电气设备维修实训平台的无损故障设置研究

电气设备维修实训平台主要是对装备维修保障人员电气设备知识的学习、操作技能和电气设备维修的训练而设计的,文中在分析工程装备故障特点的基础上,研究无损故障设置与排除方法,为电气设备维修实训平台提供了一种新的故障设置方法。     

一种自适应步长布谷鸟搜索算法

针对布谷鸟搜索算法（CS）后期收敛速度慢、计算精度不高等不足,提出了一种自适应步长调整布谷鸟搜索算法,加快布谷鸟搜索算法的搜索速度,提高其计算精度。通过8个标准测试函数测试的结果表明,改进后的自适应步长布谷鸟搜索算法具有较快的收敛速度和较高的寻优精度。     

单纯形和人口迁移的混合全局优化算法

针对基本人口迁移算法具有易早熟和精度不高等缺陷,利用人口迁移算法随机产生的点采用单纯形法进行优化,提出了一种基于单纯形法和人口迁移算法的混合全局优化算法。通过典型的测试函数Shaffer,验证了改进后算法的性能,并与10种类型的粒子群优化算法进行比较,结果表明,该文算法能获得比较好的解,收敛成功率高达100%。     

变步长自适应萤火虫群多模态函数优化算法

针对萤火虫群优化（GSO）算法优化多模态函数存在收敛速度慢和求解精度不高等缺陷,提出一种变步长自适应萤火虫群优化算法（CSGSO）。该算法主要思想是在GSO算法中引入搜索成功与失败概念,在每次迭代中萤火虫个体据其搜索成功或失败,加大或减小其搜索步长,使算法具有动态自适应性。实验结果表明,该算法可有效地解决GSO算法优化多模态函数存在收敛速度慢和求解精度不高的问题,增强了GSO算法优化多模态函数的性能;与其他算法相比,提出的算法具有操作简单、容易理解、收敛速度快和求解精度高等优点。     

云自适应粒子群算法

文中提出了云自适应粒子群优化（CAPSO）算法,根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略,由X条件云发生器自适应调整普通子群粒子的惯性权重,由于云模型云滴具有随机性和稳定倾向性特点,使惯性权重既具有传统的趋势性,满足快速寻优能力,又具有随机性,在提高收敛速度和保持种群多样性之间做了一个很好的权衡。通过典型函数优化实验表明,与标准粒子群算法相比,CAPSO具有较高的计算精度和较快的收敛速度。     

贪心二进制狮群优化算法求解多维背包问题

针对经典的多约束组合优化问题——多维背包问题(MKP),提出了一种贪心二进制狮群优化(GBLSO)算法。首先,采用二进制代码转换公式将狮群个体位置离散化,得到二进制的狮群算法;其次,引入反置移动算子对狮王位置进行更新,同时对母狮和幼狮位置重新定义;然后,充分利用贪心算法进行解的可行化处理,增强搜索能力并进一步提高收敛速度;最后,对10个MKP典型算例进行仿真实验,并把GBLSO算法与离散二进制粒子群(DPSO)算法和二进制蝙蝠算法(BBA)进行对比。实验结果表明,GBLSO算法是一种有效的求解MKP的新方法,在求解MKP时具有相对良好的收敛效率、较高的寻优精度和很好的鲁棒性。     

镍基合金Deloro60电火花沉积层摩擦学性能研究

对镍基合金电火花沉积层在不同转速及载荷下的摩擦学性能进行了研究,分析了其磨损机理;并利用现代表面分析技术研究了镍基合金电火花沉积层表面截面形貌、硬度和成分。结果表明,沉积处理可以提高沉积层硬度和耐磨性;低速轻载运行时,沉积层磨损机理为微观切削和塑变,高速重载运行时,主要磨损机理为犁沟切削磨损、粘着磨损、氧化磨损和疲劳磨损。     

钴基合金Stelite3电火花强化层摩擦学性能研究

采用电火花强化技术在碳钢表面制备了钴基合金强化层,在不同摩擦速度和载荷条件下进行了摩擦磨损试验,研究了强化层的摩擦学行为与机制.结果表明:钴基合金强化层具有良好的耐磨性能;强化层的摩擦因数随摩擦速度和载荷的增加呈现出先增大后减小的变化规律.低速低载时,强化层主要磨损机理为微观切削与多次塑变磨损;高速高载时,磨损机理逐渐转变为粘着磨损、微观断裂、氧化磨损和一定的磨料磨损.     

泛函网络模型及应用研究综述

回顾了近年来泛函网络模型及应用的研究进展,首先根据泛函网络模型结构的特点,将现有的泛函网络模型归结为两类典型的泛函网络模型;其次,给出一般泛函网络模型的学习过程;然后从时间序列分析、差分方程、CAD、非线性回归、数值优化计算、非线性系统辨识、检测和预测、复杂系统建模8个方面,介绍了泛函网络的应用现状;最后评述了泛函网络今后的研究方向和研究内容。     

萤火虫群优化算法在交易费用证券组合中应用

投资组合问题不存在最优解,只存在有效前沿,投资者要权衡收益率、风险以及约束条件等因素。引入上方收益/下方风险比率,用以描述投资效率,结合人工萤火虫群优化算法不需目标函数的梯度信息等特点,用可行性规则来描述投资组合的均衡问题,在人工萤火虫群优化算法中引入可行性规则,从而实现模拟组合投资。通过对5支、15支和18支股票进行模拟组合投资,在收益率、风险、下方差、单位风险/收益率和单位下方差/收益率等五个指标的比较可看出,人工萤火虫群优化算法能有效用于指导投资决策。