面向众包平台的偏好和结构相似度融合式设计团队发现

在复杂产品的众包设计项目中,往往需要设计人员组成团队,不断交互与协作地完成相关任务。为了解决在组建团队时成员偏好不一的问题,提出一种基于成员偏好相似度和结构相似度相结合的团队发现算法S＿Louvain,考虑了团队成员之间的偏好并改进了模块度指标。计算节点的偏好属性相似度和拓扑结构相似度,结合用户给定的节点及其邻居节点,综合考虑其偏好与结构相似性,扩展得到目标团队的候选节点集。以候选节点集为核心,挖掘设计团队的兴趣偏好来计算改进的模块度,并更新优化团队划分。在公开数据集和众包工程实例数据集上的实验结果表明,团队划分的模块度指标得到提高,验证了所提算法的可行性和实用性。     

动力锂电池模组多工位多电性能参数测试调度方法研究

针对多组动力锂电池多电性能参数测试过程存在测试通道闲置,整体测试时间较长、测试效率低的问题,研究动力锂电池模组多工位测试系统,并提出动力锂电池模组多工位多电性能参数任务调度方法.通过对电性能参数测试任务进行拆分并构建任务单元测试路径集,基于测试路径集求解任务调度总时间;基于蚁群算法(ant colony algorit...     

用混合型蚂蚁群算法求解TSP问题

介绍了求解TSP问题的混合型蚂蚁群算法,并以att532(美国532个城市)为例给出了计算实验结果,说明了混合型蚂蚁群算法能改进标准蚂蚁群算法的计算效率和计算结果的质量。     

基于多色蚁群的柔性测试系统测试资源匹配

柔性测试系统是测试需求导向的客户化定制系统,其组建和运行的前提是如何根据具体的测试任务需求匹配出能够完成测试任务的最优测试资源集合.本文首先在面向信号描述测试任务需求和测试资源能力的基础上,求得测试任务的信号完整特征集合,然后对匹配问题的传统二分图模型进行扩展,给出测试资源匹配的多色加权二分图描述模型.结合蚁群算法,提出了柔性测试系统资源匹配的多色蚁群算法,最后通过实际的资源匹配实例说明了模型的有效性和算法的优越性.     

基于移动最小二乘的注塑模浇注系统稳健设计

注塑模浇注系统设计是模具设计中较为重要的一环,因此对浇注系统的优化设计研究开展得较早,但在已有的研究中,均没有考虑随机因素波动对成型质量的影响。针对该问题,选取最大翘曲变形量为成型质量指标,提出了基于可拓关联变量筛选、移动最小二乘及蚁群优化的浇注系统稳健设计方法,通过数值模拟及实例验证,表明该方法减小了响应的方差,并有效地提高了塑件的尺寸公差。     

基于感性意象的产品造型优化设计

针对当前消费者感性需求的提高,运用组合思想提出基于感性意象的产品造型优化设计方法.首先应用感性工学类目层次法得到产品的设计要素,再应用数量化一类理论建立感性意象和造型特征元素之间的对应关系,作为优化产品造型时的评判依据.然后应用蚁群算法对造型特征元素进行组合优化,实现了以少量的产品属性形态构建多样的产品造型方案,从而快速设计出满足消费者感性意象需求的产品.最后以电热水壶设计进行实例研究,结果表明运用该方法可有效地进行产品意象造型优化设计.     

创意设计众包研究综述

目的 在群体创新视角下,分析众包的运作机制及其应用现状,为在创意设计领域推动群体工作、加强集体智慧提供思路。方法 首先,从众包的概念出发,分析众包与复杂科学、管理学、社会学、计算机科学之间的关系,收集整理众包应用领域;其次,分析众包系统构成、影响因素以及收发包操作流程,总结质量控制的框架;最后,分析组织内外部群体合作形式,指出众包与设计团队、设计招投标、竞赛、社会创新之间的关系与区别,概述研究存在的挑战。结论 众包是一种通过网络对接外部开放智力资源的模式,通过将设计任务分解、工作者特征建模,可以更为有效地将两者结合产生创新涌现。随着人工智能技术的普及,众包逐步向群智创新范式演化。     

资源约束项目排序问题的一种修正蚁群算法

根据蚁群算法的性质与资源约束项目排序问题(CPSP:Resource-Constrained Project Schedul- ing Problem)的特征,本文给出了蚁群算法中信息素的表示及更新方案、启发信息的计算方法等,由此提出了一种求解RCPSP的修正蚁群算法。最后,通过对项目排序问题库中的标准问题集进行计算,结果表明本文提出的修正蚁群算法是可行优良的。     

用蚁群算法解决动态设施布置问题

给出了动态设施布置的数学模型,介绍了一种解决组合优化问题的有效算法--蚁群算法,并用该算法成功地解决了某汽车零件制造厂生产车间的设施布置问题,得到了优良的解决方案,证明了该算法的优越性.     

基于有限缓存区的多任务并行分拣调度研究

通过对某物流车间的实际调研,将自动化立体仓库出货台空间限制作为优化问题的约束条件,建立订单并行分拣模式下堆垛机调度问题的模型,并采用蚁群算法进行求解.在求解过程中,根据问题假设设定了算法相关的状态转移概率公式,并采用动态更新信息素浓度的改进型方式避免传统蚁群算法早熟的情况.最后根据工厂的实际订单信息给出了算例,并通过两种不同算法和不同参数设置的比较,说明通过蚁群算法求解该优化问题的有效性.数值试验显示该蚁群算法相比传统优化算法效率提升了10.5％.