基于齿轮动态激励和弹流润滑的多目标优化

依据齿轮啮合动态激励基本原理和弹性流体动力润滑理论,建立同时追求齿轮啮合时变刚度激励最小、齿间最小油膜厚度最大(倒数最小)及齿轮传动总体积最小的约束多目标优化设计数学模型.对现有的用于两目标优化设计的粒子群优化方法加以改进,给出了约束3目标优化设计方法.利用Matlab编制优化程序,并对范例进行分析计算.优化过程及结果表明,采用较多的齿数,在小于1的范围内采用较大的正变位系数,适度采用较大的压力角可以增大轮齿啮合综合刚度谱图中基频谐波的幅值,有效地提高齿轮传动系统抵抗内部激励振动的能力及性价比.     

基于改进粒子群算法的非对称传动主轴多目标优化

针对某特种车辆传动系统由于结构布局限制导致的主轴两侧非等强度设计问题,综合考虑传动主轴-轴承系统内外多源激励,采用集中质量法建立系统非线性振动模型.基于所建立的模型,利用Runge-Kutta进行数值仿真求解,分析了稳态工况下系统弯扭耦合振动响应以及系统动载荷和振动能量的分布特点,得出了主轴右侧断裂的主要原因.为解决传...     

基于多目标优化PID的纸浆浓度控制系统

目的 针对纸浆浓度PID控制系统在时滞性、稳定性、耦合性方面的不足,提出一种基于多目标优化的纸浆浓度PID控制方法.方法 对纸浆生产工艺进行分析,结合纸浆浓度PID控制系统,设定多属性的决策变量,建立对应的目标函数和约束条件;从质量、产量、成本、环境等4个方面对纸浆浓度PID控制过程进行多目标优化,构建基于多目标优化的纸浆浓度PID控制模型;采用改进量子粒子群算法对多目标优化模型进行求解,获得Pareto最优纸浆浓度控制方案;将建模方法、优化算法、优选方法进行耦合,从而形成"建模-求解-优选"全过程的纸浆浓度控制方法.结果 通过对纸浆浓度控制优化前后的决策变量进行比较分析可知,多目标优化PID控制方法在评价指标方面满足了质优、高产、低耗的多目标优化的可控性要求;相较于传统PID控制方法,IPSO-PID控制方法的响应速度更快,具有更好的鲁棒性;在PID参数优化方面,文中的优化模型整定控制参数在0.05 s内达到稳态阶段,稳态误差更低,具有更好的稳定性.结论 在保证系统鲁棒性的同时,基于多目标优化算法的纸浆浓度PID控制系统可实现对纸浆浓度的精确性和稳定性控制,更好地满足实际工业生产的要求,确保纸张质量的品质.     

求解线接触热弹流润滑问题的多目标最优化方法

本文给出了求解线接触热弹流润滑问题中线非线性方程组的多目标最优化方法，该法把求解润滑油膜压力函数和油膜厚度函数的微分方程转化成为求解一个双目标优化问题，求得了压力和膜厚的解析解，所得结果符合热弹流润滑的经典理论。     

基于最小二乘支持向量机的电站锅炉高效率低NOx的多目标优化研究

针对锅炉燃烧系统的多目标优化,在所建立的锅炉燃烧系统预测模型的基础上,分别采用加权-粒子群算法和多目标粒子群优化(multi-objective particle swarm optimization,MOPSO)算法优化锅炉系统的可调整运行参数,以实现锅炉高效率低NO_x排放。分析表明,2种优化算法所得的运行参数相近,趋势与燃烧特性分析和燃烧调整试验结果相符合,说明智能算法优化电站锅炉燃烧系统有效可行。但是加权-粒子群优化算法主观依赖性严重,难以选取合适的权值,优化时间长且结果少;而MOPSO算法优化时间远远小于加权-粒子群算法优化时间,并且优化结果更多,优化效率更高,更有利于指导锅炉的实际运行。     

交叉口间接左转多目标信号协调配时优化

为提升城市交叉口主干交通的通行效率,探究在“右转-掉头-直行”间接左转模式下对车流进行信号协调控制的配时方法。在模型构建部分,兼顾主干车流、转向车流和行人通行效益,使用模糊偏好法分配权重,构建多目标优化模型,并采用粒子群算法求解。在实例分析部分,选取典型交叉口为分析对象,以四相位等饱和度的信号配时设计作为常规方案,以间接左转的信号协调控制作为改进方案,对比两者的通行效益。结果表明,改进方案下主干车流延误降低50.8%,通行能力提升57.6%,左转车流延误升高31.2%,交叉口整体延误降低26.3%,主干交通通行状况改善明显。     

基于资源限制的多目标网络计划优化模型

目前网络计划优化研究要么没有考虑资源限定的柔性,要么只是集中于单纯的工期优化或资源优化等单目标优化。本文针对传统网络计划建模资源限制缺少柔性、优化目标单一等问题进行了深入的研究。在柔性资源的限制下,为使得工程网络计划达到总体最优,考虑工程项目的工期、成本、项目净现值、资源的均衡等多个目标,建立其网络计划优化模型,并采用粒子群算法予以求解。根据拓扑排序算法生成满足时序约束的活动序列并计算活动的时间参数。对于产生资源冲突的活动,依照执行优先权解决冲突资源的执行顺序,更新时间参数。采用随机权重的方法,让粒子群算法种群的多个个体进行随机转化,从而保持解的多样性。采用国际上通用的Patterson问题库中benchmark算例对本文提出的方法进行验证。结果表明,与初始方案相比,优化后的方案分别在工期上缩减了20%,成本上缩减了11.17%,净现值增加了11.82%,资源均衡度减少了18.29%。由此可见,提出的基于粒子群算法的优化模型对资源限制下的网络计划中的工期、成本、净现值、资源均衡度等多个目标均实现了不同程度的优化。     

多目标优化软件开发及其应用

针对基于传统数学规划原理的多目标优化方法在实际工程优化问题中的脆弱性及现有一些多目标优化方法在应用时具有的缺陷性,提出了一种将改进粒子群算法与灰色决策相结合的多目标优化方法.联合MATLAB和VB,开发了一款基于该方法的便于工程应用的多目标优化软件.将该软件应用于掘进机铲板参数多目标优化,取得了良好的优化效果,验证了该方法的可行性,为工程实际中处理多目标优化问题提供了便利与借鉴.     

基于多目标粒子群协同算法的状态参数优化

针对铅锌烧结过程综合透气性、烧结终点的优化具有强非线性、计算复杂等特点,提出了一种有效的多目标粒子群协同优化算法。首先,建立了有综合透气性、烧结终点两个目标的优化模型。接着,通过改进的约束比较方法、粒子极值选取方法,以及利用不同的粒子群来分别优化相应的变量,提出了一种改进的多目标粒子群协同优化算法。最后,利用提出的多目标优化算法进行综合透气性、烧结终点的优化。仿真结果表明,所提出的多目标优化算法能较好地解决综合透气性、烧结终点的优化问题。     

基于粒子群与聚类的多目标优化算法

针对粒子群优化算法容易陷入局部最优的问题,提出了一种基于粒子群优化与分解聚类方法相结合的多目标优化算法。算法基于参考向量分解的方法,通过聚类优选粒子策略来更新全局最优解。首先,通过每条均匀分布的参考向量对粒子进行聚类操作,来促进粒子的多样性。从每个聚类中选择一个具有最小聚合函数适应度值的粒子,以平衡收敛性和多样性。动态更新全局最优解和个体最优解,引导种群均匀分布在帕累托前沿附近。通过仿真实验,与4种粒子群多目标优化算法进行对比。实验结果表明,提出的算法在27个选定的基准测试问题中获得了20个反世代距离(IGD)最优值。     

Multi-objective optimization of engineering systems using game theory and particle swarm optimization

This study proposes particle swarm optimization (PSO) based algorithms to solve multi-objective engineering optimization problems involving continuous, discrete and/or mixed design variables. The original PSO algorithm is modified to include dynamic maximum velocity function and bounce method to enhance the computational efficiency and solution accuracy. The algorithm uses a closest discrete approach (CDA) to solve optimization problems with discrete design variables. A modified game theory (MGT) approach, coupled with the modified PSO, is used to solve multi-objective optimization problems. A dynamic penalty function is used to handle constraints in the optimization problem. The methodologies proposed are illustrated by several engineering applications and the results obtained are compared with those reported in the literature.     

Multi-objective feasibility enhanced particle swarm optimization

This article introduces a new method entitled multi-objective feasibility enhanced partical swarm optimization (MOFEPSO), to handle highly-constrained multi-objective optimization problems. MOFEPSO, which is based on the particle swarm optimization technique, employs repositories of non-dominated and feasible positions (or solutions) to guide feasible particle flight. Unlike its counterparts, MOFEPSO does not require any feasible solutions in the initialized swarm. Additionally, objective functions are not assessed for infeasible particles. Such particles can only fly along sensitive directions, and particles are not allowed to move to a position where any previously satisfied constraints become violated. These unique features help MOFEPSO gradually increase the overall feasibility of the swarm and to finally attain the optimal solution. In this study, multi-objective versions of a classical gear-train optimization problem are also described. For the given problems, the article comparatively evaluates the performance of MOFEPSO against several popular optimization algorithms found in the literature.     

Multi-objective optimization of a flexible slider-crank mechanism synthesis,based on dynamic responses

This work deals with a multi-body system synthesis. A flexible slider crank mechanism has been investigated as an illustrative application. The main interest is focused on the mechanism design variables’ identification based on its dynamic responses. Three responses have been involved such as the slider velocity, the slider acceleration and the mid-point transversal deflection of the flexible connecting rod. Each of these responses has been embroiled separately in a mono-objective optimization. Subsequently, the multi-objective optimization subsuming these responses has been established. Two different optimization methods have been studied namely the genetic algorithm (GA) and the particle swarm optimization (PSO) technique. It has been proved that the multi-objective optimization presents more accurate results beside the mono-objective optimization. Compared to the GA, the PSO is more powerful and is able to identify the mechanism design variable with better accuracy, in spite of the affordable computational time allowed with the GA optimization.     

基于粒子群算法多目标优化液压支架四连杆

针对煤矿液压支架四连杆受力计算较为复杂,简化计算时易出现较大误差且稳定性较差的问题,提出从四连杆机构的空间受力出发并结合支架的运动轨迹,采用粒子群优化算法对四连杆机构展开优化研究。首先建立了四连杆优化模型,在优化模型中选取对结果影响较大的参数作为优化变量,以轨迹偏差、连杆长、连杆力之和作为目标函数,根据液压支架设计规范确定约束条件。然后使用粒子群算法对目标函数进行迭代求解并在求解过程中采用惩罚函数法解决优化模型中不等式约束问题。对比优化前后连杆的杆长、受力和稳定性数据,发现优化后的四连杆实现了轻量化,且受力较小,稳定性提高。研究结果对四连杆的设计有实际参考价值。     

舰艇武器布置问题的一种协同优化算法

针对舰艇武器布置问题的特点，提出了一种基于粒子群优化和分类器系统的协同优化算法，以粒子群优化进行优化计算，用分类器系统消除约束．计算实例表明，该算法能较好地实现优化计算，并能节省大量的计算时间．