基于改进型鲸鱼算法的云制造资源配置研究

针对云制造模式下资源配置问题,提出了一种新的解决方案-鲸鱼优化算法(WOA),旨在解决以时间、成本、质量和服务为目标的优化模型。在基本鲸鱼优化算法的基础之上引入编码解码方式和惯性权重,以增强局部搜索能力,提高收敛精度和加快收敛速度。最后通过实例,将改进的鲸鱼优化算法与传统遗传算法(GA)、基本布谷鸟算法(CS)进行比较分析,验证了改进鲸鱼优化算法的有效性。     

求解低碳车间调度问题的改进鲸鱼算法

针对传统柔性作业车间调度问题只考虑完工时间,设备利用率,完工成本等因素的局限,构建了以碳排放成本和完工时间成本加权和最小为目标的低碳柔性作业车间调度问题模型,并设计了一种改进的鲸鱼优化算法对其进行求解。首先,采用等长的两段式编码方式来表示柔性作业车间调度问题,引入基于ROV规则的转换机制,实现鲸鱼个体位置向量与调度解之间的相互转换。其次,采用基于一定比例的全局搜索、局部搜索和随机搜索的混合式种群初始化方法,生成一定质量的初始种群,同时设计了非线性收敛因子和自适应惯性权重系数来加强算法协调全局搜索和局部寻优的能力。再次,引入自适应调整搜索策略以提高算法跳出局部最优的能力。最后,通过实验数据验证了改进鲸鱼算法在求解低碳柔性作业车间调度问题方面的有效性。     

改进鲸鱼算法求解工程设计优化问题

为了更好求解工程设计优化问题,提升鲸鱼算法的寻优性能和应用能力,提出一种基于分段式随机惯性权重和最优反馈机制的鲸鱼优化算法.在随机游走觅食策略中引入基于当前全局最优解的反馈机制,加快算法收敛速度,增强求解稳定性;在收缩包围策略和螺旋气泡网捕食策略中引入分段式随机惯性权重,提高算法的寻优精度和跳出局部极值的能力;对越界处理进行修正和改进,消除了进化成果可能丢失的隐患.通过理论分析证明了该改进算法与基本鲸鱼算法的时间复杂度相同.6种代表性对比算法在12个复杂基准测试函数和3个工程优化设计问题上的实验结果表明,该改进算法的寻优性能、求解稳定性、对不同问题的适用性和有效性均明显优于其他5种对比算法.     

一种改进的花朵授粉优化算法

花朵授粉算法是一种简单的函数寻优算法,针对基本花朵授粉算法收敛速度慢等问题,提出一种改进的花朵授粉优化算法。引入线性权重,使算法的局部搜索能力逐渐增强;提出一种优质解随机游走策略,进一步提高花朵授粉优化算法的搜索能力;将该改进型花朵授粉算法用于函数优化,并与遗传算法、引力粒子群算法和基本的花朵授粉算法进行对比。仿真实验结果表明,所提出的算法在收敛精度和收敛速度方面均优于其他算法。     

基于局部搜索策略的混合自适应布谷鸟算法

为了提高布谷鸟算法的搜索精度和全局收敛速度,提出一种基于局部搜索策略的混合自适应布谷鸟算法。在该改进算法中,每个当前解的周围随机产生一个局部种群,利用正余弦算子的局部寻优能力得到局部最优解,并用局部最优解替换当前解,以提高局部搜索精度;同时采用自适应发现概率和搜索步长替代布谷鸟算法中的固定发现概率和搜索步长,以提高算法的全局收敛速度。对25个经典高维基准函数进行实验表明,所提算法在收敛速度和求解精度上优于布谷鸟算法,通过将其应用于拉压弹簧、三杆桁架设计和0-1背包问题,验证了算法的有效性。     

自适应小生境混合遗传算法在车间调度中的应用研究

针对传统启发式算法早熟,全局搜索能力差等缺点,提出了一种基于自适应小生境混合算法求解作业车间调度问题的新方法。引入了基于共享机制的小生境技术,通过调整种群的适用度值来维持种群的多样性和提高搜索探测能力,从而提高全局搜索能力。于此同时,采用了自适应遗传算子与精英保留策略相结合的算法,保证了算法收敛速度。最后,通过仿真实例说明了该方法的有效性。     

基于灵敏度分析的改进遗传算法

基本遗传算法局部寻优效率低,而且易于早熟,因此提出了一种基于灵敏度分析的改进遗传算法,该算法利用目标函数的导数信息指导个体向更优解进化;同时在算法中结合了小生境技术,既保证了种群中个体的多样性以克服早熟,又能够保留下最优解;最后对Shubert函数进行仿真试验,对曲柄摇杆机构进行实例优化,结果表明该算法能有效地提高搜索能力和解的精度,加快收敛速度。     

基于混合策略改进的鹈鹕优化算法

针对鹈鹕优化算法求解精度低、稳定性不足、易陷入局部最优等问题,文章提出一种混合策略改进的鹈鹕优化算法（IPOA）。首先,为了增强种群的随机性和多样性,扩大种群的搜索范围,引入反向折射学习机制;其次,利用正余弦算法和鹈鹕算法融合,改进鹈鹕搜索猎物的方式,增强算法的局部搜索与全局搜索能力;然后,采用Levy飞行机制对鹈鹕位置进行更新,从而提高算法的搜索能力以寻找最优值;最后,引入自适应t分布变异算子,使用算法的迭代次数作为t分布的自由度参数来增强鹈鹕种群的多样性,避免算法陷入局部最优。通过12个标准测试函数对改进算法与海鸥优化算法、黑猩猩优化算法、鲸鱼优化算法、蛇群优化算法和基本鹈鹕优化算法进行测试比较,结果表明,IPOA具有更好的收敛速度和稳定性。最后将改进鹈鹕算法应用于压力容器设计优化问题,进一步证实改进后的算法具有较好的求解性能。     

含精英策略的小生境遗传退火算法研究及其应用

针对传统遗传退火算法的缺陷,提出了小生境遗传退火算法,该算法引入小生境技术,避免了搜索初期有效基因的缺失,保证了解的多样性;引入了自适应双点交叉和互换变异策略,克服了算法交叉和变异概率固定不变导致的求解过程较长和易收敛于局部最小值的缺陷;引入精英保留策略,有效地避免了最优解的丢失,加快了进化速度;通过3个经典函数测试,并将其应用于Job Shop调度问题,仿真实验结果表明:新算法有效克服了停滞现象,增强了全局搜索能力,比遗传算法和传统遗传退火算法的寻优性能更佳。     

Lévy飞行和热交换的混沌乌燕鸥算法及应用

为解决乌燕鸥算法对抗局部最优能力和寻优能力较低的问题,提出了一种混合Lévy飞行和热交换混沌乌燕鸥算法（LTCSTOA）。首先,采用Hénon混沌映射对算法种群初始化,保证算法种群多样性。其次,采用混合Lévy飞行和热交换算法的搜索策略,并在不同算法搜索阶段,引入自适应因子γ和自适应惯性权重,提高了算法的跳出局部区域的能力和收敛精度。最后,采用热交换算法对最优乌燕鸥个体进行扰动,提高算法的全局寻优能力。选用7个测试函数验证了不同改进策略的算法有效性,仿真结果表明：与其他算法相比,LTCSTOA算法收敛性能更优,具有较高的收敛精度、稳定性和鲁棒性。将LTCSTOA算法应用于二级斜齿圆柱齿轮传动机构可靠性轻量化设计,优化结果表明：与原设计相比,LTCSTOA算法获得的体积和重合度分别降低了约为51.86%和18.6%,实现了齿轮传动机构轻量化设计的目的。     

基于AWOA算法与LSSVM的主蒸汽流量软测量模型

汽轮机主蒸汽流量是分析机组运行效率的重要参数。针对大型机组主蒸汽流量计算模型复杂繁琐、计算精度不高的现状,提出一种基于自适应鲸鱼优化算法(AWOA)与最小二乘支持向量机(LSSVM)结合的主蒸汽流量软测量模型。针对鲸鱼优化算法(WOA)寻优精度低的问题,提出了自适应鲸鱼优化算法,在鲸鱼个体位置更新公式中引入自适应惯性权值,通过平衡算法的开发和探索能力改善算法的优化性能。在此基础上,提出了基于AWOA优化LSSVM的主蒸汽流量的软测量模型,引入AWOA算法来提高LSSVM的学习效率、逼近精度和泛化能力。主蒸汽流量软测量的仿真结果表明:优化后的AWOA-LSSVM主蒸汽流量软测量模型具有良好的训练精度与泛化能力,可有效地用于主蒸汽流量的软测量。     

面向主梁优化的改进人工蜂群算法

针对算法收敛速度慢、搜索盲目性大等不足,引入了自适应步长、路径交换邻域搜索和差分进化算法的变异策略,使得改进后的算法收敛性加强,收敛速度提高,改善了随机性,提高了寻优精度;算法到后期搜索平坦化,引入遗传算法中的交叉与变异行为,增加种群多样性,提高了算法的全局稳定性。将改进的算法运用到桥式起重机主梁中进行优化并运用ANSYS进行力学分析,实例检验了算法的可行性;最后通过对比优化前后的结果,得出优化后的主梁质量减重效果明显且符合设计要求,对实际工程结构的设计有指导意义。     

基于组合优化算法的6R机器人逆运动学求解

针对逆运动学求解存在的多解、精度低及通用性差等问题,提出了一种适用于各类6R工业机器人求逆解的组合优化算法。根据经典D-H法建立了机器人运动学模型,以最小化位姿误差为目标,结合运动平稳性原则构造了逆解问题的目标函数,以线性加权和法设计了适应度函数。通过混沌映射初始化种群、收敛因子非线性更新、自适应惯性权重位置调整及引入模拟退火策略等4种措施得到了一种改进的鲸鱼优化算法,并用于逆运动学求解。组合算法将鲸鱼算法求解的结果作为初始值,再利用Newton-Raphson数值法迭代出满足精度要求的运动学逆解。仿真试验结果表明：改进后的鲸鱼算法求解性能得到了较大提高,相比于直接利用鲸鱼算法进行逆运动学求解,组合优化算法具有求解速度快、稳定性好、精度高的特点,证明了该算法求逆的可行性与有效性。     

动态惩罚函数非线性规划遗传算法及在汽车变速器中的应用

针对传统遗传算法在求解非线性规划问题时局部搜索能力较弱,惩罚函数求解精度不高的缺陷,将非线性规划算法引入到遗传算法中,提出一种基于动态惩罚函数的非线性规划遗传算法,将遗传算法的全局寻优能力和非线性规划算法的局部寻优能力结合起来,并引入动态惩罚函数,根据不可行点到可行域的距离和可行度自适应的调整惩罚项的值,从而能够快速求出全局最优解。介绍了动态惩罚函数的设计、改进遗传算法的关键技术和流程。最后,以某型号汽车变速器的优化设计验证了算法的合理性。与传统遗传算法相比,改进后的遗传算法解的质量、收敛速度明显提高,因而为遗传算法的改进提供了一种新的思路。     

改进平衡优化器的超声电机无模型自适应控制

为了提高超声电机的控制性能,将基于数据驱动的无模型自适应控制（Model Free Adaptive Control,MFAC）方法应用到超声电机的速度控制中,并针对MFAC存在参数调整困难的问题,提出一种改进的平衡优化器（Improved Equilibrium Optimizer, IEO）算法用于MFAC参数寻优。首先,利用自适应生成概率策略来平衡算法的探索与开发能力;其次,引入折射反向学习策略来扩大解的搜索范围,提高算法的收敛速度,同时采用柯西变异策略来提高算法跳出局部最优的能力;最后,提出一种改进的时间乘以绝对误差积分（Improved Integral Time Absolute Error, IITAE）指标函数用于MFAC的参数寻优。仿真和实验结果表明,与基于原始平衡优化器算法的MFAC相比,基于改进平衡优化器算法的MFAC的稳态误差和调整时间明显减小,系统的控制性能得到显著提高。     

改进粒子群算法在行星传动设计中的应用

介绍了一种改进的粒子群算法。通过动态改变惯性权重，使其随粒子群的位置和目标函数的性质而变化，正确控制搜索的步长，达到增强算法的搜索能力，提高收敛速度，避免陷入局部搜索的目的。将该方法应用于行星齿轮传动优化中取得了良好的效果。     

基于自适应二进制灰狼算法的节点协同跟踪

针对大规模无线传感器网络中目标跟踪时的节点选择问题,为了满足跟踪精度和实时性的要求,提出了一种自适应二进制灰狼优化算法,用于求解基于条件后验克拉美-罗下界构建的节点选择优化模型。该算法采用非线性动态自适应收敛因子,同时引入基于V型函数的位置更新原则。仿真结果表明,该算法能够有效完成目标跟踪的节点选择任务,与二进制灰狼算法和二进制粒子群算法对比,自适应二进制灰狼算法在搜索能力和收敛速度上有更好的表现,能够在满足跟踪精度的同时有效提高跟踪的实时性。     

改进鲸鱼优化算法的机器人时间最优轨迹规划

针对鲸鱼优化算法（WOA）存在的收敛精度低、易陷入局部最优解等问题，提出一种非线性收敛因子并引入非线性惯性权重对基础WOA进行改进，以智能制造生产线中核心单元6R机器人为研究模型做轨迹优化，其以时间最优为优化目标。首先将WOA中收敛因子改为非线性收敛因子并引入一种非线性惯性权重，以达到提高收敛精度、局部开发能力和全局搜索能力的目的，然后将该算法与五次多项式相结合，基于实际应用场景对某型号的6R工业机器人做时间最优轨迹规划。实验结果表明，该研究场景中机器人运动优化后完整的上、下料过程的时间比优化前缩短20%至50%，说明改进后的WOA在相关领域应用中有效可信且具有实际意义。     

基于改进天牛须搜索的自导引机器人路径规划

针对天牛须搜索(BAS)在自导引机器人(AGV)路径规划中存在的陷入局部最优、收敛速度较慢等问题,提出基于改进天牛须搜索(IBAS)的AGV路径规划新方法.相比于BAS,IBAS中天牛的移动步长不再是固定的,而是随着迭代进程自适应的变化,从而实现了算法搜索能力的平衡,提升了算法的寻优性能.典型测试函数优化结果表明,IBAS的寻优精度、寻优速度和稳定性更优.在AGV路径规划的实际应用中,IBAS有效提高了路径规划效果.     

基于GASA优化算法的自适应协同优化方法

针对协同优化方法收敛困难、优化效率低的问题,采用自适应概念与混合优化算法对其进行改进.采用基于学科优化解的差异信息构造自适应惩罚函数,将系统级约束条件进行转化,重新构建系统级的优化模型,克服了协同优化内部定义缺陷所造成的收敛困难.结合协同优化的优化特征,采用兼备遗传算法与模拟退火算法两者优点的混合算法作为协同优化系统级优化算法,提高了协同优化寻优效率.以飞机起落架缓冲器优化问题为例验证了该方法,结果表明该方法提高了协同优化的搜索效率与收敛速度,优化性能良好.