基于粒子群算法的6-DOF并联坐标测量机测量建模

为了求解6-DOF并联坐标测量机的位置正解（测量模型）,克服数值解法求解并联机构位置正解时解的精度易受初值的影响,建立了无约束的优化模型,并使用粒子群算法对此模型进行优化。依据并联机构的位置反解模型,给出求解6-DOF并联坐标测量机位置正解的无约束优化模型,并应用粒子群算法对该优化问题进行求解,由此可将复杂的并联坐标测量机测量建模问题转换为优化问题,从而求得位置正解。仿真结果表明：80个粒子大约经过55次的迭代运算后,收敛精度可达到0.5μm,平均运行时间约为3s。粒子群算法应用于并联坐标测量机测量建模与求解,可获得较高的计算速度和计算精度。     

平面并联机构位置正解的改进粒子群算法

根据杆长约束条件,给出了求解3-RPR平面并联机构位置正解的无约束优化模型.针对标准粒子群算法容易陷入局部极值、进化后期收敛速度慢等缺点,提出了一种基于新的差异度评价指标的改进粒子群算法--自适应变异粒子群算法.采用自适应变异粒子群算法求并联机构位置正解中的优化问题.数值实例表明,改进粒子群算法能求出全部装配构型,且收敛速度较快、精度较高.     

6-SPS并联机构位置正解的改进粒子群算法

对6-SPS并联机构的运动学正解进行研究,得出6-SPS并联机构运动学正解的数学模型为一个非线性方程组.将所得的非线性方程组转化为无约束优化问题,并使用粒子群算法对其求解.针对并联机构运动学正解问题的多解性,提出改进的共享适应度粒子群算法.最后,用一个实例证明该方法是行之有效的.     

求十面体变几何桁架机器人位置正解的改进粒子群算法

根据杆长约束条件,给出了求解6-DOF十面体变几何桁架并联机器人机构位置正解的无约束优化模型,并应用粒子群算法(Particle Swarm Optimization,PSO)求解此优化问题.针对PSO直接在整个解空间内寻优时很难求得全部位置正解的问题,提出了求并联机器人机构位置正解的改进粒子群算法--分区搜索粒子群算法(PSO Based on the Regional Search,PSObRS).数值实例表明,PSObRS能求出并联机器人机构的全部高精度位置正解.     

基于粒子群算法的八面体变几何桁架机器人位置正解

根据杆长约束条件,给出了求解6-DOF八面体变几何桁架并联机器人机构位置正解的无约束极大极小优化模型,并应用粒子群算法求解此优化问题。该算法不需要初值和导数信息,并具有控制参数少、容易实现等优点。数字实例表明,对于八面体变几何桁架并联机器人机构位置正解问题,粒子群算法能求出全部装配构型,且收敛速度较快、精度较高。     

应用粒子群算法的3-RPS并联机器人机构位置正解

根据杆长约束条件,给出求解3-RPS并联机器人机构位置正解的无约束优化模型,并应用粒子群算法求解此优化问题。该算法具有控制参数少,全局优化能力较强等优点。数字实例表明,对于并联机构位置正解问题,粒子群算法收敛速度较快,精度较高。     

改进粒子群算法在并联机构位置正解中的应用

由于并联机构位置正解的求解较为复杂,利用了粒子群算法PSO优化此问题,并通过一种基于解空间划分的方法改善了粒子群算法,该算法具有控制参数少、全局优化能力强等特点,解决了传统粒子群算法中早期容易陷入局部极值、后期收敛速度慢等问题。对3-TPT并联机构的运动学正解进行研究,推导出并联机构位置正解的无约束优化模型,利用优化的粒子群算法进行模拟。实验表明,该方法提高了粒子群的整体搜索能力,在自适应的状态下,粒子群算法的收敛较快,精度较高。该研究为并联结构最优化设计及性能分析提供了一定的理论依据。     

基于连续蚁群算法的3-RPS并联机构正解

为了避免传统数值方法求解并联机构正解问题的弊端,提出了一种将并联机构正解问题转化为目标函数优化问题的求解方法。并联机构正解的核心问题是求解一组多元耦合非线性方程组,以此为依据建立了并联机构正解的目标函数优化模型,并提出了一种简单的连续蚁群算法来求解该优化模型。以求解3-RPS并联机构正解为例进行了仿真分析。结果表明,该算法具有良好的全局寻优功能,能够避免初始值和局部极小值对计算结果的影响,不用计算雅可比矩阵及其逆阵,且计算精度满足并联机构正解的要求。     

铰链四杆刚体导引机构综合的区间逃逸粒子群算法

根据杆长约束条件,给出了铰链四杆刚体导引机构近似运动综合的无约束优化模型,并应用粒子群算法(PSO)求解此优化问题。针对PSO直接在整个解空间内寻优时很难求得全部解的缺点,提出了求刚体导引铰链四杆机构近似解的混合智能算法——区间逃逸粒子群算法(EPSObIS)。数值实例表明,EPSObIS能求出近似满足刚体导引要求的铰链四杆机构。     

多目标优化设计在机构运动学综合中的应用

基于杆长约束,机构综合问题可以转化为非线性方程组的求解问题,再将非线性方程组转化为多目标无约束优化问题,应用多目标优化方法求解.应用多目标优化原理,首次提出了机构综合问题非线性方程组求解的新方法,并用Matlab语言的优化工具箱实现求解.机构运动学综合的实例表明该方法的正确性与有效性.     

引入单纯形算子的粒子群优化算法在板形模式识别中的应用

将粒子群理论引入板形模糊模式识别系统，对识别后的板形进行优化，提高了板形识别的精度。粒子群算法作为一种全局优化算法，对于复杂优化问题，存在容易陷入局部极值的不足，因此，提出了粒子群和单纯形混合优化算法，将具有良好局部搜索能力的单纯形法与粒子群算法的全局搜索能力结合起来，有效地提高了板形模式识别优化的收敛速度，同时也提高了识别精度。     

基于粒子群算法的并联机构结构参数优化设计

介绍了粒子群优化算法的原理和实现方法，分析了该算法的主要参数对搜索性能的影响，井把粒子群算法用于六自由度的并联机构的参数优化设计中，取得了较好的效果，试验证明，粒子群算法是一种有效的优化方法，适用于大型复杂结构的优化设计。     

基于粒子群算法的多目标可重构设施布局方法

提出了一种多目标可重构设施布局方法。该方法引入了空间填充曲线来表征设施位置,可以实现任意两个设施之间的互换;考虑了柔性面积需求和设施形状约束系数等因素,保证布局方案的可行性;建立了以成本(物料运输成本和设施重构成本)和在制品库存为目标的多目标可重构设施布局模型;设计了该模型的改进粒子群算法,该算法在全局极值和个体极值的选取、Pareto解集的更新策略方面相对于标准的粒子群算法有改进。最后用算例说明了该方法的有效性。     

A hybrid discrete particle swarm optimization algorithm for the no-wait flow shop scheduling problem with makespan criterion

This paper proposes a novel hybrid discrete particle swarm optimization (HDPSO) algorithm to solve the no-wait flow shop scheduling problems with the criterion to minimize the maximum completion time (makespan). Firstly, a simple approach is presented in the paper to calculate the makespan of a job permutation. Secondly, a speed-up method is proposed to evaluate the similar insert neighborhood solution. Thirdly, a discrete particle swarm optimization (DPSO) algorithm based on permutation representation and a local search algorithm based on the insert neighborhood are fused to enhance the searching ability and to balance the exploration and exploitation. Then, computational simulation results based on the well-known benchmarks and statistical performance comparisons are provided. It is concluded that the proposed HDPSO algorithm is superior to both the single DPSO algorithm and the existing hybrid particle swarm optimization (HPSO) algorithm from literature in terms of searching quality, robustness and efficiency.     

改进粒子群优化算法在工程优化问题中的应用研究

粒子群优化（PSO）算法是一种群集智能方法，它通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。在对于粒子群群体构造和粒子多样性对收敛速度和精度影响的研究基础上提出了一种改进型粒子群优化算法。针对工程中的有约束的优化问题，将改进粒子群算法与函数法相结合进行求解。计算实例表明改进型粒子群优化算法大大改善了传统PSO算法的全局收敛性能，解的精度提高了很多。     

基于模块软件系统的测试资源分配研究

基于串-并联模块软件系统,研究了单元测试中测试资源分配问题。同时考虑系统可靠性和软件费用,提出一种带约束的多目标优化模型,针对标准粒子群算法收敛速度慢、容易陷入局部极小等缺点,给出了一种杂交粒子群算法。该算法利用迭代局部搜索算法的邻域搜索及其扰动机制进行详细局部搜索并跳出局部最优解,采用“回飞机制”处理约束条件,求解近似最优解。最后通过实例与遗传算法比较,结果表明该方法能有效地分配测试资源,在提高软件测试质量的同时降低软件费用。     

基于多目标优化策略的螺旋弹簧可靠性稳健优化设计

应用可靠性稳健优化设计理论和多目标决策方法,将车辆螺旋弹簧的可靠性稳健优化设计转化为多目标问题.运用层次分析法选取粒子群算法中的全局极值和个体极值,提出基于层次分析法的多目标粒子群算法,并将该算法应用于可靠性稳健优化设计的多目标模型求解中.与传统方法相比,该方法简便、易行,并能迅速准确地得到车辆螺旋弹簧的可靠性稳健优化设计信息.     

基于非劣最优理论的PSO多目标设计的应用

介绍基于非劣最优理论的粒子群优化算法所进行的多目标优化设计,以斜齿轮体积和传动平稳可靠性为目标函数,建立斜齿圆柱齿轮传动的多目标设计数学模型。为高速运转状态下,斜齿轮设计提供一种快速、优化的好方案。     

求解连续Minimax问题的粒子群优化方法

Minimax问题是一类十分重要同时也是比较困难的优化问题。提出了一种基于粒子群优化的连续minimax问题求解 方法。方法的基本思想是维持两个在不同搜索空间中不对称共同进化的群体并采用粒子群优化算法获得原minimax问题的 一个解。仿真结果显示此方法可以有效求解对称和非对称连续minimax问题。     

基于改进粒子群算法的隐式广义预测控制

针对大多数工业系统的控制输入输出都存在约束的情况,提出一种基于改进粒子群算法的隐式广义预测控制算法(IGPC)。粒子群算法(PSO)是一种基于群体的智能优化算法,解决受约束的优化问题具有精度高、收敛速度快等优点;为了避免粒子群算法陷入早熟,提高精度,引入细菌觅食算法中的自适应迁徙机制。在隐式广义预测控制的滚动优化环节引入改进粒子群算法,弥补了传统GPC在处理受约束控制问题上的缺陷。仿真结果表明了该方法的有效性和良好的控制性能。