝运行期变形监测数据,分别使用RBF神经网络和遗传算法优化的BP(GA-BP)神经网络对不同水位工况下的坝段分区混凝土弹性模量进行反演。基于反演结果进行有限元正分析计算,将所得结果与实测数据进行对比,检验反演精度和效率。结果表明:GA-BP网络的最大预测误差为1.8%,相比于RBF网络预测精度提高了约50%。使用神经网络进行拱坝力学参数反演实用性好,优化后的神经网络比传统BP神经网络在计算精度和效率两方面均有明显改进,且GA-BP神经网络反演比RBF神经网络反演精度更高。     

模糊时间窗约束下的装配线物料配送方案优化

为解决装配线物料无法及时准确配送的问题,提出了一种动态的联合配送策略,在此基础上以最小化单个产品配送成本、最大化工位满意度为目标,建立模糊时间窗约束下的物料配送数学模型。利用NSGA-Ⅱ算法求解出最佳的工位组划分、小车出发时间和配送路径,并对配送小车容量及配送时间窗进行优化。利用Plant Simulation软件搭建某生产线仿真模型进行模拟,验证了配送方案的可行性。与一般配送策略进行对比,结果表明,在保证配送工位满意度的前提下,优化时间窗能进一步降低单个产品的配送成本。     

重型车床床身性能分析及多目标参数优化

以重型卧式车床床身为研究对象,为满足床身在静刚度不降低条件下达到轻量化、动静态性能好这一要求,提出以质量、最大变形和低阶固有频率为目标的优化设计方法。通过正交实验法建立了床身低阶固有频率、最大变形和质量关于筋板厚度的响应面模型,并对模型的准确性进行了验证。运用带有非支配排序遗传算法(NSGA-Ⅱ)对床身进行多目标优化求解,得到了Pareto最优解集。在此基础之上,采用基于信息熵赋权的多目标灰靶决策算法对Pareto解集进行优选。通过对最终方案进行有限元分析,优化后的床身动静态性能略有提高,质量减轻了604kg。具体算例表明,该方法具有实用性。