基于粒子群算法的螺旋输送机多目标优化设计

以螺旋输送机的重量最小和输送效率最大作为数学模型的2个目标函数,螺旋体的结构参数为设计变量,建立了螺旋输送机的多目标优化模型,并用粒子群算法编程求解数学模型。求解优化结果表明,螺旋输送机的重量减少8.2%,输送效率提高4.5%,对螺旋输送机的优化设计具有一定的指导意义。     

基于粒子群算法的蜗杆传动多目标优化设计

以蜗杆传动接触点处的最小油膜厚度最厚、滑动速度和中心距最小为目标函数,采用粒子群算法对所建数学模型进行求解。优化结果与传统设计相比,获得了较大的最小油膜厚度和较小的滑动速度,提高了蜗杆传动的综合性能和摩擦学性能。     

基于改进粒子群算法的刨煤机多目标优化设计

针对刨煤机载荷波动率、刨削比能耗及生产能力问题,根据刨煤机刨削参数和刨头结构参数,并借助改进粒子群算法对刨煤机多目标进行优化设计。优化结果表明:刨煤机载荷波动率降低了20%、刨削比能耗降低了9.8%,生产能力升高了2.5%,极大地优化了上行刨削深度、下行刨削深度、上行刨速、下行刨速、刨刀数量和刨刀间距,有效地提高了刨煤机的整机工作性能。对比不同的优化算法,采用改进粒子群算法优化的刨煤机的综合性能优于其他算法。     

基于决策偏好的多目标粒子群算法及其应用

针对传统多目标粒子群算法在解决复杂多目标优化问题上的不足,提出一种基于决策偏好的交互式多目标粒子群算法。该算法考虑决策者的正偏好和负偏好对粒子的引导作用,首先计算外部种群粒子与双极偏好点的相对贴近度,并进行排序;根据排序结果进行外部种群管理和全局最优解更新;使用δ-邻域值控制Pareto解集的分布性。在随机多目标库存控制应用中,证明了该算法对复杂应用问题求解的有效性,性能对比结果表明,该算法的收敛性、多样性和运算时间优于基于参照点的第二代非支配解排序遗传算法。     

基于粒子群算法的神经网络优化及其在镗孔加工中的应用

采用粒子群算法对镗孔加工尺寸误差人工神经网络预测模型进行优化。实验表明，与误差反传算法(BP)相比较，粒子群算法优化神经网络收敛速度更快，预测精度更高。     

基于量子粒子群优化算法的斜齿轮设计

粒子群优化算法是一种基于群智能的优化方法,量子粒子群优化算法是基于PSO进行改进的算法,规则简单、收敛速度快、易于编程实现。对于多约束条件的斜齿轮传动的优化设计,笔者提出了一种基于量子粒子群优化算法优化求解的方法,实践表明能够快速、有效求得优化解,是求解齿轮优化设计问题的一个较好方案。     

基于速度扰动项的多目标粒子群算法研究

通过系统研究多目标粒子群算法,对于标准粒子群使用的线性惯性权重或常值惯性权重方法进行分析,发现粒子后期收敛速度的不足,针对这一问题,采用非线性递减指数函数的惯性权重取值方法,对粒子群速度更新公式进行分析研究,发现在算法迭代后期许多粒子速度停滞为零,易使粒子陷入局部最优,无法找到全局最优解,进而又提出了添加二次函数类速度扰动项的改进粒子群算法,该改进算法避免了粒子在迭代后期的停滞,使粒子在迭代后期仍具有较小的飞行速度,从而避免了粒子后期陷入局部最优。通过试验对比,改进后算法在收敛性和分布性能上均提高(30~50)%左右。     

改进型多目标粒子群优化算法在波纹管结构优化设计中的应用

将采用了协同搜索策略的改进的多目标粒子群优化算法,引入到波纹管结构优化设计过程中,以波纹管最小整体刚度和最小质量为优化目标,建立多目标优化设计模型,设计合理的波纹管结构参数。优化算例的结果表明,使用改进型多目标粒子群优化方法,能有效逼近实际在用的波纹管结构设计性能甚至更佳,寻找到最佳的结构优化设计参数组,从而为用户提供更为直观有效的设计参考。     

基于运动目标路径的粒子群优化算法研究

粒子群优化算法(PSO),是一种基于迭代的优化方法,能用于各类优化问题.首先分析传统粒子群优化的搜索策略与基本算法,通过修改限制因素,并对粒子群算法全局极值和个体极值选取方式的改进,从而得到了一个求解运动目标路径优化问题的算法.实验结果证明了算法的有效性.     

粒子群算法在装配顺序规划中的应用

装配顺序规划是计算机辅助工艺设计的一个重要环节,影响着轿车车身的装配质量和效率.针对当前装配顺序规划易产生组合爆炸等问题,提出了基于粒子群算法的装配顺序规划算法.装配偏差是影响装配质量的重要因素,因此应用装配体的装配偏差评价装配顺序.在装配顺序规划过程中,首先将装配顺序编码为粒子,根据所建立的判断规则进行识别粒子的可行性,并通过装配偏差评估可行粒子的适应度值,然后根据粒子群算法过程规划装配顺序,最后采用前翼子板案例阐述装配顺序的生成和优化过程.     

基于拥挤距离排序的多目标粒子群优化算法及其应用

针对多目标粒子群算法在全局寻优能力和Pareto集多样性上的不足,提出基于拥挤距离排序的多目标粒子群算法.该算法采用精英策略,基于个体拥挤距离降序排列,进行外部种群的缩减和全局最优值的更新,并在内部粒子群中引入小概率变异机制,增强算法的全局寻优能力,控制Pareto最优解的数目,同时保证其收敛性和多样性特征.在电梯曳引性能的多目标优化应用中,证明了该算法对于两目标和三目标优化问题求解的有效性.不同规模实例的运算对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于改进强度Pareto进化算法,且缩短了运算时间,具有较高的效率与鲁棒性.     

公差设计多目标模型及其粒子群优化算法研究

为解决成本一公差设计模型中忽视产品质量的问题，以新型的田口质量观和Pareto最优解集概念为基础，提出了一种公差设计多目标模型。该模型将加工成本和质量损失分别作为设计目标，并以统计法公差装配成功率为约束条件，获得了比极值公差法更加宽松的公差限。改进了传统的粒子群优化算法，利用Pareto最优性重新定义粒子，然后采用快速非支配排序技术进行粒子的适应度排序，使其能够有效地对多目标模型进行求解。该算法对具体工程实例求解时，一次运行就可求得令人满意的Pareto最优解集，设计者可以根据生产实际和市场需求从中进行选取。通过对求得的Pareto进行最优前沿的分析，可得到该类零件公差设计的特性，其结果验证了公差诒计的一船规徨．     

基于粒子群优化算法的车间布局设计

为降低车间内设备间的物料搬运成本,将粒子群优化算法与经典的系统化布置设计法相结合,以设备间的搬运成本为目标,求解面向车间布局的连续空间优化问题。在问题建模时采用二维向量表述设备的连续空间位置;引入系统化布置设计法对初始粒子群进行优化,在保证初始粒子群有效性的基础上提高了算法的寻优速度和精度;通过对加速系数和惯性系数的设定,提高了粒子群优化算法的寻优质量。通过实例验证了所提方法可以有效提高粒子群算法在连续空间布局问题上的优化性能。     

基于最佳粒子共享的并行粒子群优化算法及其在分类中的应用

粒子群优化（Particle Swarm Optimizer,PSO）算法是数据挖掘技术的一种算法。数据挖掘就是从大型数据库中的数据中提取人们感兴趣的知识。PSO算法模仿鸟群、鱼群的行为,通过群中的每个个体即粒子,依靠本身的速度向量和群信息,在多维搜索空间中搜索找到最优解。并行粒子群算法可以减小粒子间的相互干扰,扩大搜索范围;对于大规模或超大规模的多变量求解具有重要的意义,可以提高解的速度和解的质量。本文提出了并行粒子群的改进算法。同时将改进的并行粒子群算法应用于数据挖掘的分类中。实验采用IRIS数据集,它有3个类别,分别为Setosa,Versicolor,Virginica,每个类别包含50个例子。每个例子有4个属性,分别为花萼长度,花萼宽度,花瓣长度和花瓣宽度,将数据按9：1分成两部分,大的作为训练样本,小的作为测试样本。得到一个分类规则,将这规则用于测试集,准确率为91．5％。实验结果表明该算法可行。     

焊接机器人在铝制板翅式散热器主焊缝焊接中的运用

介绍了焊接机器人在铝制板翅式散热器主焊缝焊接中的运用,通过优化焊接机器人焊接工艺,采用单层焊接替代手工TIG双层焊接,其单层焊熔深可达到4.0 mm~4.5 mm,单层焊时焊枪的焊速可达到350 mm/min~500mm/min,其焊缝爆破与压力交变强度满足铝制板翅式散热器主焊缝强度要求,焊缝外观成型良好,效率高,质量稳定可靠,同时也降低了工人的劳动强度。     

基于协同粒子群算法的单元集成布局方法

为避免单元间布局和单元内设施布局分开孤立研究所导致的问题解空间损失,建立了多目标集成优化模型,对布局中涉及的单元间布局、单元内设施布置、设施摆放方向三个问题同时进行描述,扩大问题解的搜索空间。针对模型的复杂性和传统粒子群算法容易陷入局部最优的弱点,设计了基于结构化编码的多粒子群协同进化算法,在多个粒子群协同进化的同时,对各子群构建基因库,并对基因库粒子进行遗传操作,提高了算法的寻优能力。通过求解单元布局问题实例,验证了模型和算法的有效性。     

基于改进粒子群算法的起重机箱形主梁优化设计

针对具有约束条件的起重机主梁优化设计的问题,提出了基于约束规则的粒子群算法。该算法能够在整个可行解空间进行寻优,有效避免了陷入局部最优。计算实例表明：该算法在解决此类问题时,较之传统算法具有更好的优化效果,且效果明显。     

基于粒子群优化的数字多频陷波滤波器设计

数字多频陷波滤波器用于同时滤除或抑制数字信号中的多个频率分量,粒子群优化是模拟鸟群迁徙行为的元启发式搜索方法.以改进的粒子群优化算法为基础,提出了数字多频陷波滤波器的设计方法,它通过优化配置陷波系统的极点位置,实现了具有稳定特性的陷波系统的优化设计.所提设计方法的有效性和实用性,得到了一系列仿真实验的具体验证.     

基于k-中心点法的改进粒子群算法在旅行商问题中的应用

为将面向连续优化的粒子群优化算法应用于旅行商问题的求解,提出了旅行商问题的权重编码方案.该方案将属于组合优化的旅行商问题转化为连续优化问题,同时保留了粒子群算法的易操作性和高效性.针对粒子群算法易陷入局部最优的问题,提出了适合旅行商问题的基于k-中心点法的改进措施.该措施利用简单匹配系数构建粒子群的相异度矩阵,在此基础上采用k-中心点法对粒子群进行聚类分析,实现了粒子之间的信息交换,扩大了粒子的搜索空间,避免算法陷入局部最优.最后,用旅行商问题标准库的4个算例验证了权重编码方案和改进粒子群算法的有效性.