利用量子粒子群算法求解单级多资源约束生产批量计划问题

针对单级多资源约束生产批量计划问题,提出了基于量子粒子群算法求解该问题的方法。此算法将量子强大的领域搜索能力和基本粒子群算法(PSO)通过跟踪极值更新粒子的功能结合,能够改善粒子群算法后期搜索速度慢的问题。通过对其他文献的实例进行计算与比较,结果表明,在求解单级多资源约束生产批量计划问题时,量子粒子群算法(QP-SO)要优于退火惩罚混合遗传算法和传统的遗传算法。     

置换流水车间调度的文化量子粒子群算法

针对量子粒子群算法在求解置换流水车间调度问题时容易早熟,提出用文化量子粒子群算法求解置换流水车间调度问题.该算法的主群体空间采用量子粒子群算法,知识空间采用遗传算法.通过影响操作和接受操作,知识空间定期将自己的精英个体贡献给主群体空间,主群体空间也定期将自己的精英个体贡献给知识空间.最后将该算法应用到具体问题的求解,用MATLAB编程仿真测试,仿真结果表明,该算法收敛速度快,且具有较高的求解质量,而且其搜索性能优于一般的量子粒子群算法.     

基于量子粒子群算法的制造网格资源调度问题研究

对制造网格资源调度问题进行研究,提出了一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法一量子粒子群算法来实现对该问题的求解。该算法采用整数编码方式,将网格资源调度问题转化成准连续优化问题,并采用加权目标组合的方式处理多目标条件。最后通过具体实例,对该算法进行了仿真验证,结果表明,在求解制造网格资源调度这类NP—Hard问题时,量子粒子群算法能获得比遗传算法更优的求解效果。     

粒子群优化算法及其在结构优化设计中的应用

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方向的影响。将粒子群优化算 法与遗传算法在优化过程和搜索技术方面进行了对比。利用粒子群优化算法与遗传算法分别对测试函数和桁架结 构优化设计问题进行求解,将两种算法的计算结果进行了对比。计算结果表明在满足相同的计算精度的前提下,粒 子群优化算法的效率更高,利用粒子群优化算法可求解机翼结构优化设计问题,因此,粒子群算法是一种有效的优 化方法,适用于大型复杂结构优化设计。     

基于协同量子粒子群的自动配煤系统优化

提出了一种基于量子粒子群算法的自动配煤优化方法,该方法首先对量子粒子群进行了改进,引入协同与学习策略提高了算法的搜索性能。在对自动配煤系统数学建模时,采用加权法将其由多目标优化问题转化为单目标优化问题,再通过协同量子粒子群优化求解。实验结果表明在对自动配煤系统的优化中,协同量子粒子群具有更优秀的搜索能力,能够快速、可靠、有效地获得最优解。     

求解生产批量计划问题的改进量子进化算法

针对遗传算法和粒子群算法在求解生产批量计划问题中易陷入局部最优解的问题,提出了改进的量子进化算法.对各周期项目计划产量的决策变量进行基于概率幅的量子比特个体编码,在迭代求解的过程中通过约束违反度比较个体的支配关系,有效指导种群向合理解进化,并根据当前迭代次数动态调整旋转角机制控制基因位的坍塌速度,在进化后期尽量保留最优个体的基因信息以提高算法的收敛速度和求解精度.实验结果表明了该算法的有效性.     

半导体制造批量计划调度问题的量子粒子群算法研究

对半导体制造批量计划调度问题进行研究,提出了一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法一量子粒子群算法来实现对该问题的求解.该算法采用0-1编码方式,来实现对lot的分批和分配,并以最小完工时间为目标函数值进行寻优.最后通过具体算例,对该算法进行了仿真验证,结果表明,在求解半导体制造批量计划调度问题时,量子粒子群算法要优于二级蚂蚁算法、DSH算法,从而验证了该算法的可行性和有效性.     

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。     

离散粒子群优化算法求解矩形件排样问题

提出了一种基于离散粒子群优化算法求解矩形件排样问题的方法.文中介绍了基本粒子群优化的搜索策略与基本算法,用置换子和置换序列构造一种离散粒子群优化矩形件排样算法,通过实例和遗传算法相比较,实验结果表明该算法是有效的.     

求解第Ⅰ类装配线平衡问题的离散粒子群优化算法

为求解具有NP难性质的第Ⅰ类装配线平衡问题,提出一类离散粒子群优化算法。该算法中所发展的排列数编码方法使得粒子解码后总满足装配作业间先后关系约束。针对排列数编码特点,提出一种基于位置交叉算子的粒子位置更新机制,确保了更新后粒子仍为排列数。为增强该算法的全局寻优能力,将简化变邻域搜索算法嵌入该算法中,对群体最佳粒子的邻域进行局部搜索,从而构建一种混合粒子群优化算法。通过将该算法和混合粒子群优化算法用于一系列测试算例并与遗传算法结果比较,验证了算法的有效性。计算结果对比表明,离散粒子群算法引入简化变邻域搜索可明显增强全局寻优能力,就综合解的质量和计算效率而言,混合粒子群优化算法优于现有遗传算法。     

基于群智能算法的设备布局离散优化研究

针对单向环形设备布局设计问题,建立了新的数学模型.利用多维实数编码及映射方法,将连续粒子群优化算法应用于求解设备单向环形布局问题,提供了求解离散优化问题的新思路.利用遗传算法中的杂交策略扩展了粒子群优化算法,提高了粒子群优化算法性能.建立了问题的图结构描述,以引入蚁群系统算法搜索优化解.给出了两种方法的求解步骤.通过实例计算和结果比较,说明该算法能有效地解决此类离散优化问题,降低成本,提高效率,所得解质量较高,有很好的实用价值.     

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.     

改进的粒子群优化算法及其工程应用

针对单目标粒子群优化算法局部搜索能力差,不能有效求解高维、复杂工程问题等缺点,提出了一种改进的粒子群优化算法,即单纯形粒子群优化方法的混合算法(SM PSO)。该混合算法,在继承粒子群优化算法原有优点的同时,不但可减少计算规模,且有效地增强了粒子群优化算法的局部搜索能力,提高了算法的鲁棒性能。文中采用30维经典测试函数及齿轮减速器优化问题作为算例,验证了该算法的优越性能。     

基于混合群智能优化的机器人立体视觉标定

准确的立体视觉模型是机器人高精密视觉定位的基础,而传统的单一非线性优化算法难以实现稳定和高精度的机器人立体视觉标定。结合遗传算法全局搜索能力强和粒子群算法局部搜索能力强的特点,提出了一种基于混合群智能优化的机器人立体视觉三步标定方法。针对非线性视觉模型,标定第一步和第二步分别对两个摄像机模型单独作线性初值求解和初次非线性优化,第三步对双目立体视觉模型作联合非线性优化,直接线性变换、遗传算法、粒子群算法分别作用于标定的三个步骤,每一步计算的结果被用作下一步的初始化。仿真试验分析与实际试验结果表明,相对于传统的优化标定方法和使用单一群智能优化算法的标定方法,该方法在噪声环境下具有更高的准确性和鲁棒性,能够更好满足机器人精密视觉操作的需求。     

A particle swarm optimization approach to optimize component placement in printed circuit board assembly

The particle swarm optimization (PSO) approach has been successfully applied in continuous problems in practice. However, its application on the combinatorial search space is relatively new. The component assignment/sequencing problem in printed circuit board (PCB) has been verified as NP-hard (non-deterministic polynomial time). This paper presents an adaptive particle swarm optimization (APSO) approach to optimize the sequence of component placements on a PCB and the assignment of component types to feeders simultaneously for a pick-and-place machine with multiple heads. The objective of the problem is to minimize the total traveling distance (the traveling time) and the total change time of head nozzle. The APSO proposed in the paper incorporates three heuristics, namely, head assignment algorithm, reel grouping optimization and adaptive particle swarm optimization. Compared with the results obtained by other research, the performance of APSO is not worse than the performance of genetic algorithms (GA) in terms of the distance traveled by the placement head.     

半导体炉管区批调度问题的粒子群优化算法研究

为改善粒子群算法对大规模问题求解的性能,提出了一种基于文化进化的并行粒子群算法,详细阐述了该算法的原理和具体实施方案.针对半导体炉管区批调度问题,设计了双层粒子群算法,外层应用基于文化进化的并行粒子群算法进行批量计划问题的求解,内层采用传统的粒子群算法求解调度问题.通过对其他文献中的仿真实例进行计算和结果比较表明,该算法优于文献中的启发式算法和蚂蚁算法.     

设备布局离散优化问题的粒子群算法研究

设备布局设计是制造系统设计的重要组成部分，设备布局是否合理对整个制造系统的总体功效起着非常重要的影响。粒子群优化算法（PSO）是一种新的群智能优化算法，常用于求解连续空间极值问题，近来正逐渐进入组合优化领域。利用多雏实数编码及映射方法将连续PSO算法应用于求解设备环形布局问题，为此类离散优化问题的求解提供了一种新的思路。利用GA中的杂交策略扩展PSO算法，提高了PSO算法性能。通过实例计算和结果比较，说明了该算法能有效地求得设备环形布局问题的优化解，是一种行之有效地算法，有很好的实用价值。     

基于改进微粒群算法的起重机主梁优化设计

现阶段起重机金属结构的优化设计一般都采用传统的优化算法,但传统算法普遍存在或对目标函数有解析性要求、或易陷入局部最优、或耗时较长的问题.微粒群优化算法是一种基于群体智能的新型优化算法,它可调参数少、对解析性无要求,已成功应用于多种领域.将微粒群算法应用于起重机主梁的优化中,经实例验证,在保证优化性能的前提下,基于微粒群算法的设计方法与网格算法相比,优化速度显著提升.     

基于模拟退火遗传算法的PID控制器参数优化

针对遗传算法存在容易早熟的不足,将模拟退火算法融合到遗传算法中,建立了模拟退火遗传算法,并将其应用于PID控制器的参数优化.结果表明,将模拟退火算法融合到遗传算法中是有效的,基于模拟退火遗传算法的PID控制器参数优化是可行的.     

粒子群算法在多模式项目作业调度中的应用

采用混沌粒子群算法解决多执行模式资源受限项目调度问题(MRCPSP),先生成第一代执行模式链表,然后定义由工序随机生成的一组数为优先规则链表,由逆向迭代的串行进度生成机制形成最优解,结合混沌理论,在粒子群算法的基础上,更新粒子。并运用遗传的思想生成新子代的方式更新执行模式链表,计算并保留最优调度的模式。对库里的算例进行验算,结果证明了这种方法是有效的。