基于量子粒子群优化算法的斜齿轮设计

粒子群优化算法是一种基于群智能的优化方法,量子粒子群优化算法是基于PSO进行改进的算法,规则简单、收敛速度快、易于编程实现。对于多约束条件的斜齿轮传动的优化设计,笔者提出了一种基于量子粒子群优化算法优化求解的方法,实践表明能够快速、有效求得优化解,是求解齿轮优化设计问题的一个较好方案。     

基于粒子群优化算法的斜齿轮设计

粒子群优化算法(Particle Swarm optimization)是一种基于群智能(Swarm Intelligence)的优化方法,规则简单,收敛速度快.本文介绍了将其应用于斜齿轮传动的优化设计,建立基于粒子群优化算法的斜齿轮优化设计的数学模型.实践表明其能够快速、有效求得优化解,是求解齿轮优化设计问题的一个较好方案.     

基于LEVY飞行量子粒子群的带式输送机齿轮优化设计及仿真

以带式输送机单级圆柱齿轮减速器为研究对象,在建立其优化数学模型的基础上,提出了一种基于levy飞行策略的量子粒子群算法,并利用提出的算法对其齿轮模数、齿数、齿宽系数、螺旋角等参数进行优化。在MATLAB中实现该算法并与传统的QPSO等方法对比,结果表明:基于levy飞行策略的量子粒子群算法(QPSO)其优化效果明显优于PSO算法和文献中所提出的算法,相比常规设计,体积减少了59.71%,相比QPSO,体积减少了8.90%,具有良好的优化性能,有限元分析结果表明,与优化前相比,优化后的承载能力并没有减降低。     

改进的DV-Hop无线传感器网络定位算法

针对无线传感器网络节点定位问题中DV-Hop算法的不足,提出利用量子行为粒子群优化算法(Quantum-behaved Particle Swarm Optimization Algorithm,QPSO)对改进DV-Hop得到的估算位置校正.这种方法将定位问题看成一个多维优化问题,并且不需要任何额外硬件设备,也不会增加通信量.最后将仿真试验结果与粒子群优化(Particle Swarm Optimization,PSO)算法校正改进DV-Hop算法进行比较,表明QPSO算法在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法的有效性.     

基于过滤器技术的约束粒子群优化算法

工程设计中处理约束优化常采用罚函数法,但其优化结果敏感于惩罚因子,针对特定的实际问题往往需要多次试验以得到合适的罚因子取值。为了避免反复的参数选取测试过程,将过滤器约束处理机制和粒子群优化(Particle swarm optimization,PSO)相结合用于求解约束优化问题。过滤器方法基于多目标规划中的支配思想,以一组互不支配点所对应的目标值与违背度对构成过滤器,利用其处理约束可以避免使用罚函数。基于过滤器的约束PSO算法在粒子进化过程中,对各粒子历史最优解和粒子群历史最优解分别构造滤器,并依据可行性优先的粒子比较准则从对应的过滤器中选择最优解从而实现粒子的更新。然后,利用工程优化设计标准算例和翼型优化设计实例,将过滤器PSO算法和罚函数PSO算法、遗传算法进行比较研究,结果表明过滤器PSO算法能够获得较好的约束优化设计结果,是求解约束优化问题的一种有效方法。     

改进的粒子群优化算法及其工程应用

针对单目标粒子群优化算法局部搜索能力差,不能有效求解高维、复杂工程问题等缺点,提出了一种改进的粒子群优化算法,即单纯形粒子群优化方法的混合算法(SM PSO)。该混合算法,在继承粒子群优化算法原有优点的同时,不但可减少计算规模,且有效地增强了粒子群优化算法的局部搜索能力,提高了算法的鲁棒性能。文中采用30维经典测试函数及齿轮减速器优化问题作为算例,验证了该算法的优越性能。     

基于运动目标路径的粒子群优化算法研究

粒子群优化算法(PSO),是一种基于迭代的优化方法,能用于各类优化问题.首先分析传统粒子群优化的搜索策略与基本算法,通过修改限制因素,并对粒子群算法全局极值和个体极值选取方式的改进,从而得到了一个求解运动目标路径优化问题的算法.实验结果证明了算法的有效性.     

膜计算多粒子群算法

针对粒子群(Particle swam optimization, PSO)算法进化后期收敛速度较慢,易陷入局部极值点,精度较差等不足,提出膜计算多粒子群(MC-MPSO)算法。在该算法中,将原始PSO、标准PSO、中值导向粒子群(MPSO)、扩展粒子群(EPSO)、多作用力粒子群(MFPSO)、两阶段作用力粒子群(TFPSO)等六种具有不同优点的粒子群算法分别放入六个基本膜内,提出MC-MPSO算法的膜间交流与粒子更新机制,在进化前期,各粒子群算法按自身机制进行搜索寻优,即各基本膜各自进化来充分发挥各基本膜内算法的优点;在进化后期,各基本膜内算法与比自身更好的表层膜内最优解粒子交流,各表层膜逐步吞并搜索能力较差的基本膜,而最适合问题优化求解的基本膜长大并按照表层膜输出,使MC-MPSO算法集成了基本膜内六种粒子群算法的各自优势,并具有适应不同类型优化求解问题的寻优能力。通过与基本膜内六种粒子群算法的测试对比,与遗传算法、鱼群算法及其他基于膜计算的粒子群算法的比较,证明了MC-MPSO算法具有更好的寻优能力和适用性。最后,将MC-MPSO算法应用于串联和桥式系统可靠性优化问题,验证了所提算法的有效性。     

改进粒子群优化算法在工程优化问题中的应用研究

粒子群优化（PSO）算法是一种群集智能方法，它通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。在对于粒子群群体构造和粒子多样性对收敛速度和精度影响的研究基础上提出了一种改进型粒子群优化算法。针对工程中的有约束的优化问题，将改进粒子群算法与函数法相结合进行求解。计算实例表明改进型粒子群优化算法大大改善了传统PSO算法的全局收敛性能，解的精度提高了很多。     

基于模拟退火粒子群算法的圆柱齿轮减速器的可靠性优化

模拟退火粒子群算法将模拟退火思想引入具有杂交和高斯变异的粒子群算法中,是一种简单快速的随机全局优化算法。将模拟退火粒子群算法与可靠性优化设计理论相结合,建立了最大化减速器传动系统可靠度的优化模型,提出了基于模拟退火粒子群算法的圆柱齿轮减速器可靠性优化方法。利用该优化方法进行一圆柱齿轮减速器的优化设计,其优化结果明显优于基本粒子群算法、混合罚函数法和传统设计方法。算例表明,该优化方法具有全局收敛且精度高的优越特性,是一种有效的可靠性优化设计方法,并对其他机械部件可靠性优化具有一定的参考意义。     

基于量子微粒群的BPNN在转炉炼钢静态模型中的应用

针对转炉炼钢静态模型终点命中率较低的问题,首先分析了影响转炉炼钢终点命中率的各种因素,确定了BP神经网络(BPNN)的拓扑结构,并依此建立了转炉炼钢静态模型.然后把量子微粒群算法(QPSO)应用于BP网络的学习中,并比较了QPSO、基本微粒群优化算法(PSO)、梯度下降法的学习性能.最后,基于某炼钢厂的历史数据进行了仿...     

供应商参与协同产品开发中的任务指派问题研究

通过粒子群最优化算法解决多供应商参与协同产品开发时的任务指派问题.以依赖结构矩阵为基础构建了协同产品开发总体时间模型,设计了任务优化分配的粒子群优化算法,并通过模拟分析验证r算法的实用性.通过算法设计,实现了开发子任务在各组织间的优化分配,从而保证制造商能够在预定时间内完成产品开发项目,以应对市场的快速变化.     

基于粒子群算法的涡旋压缩机涡旋盘优化的研究

建立了基于粒子群优化算法的涡旋压缩机动静涡旋盘能效比的数学模型,采用粒子群算法优化涡旋压缩机涡旋盘的结构参数,验证了粒子群算法具有收敛速度快,算法简单易行,不易陷入局部极值等其它算法无法比拟的优点,是一种行之有效地优化方法。     

基于群智能算法的设备布局离散优化研究

针对单向环形设备布局设计问题,建立了新的数学模型.利用多维实数编码及映射方法,将连续粒子群优化算法应用于求解设备单向环形布局问题,提供了求解离散优化问题的新思路.利用遗传算法中的杂交策略扩展了粒子群优化算法,提高了粒子群优化算法性能.建立了问题的图结构描述,以引入蚁群系统算法搜索优化解.给出了两种方法的求解步骤.通过实例计算和结果比较,说明该算法能有效地解决此类离散优化问题,降低成本,提高效率,所得解质量较高,有很好的实用价值.     

一类基于Multi—Agent的实时进化算法

实时进化（Real—TimeEvolutionary,RTE）策略解决了传统实时优化（Real—TimeOptimization．RTO）方案中等待稳态的缺点,受RTE思想的启发,论文提出了一种基于Multi—Agent的实时进化算法。首先将粒子群算法与Multi-Agent机制相结合,每一个Agent相当于粒子群算法中的一个粒子．通过和其邻居进行竞争、合作以及学习,能够迅速、准确的找到全局最优解;然后．根据RTE思想．将基于Multi—Agent的粒子群算法应用于RTO的解决方案。通过对wiⅡiams—otto反应器的实例研究．证明了所提算法的有效性．     

基于决策偏好的多目标粒子群算法及其应用

针对传统多目标粒子群算法在解决复杂多目标优化问题上的不足,提出一种基于决策偏好的交互式多目标粒子群算法。该算法考虑决策者的正偏好和负偏好对粒子的引导作用,首先计算外部种群粒子与双极偏好点的相对贴近度,并进行排序;根据排序结果进行外部种群管理和全局最优解更新;使用δ-邻域值控制Pareto解集的分布性。在随机多目标库存控制应用中,证明了该算法对复杂应用问题求解的有效性,性能对比结果表明,该算法的收敛性、多样性和运算时间优于基于参照点的第二代非支配解排序遗传算法。     

基于改进量子微粒群的轨道导引小车系统建模与优化

为提高自动小车存取系统中轨道导引小车系统的出入库作业效率,提出了一种基于改进量子微粒群的优化方法。分析了轨道导引小车系统出入库作业任务队列特征,建立了数学模型。在此基础上利用量子微粒群算法进行优化调度,并在该算法中引入高斯变异算子,克服了其容易陷入局部最优的缺点。通过仿真实验表明了方法的可行性和有效性。     

发动机异常检测多目标优化方法

针对柴油发动机异常检测中的特征选择和分类器参数与检测精度之间的耦合关系,提出了一种基于非支配排序粒子群优化的柴油发动机异常检测封装式多目标同步优化方法.利用双树复小波包的分解与重构,对发动机振动信号进行时域、频域和时频域多角度特征提取,构建了较完备的特征参数集,分析了故障诊断中特征选择与分类器参数优化对检测精度的影响,运用非支配排序粒子群优化算法对多个优化目标进行协调和折衷处理,同时追求特征参数子集维数最小化和分类正确率最大化.实验数据分析表明,该方法能够寻找出最优的特征子集和分类器参数,提高柴油发动机异常检测的精度和效率.     

基于改进粒子群算法的盘式制动器优化设计

粒子群算法是近期发展的一种有效的优化方法.基于浓度的概念对粒子群优化算法做了改进,改善了粒子群的多样性,增强了算法的全局搜索能力,从而提高了优化效率.盘式制动器是保证汽车行驶安全的重要部件.应用此方法,以制动时间最短为目标,在几何约束、强度约束、温度约束等条件下,对盘式制动器的主要设计参数进行了优化设计.所得结果表明,盘式制动器的制动效率得到提高,保证了汽车行驶的安全性.