基于混合PSO算法的桁架动力响应优化

摘 要：本文针对以结构动力响应为约束,最小重量为目标的桁架拓扑优化问题,提出了一种将微粒群算法和优化准则法结合的混合PSO算法。利用优化准则法的迭代关系找出群体中适应度最好的微粒,将其作为特殊微粒,其他微粒的寻优采用PSO的基本进化规则,位移响应约束利用特殊微粒的灵敏度信息近似计算。算例的计算结果表明,混合PSO算法适用于受简谐荷载以及脉冲荷载作用桁架结构的拓扑优化。混合PSO的计算效率比PSO算法高,其优化效果比优化准则法好。     

工程项目多目标协同优化研究

将微粒群算法(particle swarm optimization,PSO)引入工程项目多目标协同优化领域,研究工程项目的质量、费用、资源和工期的协同优化问题。文章首先系统介绍微粒群算法原理、流程以及算法的改进发展,然后研究了工程项目质量、费用、工期和资源的协调功效系数,并建立了质量、费用、工期和资源的多目标协同优化模型,接下来介绍了应用微粒群算法编码解决工程项目多目标优化的方法步骤。最后,通过一个应用实例,计算表明微粒群算法可以准确快速地解决工程项目多目标协同优化问题。     

基于微粒群算法的系统可靠性优化

微粒群算法是近来发展起来的一种新的优化计算方法,在简要说明微粒群算法的基础上,将该算法用于系统可靠性优化计算,分别对串联系统的可靠性分配、桥联系统的冗余可靠性优化设计问题进行分析计算,探讨了微粒群算法在系统的可靠性优化计算中应用的可行性,计算机仿真结果表明了微粒群算法求解该问题的可靠性和有效性。     

一种含最优变异的多微粒群优化算法

针对微粒群优化算法中的固有缺点，提出了带有最优变异算子的多微粒群优化算法，采用多个微粒群对目标函数进行寻优，并在寻优过程中对子群中最优微粒引入了最优变异算子。通过这样的处理，算法可以预防早熟收敛并具有更快的收敛速度和更好的局部开发能力。对一组测试函数的模拟实验结果表明，带最优变异的多微粒群优化算法可以摆脱局部最优解时微粒的吸引，在较少的代数内就能够获得好的优化结果。     

基于微粒群优化算法确定爆破测震参数

介绍了微粒群算法的基本理论,并把微粒群优化算法应用于爆破测震参数的计算中,结合实际工程,应用微粒群优化算法对爆破震动参数进行确定,得到了非常好的拟合效果.微粒群优化算法应用于爆破参数的确定是切实可行的.     

水库优化调度的Pareto强度值SCE-UA算法

提出求解水库优化调度问题的Pareto强度值SCE-UA算法,该方法将水库优化调度的约束优化问题转换成两个目标函数的无约束优化问题,一个为原问题的目标函数,另一个为违反约束条件的程度函数;对上述两个目标函数组成的向量个体,利用Pareto 优于关系和个体Pareto 强度值概念,实现个体的优劣比较和群体的优劣排序,在此基础上使用 SCE-UA算法求解。这种算法不需要人工处理罚函数,具有较强的通用性、稳定性及更好的搜索性能。     

混流装配线调度问题的离散粒子群优化解

混流装配线调度问题是JIT生产中的一个重要问题。借鉴二进制遗传算法中的交叉操作过程，对传统的连续型粒子群算法进行改进，使其适用于离散问题的优化处理。然后以丰田公司的汽车组装调度函数作为目标函数，利用改进的离散粒子群算法进行求解。对比分析表明：新算法所得结果优于常用的目标追随法、遗传算法、模拟退火等方法。     

基于遗传粒子群混合算法的多生产线协调调度

为了求解多目标多生产线调度问题,结合PSO和GA算法的特点,提出了基于协同进化思想的多种群PSOGA混合优化算法(简称MC-HPSOGA).以最小化最大完工时间、最大化生产线利用率和最大化客户满意度为目标函数,建立了多生产线作业协调调度问题的多目标批量调度数学模型,并且设计最小批量动态分批策略,将MC-HPSOGA算法...     

风光储制氢下多台制氢机组优化调度研究

以风光储制氢系统中多台制氢机组和储能电池的优化调度为研究对象,目标是制氢的经济效益最大化.根据调度对象和目标函数的特征分别采用改进时序差分算法(TDA)和多目标粒子群优化算法(MOPSO)进行优化调度,其中储能电池的调度起辅助作用,用来使风光出力曲线匹配制氢出力曲线.算例分析表明,文中所述改进时序差分算法在解决多台制氢...     

加权微粒群算法在模型配准中的应用

微粒群算法目前已经在很多领域得到了广泛的应用。根据微粒群算法收敛较快的权值范围,建立加权函数,将其运用到速度进化过程中,并在进化过程中分群优化,使得改进的微粒群算法在迭代初期具有较好的全局收敛能力,在迭代后期具有较好的局部收敛能力,从而可以实现维护全局和局部搜索能力的平衡。将该算法运用于散乱点云与三维CAD模型的配准问题中,并与基本微粒群算法进行对比,具有更好的配准结果,迭代收敛更快。     

混合粒子群算法在混流装配线优化调度中的应用

应用粒子群算法求解混流装配线的优化调度问题,给出粒子的构造方法,并针对算法中存在过早收敛的问题,提出了一种与局部优化和粒子微变异方法相结合的混合粒子群算法.给出了一个实例,实例应用粒子群算法和混合粒子群算法分别进行求解,与其他一些方法比较表明,混合粒子群算法可以有效、快速地求得混流装配线优化调度问题的解.     

基于资源限制的多目标网络计划优化模型

目前网络计划优化研究要么没有考虑资源限定的柔性,要么只是集中于单纯的工期优化或资源优化等单目标优化。本文针对传统网络计划建模资源限制缺少柔性、优化目标单一等问题进行了深入的研究。在柔性资源的限制下,为使得工程网络计划达到总体最优,考虑工程项目的工期、成本、项目净现值、资源的均衡等多个目标,建立其网络计划优化模型,并采用粒子群算法予以求解。根据拓扑排序算法生成满足时序约束的活动序列并计算活动的时间参数。对于产生资源冲突的活动,依照执行优先权解决冲突资源的执行顺序,更新时间参数。采用随机权重的方法,让粒子群算法种群的多个个体进行随机转化,从而保持解的多样性。采用国际上通用的Patterson问题库中benchmark算例对本文提出的方法进行验证。结果表明,与初始方案相比,优化后的方案分别在工期上缩减了20%,成本上缩减了11.17%,净现值增加了11.82%,资源均衡度减少了18.29%。由此可见,提出的基于粒子群算法的优化模型对资源限制下的网络计划中的工期、成本、净现值、资源均衡度等多个目标均实现了不同程度的优化。     

A divide-and-conquer strategy with particle swarm optimization for the job shop scheduling problem

An optimization algorithm based on the ‘divide-and-conquer’ methodology is proposed for solving large job shop scheduling problems with the objective of minimizing total weighted tardiness. The algorithm adopts a non-iterative framework. It first searches for a promising decomposition policy for the operation set by using a simulated annealing procedure in which the solutions are evaluated with reference to the upper bound and the lower bound of the final objective value. Subproblems are then constructed according to the output decomposition policy and each subproblem is related to a subset of operations from the original operation set. Subsequently, all these subproblems are sequentially solved by a particle swarm optimization algorithm, which leads directly to a feasible solution to the original large-scale scheduling problem. Numerical computational experiments are carried out for both randomly generated test problems and the real-world production data from a large speed-reducer factory in China. Results show that the proposed algorithm can achieve satisfactory solution quality within reasonable computational time for large-scale job shop scheduling problems.     

基于粒子群算法的半导体制造设备预维修调度

对半导体制造设备的预维修调度问题进行了研究,建立了半导体制造设备预维修调度的数学模型,分别提出了用于求解该问题的启发式方法和粒子群算法方案,阐明了两种算法方案的具体实现过程。通过对仿真实例进行计算和结果比较,表明了粒子群算法优于启发式方法,取得了不错的优化效果。     

置换流水车间调度问题的萤火虫算法求解

作为新兴的仿生群智能优化算法,分析了萤火虫算法的仿生原理,对算法实现优化过程进行了定义。针对最小化最大完工时间的置换流水车间调度问题,采用基于ROV规则的随机键编码方式和互换操作的局部搜索策略,应用萤火虫算法进行求解。通过典型实例对算法进行了仿真测试,调度结果表明了萤火虫算法求解置换流水车间调度问题的可行性和有效性,优于NEH启发式算法和粒子群算法,是解决流水线生产调度问题的一种有效方法。     

生产调度干扰管理模型构建及智能算法研究

在现代企业生产经营过程中,生产调度的作用日益突出。它是生产管理领域内的关键生产环节。干扰管理是近些年来学者提出的一种新的处理生产过程中突发事件的思想和方法,已在供应链、物流以及某些特定领域的调度方面有所应用。流水车间调度问题(Flow-shopScheduling Problem,FSP)是一类复杂且极有代表性的流水线生产调度问题的简化模型,它无论是在离散制造工业还是在流程工业中都具有广泛的应用,具有一定的代表性。构建了流水车间调度问题以及干扰为工件到达的流水车间调度干扰管理模型,其经典目标函数为最大完工时间和干扰目标函数为干扰时间差相混合。     

粒子群优化算法综述

粒子群优化（PSO）算法是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO通过粒子追随自己找到的最好解和整个群的最好解来完成优化。该算法简单易实现,可调参数少,已得到广泛研究和应用。详细介绍了PSO的基本原理、各种改进技术及其应用等,并对其未来的研究提出了一些建议。     

Comparison of genetic and binary particle swarm optimization algorithms on system maintenance scheduling using prognostics information

Recent technical advances in condition-based maintenance technology have made it possible to not only diagnose existing failures, but also forecast future failures, which is called prognostics. A common method of maintenance scheduling in condition-based maintenance is to apply thresholds to prognostics information, which is not appropriate for systems consisting of multiple serially connected machinery. Maintenance scheduling is defined as a binary optimization problem and has been solved with a genetic algorithm. In this article, various binary particle swarm optimization methods are analysed and compared with each other and a genetic algorithm on a maintenance-scheduling problem for condition-based maintenance systems using prognostics information. The trade-off between maintenance and failure is quantified as the risk to be minimized. The forecasted failure probability of serially connected machinery is utilized in the analysis of the whole system. In addition to the comparison of a genetic algorithm and binary particle swarm optimization methods, a new binary particle swarm optimization that combines the good sides of two binary particle swarm optimizations is presented.     

基于蚁群算法的试验流程优化研究

水中兵器的海上试验涉及许多人员、兵力、被试产品、测量设备等，试验周期长、消耗大，因此如何缩短试验周期是亟待研究解决的问题．文中首先将试验流程优化问题转化为车间调度问题，建立了相应的数学模型，再应用蚁群算法转移规则得到中间结果并进行排队以对各种资源约束进行处理．最后将结果利用局部搜索算法优化后作为蚁群算法信息素更新的基础．实例计算结果表明，该方法优化效果良好．     

基于混沌粒子群的资源受限项目调度问题

鉴于基本粒子群算法易陷入局部最优,提出一种将混沌算法嵌入基本粒子群的混沌粒子群算法,并将其用于求解典型的资源受限项目调度问题。采用基于优先值的粒子编码方式和串行调度方案,分别用基本粒子群算法和混沌粒子群算法对实例求解。并且比较了2种算法求解多资源受限项目调度问题的性能。结果表明:混沌粒子群算法在距最优值的平均偏差和达到最优值的次数百分比等性能上要优于基本的粒子群算法,并且混沌粒子群具有更好的收敛性。但是,混沌粒子群算法在计算达到最优工期的平均时间上略比基本粒子群算法逊色。