基于蚂蚁算法的混合离散变量机械优化设计方法

引入蚁群更新、沿途搜索等策略对蚂蚁算法进行了改进。为了求解混合离散变量优化设计问题，在搜索过程中对设计变量进行工程化处理，蚂蚁按处理后的变量进行离散搜索。采用MATLAB语言设计了蚂蚁算法程序，通过典型优化设计问题进行了验证，并给出了混合离散变量机械优化设计实例。实例表明，改进后的蚂蚁算法全局收敛能力强，程序运行可靠。     

基于蚂蚁算法的谐波齿轮传动模糊优化设计

研究了谐波齿轮传动优化设计问题，建立了其模糊优化设计数学模型。引入蚁群更新策略对蚂蚁算法进行了改进。为了求解混合离散变量优化设计问题，在搜索过程中对设计变量进行工程化处理，蚂蚁按处理后的变量进行离散搜索。采用MATLAB语言设计了蚂蚁算法程序，给出了谐波传动的混合离散变量优化设计实例。     

基于蚂蚁算法的连杆角位移再现机构模糊稳健设计

引入Logistic混沌模型和最优蚂蚁保护策略对蚂蚁算法进行了改进。对再现连杆角位移的平面连杆机构,分析了其运动精度的影响因素,建立了模糊稳健优化设计数学模型。给出了基于蚂蚁算法的模糊稳健优化设计实例,在求解机构杆长等参数的同时,还求出了各杆长的制造公差,保证了机构运动精度的稳健性。     

基于SA算法的压力容器离散变量优化设计研究

考虑制造工艺要求，将所有设计变量均视为离散变量（包括一般离散变量和伪离散变量），并就这两种情况下状态产生函数的设计原理进行深入研究，解决了将模拟退火算法用于离散变量函数优化的关键技术问题，介绍了一种基于模拟退火算法的离散变量函数优化的新方法。建立了以壳体质量最轻为设计目标、以内径（公称直径）和名义壁厚为设计变量的优化设计的数学模型。该模型具有较多的局部极值点，用以数学规划理论为基础的经典约束优化方法求解效果较差，用基于模拟退火算法的离散变量优化设计方法可以取得良好的效果。     

离散变量结构优化中的一种有效仿生算法

将蚂蚁算法应用于结构优化中 ,通过几个典型的结构优化问题的求解发现 ,蚂蚁算法能够成功地应用于离散变量的结构优化问题和连续变量的结构优化问题     

基于遗传算法的减速器混合离散变量优化设计

针对混合离散设计变量的非线性优化问题,提出了一种面向设计与制造的离散变量工程化处理方法,能简便而合理地处理工程实际中的混合离散变量的取值问题;引入两个定义,以此构造惩罚函数,简单而可靠.在此基础上,建立了一种改进的遗传算法,用来对混合离散变量非线性规划问题进行全局搜索.二级圆柱齿轮减速器优化设计实例表明,该算法普适性较好,全局搜索能力强.     

基于改进萤火虫算法的压力容器离散变量优化设计

针对压力容器优化设计问题,建立以压力容器壳体质量最小为优化目标,内径和壁厚为离散设计变量的优化数学模型。提出一种改进的萤火虫算法,该算法通过采用自适应步长策略、跳出局部最优策略及空间域约束策略,改善算法的全局寻优能力和收敛性能。仿真结果表明所提出的改进萤火虫算法比基本萤火虫算法可以更快的收敛得到最优解,可有效解决压力容器优化设计问题。     

基于智能单粒子算法与支持向量机的稳健优化设计

为了求解混合离散变量优化设计问题,通过引入粒子位置矢量的离散化处理方法,对智能单粒子优化算法(ISPO)进行改进,用MATLAB语言设计了求解混合离散变量优化设计问题的ISPO算法程序,结合支持向量回归机的应用,研究了平面尺寸链离散公差的模糊稳健优化设计问题,给出了稳健设计实例。设计实例表明了本文所提方法的有效性和实用性。     

基于改进遗传算法的离散公差模糊稳健优化设计

为了解决离散变量优化设计问题，采用了一种面向设计、制造的设计变量离散化处理方法。通过改进最优个体保护策略和混沌移民算子，并引入家族竞争遗传机制对基本遗传算法进行了改进。开发了混合离散变量的改进遗传算法程序LSGA2005，用该程序解决了箱体零件尺寸链的离散公差模糊稳健设计问题。实例表明，该算法全局收敛能力强，具有较好的实用价值。     

混合离散变量优化的遗传算法研究

将基于格雷码的遗传算法用于求解结构的混合离散变量非线性约束优化问题。完整地阐述了混合离散变量的遗传算法处理方法,包括变量的均匀性处理,编码和解码,多余码的处理;采用格雷码编码方式和一种新的适应值定标方法,对遗传算法作了合理的改进,并指出了原编码方式和定标方法存在的问题,并给出算例证明其合理性,有效性和对问题的适应性。     

基于蚁群算法的机械优化设计

介绍了蚁群算法的原理、模型和算法实现过程。说明了蚁群算法应用于机械优化计算切实可行，为复杂的机械优化设计问题提供了新的思路和方法。     

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。     

基于蚁群优化UKF算法的汽车状态估计

针对汽车状态估计中过程噪声和观测噪声的时变特性,提出一种新的自适应滤波算法。该算法基于三自由度非线性汽车动力学模型,在利用UKF对汽车状态量进行估计的同时,引入蚁群优化算法,根据目标函数对过程噪声和观测噪声进行寻优,实现了过程噪声和观测噪声的自适应作用,估计精度的大幅提高。虚拟实验验证了蚁群优化UKF算法的鲁棒性和精度。研究结果对汽车主动控制系统的开发具有重大的理论指导意义。     

蚁群算法求解人机布局优化问题

针对目前人机布局优化问题人机约束多、无算法,提出了一种符合人机特性的蚁群算法。为了将人机约束考虑在布局优化设计中,本文以载人潜水器主控制台的布局优化为例,采用层次分析法对主控制台人机特性定量分析,在此基础上结合蚁群算法进行主控台布局优化设计,并使用JACK软件模拟比较。结果证明:文中提出的符合人机特性的蚁群算法能够将人机约束和算法结合,从而得出符合人机约束的布局设计,提高操作员的工作舒适度。这种算法也能够广泛地用于其它人机环境的布局优化设计中。     

基于蚁群算法的供应链物资配送系统优化

针对供应链物资配送系统的优化问题，提出了综合配送中心选择和配送路线优化，即在通过遗传算法选好配送中心的基础上，进一步通过蚁群算法（Ant Colony Algorithm）来优化配送路线。并重点讨论了蚁群算法对配送路线的优化。     

蚁群算法在螺旋密封优化设计中的应用

以密封系数为目标函数,以螺旋相对宽度、螺旋相对槽深和螺旋角为状态变量,采用蚁群算法和Matlab语言对螺旋密封进行了优化设计。仿真结果表明:在螺旋几何参数满足实际要求的前提下,使得密封系数达到了0.832 7,满足工程需要,表明蚁群算法应用于密封优化设计是可行的。     

A Metamodeling Method Based on Support Vector Regression for Robust Optimization

Metamodeling techniques have been used in robust optimization to reduce the high computational cost of the uncertainty analysis and improve the performance of robust optimization problems with computationaUy expensive simulation models.Existing metamodels main focus on polynomial regression(PR),neural networks(NN)and Kriging models,these metamodeis are not well suited for large-scale robust optimization problems with small size training sets and high nonlinearity.To address the problem,a reduced approximation model technique based on support vector regression(SVR)is introduced in order to improve the accuracy of metamodels.A robust optimization method based on SVR is presented for problems that involve high dimension and nonlinear.First appropriate design parameter samples are selected by experimental design theories,then the response samples are obtained from the simulations such as finite element analysis,the SVR metamodel is constructed and treated as the mean and the variance of the objective performance functions.Combining other constraints,the robust optimization model is formed which can be solved by genetic algorithm(GA).The applicability of the method developed is demonstrated using a case of two-bar structure system study.The performances of SVR were compared with those of PR,Kriging and back-propagation neural networks(BPNN),the comparison results show that the prediction accuracy of the SVR metamodel was higher than those of other metamodels under uncertainty.The robust optimization solutions are near to the real result,and the proposed method is found to be accurate and efficient for robust optimization.This reaserch provides an efficient method for robust optimization problems with complex structure.