改进粒子群算法及其对热连轧机负荷分配优化的研究

提出一种基于适应度方差的权重梯度方向变异的改进粒子群优化算法（IPSO）,通过判断适应度方差,按照权重梯度方向进行变异操作,解决了PSO算法的早熟收敛和易于陷入局部极值的问题.应用IPSO算法对精轧机组负荷分配进行优化,根据负荷分配优化策略,给出综合板形板厚的最小方差目标函数,在实现各机架负荷分配优化的同时,提高板形质量.仿真结果表明,该算法计算精度高,收敛速度快,为精轧机组轧制规程的智能优化设计提供了一种新的有效方法.     

热连轧精轧负荷分配优化的多目标反向迭代法

在求解热精轧负荷分配优化的过程中,针对目标函数中加权系数难以确定的问题,提出多目标反向迭代法(multi-objective inversion iteration algorithm,MOII),该法通过数值迭代的方式实现了热精轧机组负荷分配的多目标优化.首先,在综合考虑板形、板厚精度和质量的基础上,设计负荷分配优化的多目标函数;然后,基于轧制力能参数与轧机入口和出口板带厚度的单调性关系,设计MOII算法,并对MOII算法的合理性及异常情况进行分析,给出其计算流程;最后,基于实际生产数据进行仿真,结果表明,MOII算法不仅能够实现负荷分配的多目标优化,而且求解速度快、精度高,体现出良好的在线应用前景;与其他方法得到的解相比,MOII算法求得的解有更好的性能.     

混合多目标粒子群优化算法在热精轧负荷分配优化中的应用

通过对热精轧负荷分配过程的分析,选取负荷均衡、板形良好和轧制功率最低为目标,建立了热精轧负荷分配多目标优化模型.为了提高多目标优化算法解集的分布性和收敛性,提出了一种混合多目标粒子群优化算法(HMOPSO),该算法根据Pareto支配关系得到Pareto前沿进而保证种群收敛;采用分解策略维护外部存档,该策略首先根据Pareto前沿求出上界点对目标空间进行归一化处理,然后对种群进行分区处理进而保证种群的分布性能.仿真结果表明,HMOPSO的收敛性和分布性都好于MOPSO和d MOPSO;采用模糊多属性决策的方法从Pareto最优解集中选择一个Pareto最优解,通过与经验负荷分配方法相比,表明该Pareto最优解可以使轧制方案更加合理.     

基于MSTSO算法的冷水机组负荷分配模型研究

为降低空调系统的运行能耗,优化冷水机组的负荷分配,首先提出了一种多策略改进的金枪鱼优化算法(MSTSO),引入黄金正弦觅食机制和非线性惯性权重来加强算法对最优解的全局定位能力;通过蜜獾随机搜索策略赋予算法更强的性能以跳出局部最优。接着利用双向长短期记忆网络(BiLSTM)搭建能效预测模型并用MSTSO算法对其初始参数进行寻优从而获得最佳训练效果。最后进一步提出BiLSTM-MSTSO负荷分配模型,对多台冷水机组的负荷进行合理分配与优化。实验结果表明,优化后的BiLSTM预测模型拥有更高的预测精度,MSTSO算法相较其他智能优化算法可以减少更多的能耗并最大化提升冷水机组的运行效率。因此BiLSTM-MSTSO智能模型适用于多冷水机组的能耗预测与优化。     

改进蚁群算法在热精轧负荷分配优化中的应用

本文尝试用改进的蚁群算法(IACA)求解热精轧机组负荷分配优化问题.首先,建立负荷分配优化的目标函数和约束条件.为了避免蚁群算法(ACS)在加速收敛中出现停滞现象,IACA通过局部和全局信息素浓度更新、引入约束条件的蚂蚁视觉启发函数和基于轧制理论的智力启发函数对状态转移规则进行改进计算;为了保证算法在迭代后期能够收敛,IACA动态更新状态转移规则中的阈值常数和局部信息素浓度挥发系数.基于实际生产数据的仿真结果表明,IACA能够按照目标函数的要求进行合理的负荷分配,且解的性能优于经验值;与其他优化算法比较,IACA具有较快的求解速度和较高的求解精度.     

带局部搜索的NSGA Ⅱ算法在负荷分配中的应用

为了改善NSGAⅡ算法的收敛性能,将局部搜索的思想融入到NSGAⅡ中,提出一种带局部搜索的NSGAⅡ算法(NSGAⅡ-LS).该算法采用基于惩罚的边界插入法(PBI)产生局部搜索的优化函数,并使用序列二次规划方法(SQP)进行求解.通过在3个多目标标准测试函数上的仿真实验,结果表明相对于NSGAⅡ,NSGAⅡ-LS具有更好的收敛性能.最后将NSGAⅡ-LS应用到带钢热连轧负荷分配优化计算中,给出了兼顾轧制力平衡、最低轧制功率和优良板形的目标函数表达式,对多目标进化算法在热轧负荷分配优化计算中的应用进行研究,指出了目标之间的冲突关系.     

基于5G架构超密集组网粒子群优化算法改进

随着移动通信技术的发展，传统智能终端设备无法满足快速增长的海量数据计算要求，移动边缘计算为物联网中移动用户提供了低延迟和灵活的计算方案。综合考虑边缘服务器上有限的计算资源以及网络中用户的动态需求，提出通过二进制粒子群优化算法分配发射功率优化传输能耗。将请求卸载与资源调度作为双重决策问题进行分析，基于粒子群优化算法提出了一种新的多目标优化算法求解该问题。仿真结果表明，二进制粒子群优化算法可以节省传输能耗，且具有良好的收敛性。所提出的新算法在响应率方面优于现有算法，在动态边缘计算网络中可以保持良好的性能。     

基于改进权重自适应GA的冷连轧轧制规程多目标优化

针对聚合多目标优化方法的权重难以确定的问题, 提出了一种改进的权重自适应方法, 并以遗传算法为基础对冷连轧轧制规程进行多目标优化. 首先, 结合某冷轧厂实际的轧制规程优化过程, 选取等功率裕量、轧制能耗及带钢打滑概率作为优化目标, 建立了冷连轧轧制规程的多目标优化模型. 然后将改进的权重自适应遗传算法(GA)应用于不同规格的带钢轧制规程多目标优化中, 结果表明, 与实际应用的轧制规程相比, 该方法有效的降低了3个目标函数的值; 与权重自适应GA相比, 改进的权重自适应GA的针对性更强, 同时重要性高的目标收敛速度更快.     

改进权重自适应GA及冷连轧轧制规程多目标优化

针对聚合多目标优化方法的权重难以确定的问题,提出了一种改进的权重自适应方法,并以遗传算法为基础对冷连轧轧制规程进行多目标优化.首先,结合某冷轧厂实际的轧制规程优化过程,选取等功率裕量、轧制能耗及带钢打滑概率作为优化目标,建立了冷连轧轧制规程的多目标优化模型.然后将改进的权重自适应遗传算法(GA)应用于不同规格的带钢轧制规程多目标优化中,结果表明,与实际应用的轧制规程相比,该方法有效的降低了3个目标函数的值;与权重自适应GA相比,改进的权重自适应GA的针对性更强,同时重要性高的目标收敛速度更快.     

基于粒子群算法的自动配煤系统多目标优化

粒子群优化(PSO)算法是一种有效的基于群体智能的全局优化方法,不能直接应用于多目标自动配煤系统的优化中。文章考虑实际灰分最大限度接近目标灰分、配煤时间最短、能耗最小经济效益最高这3个目标,建立了具有条件约束的多目标自动配煤系统模型;利用加权法将自动配煤系统的多目标优化问题转化为单目标优化问题,然后利用PSO算法对系统进行优化,求出最优解集。仿真结果表明,应用PSO算法优化多目标自动配煤系统的方法简单可行,效果较为理想,但也存在适应度函数和权值参数选取难的问题。     

Toward a heuristic optimum design of rolling schedules for tandem cold rolling mills

Scheduling for tandem cold mills refers to the determination of inter-stand gauges, tensions and speeds of a specified product. Optimal schedules should result in maximized throughput and minimized operating cost. This paper presents a genetic algorithm based optimization procedure for the scheduling of tandem cold rolling mills. The optimization procedure initiates searching from a logical staring point — an empirical rolling schedule — and ends with an optimum cost. Cost functions are constructed to heuristically direct the genetic algorithm’s searching, based on the consideration of power distribution, tension, strip flatness and rolling constraints. Numerical experiments have shown that the proposed method is more promising than those based on semi-empirical formulae. The results generated from a case study show that the proposed approach could significantly improve empirically derived settings for the tandem cold rolling mills.     

工程系统进度优化的协同决策方法

为解决多个承包商间的项目合作伙伴选择问题, 采用多目标规划构建工程系统进度优化的协同决策模型. 以合作博弈理论为基础, 运用主要目标法设计一种基于期望收益约束选择的模型求解方法. 算例结果表明, 所提出的方法可以在保障参与协同的承包商收益需求前提下实现工程系统进度最优, 所获得的协同方案更容易为各方接受.

     

基于混合遗传算法的车间生产计划调度

针对车间环境的动态随机性、多工序问题,研究了调度问题和算法的特征,提出了一种基于混合遗传算法的车间调度方案。在传统遗传算法的基础上,采用交叉算子、变异算子与启发式算子结合,实现了混合遗传算法,避免了传统遗传算法解的不可行性。再把紧急工序作为一个时域段,结合可变时域滚动机制,实现了可插入紧急工序的调度算法,使一道工序不需重新调度也可排入作业计划,避免了不可插入性,节省了时间,提高了效率。结合实例进行仿真分析,结果表明了调度的可行性、正确性、满意度。     

基于灰关联理论的滚动轴承故障诊断研究

针对实际工程中滚动轴承故障的复杂灰特性以及不确定性问题,提出了基于灰关联理论故障诊断方法。灰关联理论具有"小样本、贫信息、不确定性"问题处理能力强、计算复杂度低等优点。通过对灰关联原理、灰关联系数与分辨系数的关系,以及分辨系数的性质和取值原则的研究,成功地将灰关联理论应用于滚动轴承的故障诊断。仿真实例研究结果表明,灰关联故障诊断方法计算简单、诊断结果与定性分析结论一致,便于形成知识库中的规则,对工程实践具有理论指导作用,且对样本数量及其分布规律没有特殊要求,有较大实用价值。     

全局信息不全的动态调度问题基于虚拟调度的两级滚动方法

This paper addresses the single-machine scheduling problem with release times mini-mizing the total completion time. Under the circumstance of incomplete global information at each decision time, a two-level rolling scheduling strategy (TRSS) is presented to create the global schedule step by step. The estimated global schedules are established based on a dummy schedule of unknown jobs. The first level is the preliminary scheduling based on the predictive window and the second level is the local scheduling for sub-problems based on the rolling window. Performance analysis demonstrates that TRSS can improve the global schedules. Computational results show that the solution quality of TRSS outperforms that of the existing rolling procedure in most cases.     

改进的粒子群算法在轧制负荷分配中的优化

针对带钢热连轧精轧机组中负荷分配的优化问题,提出一种基于经验的自适应双层粒子群优化算法(ADLPSO-EM)。每次种群迭代后,对记忆群体通过改进的更新公式进行更新。利用改进的自适应调整惯性权重的策略充分增强种群的多样性,提高全局搜索能力。最后,在将其应用于热连轧负荷分配问题时,通过以经验法得到的值产生一个搜索邻域,并通过变邻域求出最后的负荷分配。仿真结果表明,改进的算法对负荷分配优化具有明显的效果。     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。     

IT项目优化及仿真

提出了一个基于设计结构矩阵的任务流程优化算法,给出了分析复杂项目进度和成本风险的仿真模型。该模型考虑了任务之间交互作用导致的循环迭代,以及相关的学习效应。算例仿真结果表明,对于具有高度耦合性及返工概率的复杂IT开发项目,本优化算法可以有效地降低项目执行成本和执行费用。