汽车运行状态识别方法研究（二）——基于模糊神经网络的识别方法

采用汽车运行状态特征参数的最优子集建立了一个基于模糊神经网络的汽车运行状态识别模型。对北京、上海、广州、武汉的主干道和快速路运行工况进行了识别,计算结果为：除对北京市主干道运行工况的识别准确度为82.67%外,对其余运行工况的识别准确度都为100%;对北京市主干道和快速路汽车实际运行车速的识别准确度为89.08%。     

以JIT为目标的多阶段非等同并行机调度问题研究

针对多阶段非等同并行机模式下的准时化(Just-in-TimeJ,IT)调度问题,采用由遗传算法和禁忌搜索算法混合的禁忌遗传递阶算法进行求解。禁忌遗传递阶算法用禁忌搜索算法对工件最佳加工次序进行搜索,而相应评价值由遗传算法计算得出。遗传算法采用基于阶段机器号的二维矩阵编码,可有效地避免不可行解的产生,同时采用自适应改进提高遗传算法跳出局部最优的能力。实际算例说明禁忌遗传递阶算法计算结果稳定可靠,适合于解决多阶段非等同并行机的JIT调度问题。     

应用混合蚁群算法求解模糊作业车间调度问题

为解决蚁群算法求解时间过长和易陷入局部最优的问题,提出了一种求解模糊作业车间调度问题的混合算法,该算法将蚁群算法用于全局搜索.为了提高搜索效率,根据作业车间调度问题解的特征,提出一种基于关键工序的邻域搜索方法,并使用此邻域搜索方法的禁忌搜索算法嵌入蚁群算法.利用禁忌搜索算法较强的局部搜索能力,提高了蚁群算法的优化能力,改善了作业车间调度问题解的质量.实验结果验证了该混合搜索算法的有效性,其优化效果优于并行遗传算法和禁忌搜索算法.     

基于混合遗传算法的混合动力汽车优化设计研究

针对混合动力汽车驱动系统参数优化设计问题的特点,将自适应遗传算法与序列二次规划算法相结合,构成用于求解该问题的混合遗传算法.一方面该算法提出了新的自适应交叉和变异概率调整公式,以保证全局收敛性.另一方面通过改进自适应遗传算法与序列二次规划算法的结合方式,以加快局部搜索的速度和求解质量.实例优化结果表明,该算法提高了收敛速度和求解精度,保证了全局收敛性,在混合动力汽车驱动系统参数优化设计中的应用是有效的.     

求解过道布置问题的一种改进分散搜索算法

为更好地反映实际布置情况,针对现有研究在求解过道布置问题时忽略通道宽度、未设置总流量入口等不足,构建了考虑通道宽度和总流量入口的混合整数规划模型,提出一种改进分散搜索算法进行求解。该算法将禁忌搜索操作嵌入分散搜索的解改进方法中,可以进一步优化参考集中的解,提高获得全局最优解的概率。设计了包含高质量和多样性解的双层参考集、动态参考集更新方法、子集产生方法等多种改进机制。对不同规模(9~49个设施)的测试问题进行了验算与对比,结果表明:针对小规模问题,所提算法均求得了与Lingo软件相同的最优解;对大规模问题的求解质量明显优于基本分散搜索算法和禁忌搜索算法。     

基于混合优化算法的飞机总装脉动生产线平衡问题

为提高飞机装配效率和人员利用率,根据飞机总装脉动生产线的特点和平衡优化需求,构建多目标多约束的E类飞机总装脉动生产线平衡问题模型,并设计一种结合非支配排序遗传算法、布谷鸟搜索算法和动态搜索算法的混合优化算法进行求解。其中动态搜索算法解决E类装配线平衡问题求解效率低下以及质量不佳的问题;非支配排序遗传算法通过改进个体距离计算方法提高装配序列的优化效果;布谷鸟搜索算法则借助改进莱维飞行距离计算式提高最优站位数量的搜索能力。最后通过基准问题测试证明算法的性能优于相关问题算法,并借助应用实例验证了模型的有效性。     

基于混合粒子群算法解决多目标装配线平衡问题

针对第一类装配线平衡问题,提出一种混合的粒子群算法,该算法在标准粒子群算法的基础上对其进行离散化,并提出一种基于优先权重的编码方式,考虑到粒子群算法易陷入局部最优的特点,采用遗传算法的全局搜索能力加强粒子群的全局搜索,再利用变邻域搜索算法进行局部搜索,提高算法的搜索性能。另外,在目标函数方面,在最小化工位数的基础上增加平滑指数这一目标函数,使装配线的效率进一步提高。最后通过算例比较,表明混合粒子群算法能够有效地解决第一类装配线平衡问题。     

基于自适应遗传算法的循环工况整车参数优化

针对传统遗传算法空间搜索速度慢,交叉和变异率选定依赖经验且无法得到真实最优解的缺点,提出了一种改进的自适应遗传算法。以机械式传动系统为例,建立了循环工况的整车传动系统参数化优化模型,并把优化前传统遗传算法、自适应遗传算法和改进自适应遗传算法进行对比分析。结果表明,改进自适应遗传算法搜索速度最快,优化结果最理想;与自适应遗传算法对比,改进的自适应遗传算法中的六循环工况油耗降低了0.18%,最高车速提高了0.8%,连续换挡加速时间降低了5.02%。这些结果表明,改进的自适应遗传算法结果可靠且有效。     

基于遗传变邻域混合算法的带交货期的单机车间逆调度方法

针对带交货期的单机逆调度问题,建立以最小化系统调整为目标函数的单机逆调度数学优化模型;利用互补性能,采用串行、并行和嵌入等结构,将遗传算法与变邻域搜索算法相结合,设计出遗传-变邻域搜索算法、遗传-变邻域搜索交替算法和遗传-变邻域搜索协同算法3种混合算法。为产生逆调度激发机制,采用非最优调度法,将随机初始化与局部初始化进行结合,创造逆调度环境;此外,为提高算法的局部搜索能力,基于交叉变异操作等思想来构建四种搜索邻域,通过邻域结构的切换,加强局部搜索能力;最后,将提出的混合算法用于求解不同规模的问题实例,与其他算法的求解结果进行比较,证明提出的混合算法是可行的和有效的。     

基于GA/TS算法的混流生产计划排序研究

以混流生产系统部件消耗平顺化为目标,建立优化数学模型,设计并实现了基于遗传算法和禁忌搜索算法的混合求解算法,平衡了算法全局搜索和局部搜索的能力,通过与文献[6]、文献[11]中所提出的优化算法进行计算试验比较,验证了所提出的混合算法的可行性和有效性。     

基于混合遗传算法的车间调度研究

针对用遗传算法求解车间调度问题(job shop problem)容易早熟的缺点,对遗传算法的收敛性、搜索效率和最优解等方面进行了研究,改进了遗传算法,引入了模拟退火算法,提出了新的混合遗传算法。重新设计了基于工件编号的交叉算子和变异算子;采用自适应交叉概率和变异概率;在每一代遗传进化中引入了Metropolis接受准则。通过结合遗传算法、自适应概率和模拟退火算法的各自优点,提高了算法搜索能力。用遗传算法、模拟退火算法和混合遗传算法对Job Shop Problem中FT06问题进行了仿真。仿真结果表明,混合遗传算法提高了搜索效率,能够找到最佳的调度方案。     

遗传柔性多面体混合算法在机器人时间最优轨迹规划模型的应用

时间最优轨迹规划是机器人技术中一个重要研究领域,本文首先推导出该问题的非线性规划数学模型,在此基础上引入了遗传柔性多面体混合算法,该算法融合了遗传算法的全局搜索能力和柔性多面体算法的局部搜索能力,实验结果表明,遗传柔性多面体混合算法在搜索性能方面超过遗传算法,使机器人在满足约束条件下以更少的时间完成给定轨迹的运行,提高了机器人在制造业中的搬运效率。     

基于混合GSA-GA的起重机主梁优化设计

主梁作为双梁桥式起重机金属结构中的主要构件,它的重量在整个系统中占很大比例,过多的自重会增加企业的制造成本,在满足性能的情况下造成资源浪费.为了减轻主梁的重量,分析了主梁的重量与主梁横截面面积的关系,建立了起重机主梁的数学模型.利用遗传算法中的遗传算子来解决主梁优化中引力搜索算法容易陷入局部最优解,收敛速度慢的问题,提高了引力搜索算法的性能.优化结果表明,混合了引力搜索的遗传算法的收敛速度比标准的引力搜索算法优化率提高约3.93％左右.改进的算法使目标函数的横截面积从初始数据减少了约12.35％,并且优化分析结果符合设计标准.采用混合GSA-GA优化算法对起重机主梁在实际工程设计中具有重要的指导意义.     

基于广义反向粒子群与引力搜索混合算法的多阈值图像分割

提出了基于粒子群优化(PSO)与引力搜索(GSA)混合算法(PSOGSA)的多阈值图像分割方法来解决图像阈值搜寻过程中单一优化算法局部搜索能力不强的问题。提出了图像阈值分割领域中的广义反向学习策略,在阈值寻优过程中提高群体多样性,增强了全局搜索能力;采用了全局最优解的正态变异策略,扩展了全局最优的搜索区域,避免了算法的早熟收敛。在此基础上,实现了基于广义反向粒子群与引力搜索混合算法的多阈值图像分割方法。最后,使用本方法对复杂多目标图像进行了多阈值分割实验,并与引力搜索算法和萤火虫算法进行了比较。实验结果表明,本文方法的分割精度优于引力搜索算法与萤火虫算法,其分割目标函数值在连续运行时的标准差降低了90%以上,是一种精度高、稳定性强的多阈值图像分割方法。     

基于Memetic算法的拓扑优化方法

将Memetic算法用于拓扑优化,通过采用进化搜索和局部搜索结合的混合搜索策略,有效加快了收敛速度。Memetic算法的进化搜索策略与遗传算法相同,但将邻接熵过滤方法作为其局部搜索策略。邻接熵过滤方法在进化搜索产生的新个体周围进行局部搜索,通过删除优化结构中的一些孤立单元和棋盘格现象,能在新个体的附近搜索到一个更好的个体。Memetic算法的混合搜索策略不仅继承了遗传算法能发现全局最优解的优点,而且能大幅度提高搜索效率。采用Memetic算法求解经典算例,与采用遗传算法的求解结果进行比较,证明了该方法的有效性和优越性。     

一种带有自适应变异的双种群优化算法

提出一种带有自适应变异的双种群算法(ATPSO),通过采用两个带有不同惯性权重的子群扩大搜索范围,并借鉴遗传算法的杂交机制和自适应变异,加快算法的收敛速度,提高算法跳出局部最优进行全局搜索的能力。实验结果表明,新算法较好地改善了标准PSO算法性能。     

二自由度PID控制器优化设计

遗传算法提供了一种复杂系统优化问题求解的通用框架,它通过对生物遗传和进化过程的模仿,来实现对问题的最优解的自适应搜索,本文应用改进的遗传算法(变因子),有效的克服了基本遗传算法应用中出现的问题,并针对二自由度控制器设计,运用改进的遗传算法,在MATLAB上进行了控制器参数的设计.     

基于自适应区域搜索算法的圆度误差评定

根据圆度误差的几何特征,提出自适应区域搜索算法的圆度评定方法。首先根据待测圆轮廓点坐标确定初始圆心位置,以该圆心为中心确定搜索区域;然后根据自适应区域搜索算法,调节搜索区域,获得全局最优解。通过实例验证,该算法简单直观,易于编程,操作方便。与最小二乘法相比,圆度误差评定精度提高了14.5%,实现了圆度误差的精确评定,具有较好的实际指导意义。     

改进混合遗传算法的作业车间调度研究

针对作业车间调度问题,结合遗传算法和模拟退火算法的优点,提出一种改进混合遗传模拟退火算法.首先,加入自适应调整的遗传操作以及精英替换策略,并对模拟退火算子进行改进,增加记忆功能以防止遗失当前最优解;然后,对于当前状态,采用多次搜索策略代替单次比较方式,以接受区域内的最优状态;其次,加入升温策略,从而激活各个状态的接受概...     

基于自适应参数域遗传算法的机油泵性能曲面研究

通过对机油泵工作特性进行分析,建立机油泵工作特性曲面的数学模型。分别采用单种群基本遗传算法和自适应域多种群遗传算法求解了所建立的机油泵工作特性曲面模型的关键参数。通过计算和试验表明,自适应域多种群的遗传算法根据解的离散程度或集中程度动态调整参数域,使得求解空间收敛,搜索最优解的收敛速度较快,且所获得的解的质量更高,从而使机油泵工作特性曲面模型的预测精度更高。