基于粒子群算法的装配公差优化分配

装配公差分配是产品公差设计的重要组成部分.目前装配公差优化分配主要使用遗传算法.为了提高收敛速度,避免早熟收敛,提出了基于粒子群算法的装配公差优化分配方法.采用了基于实数的编码表示方法,以装配公差分配的优化目标函数作为评价函数,利用罚常数将约束条件并入评价函数中.一个实例的优化结果表明所提方法的收敛性、稳定性和算法效率均优于基于遗传算法的方法.     

萤火虫群优化算法在公差分配优化的应用

萤火虫群优化算法是一种新颖的群体智能优化算法,目前在优化领域中的应用比较少。分析了萤火虫算法的仿生原理和数学模型。提出了基于萤火虫群优化算法的公差分配优化方法。以公差分配的优化目标函数作为评价函数。在基本GSO算法的基础上,使用罚函数,把它加到目标函数中,不断地寻找更优可行解,逐渐达到搜索全局最优解。通过一个具体实例测试,并将萤火虫算法和微粒群算法相比较,仿真实验结果表明萤火虫群优化算法在公差分配优化问题中有效可行,且具有较高的计算效率。     

基于粒子群算法的冷连轧机轧制负荷分配优化

利用粒子群算法设计了一种冷连轧轧制负荷分配的优化方法。根据某1450五机架冷连轧机生产工况,以压下量分配为自变量,以轧制力成比例分配为目标函数,将压下量分配的约束条件作为惩罚项,建立惩罚函数。通过粒子群多代运算,求出罚函数值最小点,得到压下负荷最佳分配点。实验证明,粒子群算法在轧制负荷分配计算中,具有算法实现简便、运算速度快、收敛性好等优点,可以作为一种冷连轧轧制负荷分配的新方法加以推广。     

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．     

尺寸公差与形位公差混合优化分配

为解决尺寸公差与形位公差混合优化分配问题,提出了一种公差优化分配方法.根据成本-公差函数和尺寸公差与形位公差的关系,建立了以最小制造总成本为目标的非线性公差混合优化分配模型.该模型的约束包括装配尺寸链的功能要求和加工能力.求解该模型能同时得到优化的尺寸公差和形位公差.最后,分别用公差混合优化分配法和传统方法对一个实例进行公差分配,结果表明所提方法比传统方法更优越.     

基于混合粒子群算法的企业订单分配优化研究

LED芯片厂将芯片按亮度和波长用不同的BIN来分类,客户下单时的产品需求规格以亮度等级范围和波长波段范围表示,因此要满足一张订单,有相当多种的BIN出货数量组合可满足。BIN出货组合越合理,越多的订单可满足,企业的库存水平可降至越低。为了达到此目的,提出采用混合粒子群算法来优化各订单的BIN库存分配组合,以实现出货数量最大的目标。实证结果证明该方法实用有效,能够为企业带来更大的经济效益。     

基于小生境粒子群算法的公差多目标优化设计

为解决产品设计中的公差优化问题,提出一种基于小生境粒子群算法的公差多目标优化方法。以加工成本、质量损失成本和公差敏感性为优化目标,以装配功能要求和加工能力为约束条件,建立了公差多目标优化模型。对标准粒子群算法进行改进,根据小生境数和Pareto优劣性确定孤立粒子,并通过个体历史最优粒子与孤立粒子的变异、选择操作更新粒子的个体历史最优位置;利用Pareto支配数排序更新粒子群的全局最优位置。利用改进的粒子群算法对公差多目标优化模型进行求解,得到分布均匀的Pareto前沿。设计并开发了原型系统,通过实例验证了该方法的有效性。     

基于灰色粒子群算法的飞机装配公差多目标优化设计

为全面考虑公差对制造成本的影响,将装配成本引入飞机装配公差优化设计模型,针对典型的飞机装配工艺方法,提出一种基于制造成本和质量损失的公差多目标优化设计模型,进而实现不同装配方法约束下的公差优化设计。将灰色关联理论与粒子群优化算法相结合应用于公差优化设计,根据公差设计特点提出改进策略,使其能够有效实现模型的求解。以某飞机典型组件为例,验证了该方法的有效性,并对不同装配方法的公差设计结果进行了对比分析。     

一种面向薄壁件装配的公差优化分配方法

为实现薄壁件装配的公差分配优化,提出了一种面向制造和变形的公差优化方法。首先,针对薄壁件变形,采用有限元方法将尺寸链环表示为单元,建立了有限元模型。然后,根据单元有限元模型推导了整体有限元模型,并得到封闭环与组成环变形满足的关系。最后,将变形关系作为公差优化的约束条件,推导了薄壁件装配的公差优化模型。以某型飞机登机门外形组件作为实例,验证了该优化模型的合理性和有效性。     

基于免疫粒子群算法的污水处理优化研究

针对污水处理过程所具有的多变量、非线性和大时滞的特点,在污水生化反应过程中提出基于免疫粒子群的参数估计方法。在粒子群进化过程中,引入免疫算法机制,通过抗体与抗原的参数计算来促进或抵制抗体的进化,保证粒子群进化的多样性,指导粒子群的优化过程,克服粒子群算法的早熟现象,加快收敛速度和提高全局寻优能力,成功估计模型参数。应用免疫粒子群算法在各类工程模型确定中有较大的应用潜力。     

基于离散粒子群算法的资源约束下多项目资源优化方法研究

面向制造企业多项目管理中的资源优化配置问题,以资源作为决策变量展开研究,以整体工期优化为目标建立了资源优化模型,设计了一种用于求解可更新资源约束的资源优化配置问题的离散粒子群算法.新算法重新定义了基本粒子群算法中的速度、位置公式,使其适宜求解资源优化调度类离散问题,加快收敛速度,获得整体最优配置方案.应用研究表明本算法...     

基于粒子群算法的永磁电机优化设计

将粒子群算法应用到永磁电机的多目标优化设计。利用Matlab脚本语言跨平台调用电磁场分析软件Ansoft Maxwell,建立永磁电机设计的参数化建模方式,实现多目标优化设计。实验表明脚本化建模及多目标优化的可行性,能直接应用到电机的设计制造中。     

基于Tent映射的混沌粒子群优化算法及其应用

针对基本粒子群优化算法在迭代后期易陷入局部最优而出现早熟收敛的现象,基于混沌搜索的全局遍历性、随机性和规律性的特点,以粒子群群体适应度方差作为粒子群优化算法早熟收敛的判据,将Tent映射作为混沌搜索引入到基本粒子群算法中,对以一定概率随机选择的粒子群中的部分粒子实施混沌搜索,利用混沌特性提高种群的多样性和粒子搜索的遍历性,从而使粒子获得持续搜索的能力,提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能.几个典型测试函数的仿真实验和应用实例均证明了该算法的可行性.     

基于粒子群优化算法的航天器惯性参数辨识

在地面上精确测量航天器的惯性参数是困难的,并且由于燃料的消耗、航天器的交会对接、载荷及姿态的变化等因素将会使航天器的惯性参数在轨发生变化。因而航天器的控制系统、状态估计系统将会受到航天器惯性参数变化的影响。在轨辨识出航天器的惯性参数,可以为更加优化、实时的控制航天器服务。文中提出了一种基于粒子群优化算法的航天器惯性参数辨识算法。建立了引入带有模型误差以及由于航天器惯性参数变化引起的误差的航天器姿态运动学与动力学模型,基于模型误差最小准则建立目标函数,利用改进的粒子群优化算法对模型误差进行实时估计,从而实现对航天器惯性参数的辨识,并将其应用到航天器的姿态控制中,并通过仿真实验证明了该算法的有效性以及实用性。     

混合粒子交互微粒群算法

针对现有微粒群算法仅考虑单一一种引斥力规则使得其搜索能力存在的不足,考虑在不同搜索阶段采用不同的引斥力规则,提出搜索后期引力增强型混合引斥力微粒群算法(LAPSO算法)。利用拟态物理学中的引斥力规则使粒子保持多样性,提高算法的全局搜索能力;当进入到具有全局最优解的区域时,增强引力作用、减少斥力作用,利用比自身适应度好的粒子和全局最优解粒子的引力作用,提高算法的局部搜索能力。为进一步提高LAPSO算法的优化性能,将其与混合全连接型-环形拓扑结合,提出混合粒子交互微粒群算法(HIPSO算法)。通过6个Benchmark函数进行测试,结果表明,与现有的扩展-微粒群、微-微粒群、中值导向-微粒群等算法相比,所提的LAPSO算法、HIPSO算法具有较好的种群多样性,具有更好的寻优精度、收敛率和最优解搜索能力。结合文献[7]中的柔性流水车间调度离散优化实例和文献[20]中的超声振动加工工艺参数连续优化实例,验证了HIPSO算法的最优解搜索能力。     

基于粒子群算法的参数自整定伺服控制器的设计

提出了一种可以不考虑系统的数学模型以及外部的工作状况,直接通过在可行域内搜索最优解来找到合适的控制器参数的方法。以伺服系统的速度环控制器为研究对象,将粒子群优化算法应用于控制器的参数自整定中,设计了参数自整定PI控制器。在Matlab／Simulink环境下建立永磁同步电机伺服系统的仿真模型,对比了通过人工参数整定与基于粒子群优化算法的参数整定两种方法。仿真实验结果表明,该方法整定出的控制器参数可以使伺服系统的性能得到较大提高,具有较大的应用价值。     

基于免疫粒子群算法的民机备件库存配置优化方法研究

针对民机维修保障的工程实际,建立了一种基于多维修层级、多设备层级的民机备件库存配置优化模型,运用适于多变量、非线性NP难解问题的免疫粒子群算法进行求解。本模型在最大限度地控制总预算资金投入的基础上,使各备件项目在各库存地点的配置最优,并最终保障飞机的签派可靠度。通过具体的实例分析验证了模型的有效性。     

基于CLPSO算法的结构系统识别

系统识别问题可以转化成高维多模优化问题。针对基本粒子群优化在分析此类问题时容易出现早熟收敛从而导致局部优化和产生较大误差,提出将基于综合学习策略粒子群优化算法(CLPSO)应用于结构参数识别。由于该方法能够保持群体的多样性,因此可以避免早熟收敛。利用该方法在测量数据不完备且有噪声污染的条件下,同时在没有系统质量和刚度等先验信息的情况下对结构系统进行了识别,通过数值模拟以及对某真实结构进行分析,验证了该方法对结构系统识别的有效性。     

基于混沌粒子群算法的医学图像增强

经典的模糊增强算法在应用于医学图像时,由于在采集或者传输图像时,外部的干扰较多,图像较大几率会不够清晰,该算法的的控制参数是由手动调整控制的,效率和增强效果较差,无法达到最优。由于粒子群算法存在调整参数少,全局寻优的能力,本文将混沌粒子群算法和模糊增强算法结合,运用混沌粒子群算法对模糊增强的增强参数进行优化,仿真实验证实,对于优化后的混沌粒子群算法,可以使模糊的医学图像的清晰率提高95%以上,同时可以突出某些特征,有效地改善了医学图像的视觉效果。