带多处理器混合流水车间调度问题的混合鱼群算法

针对带多处理器的混合流水车间调度问题(hybrid flow shop scheduling with multiprocessor task problems),以最小化所有工件的最大完成时间(makespan)为优化目标,提出一种融合了改进的人工鱼群算法和禁忌搜索算法的混合算法。首先改进人工鱼群算法相关行为及实验优选算法参数,提高了人工鱼群算法收敛速度和精度;然后结合人工鱼群算法收敛快和禁忌算法局部搜索能力强的特点,利用改进的人工鱼群算法进行全局搜索,获得较好的优化解域,再通过禁忌算法在优化解域内进行局部寻优,得到一个最终满意的优化解。基于180个标准算例,算法实验结果表明混合算法的优化性能明显优于禁忌算法和粒子群算法,并且很接近改进的遗传算法。     

光热-光伏联合发电系统动态无功规划方法研究（英文）

针对光热-光伏联合发电系统中部分薄弱节点发生故障后仅依靠系统自身无功调节能力无法使其暂态电压恢复稳定特点,提出了一种适应于光热-光伏联合发电系统的动态无功规划方法。该方法在考虑系统自身无功调节能力基础上,确定动态无功补偿装置安装节点及其补偿容量。通过暂态电压稳定恢复指标确定关键故障节点,初步判断系统薄弱节点,进而利用灵敏度指标确定动态无功补偿装置安装节点;以动态无功补偿装置最低投资成本提高系统暂态电压稳定性为优化目标建立动态无功规划优化模型,利用基于差分进化的粒子群算法(Particle swarm optimization based on differential evolution, DE-PSO)对无功补偿节点安装容量进行优化。算例系统仿真结果表明,该方法与仅考虑动态无功补偿装置安装位置优化方法相比,在相同无功补偿成本下提高系统暂态电压稳定性效果更佳。     

基于改进人工鱼群算法的柔性作业车间调度

提出了一种基于改进人工鱼群算法的柔性作业车间调度问题的求解方法。该方法针对基本人工鱼群算法后期搜索盲目性大、精度不高的不足,在分析算法各个参数影响的基础上,提出了步长参数分解和采用柔性参数设置等改进策略,并在算法后期融入局部遍历搜索,提高了算法寻优能力和寻优精度。标准MK算例和对比试验表明了改进人工鱼群算法对求解柔性作业车间调度问题的有效性。     

染色体重组鱼群算法的机器人导航路径规划

为了减少机器人导航路径的长度、提高导航路径规划的稳定性,提出了权值可调整染色体重组鱼群算法的导航路径规划方法.在环境建模方面,提出了边探索边建模方法,最大限度地保存了机器人工作空间.在路径规划方面,建立了机器人路径规划数学模型.在传统鱼群算法基础上进行了两点改进,一是提出了视觉范围和步长同步自适应调整方法,使算法探索能力和运动能力能够同步吻合调整,满足算法收敛和寻优要求;二是提出了权值可调整染色体重组方法,使鱼群能够跳出局部极值,向最优值区域靠近搜索,有利于提高算法寻优精度.同时使用改进鱼群算法与传统算法求解机器人路径规划模型,与传统鱼群算法相比,改进算法规划的最优路径长度减少了 5.01％,耗时减少了约一倍,路径规划稳定性也优于传统算法.     

人工鱼群算法的非线性约束优化

人工鱼群算法(AFSA)是一种新型的寻优策略,它具有鲁棒性强,全局收敛性好,以及对初值的不敏感性等优点.本文引人了半可行域的概念,并结合人工鱼群算法本身的特点,设计了基于竞争选择和惩罚函数的适应度函数,从而得到了一个利用AFSA算法求解约束优化问题的新进化算法.数值计算证明了算法的有效性.     

Powell机械优化方法的改进

Powell优化方法是最经典最实用的,可称为基于寻优方向组的新方向取舍法。根据共轭方向的特点,主要进行了几点改进:沿最后一个基本方向寻优,并将其最优点作为第一轮寻优的初始点;必须沿新方向寻优并将其收入基本寻优方向组;与共轭性相关的寻优方向采用较小的终止条件值,其他方向只要更新当前点即可;根据与新方向的点乘积确定离开基本寻优方向组的旧方向。无论从计算量还是从存储量衡量,新算法都优于经典算法。文中给出了新算法的算法步骤和程序流程图,分析了算法特点,提供了C语言计算机程序,保证了研究结果的可重复性。二次二维目标函数和Rosenbrock目标函数的算例表明,新算法具有较好的寻优效果。对于多维优化问题,新算法更具优势。提出的算法可称为方向组不降维的构造共轭方向法。     

K-S函数在多目标优化中的应用

提出了一种将约束优化问题转化成无约束优化问题的新技术 ,并在此基础上提出了一种新的多目标优化算法 K- S法。该算法通过 Kreisselm erier- Steinhauser函数构造出标准化目标函数、行为约束函数的包线 ,通过求包线的无约束极值而求解出原多目标优化问题的解。该蒜法无需取加权因子 ,也无需对种目标函数进行分离优化 ,并且设计初始点选择不受限制。本文最后给出了一个典型的多目标优化算例 ,结果令人满意     

基于动态改变惯性权自适应粒子群算法的电厂负荷分配研究

机组负荷分配问题具有不连续、非凸、非线性的目标函数,同时还受负荷和约束条件的限制,传统的负荷分配算法很难求解此类问题。本文提出了一种动态改变惯性权自适应粒子群算法(DCWPSO),通过添加进化速度因子和粒子的聚集度对粒子群算法中惯性权值公式进行改进,改进后的算法能更好地将总负荷分配给各台机组,防止算法早熟收敛,提高算法的寻优速度。通过算例的计算,并与基本粒子群算法相比较结果证明该算法的有效性,提高了解的寻优能力和收敛速度。     

蜻蜓寻优算法在轴承故障模糊识别中的应用

传统贴近度函数非线性程度较低，识别效果较差。而加权贴近度函数非线性程度有所提升，但是权值无法有效确定。因此，利用蜻蜓寻优算法提出了一种自动寻优确定加权Minkowski贴近度函数权值和幂值的识别方法，在进一步提升识别系统非线性程度的同时，简化并加快了贴近度函数参数的确定过程。该方法首先将采集到的故障信号进行EMD分解获取IMF分量，然后利用得到的IMF分量建立标准故障模型，最后利用蜻蜓寻优算法对加权Minkowski贴近度函数的参数进行训练确定参数数值。经实验室实测数据验证表明，该方法识别正确率明显提升，表现效果良好。     

多峰函数优化的免疫云粒子群优化算法

为了尽可能寻找多峰函数的全部极值点及提高寻优精度,提出一种免疫云粒子群优化算法(PPSO)-融合云变异粒子群优化算法(CMPSO)的小波变异克隆选择算法(WMCSA)。PPSO混合算法设置了最大重复搜索代数M,以便尽可能搜索到全部极值点。在每一代重复搜索中,首先,通过引入基于云模型的云变异算子以提高种群的多样性,并使用云变异粒子群优化算法对可行域内的所有极值点进行全局搜索;然后,利用小波变异克隆选择算法对云变异粒子群优化算法搜索到的较优解进行局部搜索以进一步提高解的精度。针对复杂多峰函数的寻优测试表明:在保证收敛速度的同时,PPSO算法的收敛精度和搜索到的极值点数目均得到显著提高。离散混沌系统的应用实例也表明了PPSO算法的有效性。     

基于混合遗传算法的Job-Shop调度问题的研究

Job-Shop调度问题是最困难的组合优化问题之一,由于其固有的计算复杂性,一般无法利用经典解析算法求出最优解。结合实际生产情况,建立了Job-Shop调度问题的模型,并基于遗传算法与局部搜索启发式算法相结合的混合遗传算法的思想给出了求解此模型的算法过程。     

相位恢复算法在仿真与实验上的研究

相位恢复算法一直存在着精确度不高,收敛速度慢甚至停滞不前等问题。将基于光强传输方程(TIE)法与G-S迭代算法混合提高了相位恢复的精确度,梯度算法的提出加大了迭代步长,使得收敛速度加快。采用GS-TIE算法和振幅加成梯度算法分别从仿真和实验的角度去比较分析恢复的效果。通过对二维图像仿真得出,振幅加成梯度算法在收敛速度上是GSTIE迭代算法的3倍,精确度是GS-TIE迭代算法的10倍。从实验结果得知,GS-TIE恢复的相位清晰可见,轮廓明显,在边缘处过度均匀,而振幅加成梯度算法相对比较模糊,在轮廓边缘处过度不均匀,悬差较大。     

基于遗传算法的并行生产调度的研究

应用退火算法对遗传算法进行了改进,克服了遗传算法自身的很多缺点,提出了一种基于改进遗传算法的并行生产调度的方法。提出了一种利用利润加权生成遗传算法初始种群染色体的方法,保证了初始种群染色体的质量。实际应用中,该方法取得了良好的效果。     

基于改进遗传算法的流水车间调度研究与仿真

针对流水车间调度过程中的物料流程混乱、设备负荷不均衡的问题,用矩阵表示工件、工序和机器之间的约束关系,通过引入线性自适应算子对交叉算子和变异算子加以改进,对经典流水车间调度问题Car1(11×5)进行了改进遗传算法实现,此外在考虑传输过程的情况下,对该典型问题的加工过程进行了仿真分析。     

基于SVM-AdaBoost算法的行人检测方法

提出了一种基于SVM-AdaBoost算法的行人检测方法。该方法是通过改进和扩展Haar-like特征值,对AdaBoost级联分类器的算法加以改进,使用SVM作为AdaBoost的弱分类器,通过选择确定合适的核函数参数,提高分类精度,减少训练时间。实验结果表明,这种行人检测方法性能稳定,实时性和鲁棒性均优于传统的行人检测方法。     

基于AdaBoost_SVM的轧机的状态评估

为了解决大型轧机设备的早期状态评估难的问题,针对样本数量较少和质量不佳时ANN表现出的过学习和欠学习的现象,及传统的SVM多用于二分类的问题,提出了一种基于AdaBoost_SVM算法的轧机状态评估方法。通过AdaBoost算法连接多个SVM弱分类器,从而得到分类准确率更高的强分类器AdaBoost SVM模型。该算法在轧机数据集上进行了测试,并且与传统的ANN算法、SVM算法进行了比较,实验结果表明AdaBoost_SVM算法具有更好的分类精度。     

基于改进遗传算法的方案组合优化设计

建立了方案组合优化教学描述，提出了一种基于改进遗传算法的产品方案优化设计模型，实现了该改进算法，并成功地应用于多功能输出变速箱的方案优化设计，获得了方案的最优解。     

遗传算法和神经网络在铁谱图象识别中的应用

针对BP算法在神经网络学习中的一些缺点,将遗传算法应用于BP神经网络的网络学习中,提出了一种BP-GA算法。最后,应用神经网络对铁谱图象进行智能识别,实验结果证明它比单纯的BP算法有更佳的结果。     

基于高斯概率分布场的VFH避障方法研究

提出一种基于传统VFH(Vector field histogram)避障算法的改进形式，称为PVFH算法。这种方法融入高斯概率分布场，进一步完善VFH算法在第一层对环境信息的提取和利用，为后几层的最优选择提供充分可靠的数据来源。利用这种方法，机器人能够比较好的反映障碍物环境，并对其做出比较准确的反应。     

多生产线作业协调调度的PSOGA混合优化算法

为了求解多目标多生产线调度问题,采用协同进化思想,提出了多种群PSOGA混合优化算法(MC-HPSOGA)。以最小化最大完工时间、最大化生产线利用率和最大化客户满意度为目标函数,建立了多生产线作业协调调度问题的多目标批量调度数学模型,并且设计最小批量动态分批策略,将MC-HPSOGA算法应用于BSPT公司角磨机装配线的多目标多生产线调度问题实例中,通过与粒子群(PSO)和遗传算法(GA)的比较,验证了MC-HPSOGA算法和模型的有效性。