基于层次分析粒子群算法的可靠性稳健优化设计

利用多目标优化策略,将机械零部件的可靠性稳健优化设计转化为多目标问题。为提高零部件可靠性稳健优化设计多目标模型的求解效率,将所提出的基于层次分析法的多目标粒子群算法应用于可靠性稳健优化设计的多目标模型求解中。该方法简便易行,能迅速准确地得到机械零部件扭杆的可靠性稳健优化设计信息。     

车辆钢板弹簧的多目标可靠性稳健优化设计

为提高车辆钢板弹簧的安全性和稳健性,运用可靠性稳健优化设计理论和多目标思想,为车辆钢板弹簧建立一个可靠性稳健优化设计的高维多目标模型。为提高模型的求解精度,利用层次分析法选取粒子群算法中的全局极值和个体极值,提出了基于层次分析法的多目标粒子群算法。与传统方法相比,利用该算法进行可靠性稳健优化设计高维多目标模型求解,简便易行并能迅速准确地得到车辆钢板弹簧的可靠性稳健优化设计信息。     

机械零部件动态可靠性稳健优化设计的群智能算法

在运用随机过程和顺序统计原理建立载荷和强度随时间变化的动态可靠性模型基础上,利用稳健设计理论,建立了机械零部件动态可靠性稳健优化设计的多目标优化模型。针对该多目标模型所具有的动态高维的特点,提出了基于灰色关联分析的多粒子群协同动态多目标优化算法。以钢板弹簧结构为例,给出了动态环境下随时间变化的最优解集,为机械零部件的动态可靠性稳健优化设计提供了理论依据。     

基于粒子群算法的风力机叶片优化设计

叶片是影响风力机可靠性和稳定性的重要组成部分,而设计优良的叶片可以提高风力机的运行寿命和输出功率.以动量叶素理论为基础,对风力机叶片进行优化设计.在考虑风场风速的情况下,以风力机的年能量输出为优化目标,采用粒子群算法对1.5 MW风力发电机叶片的气动性能进行计算分析.仿真结果表明,采用优化后的叶片风力机的输出功率显著提高,证明了优化模型的实用性和有效性.该风力机叶片的优化设计对风力机相关工程类项目的实践具有指导意义.     

基于粒子群算法的数字编码DNA序列集设计

从DNA编码应满足的多约束条件中选取改进的约束条件,针对这些约束条件提出DNA个体应满足的评估公式,以及目标序列集设计的问题模型,分析了DNA序列数字编码的意义及其在优化算法中应用的优点,并采用改进粒子群算法(DE-PSO)解决DNA序列设计的多目标优化问题.仿真结果表明,该算法在求解DNA序列集设计的最优值方面具有良好的效果.     

单纯形-多目标粒子群优化方法的混合算法

粒子群优化算法的局部搜索能力较差，在利用该算法求解复杂的多目标工程优化问题时，往往很难求得质量较好的非劣解集。对此，提出了单纯形-多目标粒子群优化方法的混合算法(SM-MOPSO)，该算法不仅继承了粒子群优化算法的优点，而且具有很强的局部搜索能力和较好的鲁棒性能，不仅使非劣解集均匀分布，尽可能的逼近真实的非劣前沿，并且扩展了非劣解集的范围，使非劣解集对于每个单目标而言都有较广的覆盖范围。文中以两目标十杆和二十五杆桁架结构作为算例，取得了很好的优化结果，验证了该算法的优越性能。     

基于双种群的动态交换策略的粒子群优化算法

提出了一种基于双种群的动态交换策略的粒子群优化算法.该算法将初始种群划分为两个子群P1和P2,而P1和P2遵循不同的寻优机制,然后通过对个体极值(pBest)和全局极值(gBest)的选取进行调整,并在迭代过程中动态的交换两个子群的个体,从而能够更好的完成多目标优化算法对于Pareto front 的搜索和逼近.通过对标准测试函数的实验,证明了该算法的可行性和有效性.     

改进粒子群算法及其在电力变压器优化设计中的应用

针对基本粒子群算法易陷入局部最优解的缺陷,本文提出了一种带有惩罚量的改进粒子群算法。用标准测试函数对改进算法做了仿真分析,结果表明改进算法在寻优精度和收敛性能上均有所提高。将改进算法应用于电力变压器SF9—630／10的优化设计中,分析了优化变量和约束条件的选取,建立了带有惩罚函数的优化设计目标函数,给出了改进粒子群算法的具体实施方法。将传统计算数据与优化数据做了对比,证明了该方法的正确性和有效性。     

基于改进ACO与PSO算法的结构可靠度分析

针对基本蚁群算法的过早收敛问题,引入信息熵,通过优化参数 ,对基本蚁群算法进行改进,进而寻找结构的最短失效路径。从可靠指标的几何意义出发, 利用罚函数法, 将结构可靠指标的求解问题转化成相应的无约束优化问题,采用粒子群算法对结构可靠指标进行求解计算。以十杆桁架为例,采用响应面法、遗传算法与本算法对结构可靠指标进行对比计算,结果表明改进蚁群与粒子群算法的收敛速度快,计算精度高。     

基于策略模式的粒子群优化算法平台设计

为了扩大粒子群优化算法的应用范围和增强它的影响力,从软件重用的角度出发,考虑到算法流程的共性和个性,设计了一种基于策略模式的粒子群优化算法平台,此平台包含了基本的粒子群优化算法和经典的改进算法,可以解决连续优化和二进制组合优化问题.一系列的粒子群优化算法和优化问题被分别封装到相应的算法策略类和问题策略类中,这些类继承自一个具有统一接口的抽象基类.因此,该平台非常适合于粒子群优化算法的理论和应用研究,且易于维护和扩充.     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

融合PSO算法思想的进化算法

粒子群算法(particle swarm optimization,PSO)是仿真于生物群体的社会行为的一种智能优化算法,其原始形式难以体现数学的直观性和本质性。然而,在简化算法原始模型的基础上,PSO算法的理论分析得到其数学模型,并且说明了其是一个迭代进化系统。利用PSO算法的数学模型代替标准PSO算法速度及位置的迭代公式,并选择适当的参数,从而构造了一种新的进化算法。新的进化算法形式更能直接体现PSO算法的数学思想。经仿真试验表明,新的进化算法效果不差于标准PSO算法,并且参数少且容易分析。     

基于粒子群优化算法的Hadoop调度算法研究

为提高Hadoop平台性能,提出一种基于粒子群优化算法的Hadoop调度算法。以粒子位置代表可行的资源调度方案,以任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找到最优的资源调度方案。实验结果表明,该算法能够很好的平衡资源负载,减少任务完成时间,有效的提高了Hadoop平台的性能。     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

基于MOPSO算法的斜拉桥索力优化分析

针对斜拉桥设计和监控计算中合理成桥状态和施工状态索力的确定问题,提出了一种基于MOPSO算法的斜拉桥索力优化方法。该方法在PSO算法的基础上通过增加外部储备集和优化更新策略来适应多目标、多约束的索力优化,较单目标优化方法仅有单一解的局限性,MOPSO算法考虑因素更全面,得到的Pareto最优解集可供决策者根据经验进一步筛选。采用Python编程语言,联合有限元软件编写基于该方法的优化程序,选取主塔、主梁的弯曲应变能之和,主塔成桥后在恒载作用下的纵桥向位移平方和作为目标函数,以施工过程及成桥后结构处于安全状态和索力总体分布均匀作为约束条件。工程算例优化结果表明,该方法能够快速搜寻到Pareto最优解集,并从中筛选出最优解,其结构应力处于安全范围,主塔线形合理,索力总体分布均匀。该方法可应用于斜拉桥成桥和施工阶段索力的确定及梁拱组合体系桥梁吊杆索力的确定。     

水系统优化的粒子群算法分析

针对水系统集成优化问题,采用4种粒子群算法进行求解,并对算法进行了改进。通过算例分析了粒子群算法用于水系统优化时的计算特性。研究表明:在水系统集成优化时,基于混沌局部搜索的粒子群算法较适于该问题的计算。