基于嵌套分区算法框架的清洗——炉管区批调度

针对半导体生产线清洗--炉管区存在的Lot动态达到的并行批处理机优化调度问题,提出了嵌套分区差分进化算法,该算法充分利用嵌套分区算法的全局并行搜索的优势和差分进化算法较强的局部寻优能力.差分进化算法用来优化嵌套分区框架各可行域中抽样得剑的样本群,使嵌套分区在选区阶段能更精确跟踪最有希望域,减少算法的回溯过程.通过仿真模型和实际生产线数据对该调度方案进行了比较验证,结果表明,所提箅法较其他启发式算法能更有效降低总加权拖期交货损失.     

用改进的Paik型Boltzmann机实现图像复原

为解决传统的Boltzmann机方法不仅容易陷入局部最小点,而且收敛速度慢问题,对传统的Boltzmann机进行了改进.将Paik′s算法与Boltzmann机结合,使串行模式推广到并行模式以加快收敛速度;使用亚单位步长增进技术增加计算精度;最后,为折中收敛速度与收敛精度这一对矛盾,采用了自适应步长策略.对算法的改进进行了理论验证、收敛性分析并对残差变化进行了讨论.实验表明,该方法能够收敛到全局最优, 复原结果的峰值信噪比比改进的Boltzmann机法获得的峰值信噪比高0.5～0.8 dB, 且收敛速度仅为该方法的1/3,证明了本文提出的改进的Paik型Boltzmann机对图像复原是有效的.     

基于粒子群算法的装配公差优化分配

装配公差分配是产品公差设计的重要组成部分.目前装配公差优化分配主要使用遗传算法.为了提高收敛速度,避免早熟收敛,提出了基于粒子群算法的装配公差优化分配方法.采用了基于实数的编码表示方法,以装配公差分配的优化目标函数作为评价函数,利用罚常数将约束条件并入评价函数中.一个实例的优化结果表明所提方法的收敛性、稳定性和算法效率均优于基于遗传算法的方法.     

一种求解不确定作业车间调度问题的随机仿真优化方法

针对以工件提前/拖期惩罚成本期望值最小化为目标函数、且工序加工时间不确定条件下的作业车间调度问题,将宽度-深度(BD)仿真量全局优化分配机制嵌入至进化序优化(ESOO)算法框架的粗糙仿真评估阶段。宽度仿真量分配用以调整样本数量,并利用进化算法进行调度解的样本取样和迭代优化;而深度仿真量分配则是利用最优计算量分配技术,依据当前种群中个体的均值和方差进行仿真量的自适应分配。最后通过标准调度测试算例验证了ESOO-BD随机仿真优化方法的可行性和有效性。     

解水资源分配问题的离子群算法

本研究针对以往在水资源分配中存在的问题,将离子群优化算法应用于解水资源分配问题。该方法计算简单,能解决在复杂空间中快速搜索最优解的问题。最后分析了粒子群算法的全局收敛性。     

基于小生境技术的改进鲸鱼优化算法北大核心CSCD

针对标准鲸鱼优化算法全局搜索能力不足、收敛速度慢等问题,采用小生境技术和引入自适应权重对鲸鱼优化算法进行改进。首先,引入小生境技术中的竞争选择策略,通过比较距离添加共享函数计算适应度来提高鲸鱼算法的寻优能力,避免WOA算法陷入局部最优,解决算法早熟现象;其次,采用自适应参数作为位置权重调整鲸鱼算法的位置公式,提高算法的收敛速度和寻优精度。将该算法引入单峰和多峰模态基准测试函数中,仿真实验表明,在保证算法收敛速度的同时,所提出的改进鲸鱼优化算法有效地提高了搜索能力和寻优精度。     

基于免疫思维进化算法的机组负荷优化分配

将免疫思维进化算法应用于火电厂机组负荷优化分配中,详细介绍和研究了该算法在负荷优化分配问题上的实现过程。仿真实例表明：该算法收敛性好,收敛速度快,能够有效地达到或接近最优解,从而为火电厂机组负荷优化分配的求解提供了新的有效算法。     

基于Kriging函数的序贯近似建模方法

多学科设计优化过程中需要多次调用高精度学科分析模型,从而造成计算复杂性问题.为解决上述计算复杂性问题,首先提出基于最优LHD的逆序贯试验设计方法,在此基础上结合模型验证,建立了基于Kriging函数的序贯近似建模方法,提出了序贯近似建模收敛准则,通过权衡训练样本数据数量和近似精度,得到精度与效率折衷的近似模型.数学算例证明了该方法的有效性.     

基于等位基因的实数编码量子进化算法

为改善量子进化算法的早熟问题,提高算法搜索精度和收敛速度,提出了一种基于等位基因的实数编码量子进化算法。该算法以概率叠加的方式将实数变量按照等位基因进行编码,采用混合更新策略根据基因的"相对优良性"对等位基因进行变尺度变异,在全局搜索与局部搜索平衡的前提下提高搜索速度,之后引入Hε门更新等位基因对应的概率幅度。最后利用Markov链证明了其全局收敛性。数值算例将所提及算法与量子进化算法和基于双链编码的量子遗传算法进行比较,验证了算法的收敛速度和求解精度,并将该算法应用于纺织浆纱工艺参数的优化问题,获得了良好的优化效果。     

基于分式函数的新变步长LMS算法

为了解决传统LMS算法在稳态误差和收敛速度之间的矛盾,提出了一种基于分式函数的新型变步长LMS算法(简称VXLMS算法)。因为新型变步长函数不包含指数运算,所以降低了运算量,加快了算法的收敛速度,同时也提高了数据跳变时的跟踪性能。在VXLMS算法收敛的条件下,通过理论推导确定了该变步长函数的参数取值范围,然后通过取不同参数值分析对算法性能的影响,选出最优参数值进行仿真分析。仿真结果表明:相同仿真条件下提出的VXLMS算法相对于VSSLMS算法和SVSLMS算法稳态误差更低、收敛速度更快,即说明提出的小计算量新变步长函数,通过调整步长因子使权向量快速达到最优,进而使VXLMS算法具有更好的收敛性、稳定性以及鲁棒性。     

Genetic ordinal optimisation for stochastic flow shop scheduling

Stochastic flow shop scheduling is a typical and widely studied NP-hard stochastic optimisation problem with strong industrial roots. However, due to inaccurate estimation of objective values, NP-hardness and a limited computing budget, it is generally hard to solve such stochastic optimisation problems effectively and efficiently. Based on the idea of order comparison and goal softening, ordinal optimisation (OO) has been widely applied for stochastic optimisation. In this paper, OO and optimal computing budget allocation (OCBA) as well as a genetic algorithm (GA) are reasonably hybridised to propose an effective genetic ordinal optimisation (GOO) approach for flow shop scheduling with stochastic processing times. In GOO, limited computing effort can be intelligently allocated by OCBA to provide reliable and robust evaluation and identification of good solutions in a population, and the solution space can be well explored by an order-based evolutionary genetic search with the good solutions identified by OCBA. Simulation results based on benchmarks demonstrate the effectiveness of the GOO by comparison with traditional methods. Moreover, the effects of some parameters on the optimisation performance are discussed.     

新的求解钻削路径优化问题算法研究

将粒子群优化算法应用到离散空间的群孔钻削路径优化之中。由于基本粒子群算法不能保证全局或局部收敛,在算法数学模型的基础上,引入重新生成停止进化微粒的方式对算法加以改进,使改进的算法具有全局收敛能力。通过建立序交换元和序交换集对算法的操作算子进行改进,满足钻削路径优化问题中整数编码的需要。实验表明,新的算法具有实现简单,收敛速度快,能够实现全局收敛的优点。     

采用自适应变异粒子群优化SVM的行为识别

为了提高对视频序列中人体行为的识别能力,建立了基于局部特征的动作识别框架。通过时空特征提取及编码和SVM分类器参数优化两部分对该框架所涉及算法进行了研究。首先,采用Harris3D检测器获取时空兴趣点(STIP),以方向梯度直方图(HOG)和光流方向直方图(HOF)对STIP进行描述,并引入Fisher向量实现对特征描述子的编码;由于固定参数下SVM动作分类模型存在泛化能力不足的问题,将粒子群算法应用于各动作分类器参数寻优过程中,针对种群多样性逐代变化的特点,构建粒子聚集度模型,并利用其动态调节各代粒子的变异概率;最后,利用KTH和HMDB51数据集对所提方法进行验证。结果表明,所提自适应变异粒子群算法(AMPSO)能够有效避免种群陷入局部最优,具备较强的全局寻优能力;在KTH和HMDB51数据集上的识别准确率分别为87.50%和26.41%,优于其余2种识别方法。实验证明,AMPSO算法收敛性能良好且整体识别框架具有较高的实用性和准确性。     

Determining optimal combination of genetic operators for flow shop scheduling

Genetic algorithms (GAs) have gained wide research and applications in production scheduling fields, but the efficiency and effectiveness of a GA significantly depend on its parameters and operators. In contrast to the rich research on determination of optimal and adaptive parameters, little research has been done on determining optimal combination of genetic operators. Different from the traditional way by trial and error, this paper presents a novel and systematical approach based on ordinal optimisation (OO) and optimal computing budget allocation (OCBA) technique to determine optimal combination of genetic operators for flow shop scheduling problems. Simulation results show that the proposed methodology is able to determine optimal combination of genetic operators and simultaneously to provide a good solution with reasonable performance evaluation for scheduling problem.     

A unified localization approach for machining allowance optimization of complex curved surfaces

The goal of workpiece localization is of interest to find the optimal Euclidean transformation that aligns the sampled points to the nominal CAD model to ensure sufficient stock allowance during the machining process. In this paper, a unified localization technique is developed for sculptured surface machining. This technique concerns an alignment process to satisfy a user-defined set of constraints for some specific surfaces where the machining allowance is preferentially guaranteed. The mathematical model of the constrained optimization alignment is firstly established, and is efficiently solved by a combination of the multipliers method and the BFGS algorithm to handle the large number of constraints in allowance optimization. To efficiently calculate the Euclidean oriented distance, a novel approach, which combines the robust arithmetic for multivariate Bernstein-form polynomials and Bezier surface segmentation algorithm, is presented based on recursive quadtree decomposition. Two typical sculptured surfaces are used to test the developed algorithm and comparisons between the proposed algorithm and the existing algorithms are given. Experiment results show that the proposed method is appropriate and feasible to distribute the stock allowance for proper sculptured surface machining.     

基于混沌优化的多层前馈神经网络

BP算法是应用广泛的一种多层前馈神经网络模型,针对算法求解精度低、搜索速度慢、易于陷入局部极值点等问题,根据混沌理论的全局优化思想,提出采用"多次载波"技术将混沌优化和前馈神经网络相结合,利用已找到的近似最优解来启发搜索全局最优解的方法训练神经网络,以布尔函数识别、曲线逼近、模式识别3个典型应用对算法进行验证。研究结果表明,算法具有较好的泛化能力和快速全局收敛的性能,特别是针对中小规模的网络,混沌优化算法在训练时间、全局收敛率等指标方面优于BP算法。     

基于改进粒子群算法的PID参数整定

粒子群算法是一种基于群智能的全局寻优方法,方法简单,易于实现,寻优效果好。PID控制因其算法简单、鲁棒性好、可靠性高而被广泛应用于工业控制过程。该文提出了一种改进的PSO算法以提高其优化性能,通过典型测试函数的实验证明了该改进的PSO算法具有较好的优化性能。最后,将改进后的PSO算法应用到PID参数整定中,通过MATLAB仿真证明了该方法的可行性和优越性。     

用于通用ATE开关资源测试路径优化的算法

文章在分析和比较目前常用的几种路径优化算法的基础上,尝试将蚂蚁算法用于通用ATE开关资源测试中测试路径的优化。通过将蚂蚁算法信息素的引入,使得蚂蚁算法能够以较稳定的速度逼近最优解,而且收敛速度较快,从而说明将蚂蚁算法用于解决测试路径优化问题的有效性。     

可重构装配线多目标优化调度研究

针对可重构装配线调度存在的问题,综合考虑影响可重构装配线调度的三个主要因素,即最小化空闲和未完工作业量、均衡零部件的使用速率、最小化装配线重构成本,建立了可重构装配线多目标优化调度的数学模型。提出了一种基于Pareto多目标遗传算法的可重构装配线优化调度方法,该算法综合运用了群体排序技术、小生境技术、Pareto解集过滤及精英保留策略,并采用了交叉概率和变异概率的自适应重构策略。实例仿真表明该算法具有比其他遗传算法更高的求解质量。

     

面向客户定制产品开发的多目标优化算法设计

对多目标优化进化算法进行研究,设计了基于客户需求信息的产品多目标优化算法。针对进化算法优化效率低的缺点,提出了目标侧重度概念,使进化算法有选择地收敛,提高了算法的优化效率;针对进化算法容易陷入局部最优和解分布不均匀的缺点,提出了目标间距概念,避免算法在收敛过程中早熟,保证了最优解的多样性,降低了客户的选择压力。在MATLAB 7.0平台上对改进算法进行仿真实验,并与NSGA-2和SPEA-2两种进化算法进行对比分析,验证了改进算法的可行性、可靠性与优越性。