基于种群曼哈顿距离的自适应多目标粒子群优化算法

针对多目标粒子群优化算法存在收敛性不足和多样性丢失问题,提出一种根据进化状态平衡收敛性能与多样性能的自适应多目标粒子群优化算法(pmdMOPSO)。该算法首先采用种群曼哈顿距离实时检测算法的进化状态,将进化状态分为探索和收敛两个阶段,并根据进化状态的两个阶段分别采用不同的速度更新模式,实现算法性能的提升;其次设计了具有Levy飞行探索认知行为的速度动力学方程,旨在增强全局探索能力;最后使用种群曼哈顿距离构成的差分向量设计进化参数自适应更新模式,平衡算法全局探索与局部开采的能力。通过对MOP1～MOP7测试函数上的实验结果分析,表明pmdMOPSO算法较对比算法具有更好的收敛性能和多样性能。     

拼焊板前纵梁充液拉深数值模拟研究

拼焊板技术作为一项新的板料成形技术,兼有汽车覆盖件分离成形和整体成形的优点,对汽车轻量化的研究具有重要的现实意义。然而,由于拼焊板两侧材料性能及厚度差等因素都会使其成形性能与传统光板的成形     

汽车前纵梁的拼焊板轻量化设计研究

在已有车型基础上研究了利用拼焊板进行前纵梁改进的轻量化设计方法,达到了在满足强度和刚度条件基础上减轻汽车重量和改善碰撞性能的目的。通过CAE解析了汽车在自重工况下的前纵梁应力分布,确定了前纵梁的分块数目及焊缝布置,推导了由拼焊板替换的车身梁结构的强度、弯曲刚度和扭转刚度的约束方程,并以此计算拼焊板前纵梁的厚度。整车碰撞仿真证明,拼焊板设计后的前纵梁具有更好的耐撞性,并且达到了减重17.7%的效果。     

基于BB-MOPSO算法的微型车前纵梁优化

前纵梁作为汽车正面碰撞中主要的吸能和变形结构在汽车安全问题中具有重要研究意义。选取某微型车前纵梁结构为研究对象进行厚度优化设计。首先利用最优拉丁超立方的方法进行设计变量样本空间的设计,然后在已经建立好的整车模型中进行相关参数修改并进行仿真计算,并根据输出数据建立整车瞬时加速度及前纵梁比吸能的二阶响应面代理模型。应用多目标骨干粒子群(Barebones Multi-Objective Particle Swarm Optimization,BB-MOPSO)算法采用自编MATLAB代码得到了分布均匀的瞬时加速度以及前纵梁比吸能的Pareto前沿。该算法在车辆结构优化问题中的使用有效的避免了目前被广泛使用的NSGA-Ⅱ算法Pareto前沿分布均匀性差的不足。最终前纵梁比吸能提高了16.2%,整车正碰瞬时加速度减小了3.6%,前纵梁质量减轻6%,在提高了汽车安全性的同时保证了轻量化。     

基于有限元的汽车前纵梁碰撞分析及优化

通过Catia建模软件创建汽车前纵梁简化模型,运用ANSYS Workbench有限元仿真软件分析前纵梁的吸能特性指标,得出耐撞性能并评价。进一步对前纵梁横截面结构类型进行设计,得出更加合理且可行性更高的前纵梁内部结构,再对前纵梁横截面结构设计方案进行有限元模拟分析,通过数据对比,得出最优化的前纵梁内部形式,以提高其防撞性能。     

基于拓扑优化的汽车前纵梁耐撞性设计

结合静态和动态拓扑优化方法对汽车前纵梁进行耐撞性设计,通过静态拓扑优化方法分别获得前纵梁在轴向刚度最大和侧向刚度最大时的结构形式,通过动态拓扑优化方法获得前纵梁具有最大吸能时的结构形式。对拓扑优化结果进行分析,综合考虑前纵梁的轴向刚度、侧向刚度和吸能特性,最终确定前纵梁的最佳截面形式与诱导结构的尺寸和位置。优化前后前纵梁的吸能特性对比结果表明,拓扑优化使前纵梁的耐撞性能有一定的提高。     

连续变截面板(TRB板)在汽车前纵梁中的应用及优化分析

汽车前纵梁结构设计不仅要满足整车布置和承载要求,还需满足耐撞性要求。为实现耐撞性和轻量化双重目标,在前纵梁结构中引入连续变截面板(TRB板),充分利用其材料特性,满足前纵梁结构的吸能与变形模式。分别对TRB板材和等厚板材结构件进行台车碰撞试验及有限元仿真分析;建立加速度和质量的多项式响应面模型,以最小加速度峰值为优化目标,对TRB板的薄壁梁尺寸参数进行优化设计。结果表明,相对于等厚板,TRB板材的薄壁梁结构变形量较小、加速度峰值较小,具有更好的耐撞性;优化后的薄壁梁质量减轻5.21%且加速度峰值减少1.63%,且响应面近似模型具有较好的预测精度。     

粒子群优化算法及其在圆柱度误差评定中的应用

提出了将粒子群优化算法用于圆柱度误差评定的设想。对算法的基本原理和实现步骤做了具体阐述,给出了圆柱度误差评定的基本问题,及其优化目标函数及算法的适应度函数和编码方式,对算法进行了可行性和准确性验算。计算结果表明,该方法对于圆柱度误差评定这类具有复杂目标函数和较多参数的非线性优化问题有很好的计算性能,优于最小二乘法;与遗传算法和其它满足最小区域条件计算方法相比,计算精度略优于前者或者与前者相当,能够获得精度较高的结果,而突出优点是简单,易于实现而且计算效率较高。     

基于LabVIEW的圆度误差多粒子群优化算法研究

在LabVIEW环境下实现了多粒子群优化算法评定圆度误差。在该算法中,每个粒子群彼此独立地搜索各自的最优解空间;最后从多粒子群的解族中求取最优解。该方法克服了标准粒子群求解时容易产生的“早熟”现象。并与最小二乘算法进行了比较,结果表明该算法优于最小二乘法。     

基于汽车轴向耐撞性的前纵梁设计与优化

以某车型纵梁前段轴向耐撞性为优化目标,采用局部加强的方法对截面形状进行改进,增设轴向梯形槽。对改进前、后的前纵梁进行轴向碰撞仿真,并以梯形凹槽的特征尺寸为设计变量,利用序列近似优化方法对模型进行优化。结果表明,改进后的前纵梁的耐撞性得到了加强,从而为进一步提高整车耐撞性提供了参考。     

基于多种群搜索策略粒子群算法的舰船消磁优化

在现代舰船消磁系统中,消磁线圈数目不断增加,已经难以用常规方法进行调整.为解决这一问题,将一种基于多种群搜索策略的粒子群算法用于舰船消磁系统的优化.利用多种群协作来压缩搜索空间,快速提高得到全局最优解的概率.利用测得的船体原始磁场和各消磁线圈的磁场效果,以舰船残余磁场均方根最小和峰值最小为目标函数,用该算法对系统进行优化调整,并给出优化调整的数学模型及优化结果.仿真结果表明该方法可以高效、快速地决策出消磁电流的大小和方向,对提高消磁质量、缩短消磁时间是十分重要的.     

基于粒子群神经网络的气化炉温度监测模型应用分析

通过分析粒子群和神经网络模型特点和适用范围,并针对煤气化工艺流程提出采用粒子群神经网络构建监测气化炉温度的基本思路,通过采用软测量技术手段可以实现实时监测气化炉温度,从而达到提高生产效率和为生产提供控制决策的目的.     

一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

粒子群优化的磁轴承自适应反演滑模控制

为实现两自由度主动磁轴承的高精度、强鲁棒控制,提出了一种基于粒子群优化的自适应反演滑模控制器对磁轴承进行控制.利用自适应反演滑模控制器对外部环境干扰进行预估,实现对磁轴承的位移进行精准跟踪和悬浮力的低脉动稳定运行,并且能够有效避免传统滑模的抖振效应.但由于影响控制品质的控制器参数较多,为了提高控制系统的收敛速度与精度,引入粒子群算法来在线优化控制器的参数.仿真结果表明经过整定后的自适应滑模控制器具有良好的动态跟踪性能.     

改进的粒子群算法在圆度误差评价中的应用

由于用最小区域法(MZC)评价圆度的目标函数是非线性函数,用传统的优化方法难以进行评价,而且还容易陷入局部最优解。基于最小区域法(MZC)准则的基础上,运用一种改进的粒子群算法—协同粒子群优化(CPSO)算法来评价圆度误差,此方法将原来的粒子群分成若干个子种群,每个子种群中粒子各自寻求自己的最优值,各种群粒子信息共享,共同进化,直到达到指定的进化代数,最后比较得出最优值。相比遗传算法(GA)和标准的粒子群优化(PSO)算法具有全局搜索能力强,收敛速度快,精度高的优点。最后在MATLAB软件编程环境下,用实例比较验证了CPSO算法的有效性。对其他的几何量评价具有指导意义。     

并联机器人的粒子群优化神经网络自适应控制算法研究

针对传统控制算法对并联机器人的控制效果不好的问题,提出了一种并联机器人的粒子群优化神经网络自适应控制算法,该算法在基于神经网络的自适应PID控制算法的基础上,首先对粒子群优化算法进行惯性权重的优化和收缩因子的改进,然后将该改进算法应用于原算法上。仿真试验结果表明,提出的粒子群优化神经网络自适应控制算法,在性能上远远优于传统PID控制算法和基于神经网络的自适应PID控制算法。     

采用自适应变异粒子群优化SVM的行为识别

为了提高对视频序列中人体行为的识别能力,建立了基于局部特征的动作识别框架。通过时空特征提取及编码和SVM分类器参数优化两部分对该框架所涉及算法进行了研究。首先,采用Harris3D检测器获取时空兴趣点(STIP),以方向梯度直方图(HOG)和光流方向直方图(HOF)对STIP进行描述,并引入Fisher向量实现对特征描述子的编码;由于固定参数下SVM动作分类模型存在泛化能力不足的问题,将粒子群算法应用于各动作分类器参数寻优过程中,针对种群多样性逐代变化的特点,构建粒子聚集度模型,并利用其动态调节各代粒子的变异概率;最后,利用KTH和HMDB51数据集对所提方法进行验证。结果表明,所提自适应变异粒子群算法(AMPSO)能够有效避免种群陷入局部最优,具备较强的全局寻优能力;在KTH和HMDB51数据集上的识别准确率分别为87.50%和26.41%,优于其余2种识别方法。实验证明,AMPSO算法收敛性能良好且整体识别框架具有较高的实用性和准确性。     

自适应粒子群优化支持向量回归的工程系统可靠性预测

针对可靠性预测精度低的问题提出了一种支持向量机回归预测模型。在可靠性预测过程中,开发了一种结合正弦映射和自适应策略来更新惯性权重的自适应粒子群优化算法,通过增强算法的局部挖掘能力与全局搜索能力,在一定程度上提高了粒子群算法的精度和收敛效率。基于8种测试基准函数将提出的算法与其他粒子群算法进行比较验证,结果表明,提出的自适应粒子群算法相比于其他算法具有更好的搜索能力。在此基础上,提出了一种新的自适应粒子群优化-支持向量机回归混合可靠性预测模型,对支持向量机回归的参数进行调整并预测涡轮增压器和工业机器人系统的可靠性,结果表明该混合模型在可靠性预测方面可达到实际工程精度要求。     

针对机电耦联系统改进的自适应跳跃粒子群动力学优化方法

机电耦合系统动力学优化是多学科交叉的机电一体化理论问题.文中针对该类问题进行优化方法的研究,首先介绍基本的粒子群算法,然后针对该种算法的不足提出自适应跳跃粒子群算法,并完成其收敛性分析,最后应用该算法对机电耦合整形机床主轴系统进行动力学优化.经算例验证,该优化算法在有限的时间内可以得到具有工程实用价值的优化结果,是解决该类问题的有效途径.     

求解多隔室车辆路径问题的改进粒子群优化算法

针对同时配送多种不能混装货物的多隔室车辆路径问题,建立了最小化车辆行驶成本的数学模型,并提出一种改进粒子群优化算法进行求解。该算法借鉴传统粒子群优化算法与模拟退火算法的思想,以粒子群算法为主框架,在粒子更新过程中引入模拟退火中的Metropolis准则,以一定概率接受劣解,使粒子在寻优过程中能够概率性地跳出局部最优。通过对经典车辆路径问题算例进行改编实验,并与已有文献、基本粒子群优化算法、基本人工蜂群算法分别进行对比分析表明,所提算法不但求解多隔室车辆路径问题有效,而且在求解质量上具有明显优势。