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。     

面向多目标拆卸线平衡问题的一种改进粒子群优化算法

为提升粒子群优化算法在解决复杂拆卸线平衡问题时的计算能力,提出一种改进的粒子群优化算法。该算法选取每个粒子运行最优的邻居粒子为粒子每次迭代过程中"个体学习部分"的学习样本。为保证种群多样性,避免算法出现早熟收敛,提出一种粒子间的水平混合变异(均匀分布变异和高斯分布变异),通过变异判定条件,对粒子的位置进行变异更新,提升算法的搜索性能。针对多目标问题,利用基于目标优先顺序的粒子群优化算法,将多个目标问题按优先顺序进行优化。通过拆卸问题的仿真计算比较结果,验证算法的有效性。     

一种动态邻域的多目标粒子群优化算法

针对粒子群算法在多目标优化问题中存在收敛性差,容易陷入局部最优等缺陷,提出了一种改进的粒子群优化算法。该算法在原有的粒子群算法上增加了两个操作:一是引入了一种变异算子,该变异算子为正态分布随机变异算子,可以使粒子在邻域内随机变异,使其在精英解集中搜索;二是在个体最优位置选取时,对未进入过精英解集的粒子进行变异,使其在新的可行域中寻找,从而加快粒子的收敛速度。经过测试函数验证,该算法可以加快粒子的收敛速度,使粒子更快找到最优解,提高解的收敛性。     

基于粒子群优化的机械传动齿轮箱非正常振动检测算法

采用传统概率神经网络模型检测机械传动齿轮箱振动需要人工经验确定平滑因子,不仅检测精度难以保证,而且延长了算法的运行时间,为此,采用改进的粒子群算法自适应地确定平滑因子参数。以机械传动齿轮箱作为非正常振动检测研究的对象,首先,采集齿轮箱运行的振动时域信号与频域信号,作为振动类型检测的数据样本;其次,基于Parzen窗概率密度估计构建概率神经网络模型;然后,利用变异算子优化粒子群算法的惯性权重,定义2个质心参数引导粒子群搜索到最优方向;最后,采用改进的粒子群算法自适应地确定概率神经网络的平滑因子,解决网络分类易陷入局部最优解问题。经实际样本数据测试得知,优化后算法的检测结果更加接近机械传动齿轮箱振动检测期望值,检测齿轮箱非正常振动的精度较高,满足了机械振动的高标准检测需求,实际应用价值较高。     

基于改进粒子群算法的复合材料机翼结构布局优化设计

采用粒子群算法对复合材料机翼结构进行布局优化求解.针对粒子群算法的早熟收敛现象,采用了两种改进措施:根据粒子的浓度变异粒子以增加粒子种群多样性;将变尺度混沌优化方法结合到粒子群算法中用以变异搜索最优粒子.算例结果表明,文中所提优化方法是可行有效的.     

遗传离散粒子群算法求解车辆货物配装问题

针对车辆货物配装离散组合优化问题的特点,建立了能均衡利用车辆载重和容积的数学模型。采用遗传离散粒子群算法,将遗传算法中的选择、交叉、变异操作加入到离散粒子群算法的寻优过程中,在保证粒子群多样性的前提下,改善了新一代粒子的适应能力。通过计算实例验证了遗传离散粒子群算法的有效性,并与启发式算法和基本粒子群算法进行了对比,结果表明遗传离散粒子群算法在车辆货物配装组合优化问题中具有很强的全局搜索能力,并可以获得更好的优化结果。     

面向机器人路径规划的改进粒子群算法

针对复杂地图环境下的机器人路径规划问题提出一种聚类融合交叉粒子群算法,以避免传统粒子群算法(Parti-cle Swarm Optimization,PSO)容易陷入早熟且搜索精度差的问题.首先,根据粒子的适应度值对粒子进行k均值聚类,使较多的良性群体极值位置得到保存,从而增强粒子的探索能力;其次,用交叉、变异算子增加粒子多样性,避免在迭代前期粒子陷入早熟导致算法停滞;然后,采用自适应粒子群参数设置,减少粒子走入局部最优概率.最后,对比不同复杂度的地图算例结果发现,改进后的算法最终在安全避开障碍物的同时,具有搜索精度高、稳定性好且路径更优的效果,在路径规划上具有一定的实用价值.     

基于改进粒子群算法的机器人路径规划

为了提高移动机器人路径规划的质量,提出了基于改进粒子群算法的机器人路径规划方法。对障碍物进行膨化处理,简化了障碍物模型;通过坐标变换,将二维优化问题简化为一维优化问题;建立了包含路径长度和路径平滑度的适应度函数;分析了传统粒子群算法及缺陷,引入了跳出机制和牵引操作,跳出机制保持了种群多样性和全局搜索能力,牵引操作加快了算法收敛速度,从而提出了改进粒子群算法;经仿真实验验证,改进算法规划的路径在长度、平滑度、规划时间上均具有优势。     

多尺度变异粒子群优化MK-LSSVM的轴承寿命预测

提出一种基于多尺度变异粒子群优化(MSPSO)算法和多核最小二乘支持向量机(MK-LSSVM)的预测新方法用于滚动轴承寿命预测。提取小波包相对能量特征对轴承性能衰退予以描述,提出MSPSO算法对MK-LSSVM模型参数进行优化选取,构造融合多核函数的LSSVM模型实现轴承寿命估计。MK-LSSVM中多核函数的引入克服了单核LSSVM对核函数类型强依赖性的弱点,MSPSO算法中种群全局大尺度均匀变异与个体局部邻域小尺度变异搜索联合策略的提出在增强种群多样性的同时保证了粒子群局部精确搜索的能力。利用实测滚动轴承振动数据分析,验证了所提MSPSO算法在模型参数优化及优化MKLSSVM模型在滚动轴承寿命预测应用中的有效性。     

均匀粒子群蚁群融合算法的机器人路径规划

为了提高移动机器人点对点路径规划的性能,提出了均匀粒子群蚁群融合算法。首先分析了粒子群算法原理,找出了导致算法"早熟"的搜索机制缺陷,提出了均匀粒子群算法,此算法改进了粒子群算法的搜索机制,保证了在迭代过程中的粒子多样性,克服了算法"早熟"问题;介绍了蚂蚁系统和蚁群系统算法的区别,提出了均匀粒子群蚁群融合算法,首先使用均匀粒子群算法搜索次优路径,在此路径上撒播信息素,然后使用蚁群算法寻找最优路径。实验结果表明,融合算法规划出的路径最短,而且迭代效率高、容错能力强。     

一种基于改进NSGA-Ⅱ的多目标绿色柔性作业车间调度方法

针对多目标绿色柔性作业车间调度问题,建立了以最小化最大完工时间、总负荷和总能耗为优化目标的多目标优化模型,提出了一种带有自适应交叉变异算子和学习机制的改进NSGA-Ⅱ多目标优化算法。该算法通过机器和工序的两级编码机制,使用基于全局、局部和随机选择的非支配排序选择策略得到初始种群;采用具有自适应算子的混合交叉变异策略进行迭代,提高算法的全局搜索能力;引入分布函数来改进精英保留策略提高种群的多样性;通过学习机制进行邻域搜索提高算法的局部搜索能力。最后,采用基准测试算例Brandimarte以及Kacem数据集对算法进行测试,结果表明采用改进的NSGA-Ⅱ算法求解多目标绿色柔性作业车间调度问题具有求解精度高、收敛速度快以及解集多样性好的优点。     

基于改进粒子群优化算法的冗余机械臂逆运动学求解

以末端执行器的位姿误差最小为优化目标,将机器人的逆运动学问题转换为一个等效的最优化问题,并利用提出的改进粒子群优化算法对该问题进行求解.该算法从粒子群的初始化、惯性权重调整策略、差分变异进化及搜索空间的越界处理等多方面对标准粒子群优化算法进行综合改进,同时构建了以粒子群进化和差分变异进化为基础的两阶段混合协同进化机制,...     

基于改进粒子群优化-反向传播神经网络的制造业产能预测

为了精准预测制造业产能,对粒子群优化算法和反向传播神经网络进行研究,进而提出基于改进粒子群优化-反向传播神经网络的制造业产能预测方法。在这一预测方法中,通过粒子群优化算法对反向传播神经网络的权值和阈值进行优化搜索,同时引入自适应变异算子,避免粒子群优化算法陷入局部极值,并通过MATLAB软件对制造业产能进行预测。研究结果表明,改进粒子群优化-反向传播神经网络的预测效果优于粒子群优化-反向传播神经网络和反向传播神经网络。     

一种新的求解多目标随机需求车辆路径问题的算法

为优化带时间窗的随机需求车辆路径问题,建立了基于模糊满意度的多目标数学规划模型,并提出了一种基于量子进化算法和粒子群算法分段优化的方法求解Pareto解。第一阶段使用量子进化算法获得一定规模和精度的Pareto候选解,提出了概率选择最优解和可变旋转角改进变异算子;第二阶段通过转换将候选解映射到连续空间,利用粒子群算法继续搜索Pareto最优解。引入了节点交换策略进行邻域搜索,避免算法早熟。为保持Pareto解的分散性,提出了一种自适应网格算子。通过对benchmark仿真与非支配排序的遗传算法的比较,验证显示了算法的有效性。     

花粉授粉机制在改进粒子群算法研究

针对柔性作业中多目标优化问题,首先构建多目标任务满意度数学模型,该模型以最小加工时间、最低制造成本和最短运输时间为目标,去量纲操作后利用几何平均法求解综合满意度评价值。然后,提出一种改进的粒子群算法(LFPSO),该算法为平衡算法全局和局部搜索能力,惯性权重采用幂函数自适应调节,为改变粒子群前期的搜索性能,在惯性权重中加入了Logistic混沌映射丰富粒子多样性,为平衡全局搜索能力与局部搜索能力,引入花粉授粉机制作为全局搜索阈值。最后,将LFPSO算法与其他算法进行仿真对比,结果验证了LFPSO算法具有良好的性能及解决柔性作业多目标优化问题的有效性。     

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。     

求解第Ⅰ类装配线平衡问题的离散粒子群优化算法

为求解具有NP难性质的第Ⅰ类装配线平衡问题,提出一类离散粒子群优化算法。该算法中所发展的排列数编码方法使得粒子解码后总满足装配作业间先后关系约束。针对排列数编码特点,提出一种基于位置交叉算子的粒子位置更新机制,确保了更新后粒子仍为排列数。为增强该算法的全局寻优能力,将简化变邻域搜索算法嵌入该算法中,对群体最佳粒子的邻域进行局部搜索,从而构建一种混合粒子群优化算法。通过将该算法和混合粒子群优化算法用于一系列测试算例并与遗传算法结果比较,验证了算法的有效性。计算结果对比表明,离散粒子群算法引入简化变邻域搜索可明显增强全局寻优能力,就综合解的质量和计算效率而言,混合粒子群优化算法优于现有遗传算法。     

基于粒子群遗传优化算法的多机器人任务分配研究

在粒子群优化算法中,引入遗传算法中的克隆算子和变异算子,提出了粒子群遗传优化算法,并将多机器人系统的任务分配问题转换为在多维解空间内寻找最优解的问题,利用粒子群遗传优化算法在此空间寻找最优解,以实现对多机器人任务的协调分配.算例仿真表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易早熟、粒子群整体收敛性差等缺点,能够解决多机器人任务分配问题.     

基于Tent映射的混沌粒子群优化算法及其应用

针对基本粒子群优化算法在迭代后期易陷入局部最优而出现早熟收敛的现象,基于混沌搜索的全局遍历性、随机性和规律性的特点,以粒子群群体适应度方差作为粒子群优化算法早熟收敛的判据,将Tent映射作为混沌搜索引入到基本粒子群算法中,对以一定概率随机选择的粒子群中的部分粒子实施混沌搜索,利用混沌特性提高种群的多样性和粒子搜索的遍历性,从而使粒子获得持续搜索的能力,提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能.几个典型测试函数的仿真实验和应用实例均证明了该算法的可行性.     

混合粒子交互微粒群算法

针对现有微粒群算法仅考虑单一一种引斥力规则使得其搜索能力存在的不足,考虑在不同搜索阶段采用不同的引斥力规则,提出搜索后期引力增强型混合引斥力微粒群算法(LAPSO算法)。利用拟态物理学中的引斥力规则使粒子保持多样性,提高算法的全局搜索能力;当进入到具有全局最优解的区域时,增强引力作用、减少斥力作用,利用比自身适应度好的粒子和全局最优解粒子的引力作用,提高算法的局部搜索能力。为进一步提高LAPSO算法的优化性能,将其与混合全连接型-环形拓扑结合,提出混合粒子交互微粒群算法(HIPSO算法)。通过6个Benchmark函数进行测试,结果表明,与现有的扩展-微粒群、微-微粒群、中值导向-微粒群等算法相比,所提的LAPSO算法、HIPSO算法具有较好的种群多样性,具有更好的寻优精度、收敛率和最优解搜索能力。结合文献[7]中的柔性流水车间调度离散优化实例和文献[20]中的超声振动加工工艺参数连续优化实例,验证了HIPSO算法的最优解搜索能力。