粒子群算法求解物流路径优化问题

为了高效解决物流配送车辆路径优化问题,提出一种粒子群优化算法,根据粒子群较强的寻优能力,扩大了种群多样性和提高算法精度。本文针对此算法进行仿真实验,结果证明该算法寻求的最优解、平均解、以及找到最优解次数和时间均有明显效果。     

种群分组的遗传算法解TSP问题

遗传算法是模拟生物界“优胜劣汰、适者生存”的机制的演化算法，常用于解决困难或无解的组合优化问题。本文在遗传算法的基础上进行改进，并用于解TSP问题。用标准的数据集进行测试，结果表明改进的遗传算法能够求得最优解。     

基于改进和声搜索算法的项目工期—成本优化

工期—成本优化（time-cost trade-off problem,TCTP）是组合优化中 NP—hard 问题,其实现的科学性对提高企业经济效益有着重要意义。为解决这一问题引入了和声搜索算法,并针对该算法收敛稳定性差、不易获得全局最优的缺陷,对其进行了算法参数的自适应改进。利用 MATLAB R2012a 软件对改进的和声算法进行编程,实现了工期—成本最优解的搜索。最后通过实例分析,验证了改进的和声搜索算法对工期—成本进行优化是行之有效的。     

机组组合优化问题的穷举算法研究

提出一种解决机组组合优化问题的通用穷举算法,把M台机组组合优化问题转化成从M个数组中各取一个数并且这M个数之和等于一个给定值的数学问题,在此基础上,利用递归回溯的方法搜索每个可能的组合.试验结果表明,该算法能够找出任意台机组在任意技术出力范围内的所有的组合方案,不会产生漏解.应用于经济调度问题时,以煤耗量为目标函数,证明该算法能够得到最优解.最后,分析了该算法的复杂性.     

改进的蚁群算法及其在桁架结构优化中的应用

蚁群算法是优化领域中的一种新型模拟进化算法,具有很强的搜索较优解的能力,其缺点是搜索时间长、容易出现停滞现象。引用局部搜索能力较强的模拟退火算法对其改进,使其跳出局部最优,发现更高质量解。并将其成功应用在25杆桁架中,结果表明,基于模拟退火的改进蚁群算法是有效可行的,是解决组合优化问题的有效方法。     

基于MOPSO算法的斜拉桥索力优化分析

针对斜拉桥设计和监控计算中合理成桥状态和施工状态索力的确定问题,提出了一种基于MOPSO算法的斜拉桥索力优化方法。该方法在PSO算法的基础上通过增加外部储备集和优化更新策略来适应多目标、多约束的索力优化,较单目标优化方法仅有单一解的局限性,MOPSO算法考虑因素更全面,得到的Pareto最优解集可供决策者根据经验进一步筛选。采用Python编程语言,联合有限元软件编写基于该方法的优化程序,选取主塔、主梁的弯曲应变能之和,主塔成桥后在恒载作用下的纵桥向位移平方和作为目标函数,以施工过程及成桥后结构处于安全状态和索力总体分布均匀作为约束条件。工程算例优化结果表明,该方法能够快速搜寻到Pareto最优解集,并从中筛选出最优解,其结构应力处于安全范围,主塔线形合理,索力总体分布均匀。该方法可应用于斜拉桥成桥和施工阶段索力的确定及梁拱组合体系桥梁吊杆索力的确定。     

基于外部参照优化算法的空调系统节能控制

分析了当前空调系统能耗优化算法存在的不足,根据空调系统非线性与时滞性的特点,提出了采用多目标粒子群优化算法进行寻优计算。将空调系统分为3个目标解,寻取多目标最优解Pareto前沿,根据Pareto前沿求得空调系统整体能耗最优值。普通多目标粒子群算法收敛性相对较差、仿真时间较长,提出了外部参照的多目标粒子群改进算法来提高收敛性与快速性。通过仿真实验和能耗分析对比发现,相较于其他算法,该改进算法的优化节能效果更佳。     

动态规划法求解边坡安全系数最小上限解

基于Sarma法的基本假设,将滑体划分为若干斜条块,由条块力的平衡条件得到条块间推力递推方程。根据推力最大原理,将寻求安全系数最小问题转化为寻求剩余推力最大问题。采用动态规划方法,将斜条块划分问题转化为多阶段决策问题。给出了基于条间推力递推方程的最优决策方法和步骤,对边坡斜条块划分组合进行了优化,找到剩余推力最大的划分组合。由于Sarma法本身是上限解,因此优化得到安全系数本质上是最小上限解。计算结果表明:利用动态规划方法搜索的最优斜条块划分组合,可以充分接近塑性力学解,安全系数一般大于并接近基于垂直条块的严格极限平衡条分法的安全系数。     

基于SAGA的工程项目资源均衡优化方法

为提高工程项目资源优化效率,提出了基于模拟退火遗传算法(SAGA)的工程项目资源优化方法。基于对模拟退火算法(SA)和遗传算法(GA)的搜索能力、优化机制、优化结构和优化操作互补性和可融合性的分析,将模拟退火算法优化结果作为遗传算法初始种群,实现两者的有机结合。通过算例对模拟退火遗传算法的优化效率进行验证,结果表明:在工程项目资源均衡优化问题中,遗传算法最优解稳定性受种群大小影响较大,且种群越大,算法优化效率越低;模拟退火算法在最优解稳定性和运行时间方面的表现均欠佳,不能满足实际优化需求;模拟退火遗传算法能够用较小种群,在较短运行时间内得到100%稳定的最优解,在该问题中具有较强的适用性。     

基于单纯形-有限随机追踪法的边坡稳定性分析

有限随机追踪法在边坡稳定性分析中的全局搜索能力,为边坡稳定性分析提供了新的思想。本文主要将单纯形法的局部搜索能力与有限随机追踪法的全局搜索能力有机结合起来,形成单纯形-有限随机追踪法优化算法,并利用改进Bishop算法对边坡进行稳定性分析,最终得到边坡稳定性系数的全局最优解。依据上述思想编制了边坡稳定性分析程序,并对边坡工程进行稳定性分析与评价。研究结果表明:根据单纯形-有限随机追踪法优化算法计算得到的边坡稳定性系数是全局最优解,具有较高的精度,单纯形-有限随机追踪法优化算法具有较强的全局搜索能力,分析结果可靠。     

MIMO双向中继信道能量效率优化算法

研究了多输入多输出(multiple input multple output,MIMO)双向中继信道的能量效率优化问题。首先考虑无功率约束下的能量效率优化问题,采用嵌套优化方法得到最优的功率分配。然后求解有功率约束时的能量效率优化问题,如果无功率约束时的最优解在最大功率约束内,则该最优解为有功率约束时的最优解;否则通过确定一部分节点的最优发射功率,减小剩下节点的发射功率的优化区间来求解该问题。仿真结果验证了所提优化算法的有效性。     

基于双生长点并行生长机制的模拟植物生长算法及其结构优化

针对模拟植物生长算法(PGSA)系列算法中存在的搜索路径相对单一、搜索覆盖面不够广等问题,结合复杂结构优化问题中设计变量多、存在多个局部最优解、算法难以自动终止等特点,基于PGSA的基本原理和植物的实际生长规律,提出一种新的算法机制——双生长点并行生长机制,并与基于生长空间限定与并行搜索(GSL&PS-PGSA)算法相融合。通过典型数学及空间桁架结构算例进行了验证,结果表明：双生长点并行生长机制增加了寻优搜索路径,拓宽了搜索覆盖面,降低了陷入局部最优解的概率,并为算法提供更为有效的终止机制,从而具有更加显著的优化效率及全局搜索能力;与序列两级算法、蚁群算法等常用优化方法相比,融入双生长点并行生长机制的GSL&PS-PGSA进一步提升了算法的优化求解能力,在结构优化问题中表现出良好的适应性及有效性。     

基于蚁群算法的复合形法及其在边坡稳定分析中的应用

首先将基于排序的路径选择方法引入基本蚁群算法 ,并用之于连续变量的优化问题和边坡的最小安全系数搜索 ,结果发现对于设计变量较少的数值优化问题和简单边坡的最小安全系数搜索问题 ,该蚁群算法可以找到全局最优解或比较接近全局最优解。但对于复杂边坡的最小安全系数搜索问题 ,该蚁群算法很容易陷入局部最优。另外复合形法对于不同的初始复合形也会得到不同的最小安全系数 ,利用本文提出的基于最小海明距离的替换准则将蚁群算法得到的局部最优解替换掉初始复形中的一个顶点 ,则复合形法容易找到全局最优 ,成为一种全局搜索能力很强的优化算法。     

基于连续域蚁群算法的结构优化设计

工程结构优化设计是把力学和优化技术有机地结合,根据设计要求,使部分参与计算的量以变量出现,建立结构设计参数与结构重量、最大允许应力等的非线性关系,获得连续域蚁群算法求解结构优化问题所需的目标函数,用连续域蚁群算法进行寻优搜索运算,从而求出所需最优解。算例表明,连续域蚁群算法可求解多维连续优化问题,收敛速度快,且计算精度高,可用于工程结构优化设计。     

Plant growth simulation algorithm based on double growth point parallel growth mechanism and its structural optimization

针对模拟植物生长算法(PGSA)系列算法中存在的搜索路径相对单一、搜索覆盖面不够广等问题，结合复杂结构优化问题中设计变量多、存在多个局部最优解、算法难以自动终止等特点，基于PGSA的基本原理和植物的实际生长规律，提出一种新的算法机制——双生长点并行生长机制，并与基于生长空间限定与并行搜索(GSL&PS-PGSA)算法相融合。通过典型数学及空间桁架结构算例进行了验证，结果表明：双生长点并行生长机制增加了寻优搜索路径，拓宽了搜索覆盖面，降低了陷入局部最优解的概率，并为算法提供更为有效的终止机制，从而具有更加显著的优化效率及全局搜索能力；与序列两级算法、蚁群算法等常用优化方法相比，融入双生长点并行生长机制的GSL&PS-PGSA进一步提升了算法的优化求解能力，在结构优化问题中表现出良好的适应性及有效性。     

大型洞室群稳定性与优化的综合集成智能方法研究

大型地下洞室群的稳定性分析及优化研究是当前水电开发中亟待解决的重大课题。由于地下洞室群的布局和所处的地质环境的复杂性，导致许多优化问题都是复杂的非线性问题，通常有多个决策变量，且其结构布置和施工顺序的全局最优解通常难以快速获得。以有限元分析为基础，综合应用遗传算法、人工智能、神经网络理论以及并行计算方法，提出综合集成智能优化方法，并用于水布垭地下厂房软岩置换方案优化和软岩力学参数对洞室群稳定性的影响分析，完成了以下工作：（1)根据大型洞室群具有多因素影响和多指标评价的特点，提出了多因素综合指标的洞室结构布置和施工顺序的适应性判别准则。(2)鉴于大型洞室群的开挖优化是多种方案的组合优化问题，提出了改进的进化．神经网络的智能化学习算法，解决了神经网络的隐含层结构和学习参数(如学习率和动量项)的最优确定。(3)将有限元方法嵌入智能化搜索算法，提出了大型洞室群优化的二维或三维进化．有限元方法，从而解决了大规模优化问题。(4)将上述的进化．有限元方法和神经网络、并行计算有机结合，提出了大型洞室群优化的并行进化神经网络有限元方法。该方法使得大规模软岩置换方案优化问题在PC机群上实现了并行求解，提高了计算速度、规模和精度，并具有快速收敛到全局最优解的优势。(5)将提出的进化．有限元方法应用于水布垭地下厂房软岩置换的优化和稳定性分析研究，得到了最优的软岩置换范围。(6)将并行进化神经网络有限元方法应用于水布垭地下厂房周围软岩置换范围和置换顺序的优化研究，获得了最优解。通过对最优解的有限元计算结果分析，表明该方法得到的最优方案是合理的。(7)在工程设计单位给定的范围内，采用并行进化神经网络有限元方法对水布垭地下厂房周围软岩的力学参数对厂房的稳定性影响进行了分析，搜索了对围岩稳定性最不利的一组参数组合，并对软岩的力学参数进行了敏感性分析，确定出关键岩层和重点支护部位。     

求解布局分配问题的群智能聚类算法

提出1种适用于求解布局分配问题的的群智能聚类算法,布局分配问题属于选址问题的1种,其数学表达为包含混合变量的非线性规划模型。根据问题的特点将聚类思想引入群体智能算法,种群中的个体再分出1级,称为"子个体",同一个体具有相同的适应度,而子个体根据个体适应度与自身所获得的信息进行移动,其移动有3种方式,方式1与方式2是子个体根据周围需求点的分布而移动,方式3为结合当前种群最优位置信息移动。对7组文献数据使用算法进行50次优化运算,并给出运算的最优值、均值与标准差。运算结果表明:群智能聚类算法能够达到或接近问题的最优解,与一些智能算法相比,算法在问题规模较大时运算结果更优。     

具有机器适用性约束的相同工件平行机近似调度算法

针对考虑机器适用性的相同工件平行机调度问题,提出1种二阶段近似调度算法。算法建立了问题的半匹配模型G=[J∪M,E,W],将原问题转化为最优半匹配搜索问题,然后通过初始解构造和优化得到问题的近似解。通过分析G=[J∪M,E,W]的拓扑统计信息对机器均载的影响,设计了初始解构造启发式规则。在此基础上,采用贪心原理,提出了基于启发式规则的初始解构造算法。初始解优化算法以初始解为起点,采用基于交错路径的局部优化方法得到近似解。通过交错路径树,搜索最优交错路径是影响初始解优化算法的重要因素。为提高搜索效率,限定交错路径的最大长度为4。最后,从理论上分析了算法的最坏情况界和时间复杂度。     

快速群搜索算法用于桁架结构多目标优化北大核心CSCD

基于快速群搜索优化算法QGSO(Quick Group Search Optimizer),结合Pareto最优解理论与拥挤距离机制,提出了一种适用于结构优化的简单而实用的多目标算法:多目标快速群搜索优化算法MQGSO(Multi-objective Quick Group Search Optimization),并将其应用于10杆平面桁架结构的截面优化与25杆空间桁架结构的形状优化.将MQGSO算法与已有的MGSO和IMGSO算法进行了比较,发现其非劣解均优于其他两个算法的非劣解,且具有良好的稳定性与收敛精度,收敛速度也有所提高,说明本文提出的算法用于求解结构多目标优化问题是可行有效的.     

混凝土胶合模板配置矩形板块优化排样

根据模板施工规范,参考矩形件排样各相关算法,通过一个系统过程:因数分析法进行分类、背包算法确定最优组合、递归算法和神经算法查找相关板块、填充算法填充空隙等优化算法对胶合板矩形板块进行排样。排样结果表明板材的利用率大幅提高。