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。     

基于改进粒子群算法的多工位装配序列规划

针对现有单工位装配序列规划结果难以满足工位需求的问题,提出一种基于改进粒子群算法的多工位装配序列规划方法。建立多工位装配模型来描述零部件的几何信息及其与工位的关系;用装配序列可行性、装配方向一致性、装配聚合性及工位间平衡性4个评价指标构建适应度函数。为解决一般粒子群算法易陷入局部最优解的问题,对惯性权重进行了改进,提出粒子相似度和相似度阈值的概念,并通过相似度阈值控制粒子的变异,提高了算法的全局搜索能力。以某型发动机为装配实例,验证了改进粒子群算法应用于多工位装配序列规划的可行性;同时将该算法和遗传算法、一般粒子群算法进行比较,证明了该算法的优越性。     

第二类双边装配线平衡的混合粒子群算法

双边装配线广泛用于汽车、卡车等大型产品的装配过程中。为有效解决第二类双边装配线平衡问题(TALBP-II),提出了一种新的混合粒子群算法(HPSO)。该算法利用粒子群进行全局搜索,使用遗传算法中的交叉算子增强全局搜索,同时利用变邻域搜索进行局部搜索。结合TALBP-II的特点,提出一种解码方式,减少由于操作关系导致的空闲时间。提出工位时间判断策略,缩小搜索空间,提高局部搜索效率。实验结果表明所提出的混合粒子群算法能有效解决第二类双边装配线平衡问题。     

基于混合粒子群算法解决多目标装配线平衡问题

针对第一类装配线平衡问题,提出一种混合的粒子群算法,该算法在标准粒子群算法的基础上对其进行离散化,并提出一种基于优先权重的编码方式,考虑到粒子群算法易陷入局部最优的特点,采用遗传算法的全局搜索能力加强粒子群的全局搜索,再利用变邻域搜索算法进行局部搜索,提高算法的搜索性能。另外,在目标函数方面,在最小化工位数的基础上增加平滑指数这一目标函数,使装配线的效率进一步提高。最后通过算例比较,表明混合粒子群算法能够有效地解决第一类装配线平衡问题。     

增加算子扰动项的粒子群优化算法研究

为了提高粒子群算法的稳定性,改善陷入局部最优的弊端,提出了一种增加算子扰动且对惯性权重进行正弦调整的粒子群优化算法。该方法首先利用差分方程对粒子的速度与位置变化过程进行深入分析,然后找到粒子群算法收敛的约束条件,进而获得改进后的惯性权重。最后在粒子群算法的速度公式中引入算子扰动项,其对粒子施加扰动,能够有效的抑制算法陷入局部最优问题,使算法在迭代后期也拥有一定的搜索能力。利用4个典型测试函数对算法进行验证,实验结果表明改进的惯性权重及速度更新公式使得该算法具备了较快的收敛速度和较佳的全局收敛性能,与标准粒子群算法相比,改进后的粒子群算法收敛精度高、鲁棒性强。     

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。     

基于改进粒子群算法的无人直升机航路规划

针对山区环境下无人直升机航路规划的问题,提出了一种改进粒子群算法.首先建立航路规划数学模型,将路径长度、飞行高度和威胁指数引入适应度函数;然后采用惯性权重因子调节算法的全局和局部搜索能力,利用选择操作和杂交操作增加种群的多样性,避免陷入局部最优;最后当种群陷入局部极值时,采用变异算子跳出局部最优解.将该算法和传统粒子群算法比较,仿真结果表明,该算法可以避免陷入局部最优,缩短搜索时间,较快得到全局最优路径.     

基于Tent映射的混沌粒子群优化算法及其应用

针对基本粒子群优化算法在迭代后期易陷入局部最优而出现早熟收敛的现象,基于混沌搜索的全局遍历性、随机性和规律性的特点,以粒子群群体适应度方差作为粒子群优化算法早熟收敛的判据,将Tent映射作为混沌搜索引入到基本粒子群算法中,对以一定概率随机选择的粒子群中的部分粒子实施混沌搜索,利用混沌特性提高种群的多样性和粒子搜索的遍历性,从而使粒子获得持续搜索的能力,提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能.几个典型测试函数的仿真实验和应用实例均证明了该算法的可行性.     

基于改进DPSO算法的航空发动机失谐叶片排序

通过叶片模态实验获得叶片失谐参数建立了动力学模型.在标准粒子群算法中引入遗传算法的交叉算子和变异算子以及遗传选择,保留了粒子群算法收敛较快的特性,增加种群的多样性,改善了粒子群的全局寻优能力,并得到比其他优化算法精度更高的排序结果.研究表明,选择适当的叶片排布顺序可以有效降低叶盘系统受迫振动幅值、减轻系统振动局部化程度,采用提出的离散粒子群算法(discrete particle swarm optimization,简称DPSO)进行叶片排布可以使叶盘系统振动幅度较小或者在可接受范围内.     

基于粒子群优化和变邻域搜索的混合调度算法

提出了用于解决作业车间调度问题的离散版粒子群算法.该算法采用基于工序的编码和新的位置更新策略,使具有连续本质的粒子群算法直接适用于调度问题.同时,针对粒子群算法容易陷入局部最优的缺陷,利用粒子群算法和变邻域搜索算法的互补性能,设计了粒子群-变邻域搜索算法、改进的粒子群算法、粒子群-变邻域搜索交替算法和粒子群-变邻域搜索协同算法4种混合调度算法.仿真结果表明,混合算法能够有效地、高质量地解决作业车间调度问题.