基于粒子群优化算法的装配序列规划研究

针对装备制造业中存在的装配序列规划问题,建立最小化装配次数和方向改变次数之和为目标的优化模型。针对优化模型提出具有随机性特点的初始种群启发式编码,设计粒子群算法。为避免粒子陷入局部最优,采用不同程度的局部搜索操作方式,达到增强粒子群算法局部搜索的能力。实例验证表明,该算法在解决装配序列规划问题上具有优势,求解效果较好。     

基于蚁群算法的改进装配序列规划方法

机械产品的装配序列直接影响到产品质量和成本,装配序列规划是产品设计的重要内容.为快速实现产品装配序列规划,根据零部件间的装配优先关系,提出了一种改进的装配序列规划方法,并基于蚁群算法予以实现.该方法充分考虑装配过程中的几何约束关系,并引入稳定性、装配经验等因素的影响,以稳定性、装配经验、装配工具和方向的改变次数为影响因子构建优化目标评价体系,使所得解更具有实际指导意义.在求解过程中,根据几何约束关系运用动态候选集合策略限制蚁群的搜索空间,提高了搜索效率;考虑稳定性因素的影响改进了蚁群的状态转移规则,同时引入局部-全局信息素更新规则,保证了蚁群获得最优或近优解.最后,通过实例研究验证了算法的可行性和高效性.     

基于粒子群算法的装配规划研究

根据复杂产品装配规则问题的特点和要求,提出了一种粒子群装配优化算法.该方法采用干涉矩阵作为优化解的几何搜索空间.以重定向次数、工具更换次数、装配类型改变次数作为装配成本评价指标,实现了对装配过程的多目标优化.并得到最优装配规划序列.通过实例时算法的有效性进行了验证.     

基于粒子群算法求解整数规划的改进方法

标准粒子群算法主要用于优化连续性,而对粒子群算法求解非线性整数规划,算法的粒子位置必须解决取整问题。基此,文章提出一种粒子位置最终取整的方法,以改进粒子群算法解决整数规划的具体过程。基准函数的仿真结果表明,改进后的取整方法的搜索成功率优于直接取整和随机取整,综合搜索效率更佳。     

装配序列规划的一种改进蚁群算法

在当前的基于蚁群算法的装配／拆卸序列规划研究中,装配／拆卸序列都是在假设整个产品中 各个零件处于失重的情况下生成的,没有考虑零件稳定性,导致生成的序列不能完全反映工程情况。针 对这个问题,提出了使用扩展支撑矩阵来判断稳定性的思想;对蚁群算法的转移概率表达式、成本函数 及信息素更新表达式进行了相应的改进,建立了装配序列规划问题一种改进蚁群算法。实例仿真实验结 果表明:改进蚁群算法较之于已有的蚁群算法和遗传算法更为高效,所得到的解更具有工程意义。     

装配序列规划的一种改进蚁群算法

在当前的基于蚁群算法的装配／拆卸序列规划研究中，装配／拆卸序列都是在假设整个产品中各个零件处于失重的情况下生成的，没有考虑零件稳定性，导致生成的序列不能完全反映工程情况。针对这个问题，提出了使用扩展支撑矩阵来判断稳定性的思想；对蚁群算法的转移概率表达式、成本函数及信息素更新表达式进行了相应的改进，建立了装配序列规划问题一种改进蚁群算法。实例仿真实验结果表明：改进蚁群算法较之于已有的蚁群算法和遗传算法更为高效，所得到的解更具有工程意义。     

基于改进粒子群算法的输电网扩展规划

针对标准粒子群（SPSO）算法易收敛到局部最优的缺点,采用了一种改进的粒子速度更新公式,即在SPSO算法速度更新公式的基础上,加入一个平均极值项,使得各粒子能参考其它同伴的信息;此外在算法迭代过程中加入变异操作,适时初始化失活粒子的位置和速度来保持种群多样性．在输电网扩展规划中的应用结果表明,上述两个操作可以提高PSO算法的收敛精度,使算法最终寻找到全局最优解,从而证明了改进粒子群（IPSO）算法的有效性．     

基于改进粒子群算法的输电网扩展规划

输电网扩展规划是一个非常复杂的大规模组合优化问题,提出了一种改进粒子群算法求解此类优化问题。该算法针对传统的粒子群算法存在的缺点,对粒子群迭代行动策略、初始化策略以及惯性权重的调整进行了改进,并将单纯形法引入到算法中,弥补算法容易陷入局部最优的缺点,提高了粒子群算法的搜索效率,使其更适用于输电网扩展规划。将其应用到Garver-6节点系统和一个18节点系统,计算结果证明该算法的可行性和有效性。     

求解二层规划问题的改进粒子群算法

两层规划问题是一个NP-难问题,这意味着它很难被求解．基于粒子群算法提出了一种求解二层规划问题的方法,通过分离目标函数和约束函数,使每个粒子拥有双适应值,并通过双适应值来决定个体优劣．应用了一种自适应保留不可行个体的策略．数值结果表明了算法的有效性．     

基于改进粒子群算法的无人机路径规划研究

将复杂网络理论应用于粒子群算法改进,提出了一种改进粒子群算法,通过自适应惯性系数方法自动调节惯性系数,增强算法的收敛性能.仿照Voronoi图理论,用可行路径网络结构图表示已知威胁分布情况,采用Dijkstra算法粗略搜索威胁分布图,求得粗略最短路径.在粗略最短路径的基础上,通过改进粒子群算法和最小二乘法拟合求解最优路径.用MATLAB进行了仿真验证,仿真结果表明了算法的有效性和无人机路径规划的合理性.     

基于改进粒子群算法的时间最优机械臂轨迹规划

针对机械臂关节空间轨迹规划的时间优化问题,结合机械臂运动约束,提出基于非线性动态改变惯性权重的粒子群优化(NPSO)算法.根据传统3-5-3多项式插值方法,采用改进粒子群算法寻求最短关节运动时间,研究线性递减改变惯性权重(LPSO)算法和NPSO算法的性能,选用NPSO算法完成关节运动时间最优求解.研究结果显示,经时间优化后的3-5-3插值曲线连续光滑且具备更好的运动特性,整体运动时间缩短约26%,证实提出的方法具有可行性.     

PSO的改进——跳蚤算法

针对PSO算法所存在的早熟问题,提出了一种新的优化方法,即跳蚤算法。此算法在粒子之间加入排斥力,使得各个粒子无法聚集在同一点上,从而整个粒子群不可能趋同于局部最优解,跳蚤算法不需要假设函数最优解在粒子群运动轨迹包络体之内。采用F(x1,x2)=sin(r)/r,其中r=x21+x22(1/2)等函数验证了该算法的寻优效果。     

基于对称扰动的改进粒子群算法

存分析现有的一些粒子群算法的基础上,给出了一种指数递减改变惯性权重和对称扰动的改进粒子群算法.对称扰动的引入,增强了单个粒子的搜索性能,使得群体全局寻优能力得到提升.仿真测试结果表明,改进的算法具有更好的求解精度和较快的计算速度.     

改进的协同粒子群优化算法

针对协同粒子群优化算法存在停滞,不能保证收敛到局部或全局最优值的问题,提出一种改进的协同粒子群优化算法(CCPSO-Hk),该算法将混沌理论引入协同粒子群算法(Chaos PSO)中,利用混沌运动的随机性、遍历性和规律性等改善了协同粒子群算法(Cooperate Particle Swarm Optimization)的性能.通过仿真验证算法的有效性.     

基于改进二进制粒子群算法的机组配对优化

以机组资源利用率最大作为优化目标进行机组配对研究,根据航班计划表构建航班连接网络图,基于深度优先搜索(DFS)算法产生初始配对结果,提出改进二进制粒子群优化算法(IBPSO)进行寻优.IBPSO引入指数型增长惩罚因子和基于余弦自适应惯性权重,种群进化前期采用无速度限制S形映射函数与强制性位置更新程序,后期采用正弦映射函数与非强制性位置更新程序.两组不同规模航班算例验证表明,IBPSO能克服原始算法收敛慢、迭代后期局部开发能力差的缺点,在维数增加时依然能有效提高算法寻优速度和解的质量.     

一种改进的混合粒子群优化算法

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,把Hooke-Jeeves模式搜索方法作为粒子群优化算法的一个局部搜索算子,嵌入到粒子群算法中,Hooke-Jeeves的强局部搜索能力提高了粒子群优化算法的局部收敛速度和精度,从而提出了一种混合粒子群优化算法。通过基准函数和实例测试进行了验证,结果表明,提出的混合算法的收敛速度和精度均优于粒子群优化算法。     

基于粒子群免疫优化算法的足球机器人路径规划

为提高PSO算法的性能,引入免疫算法中浓度调节机制的“抗体浓度选择”策略形成粒子群免疫算法,利用该算法对足球机器人进行路径规划,使足球机器人从给定点到目标点可以有效地躲避障碍物并且得到一条最短路径。实验结果表明,该算法具有高效的全局搜索能力和良好的收敛稳定性。     

求解CVaR投资组合优化问题之改进PSO算法

研究了基于CVaR约束的的最优投资决策问题,为避免维数障碍,针对Fredrik提出的CVaR投资组合优化线性规划模型还原为非线性规划。通过引入缩进因子,改进PSO算法,使粒子在迭代过程中保持在可行域内。最后,通过算例证明了该文方法的有效性,计算结果表明,投资组合优化后的损失期望收益率、标准差、受险价值、条件受险价值等重要风险衡量指标都有了较大改进。