集装箱正面吊变幅机构的铰点位置优化

集装箱正面吊变幅机构是正面吊大臂举升机构的核心,其变幅铰点位置的确定直接影响到整机的性能。通过对变幅机构受力特性的分析,以变幅油缸最大负载最小及变幅液压系统液压冲击最小为优化目标,建立变幅机构三铰点数学模型,采用分层排序法处理多目标问题的优化,利用Matlab粒子群算法对变幅铰点位置进行优化,结果表明优化后的铰点位置提高了正面吊整机性能,为变幅机构参数设计和改善提供了重要依据。     

基于量子粒子群优化算法的斜齿轮设计

粒子群优化算法是一种基于群智能的优化方法,量子粒子群优化算法是基于PSO进行改进的算法,规则简单、收敛速度快、易于编程实现。对于多约束条件的斜齿轮传动的优化设计,笔者提出了一种基于量子粒子群优化算法优化求解的方法,实践表明能够快速、有效求得优化解,是求解齿轮优化设计问题的一个较好方案。     

基于粒子群算法的齿轮连杆机构优化设计

粒子群算法是一种智能算法,规则简单,容易实现且求解效率较高,很适用于求解机构优化设计问题.实践表明,应用粒子群算法能实现齿轮连杆机构的优化设计,并取得了很好的效果.     

基于粒子群算法的并联机构结构参数优化设计

介绍了粒子群优化算法的原理和实现方法，分析了该算法的主要参数对搜索性能的影响，井把粒子群算法用于六自由度的并联机构的参数优化设计中，取得了较好的效果，试验证明，粒子群算法是一种有效的优化方法，适用于大型复杂结构的优化设计。     

基于群体智能的农产品供应链网络多目标优化设计

针对产出单一产品的多级农产品供应链网络优化设计问题,同时考虑最小化总成本和最大化客户需求满足率两个目标,建立了集成生产设施选址、产能决策和物流网络运输模式选择的农产品供应链网络优化设计的多目标混合整数规划数学模型。基于一种新型的改进二元粒子群算法并融合拥挤距离计算和外部Pareto档案构建等技术,提出一种Pareto多目标粒子群优化算法求解农产品供应链网络设计问题。通过将该算法与基础二元粒子群优化扩展而来的多目标粒子群优化,以及非支配排序遗传算法应用于三个案例的计算对比,验证了算法的有效性和优越性。     

曲臂式高空作业平台三铰点位置优化

以某型曲臂式高空平台为例,以多目标优化理论为基础理论,建立了曲臂式高空作业平台变幅机构三铰点优化设计问题的数学模型,运用MATLAB优化工具箱对其进行优化,并提出了计算及优化曲臂式变幅机构受力的方法,为机构铰点布置与结构设计提供了重要依据,具有较大的工程应用意义。     

多目标决策及其在起重机变幅机构优化中的应用

运筹学中的多目标决策方法可以应用于机械设备的多目标优化设计。交互式多目标决策方法的特点在于能根据决策者的要求,随时修改评价函数,使优化结果不断接近决策者的要求。文章以起重机变幅机构三铰点优化设计为例证明其优越性。     

基于QPSO的重载齿轮多目标优化设计

粒子群优化算法(PSO)是一种基于群智能的优化方法,量子粒子群优化算法(QPSO)是基于PSO进行改进的算法,规则简单、收敛速度快、易于编程实现。对于多目标、多约束条件的重载齿轮的优化设计,本文提出了一种基于QPSO优化求解的设计方法;实践表明能够快速、有效求得优化解,是求解重载齿轮优化设计问题的一个较好方案。     

基于多目标优化策略的螺旋弹簧可靠性稳健优化设计

应用可靠性稳健优化设计理论和多目标决策方法,将车辆螺旋弹簧的可靠性稳健优化设计转化为多目标问题.运用层次分析法选取粒子群算法中的全局极值和个体极值,提出基于层次分析法的多目标粒子群算法,并将该算法应用于可靠性稳健优化设计的多目标模型求解中.与传统方法相比,该方法简便、易行,并能迅速准确地得到车辆螺旋弹簧的可靠性稳健优化设计信息.     

基于模拟退火粒子群算法的圆柱齿轮减速器的可靠性优化

模拟退火粒子群算法将模拟退火思想引入具有杂交和高斯变异的粒子群算法中,是一种简单快速的随机全局优化算法。将模拟退火粒子群算法与可靠性优化设计理论相结合,建立了最大化减速器传动系统可靠度的优化模型,提出了基于模拟退火粒子群算法的圆柱齿轮减速器可靠性优化方法。利用该优化方法进行一圆柱齿轮减速器的优化设计,其优化结果明显优于基本粒子群算法、混合罚函数法和传统设计方法。算例表明,该优化方法具有全局收敛且精度高的优越特性,是一种有效的可靠性优化设计方法,并对其他机械部件可靠性优化具有一定的参考意义。     

基于粒子群算法的涡旋压缩机涡旋盘优化的研究

建立了基于粒子群优化算法的涡旋压缩机动静涡旋盘能效比的数学模型，采用粒子群算法优化涡旋压缩机涡旋盘的结构参数，验证了粒子群算法具有收敛速度快，算法简单易行，不易陷入局部极值等其它算法无法比拟的优点，是一种行之有效地优化方法。     

自适应SA-PSO优化的威布尔混合分布参数估计方法及应用

针对采用传统参数估计方法得到的模型拟合误差较大的问题，建立多重威布尔混合分布参数估计的非线性最小二乘模型，并提出基于模拟退火（SA）思想的自适应粒子群（PSO）算法进行求解。在PSO算法优化过程中，采用自适应方法调整惯性权重和加速因子，加快其收敛速度；引入模拟退火机制，根据Metropolis准则确定最优粒子的取舍，改善其全局搜索能力。将该方法应用到某型柴油机喷油器失效分布的参数估计中，并与图解法、基于Levenberg-Marquardt的非线性最小二乘法、标准PSO算法、自适应PSO算法求解的结果进行比较，分析所提方法的优化性能及精度。结果表明，该方法能够有效提高多重威布尔混合分布模型参数估计的精度和效率。     

改进的粒子群算法在可靠性优化设计中的应用

针对粒子群优化算法在处理约束问题时产生的不可行解,引用基于多级罚函数的约束处理方法。为了改进罚函数粒子群算法易早熟、后期收敛慢、易陷入局部最优解的缺点,提出了动态改变惩罚系数的改进粒子群算法。应用于几个经典的测试函数,都在较少的迭代次数内得到了高精度的优化解,验证了算法的有效性。以某一机械零部件的可靠性优化为例,建立了基于改进粒子群算法的可靠性优化设计模型。结果表明:该方法能快速有效地解决可靠性优化设计问题,计算结果明显优于常规的多级罚函数法。     

混合偏最小二乘回归和粒子群优化直接进给轴加速度饱和性能的优化方法

为了提高直线电机驱动进给轴的驱动性能,对进给轴的加速度饱和性能优化方法进行了研究。分析了直接进给轴驱动过程中加速度饱和性能的影响因素,提出一种混合偏最小二乘回归(PLS）与粒子群优化(PSO）的优化方法。采用正交试验设计方法分配伺服试验参数,利用激光干涉仪测量进给轴的运动时间和速度,从而构建样本库,建立基于PLS的加速度饱和性能模型,采用PSO算法辨识加速度饱和性能优化的伺服参数。搭建了直接进给轴试验平台,进行了200组样本的随机试验。结果表明,混合优化后的伺服参数具有较好的加速度饱和性能,比样本组的平均加速度饱和性能指标高68%。     

Intelligent Optimization Methods for the Design of an Overhead Travelling Crane

In design optimization of crane metal structures, present approaches are based on simple models and mixed variables, which are difficult to use in practice and usually lead to failure of optimized results for rounding variables. Crane metal structure optimal design(CMSOD) belongs to a constrained nonlinear optimization problem with discrete variables. A novel algorithm combining ant colony algorithm with a mutation-based local search(ACAM) is developed and used for a real CMSOD for the first time. In the algorithm model, the encoded mode of continuous array elements is introduced. This not only avoids the need to round optimization design variables during mixed variable optimization, but also facilitates the construction of heuristic information, and the storage and update of the ant colony pheromone. Together with the proposed ACAM, a genetic algorithm(GA) and particle swarm optimization(PSO) are used to optimize the metal structure of a crane. The optimization results show that the convergence speed of ACAM is approximately 20% of that of the GA and around 11% of that of the PSO. The objective function value given by ACAM is 22.23% less than the practical design value, a reduction of 16.42% over the GA and 3.27% over the PSO. The developed ACAM is an effective intelligent method for CMSOD and superior to other methods.     

基于改进粒子群算法的隐式广义预测控制

针对大多数工业系统的控制输入输出都存在约束的情况,提出一种基于改进粒子群算法的隐式广义预测控制算法(IGPC)。粒子群算法(PSO)是一种基于群体的智能优化算法,解决受约束的优化问题具有精度高、收敛速度快等优点;为了避免粒子群算法陷入早熟,提高精度,引入细菌觅食算法中的自适应迁徙机制。在隐式广义预测控制的滚动优化环节引入改进粒子群算法,弥补了传统GPC在处理受约束控制问题上的缺陷。仿真结果表明了该方法的有效性和良好的控制性能。     

An integrated method of particle swarm optimization and differential evolution

Particle swarm optimization (PSO) and differential evolution (DE) have their similarities and compatibility in the design update process, such that a new design vector is determined by using neighborhood designs under algorithm control parameters. The paper deals with an integrated method of a hybrid PSO (HPSO) algorithm combined with DE in order to refine the optimization performance. PSO and DE also possess common characteristics compared with genetic algorithm (GA). The crossover- and mutation-like operators are suggested in the HPSO. A bounce back method is also implemented to prevent the design from locating out of design spaces during the optimization process. For the purpose of further enhancing the search capabilities, such HPSO is combined with the Q-learning that is one of efficient reinforcement learning methods. Using a number of nonlinear multimodal functions and engineering optimization problems, the proposed algorithms of HPSO and HPSO with Q-learning are compared with PSO DE and GA. This paper was recommended for publication in revised form by Associate Editor Tae Hee Lee Jongsoo Lee received a B.S. degree in Mechanical Engineering from Yonsei University in 1988. He then went on to receive his M.S. degree from University of Minnesota in 1992 and Ph.D. degree from Rensselaer Polytechnic Institute in 1996. Dr. Lee is currently a Professor at the School of Mechanical Engineering at Yonsei University in Seoul, Korea. He is currently serving as a committee member of the division of CAE and Applied Mechanics in the Korean Society of Mechanical Engineers. Dr. Lee’s research interests are in the area of engineering design optimization, fluidstructure interactions, and reliability based robust product design.