工程项目多目标协同优化研究

将微粒群算法(particle swarm optimization,PSO)引入工程项目多目标协同优化领域,研究工程项目的质量、费用、资源和工期的协同优化问题。文章首先系统介绍微粒群算法原理、流程以及算法的改进发展,然后研究了工程项目质量、费用、工期和资源的协调功效系数,并建立了质量、费用、工期和资源的多目标协同优化模型,接下来介绍了应用微粒群算法编码解决工程项目多目标优化的方法步骤。最后,通过一个应用实例,计算表明微粒群算法可以准确快速地解决工程项目多目标协同优化问题。     

潜艇自航模试验系统可靠性冗余优化

可靠性设计水平直接影响潜艇自航模系统设计的成败.在某潜艇自航模任务与系统构成分析的基础上,开展了某潜艇自航模系统的可靠性分析,应用多阶段任务系统可靠性模型理论建立了该系统的任务可靠性分析和计算模型,综合潜艇自航模的设计约束条件,并结合满意度的概念,建立了系统可靠性冗余优化模型且利用微粒群算法求解.示例证明了模型的可用性及可信性.     

基于微粒群优化算法确定爆破测震参数

介绍了微粒群算法的基本理论,并把微粒群优化算法应用于爆破测震参数的计算中,结合实际工程,应用微粒群优化算法对爆破震动参数进行确定,得到了非常好的拟合效果.微粒群优化算法应用于爆破参数的确定是切实可行的.     

微粒群算法在自动控制系统设计中的应用

提出了将微粒群优化(Particle Swarm Optimization,PSO)算法与控制系统设计相结合的系统设计思路和方法。系统设计过程包括两个部分：首先基于历史输入输出数据,用微粒群算法建立系统的模型,然后基于得到的模型进行控制器的设计,并用微粒群算法进行控制器的参数优化整定。仿真试验结果表明,微粒群算法在控制系统设计的模型建立、控制器参数优化等方面发挥了重要的作用,简化了控制系统设计任务,提高了设计效率。     

加权微粒群算法在模型配准中的应用

微粒群算法目前已经在很多领域得到了广泛的应用。根据微粒群算法收敛较快的权值范围,建立加权函数,将其运用到速度进化过程中,并在进化过程中分群优化,使得改进的微粒群算法在迭代初期具有较好的全局收敛能力,在迭代后期具有较好的局部收敛能力,从而可以实现维护全局和局部搜索能力的平衡。将该算法运用于散乱点云与三维CAD模型的配准问题中,并与基本微粒群算法进行对比,具有更好的配准结果,迭代收敛更快。     

基于混合PSO算法的桁架动力响应优化

摘 要：本文针对以结构动力响应为约束,最小重量为目标的桁架拓扑优化问题,提出了一种将微粒群算法和优化准则法结合的混合PSO算法。利用优化准则法的迭代关系找出群体中适应度最好的微粒,将其作为特殊微粒,其他微粒的寻优采用PSO的基本进化规则,位移响应约束利用特殊微粒的灵敏度信息近似计算。算例的计算结果表明,混合PSO算法适用于受简谐荷载以及脉冲荷载作用桁架结构的拓扑优化。混合PSO的计算效率比PSO算法高,其优化效果比优化准则法好。     

舰艇武器布置问题的一种协同优化算法

针对舰艇武器布置问题的特点，提出了一种基于粒子群优化和分类器系统的协同优化算法，以粒子群优化进行优化计算，用分类器系统消除约束．计算实例表明，该算法能较好地实现优化计算，并能节省大量的计算时间．     

基于微粒群算法的资源均衡问题研究

为了更有效地解决工程项目管理中的资源均衡问题,将微粒群算法与工程项目资源均衡问题相结合,建立基于微粒群算法的工程项目资源均衡模型.其中对微粒群算法的相关参数进行了研究,对工程项目资源模型进行具体分析与设计,并采用计算机仿真设计方法.通过实例进一步验证基于微粒群算法解决资源均衡问题的可靠性和有效性.研究发现,一定程度上,它在解决资源均衡问题时较传统方法更为简单,参数设计与选择较容易,且取得了更优的结果.     

微粒群优化算法在流水线干扰管理调度中的应用

微粒群优化算法(Particle Swarm Optimization,PSO)是起源于鸟群和鱼群群体运动行为的研究,是在蚁群算法提出之后的又一种新的进化计算技术,具有典型的群体智能特性。本文构建了干扰为工件到达的流水车间调度干扰管理模型,其经典目标函数为最大完工时间和干扰目标函数为干扰时间差相混合。本文运用微粒群优化算法求解流水线干扰管理调度问题,给出了计算实例并进行了详细分析,并对干扰管理问题和重调度问题进行了测试分析,得出了有参考意义的结果。     

一种含最优变异的多微粒群优化算法

针对微粒群优化算法中的固有缺点，提出了带有最优变异算子的多微粒群优化算法，采用多个微粒群对目标函数进行寻优，并在寻优过程中对子群中最优微粒引入了最优变异算子。通过这样的处理，算法可以预防早熟收敛并具有更快的收敛速度和更好的局部开发能力。对一组测试函数的模拟实验结果表明，带最优变异的多微粒群优化算法可以摆脱局部最优解时微粒的吸引，在较少的代数内就能够获得好的优化结果。     

混合粒子群算法在混流装配线优化调度中的应用

应用粒子群算法求解混流装配线的优化调度问题,给出粒子的构造方法,并针对算法中存在过早收敛的问题,提出了一种与局部优化和粒子微变异方法相结合的混合粒子群算法.给出了一个实例,实例应用粒子群算法和混合粒子群算法分别进行求解,与其他一些方法比较表明,混合粒子群算法可以有效、快速地求得混流装配线优化调度问题的解.     

粒子群优化算法综述

粒子群优化（PSO）算法是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO通过粒子追随自己找到的最好解和整个群的最好解来完成优化。该算法简单易实现,可调参数少,已得到广泛研究和应用。详细介绍了PSO的基本原理、各种改进技术及其应用等,并对其未来的研究提出了一些建议。     

Feasibility-Guided Constraint-Handling Techniques for Engineering Optimization Problems

The particle swarm optimization (PSO) algorithm is an established nature-inspired population-based meta-heuristic that replicates the synchronizing movements of birds and fish. PSO is essentially an unconstrained algorithm and requires constraint handling techniques (CHTs) to solve constrained optimization problems (COPs). For this purpose, we integrate two CHTs, the superiority of feasibility (SF) and the violation constraint-handling (VCH), with a PSO. These CHTs distinguish feasible solutions from infeasible ones. Moreover, in SF, the selection of infeasible solutions is based on their degree of constraint violations, whereas in VCH, the number of constraint violations by an infeasible solution is of more importance. Therefore, a PSO is adapted for constrained optimization, yielding two constrained variants, denoted SF-PSO and VCH-PSO. Both SF-PSO and VCH-PSO are evaluated with respect to five engineering problems: the Himmelblau’s nonlinear optimization, the welded beam design, the spring design, the pressure vessel design, and the three-bar truss design. The simulation results show that both algorithms are consistent in terms of their solutions to these problems, including their different available versions. Comparison of the SF-PSO and the VCH-PSO with other existing algorithms on the tested problems shows that the proposed algorithms have lower computational cost in terms of the number of function evaluations used. We also report our disagreement with some unjust comparisons made by other researchers regarding the tested problems and their different variants.     

粒子群优化算法及其在圆度误差评定中的应用

提出一种基于粒子群优化算法(PSO)的圆度误差评定方法。介绍了PSO算法的提出及其特点;具体阐述了PSO算法的基本原理和实现步骤;提出圆度误差评定这一非线性优化问题,给出其优化目标函数及PSO算法的适应度函数和编码方式;结合实例对算法参数进行了设置,通过实例运算对PSO进行了正确性和精确性验算。实例证明该方法能够很好地解决圆度误差评定问题,与遗传算法具有相当的计算精度,能够获得精度较高的结果。而PSO的突出优点是简单易于实现,计算速度快。     

基于智能混合策略的测试集优化

利用基于粒子群和蚁群算法的智能混合优化策略,删除冗余测试向量以解决测试集的优化问题. 利用蚁群算法的并行搜索能力构造初始解集,通过粒子群优化算法将解集维数降低,确定每次迭代的个体最优解和全局最优解,并利用新粒子信息更新信息素,最终通过多次迭代找到一个或多个最优测试集. 通过多组数据实例分析可知: 该智能混合优化策略与蚁群算法等其他测试集优化算法相比,可得到多个可行性最优测试集;与蚁群算法相比可提高收敛速度,并降低蚁群算法参数选取对收敛结果的影响,从而避免次优解的出现.     

An Improved Unsupervised Image Segmentation Method Based on Multi-Objective Particle Swarm Optimization Clustering Algorithm

Most image segmentation methods based on clustering algorithms use single-objective function to implement image segmentation. To avoid the defect, this paper proposes a new image segmentation method based on a multi-objective particle swarm optimization (PSO) clustering algorithm. This unsupervised algorithm not only offers a new similarity computing approach based on electromagnetic forces, but also obtains the proper number of clusters which is determined by scale-space theory. It is experimentally demonstrated that the applicability and effectiveness of the proposed multi-objective PSO clustering algorithm.     

基于模型参考和微粒群算法优化的传感器动态补偿方法

提出了一种基于微粒群（PSO）算法优化的传感器动态误差补偿器的设计方法。无需事先已知系统的动态特性，可根据传感器以及参考模型对输入激励响应的实测数据，通过PSO算法的优化学习得到补偿器的参数。传感器的输出经过补偿器后，能够克服由传感器动态特性引起的测量误差。最后，通过实验验证了该方法的有效性。     

自动化生产单元调度的混沌粒子群算法

在求解一类带时间窗口的自动化生产单元调度问题时,基本粒子群算法易陷入局部极值点且收敛缓慢.针对这一问题,将混沌搜索技术引入至基本粒子群算法中,利用混沌运动搜索精度高、遍历性好的特点来改善基本粒子群算法易陷入局部极值点和收敛缓慢的缺点,从而提高粒子群算法的收敛速度和优化质量.首先给出了带时间窗口的自动化生产单元调度问题的混合整数规划模型,着重讨论了混沌粒子群调度算法的设计,包括编码方式、混沌初始化、混沌扰动和适应度函数计算等.对提出的算法进行了仿真验证,仿真结果表明在求解此类调度问题上,混沌粒子群算法比基本粒子群算法具有明显的优势.     

Reliability Analysis Using Chaotic Particle Swarm Optimization

Reliability analysis is an important and practical way of considering uncertainty in an engineering system. In practical engineering, the limit state functions are usually implicit in terms of random variables. Traditional reliability analysis methods are time‐consuming and require derivative computing. In this paper, particle swarm optimization (PSO) is applied to reliability analysis by combining it with the first‐order reliability method. To improve the global search performance, chaotic PSO (CPSO) was proposed by combining PSO with a chaotic system. CPSO‐based reliability analysis is described and applied to four classic examples. The results show that implementation of CPSO‐based reliability analysis is easy and can yield a reliability index and design point with good accuracy. The proposed method was applied to analyze the reliability of a circular tunnel in different cases. The results show that the CPSO algorithm is very efficient at solving global optimization problems and is a good approach for reliability analysis. Copyright © 2014 John Wiley & Sons, Ltd.     

基于粒子群优化的小波神经网络及其在齿轮箱故障诊断中的应用

用粒子群算法（PS0）取代传统的梯度下降法,优化小波神经网络中的各个参数。将经过PS0训练的小波神经网络应用于齿轮箱故障诊断,实验结果表明,基于PS0算法的小波神经网络训练方法是有效的神经网络训练算法,同时也是解决故障诊断问题的有效途径。