混合遗传算法在离散变量结构优化中的应用

针对遗传算法在离散变量结构优化设计中的缺陷,将进退搜索算法同遗传算法相结合,提出了一种混合遗传算法。建立了离散变量结构优化模型,并对一11杆桁架结构进行了优化设计。算例结果表明,混合遗传算法收敛快、精度高,应用于离散变量结构优化设计是有效的。     

启发式粒子群优化算法及其在空间结构优化中的应用

介绍了应用于结构离散变量的标准粒子群优化算法(PSO)及被动群集的粒子群优化算法(PSOPC),指出了两者在处理约束条件方面的不足之处.在基于“和谐搜索“算法(Harmony Search)产生新解的思想基础上,提出了应用于结构离散变量的启发式粒子群优化算法(HPSO).应用所提出的HPSO算法对多个平面及空间桁架结构进行了截面优化设计,数值计算结果表明本文提出的启发式粒子群优化算法(HPSO)可以搜索到最优解,并且具有较高的收敛速度,尤其在迭代计算的初期,计算效率非常明显.HPSO算法明显提高了PSO算法的效率.     

浅谈离散变量改进算法的结构优化设计

阐述了结构优化设计的历史背景和离散变量结构优化设计的研究现状,在连续变量算法的基础上,得出适合离散变量的数值计算方法,实践证明该算法的可行性。     

遗传算法在结构离散变量优化中的应用

利用遗传算法的基本原理,提出了结构离散变量优化设计的全局算法。该方法模拟生物遗传进化的过程进行优化求解,解决了离散变量的优化问题,对于多峰值函数、不可导的函数能以较大的概率求得全局最优解。通过实例证明了该方法的有效性。     

粒子群优化算法在结构参数识别中的应用

利用PSO算法将系统识别问题转化为高维多模优化问题,进行结构参数识别的研究。PSO算法是一种新颖的随机搜索进化算法,通过采取全局优化的策略确保算法得到优化问题的最优解。在输入输出数据不完备且含真实的噪声污染,以及系统质量、刚度等先验信息又缺乏的情况下,利用将基于该算法的识别方法应用于一个真实结构,验证基于PSO算法的识别方法在真实结构系统识别中的有效性。     

改进的粒子群优化算法在结构优化中的应用

结构优化设计对于实际工程具有重要的意义。本文通过对标准的粒子群优化算法进行分析,将惯性权重系数引入到原算法中,并建立了相应的优化模型。介绍了改进的粒子群算法的基本思想、结构优化模型及其实施的具体步骤,最后通过算例及与标准PSO优化算法的比较,验证了改进后的方法的效率和有效性。结果表明该方法提高了优化性能,具有很好的应用前景。     

粒子群优化算法在桁架优化设计中的应用

粒子群优化（PSO）算法是近年来发展起来的一种基于群智能的随机优化算法,具有概念简单、易于实现、占用资源低等优点。为了解决有应力约束和位移约束的桁架的尺寸优化问题,将PSO算法应用于桁架结构的尺寸优化设计。首先介绍了原始的PSO算法的基本原理,然后引入压缩因子改进了PSO算法,并提出合理的参数设置值。对几个经典问题进行了求解,并与传统的优化算法和遗传算法进行了比较。数值结果表明,改进的PSO算法具有良好的收敛性和稳定性,可以有效地进行桁架结构的尺寸优化设计。     

改进粒子群算法在电力系统无功优化中的应用

为研究解决电网无功优化问题的可行算法[1],对粒子群算法进行探讨和改进,引入共轭梯度法,克服标准粒子群算法容易进入局部收敛、收敛精度不高等缺点[2]。改进的粒子群算法寻优质量高,收敛速度快,节点电压满足系统运行要求,系统网损较小,是解决电力系统无功优化的高效可行算法。     

粒子群-鱼群混合算法在桁架结构优化设计中的应用

群智能算法由于其优异的搜索性能被广泛应用于结构优化设计,人工鱼群算法和粒子群算法都是基于动物群体行为的智能优化随机算法.本文介绍了人工鱼群算法和粒子群算法的基本原理,并提出了粒子群和鱼群杂交混合的一种新方法:粒子群-鱼群混合算法,将粒子群-鱼群混合算法应用到四个桁架结构的重量优化设计,包括平面桁架结构和空间桁架结构,通过比较粒子群-鱼群混合算法、人工鱼群算法、粒子群算法的优化结果,发现改进的粒子群-鱼群混合算法具有收敛精度高、收敛速度快等特点,同时具有较好的稳定性,可用于结构优化设计.     

粒子群算法及其优化方案

粒子群算法作为一种智能优化算法,由于其实现简单,易于与其他方法结合,在现实应用中逐渐显示出强大的优势。本文首先介绍了基本的粒子群算法,分析了粒子群算法的优化方面,并且对不同的优化方面进行详细分析。     

基于粒子群优化算法(PSO)的张弦桁架结构优化设计

本文采用Matlab语言编制了张弦桁架结构通用的有限元模型分析程序。通过此程序,可以快捷地得到不同几何参数的张弦桁架结构模型,并能进行杆件内力分析,分别采用SAP2000和ANSYS分析软件对其计算结果进行了验证,结果表明三者的计算结果一致。在此基础上,采用Matlab语言编制了粒子群算法优化程序,对某实际张弦桁架结构采用本文优化方法进行了优化设计,优化结果表明本文提出的优化方法具有较高的精度和较好的收敛性。最后对不同跨度的张弦桁架结构模型进行了截面优化设计,为初步设计提供了参考。     

基于粒子群优化算法的热网优化设计

基于粒子群优化算法,以热网年折算费为目标函数,在水力约束条件下求解优化的管径.结合算例,验证了粒子群优化算法的可行性和有效性,取得了良好的效果.     

多目标组合箱梁设计的粒子群优化方法

提出了多级搜索技术设计一个优化的组合箱梁飞行转动叶片,搜索技术称之为粒子群优化(受到鸟群飞行的启发),将连续的几何参数(断面尺寸)和箱梁离散折角作为设计变量,使之达到指定刚度和最大弹性连接的设计目标。目前组合箱梁的最大弹性连接增加了直升机转动叶片的气体弹性稳定性。多目标设计可明确表达为组合优化问题,采用粒子群优化技术求解,得到组合箱梁设计的最佳几何夹角为10°、15°和45°。对粒子群优化方法的性质和计算效率与各种设计方法进行了比较。模拟结果清楚显示,在性能和计算时间方面,粒子群优化方法比其他方法优越。     

改进的多目标启发式粒子群算法及其在桁架结构设计中的应用

针对工程结构多目标优化设计中出现的约束条件处理能力差、编程复杂,计算效率低且收敛精度差等问题,对启发式粒子群算法(HPSO)进行改进,提出了多目标启发式粒子群算法(MOHPSO),并与多目标粒子群算法(MOPSO)和改进的多目标群搜索算法(IMGSO)进行比较。通过对15杆平面桁架、40杆平面桁架和72杆空间桁架3个经典算例的计算,证明了所提出的MOHPSO算法的有效性。结果表明:MOHPSO算法具有收敛精度高、约束处理能力强、全局最优解选取更合理、非劣解集维护效率高等特点。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种改进型粒子群(Improved Particle Swarm Optimizer,IPSO)算法,可以优化BP(Back Propagation)神经网络,并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明:该研究方法能够在预测精度和稳定性方面明显优于传统的PSO-BP神经网络优化证券投资组合方法。     

一种基于翻转角度的二进制粒子群优化算法

为了提高二进制粒子群优化的收敛速度和收敛效果,提出一种新的改进二进制粒子群优化算法,该算法利用翻转角度作为进化条件,利用局部翻转因子和全局翻转因子来决定粒子群的收敛速度。实验证明,该方法具有更快的收敛速度和更佳收敛值。     

基于微粒群算法的污水管网优化设计

针对遗传算法存在的问题，提出一种利用微粒群算法（PSO）优化污水管网的模型，并阐述了应用微粒群算法进行污水管网优化设计的原理、特点。在南京市某地区的污水系统设计中采用了该算法，取得了良好的社会效益和经济效益。     

全局最优位置变异粒子群优化算法

针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.     

基于粒子群算法的工程项目多目标优化问题研究

为了更有效地解决工程项目的工期—成本—质量优化问题,从施工单位的角度出发,基于工期、质量、成本间的对立统一关系,以双代号网络图中每项工作的持续时间为自变量,建立工期—成本—质量优化模型,采用标准粒子群算法来优化求解。为了消除量纲对评价标准的影响,对 3 个目标适应值采取了标准化的处理方法。利用 Matlab 软件,对一个工程案例进行多目标优化,通过与蒙特卡罗方法进行对比,分析了粒子群算法的计算效率,优化结果验证了粒子群算法求解工程项目多目标优化模型的可行性和适用性。