离散花朵授粉算法求解多目标柔性车间调度

为了优化调度方案,针对多目标柔性车间调度问题的特性,以最大完工时间、生产成本、能源消耗和加工质量为优化目标,提出一种离散花朵授粉算法。算法采用轮盘赌均值派选策略生成初始种群,并采用机器序列算法计算编码的目标值;为了优化算法的寻优能力,重新定义了花朵授粉算法中的两种授粉方式。最后通过基准算例和实际生产数据实验证明了所提算法的有效性。     

基于花朵授粉算法的产品拆卸序列规划

针对产品拆卸序列规划问题,提出一种基于花朵授粉算法的求解拆卸序列规划问题的方法。结合智能优化算法求解拆卸序列规划问题的特点,采用遗传算法的优先关系保留交叉操作方式,对花朵授粉算法的授粉方式进行了离散化处理。在建立离散花朵授粉算法的基础上,构建了评价拆卸序列质量的适应度函数模型。通过实例对离散花朵授粉算法在不同初始条件设置的情况下进行了实验分析,并与遗传算法进行了比较,证明了所提算法的可行性与优越性。     

基于改进型粒子群优化算法的配电网规划

配电网规划是一个多峰值优化的复杂问题。粒子群算法是一种实现容易、精度高、收敛快的并行算法,可以有效优化各种目标函数。本文基于配电网规划的特点,以配电网最小线路损耗为目标函数,提出改进型粒子群优化算法。仿真结果表明,优化算法提高配电网运行的经济性,改进型算法收敛快和搜索能力强。     

基于小生境技术的改进鲸鱼优化算法北大核心CSCD

针对标准鲸鱼优化算法全局搜索能力不足、收敛速度慢等问题,采用小生境技术和引入自适应权重对鲸鱼优化算法进行改进。首先,引入小生境技术中的竞争选择策略,通过比较距离添加共享函数计算适应度来提高鲸鱼算法的寻优能力,避免WOA算法陷入局部最优,解决算法早熟现象;其次,采用自适应参数作为位置权重调整鲸鱼算法的位置公式,提高算法的收敛速度和寻优精度。将该算法引入单峰和多峰模态基准测试函数中,仿真实验表明,在保证算法收敛速度的同时,所提出的改进鲸鱼优化算法有效地提高了搜索能力和寻优精度。     

一种基于RFID场景布局的AGV改进花朵授粉定位算法

AGV(Automated Guided Vehicle)定位技术是推动网络协同制造和智能工厂建设的重点研究问题之一。结合RFID(Radio Frequency Identification)技术,提出了一种新型的AGV定位算法。首构建了基于RFID场景布局的AGV定位模型;其次依据室内环境下RFID信号衰减与距离的传播模型初步估计待定位的AGV到4个读写器的距离;然后用改进花朵授粉算法精确计算AGV上电子标签的坐标,实现AGV的定位。最后,通过实例对模型进行分析验证。结果表明,与基本花朵授粉算法相比,改进花朵授粉算法收敛速度更快,迭代次数少,可以较好满足AGV精确定位的要求。     

用混合遗传算法优化起重机主梁

针对基本遗传算法在优化设计中遇到的局部搜索能力不强、早熟收敛等问题，提出一种将Powell搜索方法与遗传算法相结合的混合遗传算法。数值计算表明，该混合遗传算法可以有效地克服基本遗传算法的上述缺陷，可以加速算法的收敛，具有良好的优化性能。并使用该算法较好地解决了桥式起重机箱形主梁的优化设计。     

移动机器人全局路径规划的模拟退火-教与学优化算法

提出一种新的基于模拟退火-教与学优化(SA-TLBO)算法的移动机器人全局路径规划方法。进行环境地图建模,通过坐标变换在路径的起点与目标点之间建立新的环境地图;引入模拟退火思想对基本的教与学优化算法进行改进;利用改进的算法对路径目标函数进行优化得到一条全局最优路径。仿真实验结果表明,该方法具有极快的收敛速度和较高的搜索精度,以及较好的全局寻优能力,能有效解决机器人全局路径规划的优化问题。     

基于灵敏度分析的改进遗传算法

基本遗传算法局部寻优效率低,而且易于早熟,因此提出了一种基于灵敏度分析的改进遗传算法,该算法利用目标函数的导数信息指导个体向更优解进化;同时在算法中结合了小生境技术,既保证了种群中个体的多样性以克服早熟,又能够保留下最优解;最后对Shubert函数进行仿真试验,对曲柄摇杆机构进行实例优化,结果表明该算法能有效地提高搜索能力和解的精度,加快收敛速度。     

基于改进蚁群算法的机器人路径规划研究

针对基本蚁群算法在路径规划时出现收敛速度慢,易陷局部最优的问题,提出一种改进的蚁群算法。首先,为使算法在搜索时更具导向性引入方向夹角启发因子减少提高搜索速度;其次,融入A*算法的估价函数思想来改进启发函数,降低死锁可能性;最后,提出基于拉普拉斯概率分布的信息素挥发因子自适应策略,加快了算法收敛速度。多次仿真实验表明,所提出的改进算法能够快速,高效地寻找到最优路径,且路径质量优于基本蚁群算法规划出的路径。     

基于混合退火遗传算法的圆柱蜗杆传动模糊优化设计

针对基本遗传算法在优化设计中遇到的局部搜索能力不强、早熟收敛等问题,提出一种将模拟退火、Powell搜索方法与遗传算法相结合的混合遗传算法.在此基础上对普通圆柱蜗杆传动模糊优化设计进行了研究;数值计算表明,该混合退火遗传算法可以有效地克服基本遗传算法的上述缺陷,可以加速算法的收敛,具有良好的优化性能.并用该算法较好地解决了普通圆柱蜗杆传动的模糊优化设计.     

基于改进型鲸鱼算法的云制造资源配置研究

针对云制造模式下资源配置问题,提出了一种新的解决方案-鲸鱼优化算法(WOA),旨在解决以时间、成本、质量和服务为目标的优化模型。在基本鲸鱼优化算法的基础之上引入编码解码方式和惯性权重,以增强局部搜索能力,提高收敛精度和加快收敛速度。最后通过实例,将改进的鲸鱼优化算法与传统遗传算法(GA)、基本布谷鸟算法(CS)进行比较分析,验证了改进鲸鱼优化算法的有效性。     

简单差异演化算法及其在装配公差优化中的应用

差异演化算法是一种基于群体差异的演化算法,具有良好的优化性能,但是对于高维复杂函数,算法易早熟收敛.为此,在对算法参数以及关键算子分析的基础上,提出了自适应缩放因子及突变因子两个概念,进而提出了简单差异演化算法(A Simple Differential Evolution Algorithm)SDE.首先将缩放因子按照进化代数进行递减,一方面为了减少用户参与程度,另一方面为了平衡算法的收敛速度与全局搜索能力;其次在研究交叉算子的基础上,引入了灾变因子,使群体中的部分个体在进化过程中不进行交叉操作,而直接与父代个体进行竞争,简化了差异演化算法的步骤.仿真实验结果与工程应用实例表明,SDE算法在收敛速度和全局搜索能力方面得到了较好的平衡,不仅保证了算法的收敛速度,而且具有较好的全局搜索能力.     

混合优化算法在氧化铝生产中物料平衡计算上的应用

通过分析传统的单一优化算法所存在的优点与不足,成功将粒子群算法、混沌优化以及单纯形法3种优化算法有机结合起来,提出一种基于混沌-单纯形法的混合粒子群协同优化算法,加强粒子群的局部寻优效率和全局寻优性能,以提高搜索速度和成功率.Benchmark 函数仿真以及氧化铝生产中拜耳法物料平衡计算的最终结果表明:新算法不仅在稳定性和收敛性上优于传统粒子群算法和相应的改进粒子群优化算法,且具有较高的收敛速度和全局收敛能力,同时也是进行物料平衡计算的一种有效的方法.     

多峰函数优化的免疫云粒子群优化算法

为了尽可能寻找多峰函数的全部极值点及提高寻优精度,提出一种免疫云粒子群优化算法(PPSO)-融合云变异粒子群优化算法(CMPSO)的小波变异克隆选择算法(WMCSA)。PPSO混合算法设置了最大重复搜索代数M,以便尽可能搜索到全部极值点。在每一代重复搜索中,首先,通过引入基于云模型的云变异算子以提高种群的多样性,并使用云变异粒子群优化算法对可行域内的所有极值点进行全局搜索;然后,利用小波变异克隆选择算法对云变异粒子群优化算法搜索到的较优解进行局部搜索以进一步提高解的精度。针对复杂多峰函数的寻优测试表明:在保证收敛速度的同时,PPSO算法的收敛精度和搜索到的极值点数目均得到显著提高。离散混沌系统的应用实例也表明了PPSO算法的有效性。     

自适应差异演化算法及其应用

差异演化(Differential Evolution,DE)算法是一种基于群体差异的演化算法,具有良好的优化性能,但是对于高维复杂函数,DE算法易早熟收敛。为此,在对DE算法参数分析的基础上,提出自适应缩放因子及自适应交叉率两个概念,进而提出一种自适应差异演化(Adaptive Differential Evolution,ADE)算法。利用群体差异度对DE算法进行分期,一方面使缩放因子在前期较大,在进化的中期先变小,后增大,在进化的后期,缩放因子较小;另一方面使DE算法的交叉率在前期较小,中期在一定范围内随机取值,进化后期较大。仿真实验结果与工程应用实例表明,ADE算法在收敛速度和全局搜索能力方面得到了较好的平衡,不仅保证了ADE算法的收敛速度,而且具有较好的全局搜索能力。     

一种自适应寻优的社会蜘蛛优化算法(SA-SSA)

针对标准社会蜘蛛优化算法(SSA)全局搜索能力不足、收敛速度慢等问题。提出一种自适应寻优的社会蜘蛛优化算法(SA-SSA)。在蜘蛛振动更新公式中,引入权重思想来构成振动自适应函数,动态调节最优位置的影响力,提高算法收敛速度;引入最优领域扰动策略,避免算法早熟,解决算法易陷入局部最优解的问题。在6个测试函数中进行仿真实验,结果表明所改进的自适应寻优的社会蜘蛛优化算法(SA-SSA)相较于其他群优化算法,如蝙蝠优化算法(BA)、人工鱼群(AFA)以及标准社会蜘蛛优化算法(SSA),具有更高的寻优精度和收敛速度,证明了改进策略的有效性。     

自适应粒子群优化支持向量回归的工程系统可靠性预测

针对可靠性预测精度低的问题提出了一种支持向量机回归预测模型。在可靠性预测过程中，开发了一种结合正弦映射和自适应策略来更新惯性权重的自适应粒子群优化算法，通过增强算法的局部挖掘能力与全局搜索能力，在一定程度上提高了粒子群算法的精度和收敛效率。基于8种测试基准函数将提出的算法与其他粒子群算法进行比较验证，结果表明，提出的自适应粒子群算法相比于其他算法具有更好的搜索能力。在此基础上，提出了一种新的自适应粒子群优化-支持向量机回归混合可靠性预测模型，对支持向量机回归的参数进行调整并预测涡轮增压器和工业机器人系统的可靠性，结果表明该混合模型在可靠性预测方面可达到实际工程精度要求。     

基于混沌优化的多层前馈神经网络

BP算法是应用广泛的一种多层前馈神经网络模型,针对算法求解精度低、搜索速度慢、易于陷入局部极值点等问题,根据混沌理论的全局优化思想,提出采用"多次载波"技术将混沌优化和前馈神经网络相结合,利用已找到的近似最优解来启发搜索全局最优解的方法训练神经网络,以布尔函数识别、曲线逼近、模式识别3个典型应用对算法进行验证。研究结果表明,算法具有较好的泛化能力和快速全局收敛的性能,特别是针对中小规模的网络,混沌优化算法在训练时间、全局收敛率等指标方面优于BP算法。     

改进粒子群算法在行星传动设计中的应用

介绍了一种改进的粒子群算法。通过动态改变惯性权重，使其随粒子群的位置和目标函数的性质而变化，正确控制搜索的步长，达到增强算法的搜索能力，提高收敛速度，避免陷入局部搜索的目的。将该方法应用于行星齿轮传动优化中取得了良好的效果。     

改进的协同粒子群优化算法的研究与应用

为增强现有PSO算法和协同粒子群优化算法的优化性能,提出了一种改进的协同粒子群优化算法及一种新的协同策略。该算法在进化过程中,将寻优粒子群分解为若干子分群,各子分群粒子利用本分群经验和整个种群经验进行搜索,既能在分群内部不断搜索,不迷失寻优方向,又能周期性地共享整群最优值引导粒子找到最好解。分解为多个子种群有利于维持种群的多样性,有效抑制局部最优现象发生。对经典复杂函数的寻优测试表明,改进算法的鲁棒性、收敛速度、精度及全局搜索能力均优于基本PSO算法。最后将改进算法用于建立基于神经网络的旋转机械故障诊断模型,设计了相应的故障诊断系统。结果表明,基于此算法的故障诊断系统具有诊断精度较高、稳定性能较好等特点。