基于确定时间连续Petri网的航空发动机总装资源调度

为解决航空发动机总装过程中不同工艺对设备资源的竞争问题,进行了面向资源冲突的Petri网建模,将离散模型转化为确定时间连续Petri网模型.提出采用路由函数化解设备资源冲突,并对给定路由函数下系统的周期性进行了分析.为求解全局资源利用率最大的调度策略,采用粒子群优化算法优化资源路由参数,并将最优路由参数以启发函数的形式还原到离散Petri网模型调度中.案例研究表明,调度算法实现了资源的全局最优化,大大缩短了航空发动机维修周期.     

分布式科技资源多服务任务优化调度

为了解决分布式环境下科技资源服务过程并发服务访问不确定性高,按需服务实体产业分配不均衡的问题,提出一种基于多群落协作搜索的启发式任务调度策略.在分析科技资源服务调度过程及特点的基础上,搭建了考虑分布式科技资源并发服务访问不确定性和资源分配不均衡性的多服务任务优化调度模型;给出该调度模型的多群落双向驱动进化算法,并采用二进制对粒子的速度和位置进行编码,通过重构粒子表达式完成粒子群算法到离散空间的映射,同时建立不同粒子群落之间的交互进化机制以增强种群的多样性,进而提高算法对搜索环境的适应能力和求解精度.以汽车发动机故障诊断维修资源服务任务调度过程为例,验证了所提方法的有效性,为复杂调度问题的求解提供了有效手段.     

基于群智能算法的设备布局离散优化研究

针对单向环形设备布局设计问题,建立了新的数学模型.利用多维实数编码及映射方法,将连续粒子群优化算法应用于求解设备单向环形布局问题,提供了求解离散优化问题的新思路.利用遗传算法中的杂交策略扩展了粒子群优化算法,提高了粒子群优化算法性能.建立了问题的图结构描述,以引入蚁群系统算法搜索优化解.给出了两种方法的求解步骤.通过实例计算和结果比较,说明该算法能有效地解决此类离散优化问题,降低成本,提高效率,所得解质量较高,有很好的实用价值.     

一种新粒子群优化算法及其实际工程应用

针对传统粒子群算法无法求解混合离散变量的优化问题,以桥式起重机组合型截面梁为研究对象,提出了一种连续变量离散变量混合的约束粒子群算法,不同于传统离散粒子群算法的圆整数值变量,该算法将设计变量分为连续变量、常规离散变量和特殊离散变量,并分别采取传统、圆整和随机步进速度改良措施,使粒子群在可行域内外运动,逐步靠近最优点,解决了桥式起重机组合型截面梁主梁优化问题,并为某些特定种类的连续变量离散变量混合优化问题提供了一种可行的改进粒子群算法。     

基于自适应蚁群算法的协同制造项目资源优化配置

为探索更高效的协同制造资源优化配置算法,提出了基于自适应蚁群算法的求解方法。针对零件的特定工艺线路,建立了以时间、成本和质量为目标的制造资源优化配置模型,设计了模型求解的自适应蚁群算法,并给出具体算例,验证了算法的可行性和有效性。     

基于量子粒子群算法的制造网格资源调度问题研究

对制造网格资源调度问题进行研究,提出了一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法一量子粒子群算法来实现对该问题的求解。该算法采用整数编码方式,将网格资源调度问题转化成准连续优化问题,并采用加权目标组合的方式处理多目标条件。最后通过具体实例,对该算法进行了仿真验证,结果表明,在求解制造网格资源调度这类NP—Hard问题时,量子粒子群算法能获得比遗传算法更优的求解效果。     

产品定制协同制造资源优化配置

为实现产品定制协同生产模式下各种制造资源的优化选择与配置,提出产品定制协同制造资源优化配置的双层规划求解方案。在对产品定制协同制造资源配置过程进行分析的基础上,给出客户满意度及企业定制经济效益的定义和计算公式,构建了产品定制资源优化配置的双层规划数学模型;提出一种嵌入双层迭代规则的混合遗传算法对产品定制资源优化配置双层规划模型进行求解。以某5MW风机产品客户定制加工订单为例,验证了所提资源优化配置双层规划模型的可行性及其混合遗传算法的有效性。     

面向网络化制造的制造资源优化配置研究

在网络化制造环境下，根据生产企业在外部资源利用方面的三类需求，提出了两种可行的制造资源优化配置方法；详细论述了优化的步骤和过程，建立了优化模型，给出了模型求解的有效算法。最后，给出具体的计算实例，以验证优化配置方法及算法的有效性。     

基于改进离散粒子群算法的炼钢连铸最优炉次计划

提出了炉次数未知的炼钢连铸一体化生产的组炉模型.对该模型直接求解存在大量不可行解的困难进行分析,提出将该模型转化为伪旅行商问题的方法,并提出采用离散粒子群优化算法求解该问题.针对离散粒子群优化收敛速度和精度低的缺点,提出了一种基于序列倒置的改进离散粒子群优化算法.引入学习选择概率来选择学习粒子,利用运行代数阈值常数确定当前粒子何时向全局最优粒子学习,并通过局部最优子粒子群比决定局部最优子群的规模.讨论了这些参数的选择原则,并给出了相应参考选择范围.实验研究表明,所提模型是合适的,所提改进算法是有效的.     

基于复杂网络理论的多项目实施资源优化配置研究

针对多项目实施过程中的资源优化配置问题,首先建立了基于复杂网络理论的多项目实施资源配置复杂网络模型,并结合Pajek分析软件对模型参数进行分析研究;其次提出了资源受限下的多项目实施资源配置算法;最后以多项目实施中资源配置为例,结合资源优化配置算法,以资源配置效益最大化为目标函数,对资源受限下的多项目实施资源优化配置问题进行研究,验证了该方法的可行性和有效性.     

改进粒子群算法在网格资源分配中的优化

针对并行网格任务的资源分配问题,提出了一种基于并行粒子子群优化的分配算法.该算法引入效用函数,反映网格任务的偏好和目标,利用乘子法转化约束条件,导出适应度函数.最后通过粒子子群的并行寻优过程,得到资源分配的最优解.仿真实验表明了该算法的有效性,且在任务较多的情况下,优化结果好于传统粒子群算法.     

Novel Discrete Particle Swarm Optimization Based on Huge Value Penalty for Solving Engineering Problem

For the purpose of solving the engineering constrained discrete optimization problem, a novel discrete particle swarm optimization(DPSO) is proposed. The proposed novel DPSO is based on the idea of normal particle swarm optimization(PSO), but deals with the variables as discrete type, the discrete optimum solution is found through updating the location of discrete variable. To avoid long calculation time and improve the efficiency of algorithm, scheme of constraint level and huge value penalty are proposed to deal with the constraints, the stratagem of reproducing the new particles and best keeping model of particle are employed to increase the diversity of particles. The validity of the proposed DPSO is examined by benchmark numerical examples, the results show that the novel DPSO has great advantages over current algorithm. The optimum designs of the 100-1 500 mm bellows under 0.25 MPa are fulfilled by DPSO. Comparing the optimization results with the bellows in-service, optimization results by discrete penalty particle swarm optimization(DPPSO) and theory solution, the comparison result shows that the global discrete optima of bellows are obtained by proposed DPSO, and confirms that the proposed novel DPSO and schemes can be used to solve the engineering constrained discrete problem successfully.     

加工参数优化中自适应协同粒子群算法研究

针对加工参数优化过程中粒子群优化算法的优化效果受参数影响较大的问题,提出了自适应协同粒子群优化算法。对粒子群优化算法的参数对优化结果的影响进行了详细而深入的分析,在此基础上,给出了优化过程中惯性权重、学习因子、最大速度等参数的变化规律,并通过仿真的方法确定了最优参数的取值。最后通过对基准函数的仿真实验,验证了本文算法的正确性和有效性。     

基于深度学习算法的调度自动化云平台任务优化策略研究

分析了云平台任务调度的特点和目标,从任务调度算法入手,提出了基于改进粒子群算法的电力调度自动化系统的人工智能方法,开发了云计算操作的模型。基于该算法和物理模型的运行控制考虑了 QoS 要求和平台云居民的环境负载平衡,可以有效提高所提电力调度自动化系统的云平台任务调度的效率。以电力自动化云平台为分析对象,研究其架构,将修正的 PSO 算法与云资源调度模型的结构拓扑相结合,建立三级数据节点,给出了基于改进 PSO 的云平台调度模型,旨在提高云计算资源配置效率,改善云服务质量,解决电力调度自动化系统的任务调度问题。     

基于粒子群算法的公差分配优化方法

基于成本—公差模型和质量损失模型,以加工能力和装配尺寸链的功能约束条件为标准,以制造成本最低、质量损失最小为优化目标,建立兼顾产品成本和质量的公差分配的多目标函数优化模型。基于粒子群优化算法,按照从全局到局部的寻优策略,用线性调节方法来确定其参数的变化规律,进而应用MATLAB软件对建立的函数模型进行优化计算,得到产品的生产成本和质量损失之间的关系曲线,可为公差分配提供更多的解决方案和更可靠的理论依据。     

基于改进微粒群算法的起重机主梁优化设计

现阶段起重机金属结构的优化设计一般都采用传统的优化算法,但传统算法普遍存在或对目标函数有解析性要求、或易陷入局部最优、或耗时较长的问题.微粒群优化算法是一种基于群体智能的新型优化算法,它可调参数少、对解析性无要求,已成功应用于多种领域.将微粒群算法应用于起重机主梁的优化中,经实例验证,在保证优化性能的前提下,基于微粒群算法的设计方法与网格算法相比,优化速度显著提升.     

粒子群算法在工程优化设计中的应用

将粒子群算法与惩罚函数法相结合,建构一种离散粒子群算法,解决工程上非线性约束离散变量优化设计问题。为实现离散变量与连续变量的转化,构造了相应的扩张函数,提出惩罚因子的确定策略。通过容器设计算例验证,粒子群算法方法优于文献所列方法。应用粒子群算法、惩罚函数法及所提出的策略对波纹管工程实例进行优化设计,其单位重量下整体波纹管的补偿量比在用产品提高了79.96%,与理论解接近,进一步证明了离散粒子群算法及策略在处理工程非线性约束离散优化设计问题时的有效性,其为工程上类似优化设计提供借鉴。     

基于粒子群算法的地震模拟振动台参数整定方法

在地震模拟振动台控制系统中,常用三参量控制实现加速度信号控制,但目前三参量参数理论整定方法存在效果不佳、智能化程度不高等问题.针对三参量控制参数整定问题,提出一种基于粒子群算法的三参量控制参数整定算法,利用粒子群算法的寻优能力完成三参量参数整定研究.仿真结果显示,与理论值相比,粒子群算法自整定值控制下地震模拟振动台波形...     

改进的粒子群优化算法及其工程应用

针对单目标粒子群优化算法局部搜索能力差,不能有效求解高维、复杂工程问题等缺点,提出了一种改进的粒子群优化算法,即单纯形粒子群优化方法的混合算法(SM PSO)。该混合算法,在继承粒子群优化算法原有优点的同时,不但可减少计算规模,且有效地增强了粒子群优化算法的局部搜索能力,提高了算法的鲁棒性能。文中采用30维经典测试函数及齿轮减速器优化问题作为算例,验证了该算法的优越性能。     

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.