基于惯性权重粒子群算法的自动配棉优化研究

采用MATLAB7．0编程，研究基于惯性权重模型的粒子群算法的自动配棉优化组合，此法能适合用于解决计算机自动配棉优化问题。     

蝙蝠算法的全局收敛性分析

为了研究蝙蝠算法的收敛性,本文基于随机搜索算法的全局收敛性判断准则对蝙蝠算法的收敛性进行了分析,并通过仿真实验进行了验证．结果表明,蝙蝠算法不完全满足随机搜索优化算法的2个全局收敛准则,无法确保全局收敛,因此蝙蝠算法属于局部搜索优化算法．     

一种改进的自适应粒子群优化算法

针对粒子群优化算法搜索精度不高的问题,基于自适应调整惯性权重的策略引入自适应惯性因子对粒子群优化算法进行改进,提出了一种改进的自适应粒子群算法。仿真结果表明改进的粒子群算法具有更强的寻优能力及更高的搜索精度。     

改进蝙蝠算法在多目标优化中的应用

在模拟退火的高斯扰动蝙蝠优化算法（SAGBA）的基础上,结合解决多目标优化问题的算法技术,探讨了2种改进的多目标蝙蝠算法——基于动态加权的SAGBA算法（DWASAGBA）和基于向量估计的SAGBA算（VESAGBA）,并对算法进行了仿真实验．结果表明,SAGBA算法所得到的解集分布均匀,能够得到测试函数较为准确的Pareto曲线。     

基于模拟退火的自适应正余弦算法

为克服正余弦算法寻优精度低、收敛速度慢、易陷入局部最优等缺陷,提出一种基于模拟退火的自适应正余弦算法。设置自适应参数r1,根据粒子自适应值的状态,动态调整参数r1,以增强算法的局部搜索能力;在简化的正余弦算法的位置更新公式中引入对数递减的惯性权重,更好的平衡算法局部搜索与全局搜索的能力;为增加种群多样性,对当前最优解添加高斯扰动,并根据模拟退火中的Metropolis准则接受新解,以避免算法后期陷入局部最优。10个标准测试函数仿真结果表明,改进后算法在收敛速度、寻优精度上更具优势。     

一种改进型无刷直流电机控制微粒群优化算法

针对无刷直流电机在基速以下运行时抗干扰能力较弱的特点,设计了一种改进型微粒群优化算法(PSO),即通过改变学习因子和惯性权重来优化模糊控制器的量化因子、比例因子和控制规则.仿真结果表明,运用该算法调节时间短、超调量小、抗干扰能力强,能够实现无刷直流电机在较宽速度范围内的稳定运行.     

基于改进粒子群算法的苹果圆形度检测

为解决苹果圆形度检测问题,研究圆形度的改进粒子群算法。建立苹果圆形度数学模型,并对广义钟形分布隶属函数的惯性权重控制过程、基于Z形隶属函数的自适应调节粒子位置过程、适应度函数选择方法进行算法改进,给出了算法终止条件以及算法流程。仿真试验结果表明,改进粒子群算法收敛较快,乔纳金、富士苹果改进粒子群算法的圆形度检测较其他算法正确率高,分别为96%和97%,说明能用该方法进行苹果圆形度机器检测。     

一种改进的粒子群算法

为克服粒子群算法易于陷入局部极值的缺点,通过引入聚群效应和扰动,设计了一种新的粒子群算法.通过对常用测试函数的数值试验,说明了新算法不仅能有效地进行全局搜索,而且具有更好的收敛精度.     

基于改进蝙蝠算法的机械臂时间最优轨迹规划

为了对SCARA 6自由度机械臂的运动过程实现时间最优轨迹规划,课题组提出一种基于改进蝙蝠算法的时间最优3-5-5-3分段多项式插值轨迹规划算法。首先对机械臂构造3-5-5-3分段多项式;然后在角度、角速度和角加速度的约束条件下,以时间最短作为优化的目标函数,采用改进的蝙蝠算法对分段多项式的结果进行优化;最后在MATLAB软件中进行模拟运算。仿真结果表明：改进的蝙蝠算法在收敛性以及优化性方面均优于传统的蝙蝠算法,而且在局部收敛方面也有明显的改善;各关节的角位移、角速度和角加速度曲线相对平滑,不存在突变等情况的发生,充分证实改进算法具有可行性。     

基于改进PSO算法的自动配棉工艺参数优化设计

为了进一步改善自动配棉的通用性和自适应性,针对配棉工艺多约束条件特点,进行了自动配棉优化设计。提出了一种基于改进的PSO(Particle Swarm Optimization)算法的自动配棉参数优化求解方法。通过配棉数学模型建立,将其转化为多约束条件优化求解问题。分析了标准PSO算法在配棉工艺参数寻优的不足,针对标准PSO算法惯性权重和学习因子策略的不足加以改进。将采集到的棉纺企业工艺参数,用标准PSO和本文提出的改进PSO算法同时对配棉工艺模型求解。结果显示：改进PSO算法采用了惯性权重递减和学习因子自适应策略,寻优速度、精度、局部和全局寻优能力等指标都得到提高,降低了企业配棉成本,具有一定的实际应用价值。     

非织造布卷绕机旋臂机构的生产问题与解决措施

为了克服卷绕机旋臂四杆机构不能准确将卷绕轴输送到工作位置和准备位置而发生卷布和落布故障以及机构运转性能差的缺点,建立了旋臂四杆机优化数学模型。以从动件在极限位置时的输出角位移与理想角位移的误差平方和最小和四杆机构的最小传动角最大为双优化目标,合理搭配各构件的几何尺寸,并利用遗传算法求解优化问题。设计实例显示了较好效果。     

基于兴趣度剪枝的Apriori优化算法

鉴于关联规则挖掘中的Apriori算法在挖掘潜在有价值、低支持度模式时效率较低,因此提出一种优化的Apriori挖掘算法,即在频繁项集挖掘中引入项项正相关兴趣度量剪枝策略,有效过滤掉非正相关长模式和无效项集,从而扩大了可挖掘支持度阈值范围.实验结果表明,该算法是有效和可行的.     

WNBA-RBF算法在企业经营状况评价中的应用

针对蝙蝠算法(BA)易陷入局部最优解的缺点,提出了在较优蝙蝠位置附近加入白噪声扰动以增强其活力的改进算法,并利用其搜索径向基(RBF)神经网络的最优初始参数.最后建立了基于白噪声扰动的蝙蝠-RBF(WNBA-RBF)算法的企业经营状况评价模型,并与传统的RBF模型进行对比,仿真结果表明,基于WNBA-RBF算法的经营状况评价模型的正确识别率高于传统的RBF模型,是一种有效的评价模型.     

结合特征学习与注意力机制的服装图像分割

针对小尺寸服装与遮挡服装图像分割准确率低的问题,提出一种基于改进多尺度特征学习策略与注意力机制的服装图像分割方法。以Mask R-CNN为基础框架,首先采用增强特征金字塔网络优化模型的特征学习过程,对多尺度服装特征进行统一监督,缩小不同层级之间的语义差距,引入残差特征增强模块减少高层特征损失,采用软感兴趣区域选择自适应地获取最优感兴趣区域特征;然后在分类预测分支引入通道注意力模块,在边界框回归与掩膜预测分支分别引入空间注意力模块,提取图像中需要重点关注的服装区域特征。结果表明,与其他方法相比,本文方法改善了小尺寸服装图像和遮挡服装图像分割中存在的漏检、漏分割现象,提取出的服装实例更精确,其平均精度均值比原模型提升了3.8%。     

基于萤火虫算法的Markov模型及收敛性分析

为完善萤火虫算法(FA)的收敛性理论,本文就萤火虫算法(FA)建立了Markov链数学分析模型.通过分析该Markov链的性质,证明萤火虫位置的群体状态序列是有限齐次Markov链;通过分析萤火虫位置的群体状态转移过程,得到群体状态序列必将进入最优状态集的结论;然后证明萤火虫算法满足随机优化算法全局收敛的两个条件C1和C2,从而保证萤火虫算法全局收敛.在此基础上,通过几个典型测试函数对萤火虫算法的全局收敛性进行数值实验,验证了萤火虫算法的全局收敛性.     

鲸鱼算法改进极限学习机的葡萄酒品质评价研究

[目的]解决近红外光谱中冗余信息过多的问题,提升葡萄酒品质评价模型的准确性,并构建一种快速无损的葡萄酒品质评价方法。[方法]运用竞争性自适应重加权采样法进行特征波长筛选,提出了鲸鱼算法改进极限学习机的葡萄酒品质评价模型。通过自适应重加权采样法等多种特征波长筛选方法,确定了最适用于葡萄酒光谱特征波长筛选的方法;针对ELM的初值权值与隐含层偏置选取问题,利用鲸鱼优化方法对初值权值与隐含层偏置进行优化,从而构建了一种基于鲸鱼优化算法改进的极限学习机葡萄酒品质评价模型。[结果]与GA-ELM、PSO-ELM和传统的ELM模型相比,WOA-ELM的准确率最高,达到了0.944 5,GA-ELM的准确率为0.929 0,PSO-ELM的准确率为0.906 1,传统的ELM方法准确率为0.817 7。[结论]通过智能算法优化ELM模型的参数,可以有效提高葡萄酒品质评价的准确性。