改进混沌麻雀搜索算法及其在冗余机械臂逆运动学求解中的应用

针对冗余机械臂不满足Pieper准则，无法获得逆运动学封闭解的问题，提出一种自适应混沌麻雀搜索算法（ACSSA）。首先，利用佳点集均匀分布特性生成初始化种群；其次，引入自适应动态权重，用于平衡全局和局部搜索能力，提高种群多样性，改善陷入局部最优的问题；最后，引入高斯变异，加强局部搜索能力，同时产生Tent混沌序列，防止陷入局部最优。将ACSSA应用到冗余机械臂逆向运动学求解中，分别对空间点到点运动和空间连续轨迹跟踪两种工况进行仿真，并与CSSA和SSA进行对比。结果表明：在第一种工况下，ACSSA在收敛精度上提高了2个数量级，在算法稳定性上比CSSA、SSA分别高出2、3个数量级；第二种工况下，在计算值与理论值的绝对误差精度和稳定性这两个评定指标上，ACSSA较CSSA提高了1个数量级，较SSA提高了6个数量级。充分说明了ACSSA具有精度高、收敛速度快的特性。     

改进离散麻雀搜索算法求解柔性作业车间调度问题

针对最小化最大完工时间的柔性作业车间调度问题(Flexible Job-shop Scheduling Problem, FJSP),提出了一种改进离散麻雀搜索算法(Improved Discrete Sparrow Search Algorithm, IDSSA)。首先,采用了两段式编码方式,针对两段编码分别设计了有效的编码转化方式,实现了麻雀搜索算法(Sparrow Search Algorithm, SSA)连续搜索空间与FJSP离散决策空间之间的映射。其次,设计了一种随机与组合启发规则相结合的初始化方法,在保证了麻雀初始种群分散广度的同时提高了麻雀个体的质量,加快麻雀搜索算法的收敛速度。再次,融合一种基于关键路径的变邻域搜索策略,对发现者进行深度发掘,提高种群引领者的质量。此外,为了维持SSA种群多样性,设计了自适应柯西高斯变异策略,提升算法全局搜索能力和跳出局部极值的能力。最后,使用Kacem和Brandimarte系列12个基准算例与多种算法进行仿真实验,实验结果证明了IDSSA的有效性和求解FJSP的优越性。     

求解置换调度问题的改进混合遗传算法

构造了求解极小化总完工时间的置换调度问题的改进混合遗传算法：先采用构造型启发式算法和随机方法共同产生初始种群，然后在选择、交叉和变异等遗传操作之前借助禁忌搜索算法寻找每个个体的局部最优解组成当前种群，再应用种群整体替换策略保存种群中的优秀个体构成新一代种群。改进混合遗传算法有机地结合了禁忌搜索算法的局部搜索性能和遗传算法的全局搜索性能。仿真实验表明，改进混合遗传算法具有比构造型启发式算法和禁忌搜索算法更好的鲁棒性和寻优性能。     

自主多决策粒子群的无线传感器网络覆盖优化

网络节点覆盖是无线传感器应用的重要一环,为提高网络节点覆盖率,提出一种基于自主多决策粒子群的无线传感器网络覆盖算法。该算法首先引入Bernoulli混沌与Logistic混沌映射耦合成为一种新的精英混沌映射来初始化种群,提高初始解质量,为全局寻优奠定基础。其次,引入一种多决策方法,通过随机赋予粒子不同学习方式,使它们获得不同于其他群体的自主决策能力,增强算法的局部寻优性能。然后,利用一种融合柯西变异与反向学习的交替扰动策略对最优粒子进行扰动变异,提高算法跳出局部最优的能力。在典型测试函数的实验结果表明,自主粒子群所提算法收敛速度更快、寻优精度更高、稳定性更强,且用其优化的无线传感器网络节点分布更均匀、覆盖率更高,验证了该算法的有效性和可行性。     

混沌压缩非线性粒子群算法求解车间调度问题

针对大规模车间调度问题,提出了一种混沌压缩非线性粒子群算法。首先运用多种群策略增加粒子多样性,结合混沌策略和非线性策略改进惯性权重,以平衡全局和局部搜索能力,加快算法后期收敛速度;再引入压缩因子改进算法速度更新公式,加大算法前期搜索范围,以防止算法陷入局部最优;最后用6种车间作业经典算例分别对粒子群算法、遗传算法、灰狼算法和混沌压缩非线性粒子群算法进行检验。实验结果表明,该方法可以显著提升粒子群算法的收敛精度和速度,对于实际大规模车间调度问题适应性较好,能有效提高车间的生产效率。     

基于坠落机制的混沌麻雀算法AGV路径规划

针对麻雀搜索算法(SSA)在AGV路径规划中存在收敛速度慢、寻优精度差的缺点,提出一种基于坠落机制的混沌麻雀算法(SSA-CD)解决AGV路径规划算法。首先,引入Sinusoidal混沌映射和变尺度混沌策略对种群进行初始化,提高种群多样性使算法具备跳出局部最优解的能力;其次,引入动态黄金正弦策略增强算法发现者位置更新方式;然后,提出一种坠落机制增强种群随机性;最后,通过埃尔米特插值进一步优化最优解,获得更短更平滑的路径。通过栅格地图进行仿真实验,证明了改进算法的有效性、可行性和鲁棒性。     

基于局部搜索策略的混合自适应布谷鸟算法

为了提高布谷鸟算法的搜索精度和全局收敛速度,提出一种基于局部搜索策略的混合自适应布谷鸟算法。在该改进算法中,每个当前解的周围随机产生一个局部种群,利用正余弦算子的局部寻优能力得到局部最优解,并用局部最优解替换当前解,以提高局部搜索精度;同时采用自适应发现概率和搜索步长替代布谷鸟算法中的固定发现概率和搜索步长,以提高算法的全局收敛速度。对25个经典高维基准函数进行实验表明,所提算法在收敛速度和求解精度上优于布谷鸟算法,通过将其应用于拉压弹簧、三杆桁架设计和0-1背包问题,验证了算法的有效性。     

基于差异演化算法的V带传动多目标优化设计

为研究V带传动多目标优化问题,基于高斯变异提出一种高斯变异多目标差异演化算法(Multi-Objective Differential Evolut ion Based on Gauss Mutation,GMODE)。该算法首先引入了佳点集方法对种群进行初始化,其次在差分向量选择不合适时,采用高斯变异,引导个体向非劣解进化,提高算法的收敛速度;最后在个体多次不更新位置时,采用高斯变异,以提升个体逃离局部最优点的能力。通过与其他算法的比较,发现该算法能有效避免/早熟0收敛,具有较好的收敛速度和多样性。     

基于Tent映射的混沌粒子群优化算法及其应用

针对基本粒子群优化算法在迭代后期易陷入局部最优而出现早熟收敛的现象,基于混沌搜索的全局遍历性、随机性和规律性的特点,以粒子群群体适应度方差作为粒子群优化算法早熟收敛的判据,将Tent映射作为混沌搜索引入到基本粒子群算法中,对以一定概率随机选择的粒子群中的部分粒子实施混沌搜索,利用混沌特性提高种群的多样性和粒子搜索的遍历性,从而使粒子获得持续搜索的能力,提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能.几个典型测试函数的仿真实验和应用实例均证明了该算法的可行性.     

柔性作业车间调度多策略果蝇优化算法研究

针对柔性作业车间调度问题,提出了融合多种策略的果蝇优化算法,以最小化最大完工时间为目标,生成合适的调度方案。在该算法中,采用反向学习策略进行种群初始化,改善初始解的质量。其次引入变邻域搜索算法作为果蝇的嗅觉搜索策略,提升局部搜索能力;在此基础上,提出能够增加种群多样性的位置重构策略,根据嗅觉搜索后种群的平均适应度值将果蝇动态地划分为先进子种群和普通子种群,普通子种群以先进子种群为目标进行位置重构,先进子种群相互为目标进行位置重构,避免搜索陷入局部最优。最后,设计正交实验探究变邻域搜索参数对算法性能的影响,并确定相关参数合适值;通过计算多个标准测试集基准算例,得到每个测试集的最优解及平均解,并与现有算法的计算结果进行对比,验证了改进策略的有效性及所提算法的优越性。     

基于隔代映射算子的差分进化算法

提出一种基于隔代映射算子的差分进化算法以求解优化问题,该方法在保证解的精度的同时具有较快的收敛速度。在经典的差分进化算法基础上,采用反向学习策略产生初始种群,并采用两种差分变异策略产生变异个体,以增加种群的多样性;利用隔代映射算子产生三个新个体替换当前进化种群中最差的三个个体,以实现精英策略提升算法的收敛性;为了保持种群的多样性和避免获得局部解,利用探测算子策略产生新个体加入进化种群。采用11个单峰、多峰测试函数和两个工程实例验证了该方法的有效性。     

基于混合策略改进的鹈鹕优化算法

针对鹈鹕优化算法求解精度低、稳定性不足、易陷入局部最优等问题,文章提出一种混合策略改进的鹈鹕优化算法（IPOA）。首先,为了增强种群的随机性和多样性,扩大种群的搜索范围,引入反向折射学习机制;其次,利用正余弦算法和鹈鹕算法融合,改进鹈鹕搜索猎物的方式,增强算法的局部搜索与全局搜索能力;然后,采用Levy飞行机制对鹈鹕位置进行更新,从而提高算法的搜索能力以寻找最优值;最后,引入自适应t分布变异算子,使用算法的迭代次数作为t分布的自由度参数来增强鹈鹕种群的多样性,避免算法陷入局部最优。通过12个标准测试函数对改进算法与海鸥优化算法、黑猩猩优化算法、鲸鱼优化算法、蛇群优化算法和基本鹈鹕优化算法进行测试比较,结果表明,IPOA具有更好的收敛速度和稳定性。最后将改进鹈鹕算法应用于压力容器设计优化问题,进一步证实改进后的算法具有较好的求解性能。     

一种改进的免疫算法在车间调度中的研究

针对免疫算法收敛较慢,种群更新优劣差距较大等缺点,提出了一种改进的免疫算法,并用该算法解决了FlowShop车间调度问题,结果表明算法具有较好的搜索与寻优能力,很好地克服了一般人工免疫算法搜索速度较慢、容易陷入局部最优解的缺点。该算法采用自适应的交叉算子、变异算子以及种群分割的方法,在搜索速度和全局最优解搜寻能力上与传统的零等待免疫算法相比有明显的优势。     

一种改进的免疫算法在车间调度中的研究

针对免疫算法收敛较慢,种群更新优劣差距较大等缺点,提出了一种改进的免疫算法,并用该算法解决了FlowShop车间调度问题,结果表明算法具有较好的搜索与寻优能力,很好地克服了一般人工免疫算法搜索速度较慢、容易陷入局部最优解的缺点。该算法采用自适应的交叉算子、变异算子以及种群分割的方法,在搜索速度和全局最优解搜寻能力上与传统的零等待免疫算法相比有明显的优势。     

一种基于改进NSGA-Ⅱ的多目标绿色柔性作业车间调度方法

针对多目标绿色柔性作业车间调度问题,建立了以最小化最大完工时间、总负荷和总能耗为优化目标的多目标优化模型,提出了一种带有自适应交叉变异算子和学习机制的改进NSGA-Ⅱ多目标优化算法。该算法通过机器和工序的两级编码机制,使用基于全局、局部和随机选择的非支配排序选择策略得到初始种群;采用具有自适应算子的混合交叉变异策略进行迭代,提高算法的全局搜索能力;引入分布函数来改进精英保留策略提高种群的多样性;通过学习机制进行邻域搜索提高算法的局部搜索能力。最后,采用基准测试算例Brandimarte以及Kacem数据集对算法进行测试,结果表明采用改进的NSGA-Ⅱ算法求解多目标绿色柔性作业车间调度问题具有求解精度高、收敛速度快以及解集多样性好的优点。     

一种带有自适应变异的双种群优化算法

提出一种带有自适应变异的双种群算法(ATPSO),通过采用两个带有不同惯性权重的子群扩大搜索范围,并借鉴遗传算法的杂交机制和自适应变异,加快算法的收敛速度,提高算法跳出局部最优进行全局搜索的能力。实验结果表明,新算法较好地改善了标准PSO算法性能。     

小生境遗传算法的多刚体系统动力学参数优化设计

在分析多刚体系统动力学参数优化问题特点的基础上,针对用传统优化方法和标准遗传算法求解这一类问题时存在的问题,提出了一种改进的小生境遗传算法。采用最优保存策略和高斯变异算子,保证算法的稳定收敛和提高算法在每个峰值附近的局部搜索能力。将该方法用于5自由度汽车悬架系统动力学参数优化设计问题,结果表明该方法在收敛速度和获得全局最优解方面部有很大提高。     

基于改进粒子群算法的白车身焊接路径优化

为优化白车身焊接路径,提高焊接效率,提出一种改进粒子群算法,在传统粒子群算法思想的基础上,将算法寻优过程分为追随和盘旋两部分.基于较近原则生成初始粒子,以减少种群规模,加快收敛速度;在追随部分,通过个体极值追随全局极值和随机原始参考值以贪婪重组的方式重新生成粒子,在增强算法局部寻优能力的同时加快算法的收敛速度;在盘旋部分,采用多次局部调序的策略,通过随机调整粒子局部排列序,保证算法种群的多样性,防止陷入局部最优解;从种群进化代数和种群个体适应度函数值实现算法各参数的自适应调节,加快收敛速度;对粒子个体采取精英保留策略,保留最优粒子.算法通过Matlab平台实现,实验仿真结果表明,提出的改进粒子群算法对于中小规模的白车身焊点旅行推销员问题(Travelling Salesman Problem,TSP)有良好的寻优能力.     

基于广义反向粒子群与引力搜索混合算法的多阈值图像分割

提出了基于粒子群优化(PSO)与引力搜索(GSA)混合算法(PSOGSA)的多阈值图像分割方法来解决图像阈值搜寻过程中单一优化算法局部搜索能力不强的问题。提出了图像阈值分割领域中的广义反向学习策略,在阈值寻优过程中提高群体多样性,增强了全局搜索能力;采用了全局最优解的正态变异策略,扩展了全局最优的搜索区域,避免了算法的早熟收敛。在此基础上,实现了基于广义反向粒子群与引力搜索混合算法的多阈值图像分割方法。最后,使用本方法对复杂多目标图像进行了多阈值分割实验,并与引力搜索算法和萤火虫算法进行了比较。实验结果表明,本文方法的分割精度优于引力搜索算法与萤火虫算法,其分割目标函数值在连续运行时的标准差降低了90%以上,是一种精度高、稳定性强的多阈值图像分割方法。     

混沌在机械优化设计中的应用

牛顿优化技术是机械优化设计中一种常用的优化技术,由于其本身的局部收敛性对初始点较为敏感,要求初始点充分接近全局极值点才能收敛.把牛顿优化技术与混沌优化搜索相结合,提出一种混合优化算法,利用混沌搜索方法使牛顿优化技术跳出局部最优解,达到全局最优解,数值试验表明了该算法的有效性和正确性.