改进的粒子群-模拟退火算法在桁架结构优化设计中的应用

由于粒子数目多,维数大,用粒子群算法求解多约束问题的迭代求解过程需耗费大量时间。受达尔文的优胜劣汰自然法则启发,在粒子群算法中引入淘汰择优机制。使算法随着迭代次数增加,适应能力较差的粒子逐步被淘汰。最后留下的最优粒子需要较低的温度进行退火求解,寻得全局最优解。多峰值函数测试表明,改进后的算法能够高效率跳出局部最优寻得全局最优解。将改进的算法用于空间桁架结构优化,经算例表明,改进后的粒子群模拟退火串行算法降低了算法的求解复杂度,具有较好的稳定性和较优的收敛性,适用于空间桁架结构截面尺寸优化设计。     

基于外部参照优化算法的空调系统节能控制

分析了当前空调系统能耗优化算法存在的不足,根据空调系统非线性与时滞性的特点,提出了采用多目标粒子群优化算法进行寻优计算。将空调系统分为3个目标解,寻取多目标最优解Pareto前沿,根据Pareto前沿求得空调系统整体能耗最优值。普通多目标粒子群算法收敛性相对较差、仿真时间较长,提出了外部参照的多目标粒子群改进算法来提高收敛性与快速性。通过仿真实验和能耗分析对比发现,相较于其他算法,该改进算法的优化节能效果更佳。     

以云计算资源为基础实现粒子群算法的优化

本文全面研究了RBF神经网络及粒子群优化的算法,以云计算资源为基础实现了粒子群算法的优化,并且和标准粒子群算法、自组织选取中心算法实现性能对比。通过对比结果表示,改进粒子群优化算法的收敛速度在不断地加快,并且降低迭代次数,而且还能够使函数摆脱局部极值点。将其在RBF神经网络训练中的效果更加明显,能够提高网络优化能力和效果,提高网络在处理非线性问题时候的能力,促进最优解的收敛。     

基于改进粒子群算法的海洋钻机系统布局优化

为提高海洋钻机的工作效率和平台的空间利用率,应用改进的粒子群算法对海洋钻机系统进行布局优化研究。针对多目标、多约束的钻机系统布局优化问题,建立钻机系统布局优化数学模型,应用多目标粒子群算法直接求解,得出相应的最优解集。利用线性加权法将多目标转变为单目标进行求解分析,针对单目标粒子群算法的缺点,基于约束条件、惯性权重以及遗传算法的选择和杂交对粒子群算法进行改进,完成不同改进算法的测试实验。结果表明,在应用粒子群算法求解布局问题时将约束条件作为目标函数、单独引入遗传算法的杂交思想求解速度和精度更好。提出的基于杂交的动态惯性权重粒子群算法的布局优化问题求解性能更优,得到的优化方案符合海洋钻井作业要求且占用甲板面积较小。     

全局最优位置变异粒子群优化算法

针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.     

基于PSO的工程结构优化方法研究

为提高工程结构优化的精度,应用了一种耦合惩罚函数的粒子群优化算法。该算法是从鸟群觅食活动中受到启发而得到的进化算法,其中以结构总重量为目标函数,以应力、位移和力为约束条件,研究粒子群参数变化对结果的影响。协调的参数组合可以避免陷入早熟收敛而能够快速获得全局的最优解。通过与ANSYS优化模块和其他方法的计算结果比较验证了该方法的有效性。     

启发式粒子群优化算法及其在空间结构优化中的应用

介绍了应用于结构离散变量的标准粒子群优化算法(PSO)及被动群集的粒子群优化算法(PSOPC),指出了两者在处理约束条件方面的不足之处.在基于“和谐搜索“算法(Harmony Search)产生新解的思想基础上,提出了应用于结构离散变量的启发式粒子群优化算法(HPSO).应用所提出的HPSO算法对多个平面及空间桁架结构进行了截面优化设计,数值计算结果表明本文提出的启发式粒子群优化算法(HPSO)可以搜索到最优解,并且具有较高的收敛速度,尤其在迭代计算的初期,计算效率非常明显.HPSO算法明显提高了PSO算法的效率.     

基于自适应协方差矩阵进化策略的结构可靠度计算

自适应协方差矩阵进化策略(CMA-ES)算法是一种引导式随机优化算法,兼顾了深度搜索最优解和广度搜索解空间的能力。针对采用遗传算法(GA)、粒子群优化算法(PSO)等仿生优化算法求解复杂结构可靠度时往往遇到计算代价过高的问题,基于结构可靠度指标的几何涵义并结合验算点法,提出了结构可靠度计算的自适应协方差矩阵进化策略方法。研究结果表明,该方法是可行的,具有全局性好、收敛速度快的优点,与遗传算法、粒子群优化算法相比较,可大幅度地提高计算效率,为结构可靠度计算提供了一条新的途径。     

边坡临界滑面搜索的改进粒子群优化算法

边坡临界滑面的确定对边坡稳定分析和加固设计极为重要,采用基于变异和二次序列规划的改进粒子群优化算法(VSPSO)进行临界滑面搜索。VSPSO算法中通过变异操作增强粒子群跳出局部最优解的能力,并用二次序列规划(SQP)加速局部搜索,大大提高了粒子群获得全局最优的能力。通过对有解析解的边坡算例进行分析,验证了该算法的准确性及优越性;对澳大利亚计算机应用协会(ACADS)提供的均质边坡、多层土边坡以及含软弱层边坡进行分析,结果表明改进的VSPSO算法搜索所得滑面比传统PSO算法更逼近推荐答案,具有更好的鲁棒性,而且随着边坡复杂程度的增加,更能体现改进VSPSO算法的优越性,具有广阔的应用前景。     

一种基于Pareto云隶属度的MOPSO算法

为定量解决非支配解排序问题,并兼顾多目标粒子群优化算法(multi-objective particle swarm optimization,MOPSO)的收敛性和多样性,提出了一种基于Pareto云隶属度的MOPSO算法。利用Logistic混沌映射优化种群的初始空间分布并融合布谷鸟搜索(cuckoo search,CS)指导粒子跳出局部陷阱,以增强算法的全局寻优能力。首次提出云向量评价Pareto最优解集方法,采用云隶属度评价准则对粒子适应度值进行量化评价。依据云隶属度选取个体最优和群体最优,平衡全局开发与开采,进而实现外部档案维护。测试函数集ZDT的实验结果表明,改进算法在收敛性和多样性方面较MOPSO和NSGA-Ⅱ有一定优势。