混沌免疫遗传算法在汽车悬置系统设计中的应用

传统的悬置系统参数优化方法容易使优化结果陷入局部最优,遗传算法因其易于早熟收敛而限制了实际优化效果,为此提出使用混沌免疫遗传算法对汽车动力总成悬置系统参数进行优化设计。优化设计中,以动力总成悬置系统六自由度能量解耦为目标函数,以悬置刚度和安装角度为优化变量,并考虑悬置系统的模态频率匹配、能量解耦率、悬置静态剪切和压缩变形等约束条件。优化结果表明,基于设计的寻优方法,改善动力总成悬置系统与整车匹配程度,提高动力总成悬置系统的隔振性能。     

基于融合禁忌搜索粒子群算法的配电网无功优化

从数学角度分析,配电网无功优化是一个非线性、多变量、多约束的混合规划问题。粒子群优化搜索算法被广泛应用于求解配电网无功优化问题。由于粒子群算法粒子群在进化过程易趋向同一化,失去多样性,从而使算法陷入局部最优解。本文在分析配电网无功优化的特性基础上,提出一种改进的紧融合禁忌搜索-粒子群算法用于配电网无功优化问题的求解。通过将禁忌搜索功能融合到粒子历史最优解和全局最优解寻优过程中,避免了粒子群算法寻优过程中出现的局部最优问题,从而提高粒子群算法的全局搜索能力。通过IEEE14节点系统的仿真计算结果表明,改进的算法能取得良好的效果。     

一种改进的粒子群优化粒子滤波算法

粒子群优化粒子滤波方法容易陷入局部最优,针对这一问题,提出一种改进的粒子群优化粒子滤波算法,该算法对惯性权重和位置更新采用模糊控制,增强粒子全局搜索的能力,防止粒子陷入局部最优,提高估计精度。     

基于改进蝗虫优化算法的光伏电池模型参数辨识

针对蝗虫优化算法容易陷入局部最优、收敛精度不足等缺点,提出一种改进蝗虫优化算法。将混沌算法与蝗虫优化算法融合,对蝗虫优化算法进行混沌初始化,改善初始种群质量;再引入差分进化算法的差分策略,通过变异、交叉和选择过程,维持种群的多样性,增大算法跳出局部最优的可能性,从而使算法能搜索到更好的解;在个体更新部分引入了粒子群算法的思想,以当前的最优个体为目标进行个体位置更新,加快算法寻优速度。将改进蝗虫优化算法用于多晶硅太阳能电池模型参数的辨识中,并通过与其它智能优化算法的比较,验证了改进蝗虫算法辨识太阳能电池参数的有效性和优越性。通过实验验证了改进蝗虫优化算法在不同光照下对太阳能电池参数的辨识效果。     

基于圆周割线改进型粒子群优化算法的叶片临界颤振辨识方法研究

针对风力机叶片在颤振风速下的临界颤振现象,创新性地结合几何圆周割线和传统粒子群优化算法,首次设计了一种圆周割线改进型粒子群优化算法,应用于叶片临界颤振系统的参数辨识。该方法利用圆周上移动点的割线距离来动态调节全局学习因子和局部学习因子,针对优化辨识提高全局搜索和局部搜索的动态平衡性,避免陷入局部最优,提高算法的整体寻优性能和优化效率。仿真试验中,将该方法与多种先进粒子群优化算法(如改进型粒子群优化(MPSO)算法、基于线性递减惯性权重的粒子群优化(LDIW-PSO)算法、基于动态学习因子的免疫粒子群优化(IPSODCLF)算法)的辨识结果相比较,结果表明该辨识方法在辨识精度、计算时间和鲁棒性方面均具有显著的优越性。     

汽车动力总成悬置系统鲁棒优化算法

应用鲁棒优化设计理论,考虑设计变量的不确定性对优化设计结果的影响,建立鲁棒优化模型。以动力总成悬置系统能量解耦为目标,悬置刚度参数为设计变量,考虑设计目标的均值和标准差,建立动力总成悬置系统的鲁棒优化模型。针对粒子群算法求解容易陷入局部最优解的问题,采用混合粒子群算法对动力总成悬置系统的悬置刚度参数进行鲁棒优化,并用Monte Carlo方法进行分析,以考察设计值的变化对目标函数的影响。结果表明,优化方法可以有效提高悬置系统的鲁棒性。     

改进QPSO算法识别结构模态参数

为了进一步增强量子粒子群优化算法的全局寻优能力,提高粒子寻优效率,改善其容易陷入局部最优的缺陷,首先在引入同化和竞争思想的基础上提出一种改进的量子粒子群算法。该改进算法将民族间的同化竞争思想引入粒子寻优过程,以全局最优粒子作为中心粒子,不断同化其余粒子,使粒子之间保持不断竞争关系,以改进粒子的进化方式,提高粒子的寻优性能。接着将改进算法应用于结构模态参数识别,并采用简支梁数值模型对该算法的有效性进行验证,结果表明,改进算法较量子粒子群算法的识别精度和抗噪性都有显著的提高。最后通过三层框架试验验证改进算法在实际工程应用中的有效性。     

带爆炸算子的粒子群优化算法

粒子群优化算法(PSO)在应用中极易陷入局部最优并且后期收敛速度较慢。针对这两个问题,分析标准粒子群优化算法的收敛特性,利用粒子群算法的惯性权重来保证算法的全局寻优能力,提出的局部搜索策略是在两次迭代过程中粒子位置突变较大时融合爆炸算子提高粒子的局部开采能力,极大的改善算法后期的收敛速度。通过典型的函数优化实验验证,改进算法在寻优能力、寻优精度、收敛速度等方面都有较好性能。是平衡粒子探索和开采能力的高效算法。     

远邻粒子群算法及在Delta机器人优化设计中的应用

 为了提高粒子群算法全局寻优能力,提出一种远邻粒子群算法,该算法引入邻域算子概念,每个粒子选择与自身欧氏距离较远的粒子建立邻域,邻域中粒子的数目用邻域算子表示.测试函数实验结果表明,该算法在一定程度上消除了标准粒子群算法容易陷入局部最优的缺点.应用远邻粒子群算法对Delta机器人进行优化设计,结果证实：所提出的远邻粒子群算法较标准粒子群算法具有更好的寻优能力,比邻居递增粒子群算法搜索精度更高.     

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。     

基于遗传算法汽车动力总成悬置系统解耦优化

为避免传统优化算法在对汽车动力总成悬置系统优化中陷入局部最优解,采用遗传算法对其进行优化。在深入分析设计变量选取、约束函数的提取及目标函数的选取原则基础上,以悬置刚度为优化变量、固有频率的范围和固有频率之差为约束函数、六自由度方向的解耦率为目标函数,利用MATLAB平台的遗传算法进行优化。开发基于遗传算法汽车动力总成悬置系统解耦优化系统,并对某型号汽车动力总成系统优化。优化结果表明:系统的固有频率的分配和解耦率得到极大的改善,效率和精度都得到很大的提升。     

基于遗传算法的混合动力汽车动力总成悬置系统的优化设计研究

为了提高并联式混合动力汽车动力总成五点悬置系统的隔振性能,建立了动力总成五点悬置的动力学模型,以动力总成六自由度能量解耦与固有频率的合理分配为优化目标,五个悬置点的各向刚度为设计变量,采用遗传算法对悬置系统进行优化。应用上述方法对某并联式柴电混合动力汽车悬置系统进行了优化,动力学仿真与实车试验结果表明,悬置优化后消除了整车怠速工况时方向盘抖动,验证了所提方法的合理性。同时,遗传算法克服了序列二次型规划算法（SQP）易收敛于局部最优解的缺点,得到的悬置系统解耦性能优良,优化结果稳定可靠。     

汽车发动机悬置系统多目标设计优化研究

动力总成悬置系统对于汽车振动与噪声控制十分重要,通过考虑车身耦合因素,建立动力总成悬置系统十五自由度耦合模型,以扭矩轴解耦率和总传递振动力为综合优化目标进行优化,并将整车常用行驶工况考虑在内,以整车实测数据辨识出发动机激振力作为系统实际输入,应用粒子群算法对悬置系统刚度参数进行优化。计算表明选择合适的刚度参数可以有效降低汽车的传递振动力,并提高扭矩轴解耦率,从而改善汽车乘坐的舒适性。     

考虑隔振性能的动力总成悬置系统多目标优化

某工程机械动力总成悬置系统能量分布比较合理但隔振效果不理想,为此在ADAMS软件中,以系统能量解耦和振动传递率最小为优化目标,对悬置系统模型进行仿真,得到动力总成悬置系统优化悬置参数。对优化前后的悬置元件进行多工况隔振测试。分析和测试结果表明,优化后悬置系统能量解耦程度和隔振性能均达到满意效果。     

一种改进粒子群算法的立体阵列优化方法

利用传统粒子群算法对立体阵列所有臂的阵元分布形式同时进行优化时,不仅耗时,而且易于收敛到局部解。为了解决这个问题,提出了一种改进粒子群算法(Improved Particle Swarm Optimization,IPSO)。改进算法采用并行计算思想,同时初始化多个粒子群,每个粒子通过优化一个臂(优化臂)的阵元参数达到"降维"的目的,使用线性递减惯性权重,对多个粒子群同时进行预优化,获得中间解。利用中间解构建一个"升维"的新粒子,使用最小惯性权重对新粒子继续优化,满足停止条件后输出。通过对5臂星形立体阵列进行优化设计,发现改进算法不仅耗时短,而且能够得到更优的结果,最后通过6个仿真实验讨论了所设计的阵列的指向特性。     

液压挖掘机动力总成悬置系统隔振性能分析与优化

以某型国产液压挖掘机为研究对象,建立动力总成悬置系统数学模型与Adams动力学模型,仿真分析结果表明系统存在严重的耦合现象,隔振性能不理想。利用Isight软件集成Matlab,以悬置刚度参数作为设计变量,悬置系统能量解耦率为目标函数,以固有频率合理分配为约束条件,建立优化模型并开展灵敏度分析与优化分析,优化后系统解耦程度得到明显改善,优化方案对液压挖掘机动力总成悬置系统实车优化具有一定参考价值。     

Effective Form Error Assessment Using Improved Particle Swarm Optimization

This paper presents an improved variant of particle swarm optimization (MPSO) algorithm for the form error evaluation, from a set of coordinate measurement data points. In classical particle swarm optimization (PSO), new solution is updated by the existing one without really comparing which one is better. This behaviour is considered to be caused by lack in exploitation ability in the search space. The proposed algorithm generates new swarm position and fitness solution employing an improved and modified search equation. In this step, the swarm searches in proximity of the best solution of previous iteration to improve the exploitation behaviour. The particle swarm employs greedy selection procedure to choose the best candidate solution. A non-linear minimum zone objective function is formulated mathematically for each form error and consequently optimized using proposed MPSO algorithm. Five benchmark functions are used to prove the efficiency of the proposed MPSO algorithm, by comparing the proposed algorithm with established PSO and genetic algorithm. Finally, the results of the proposed MPSO algorithm are compared with previous literature and with other nature inspired algorithms on the same problem. The results validate that proposed MPSO algorithm is more efficient and accurate as compared to other conventional methods and is well suited for effective form error evaluation using CMMs.     

改进樽海鞘群优化K-means算法的图像分割

目的 针对樽海鞘群算法寻优精度低、易陷入到局部最优,以及K-means算法进行图像分割容易被初始聚类中心干扰等缺点,提出改进樽海鞘群优化K-means算法的图像分割。方法 首先利用Circle映射来对樽海鞘种群进行初始化;其次引入莱维飞行到领导者和追随者位置更新公式中,使得樽海鞘种群的多样性得到提高,克服算法陷入到局部最优。最后,对改进樽海鞘群算法先采用8个基准函数进行性能测试;再将改进樽海鞘群算法优化K-means进行图像分割。结果 改进算法在寻优精度、稳定性、收敛速度以及跳出局部最优的本领得到了提高。同时,改进樽海鞘群优化K-means算法进行图像分割,有效地提高了图像分割质量。结论 改进算法改善了原始樽海鞘群算法的寻优精度低、易陷入到局部最优的缺点,很好地优化了K-means算法对图像进行准确分割,在图像分割领域具有一定的参考意义。