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。     

基于改进粒子群优化算法的复合材料可靠性优化设计

提出了一种可用于求解非线性约束优化问题的改进粒子群算法,并将其用于求解复合材料可靠性优化设计。在满足层合结构系统可靠度的情况下,以总厚度最小为目标函数,对复合材料的纤维方向角和厚度进行优化设计。结果表明,改进粒子群算法不但具备基本算法的简单易实现、需调整参数少的特性,而且能够在确保全局收敛性的基础上,快速搜索到高质量的优化解,对复合材料层合结构的可靠性优化设计十分有效。     

扩展拉格朗日乘子粒子群算法解决工程优化问题

工程上很多优化问题,如容器设计、波纹管、板翅式换热器的结构优化设计等,皆为非线性约束优化设计问题,常采用惩罚函数法处理约束条件;为获得问题最优解,该方法需要合理确定初始惩罚因子,且需要动态惩罚因子无穷大。扩展拉格朗日乘子法是一种改进的惩罚函数法,可以克服惩罚函数法的不足,获得全局最优解,但目前对其研究和应用有限。对拉格朗日乘子法与粒子群算法相结合处理非线性约束问题进行研究,提出惩罚因子更新策略,确定扩展拉格朗日乘子粒子群算法合理的操作过程。标准测试函数结果显示：提出的方法及策略实现了扩展拉格朗日乘子粒子群算法解决非线性约束问题,并得到了问题的全局最优解;其在容器及波纹管系列优化设计中的应用进一步显示,提出的方法在处理非线性约束工程实际问题时,运行稳定可靠,可快捷获得问题的全局最优解或近似最优解。     

基于离散差分进化算法的齿轮优化设计

根据机械设计中大多数优化变量属于混合变量的实际情况,提出采用基于离散变量方法解决机械优化设计问题。开发了一种不同变量自由设置间距的离散差分进化算法,连续变量采用合适的微小间距,离散变量采用工程规定间距。结合机械约束处理的自适应罚函数方法,以典型机械产品———齿轮和齿轮轴重量最轻优化实例为例,进行数值实验。结果表明该算法可以非常方便地处理约束优化问题,与粒子群算法实验对比,具有较高精度和可靠性。离散变量优化结果无需作圆整后处理,避免了圆整处理带来的系列问题。     

改进的粒子群算法在圆锥滚子轴承优化设计中的应用

给出了基于改进粒子群算法的圆锥滚子轴承优化设计方法.该算法通过对每一次进化计算后记忆中的最优粒子进行随机摄动操作来提高解的精度和算法的搜索效率,同时对种群中的最差粒子重新进行初始化来保持种群的多样性以避免陷入局部最优解;并采用惩罚函数法来处理约束,取得了较好的效果.计算实例表明该方法高效可行, 优化结果可直接作为工程设计的参考.     

粒子群算法在工程优化设计中的应用

将粒子群算法与惩罚函数法相结合,建构一种离散粒子群算法,解决工程上非线性约束离散变量优化设计问题。为实现离散变量与连续变量的转化,构造了相应的扩张函数,提出惩罚因子的确定策略。通过容器设计算例验证,粒子群算法方法优于文献所列方法。应用粒子群算法、惩罚函数法及所提出的策略对波纹管工程实例进行优化设计,其单位重量下整体波纹管的补偿量比在用产品提高了79.96%,与理论解接近,进一步证明了离散粒子群算法及策略在处理工程非线性约束离散优化设计问题时的有效性,其为工程上类似优化设计提供借鉴。     

基于约束主导混合粒子群算法的风力机叶片优化方法研究

为提高叶片在额定风况和低速风况下的功率系数,研究叶片各叶素处的气动外形参数分布。针对风力机通常运行在低风速风况下,而叶片的优化模型很少考虑该因素的影响,建立基于叶素动量理论和Wilson理论的带低风速功率系数的非线性约束优化模型。由于在处理约束条件的惩罚函数法中罚因子难以确定,而导致算法过早陷入局部解的早熟现象,提出一种结合可行性约束主导处理方法的混合粒子群算法。该算法基于粒子群优化和模拟退火理论,采用可行性约束主导在退火概率突跳下对不可行约束解进行随机生存选择,使种群保持多样性,从而朝更优方向进化,解决了非线性约束条件难以处理和种群易陷入局部解的问题。以1.5 MW风力机叶片为研究对象,建立非线性约束优化模型,对该算法进行了验证。研究成果表明该方法可以有效地处理优化模型的非线性约束,避免优化过程陷入早熟,提高了叶片在额定风速和低风速区域的功率系数。为非线性约束处理方法的研究提供了一种很好的理论分析途径。     

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。     

流体动压轴承多目标优化设计的改进灰色微粒群算法

针对齿轮箱流体动压轴承多目标优化问题,提出了一种基于混合离散变量多目标优化设计求解方法,该方法应用灰色综合关联度将多目标优化问题转化为单目标优化问题,再用改进微粒群算法求解,开发了混合离散变量优化的灰色改进微粒群法程序.该方法能合理地处理优化设计中混合离散变量的取值问题,通过对标准微粒群算法改进,引入动态罚函数,构造一种新的适应函数,算法具有很强的全局寻优能力.优化设计实例表明,该算法对优化设计问题的特性无特殊要求,具有较好的普适性,而且程序运行可靠,全局收敛能力强.     

高维多目标优化设计的灰色微粒群算法

提出了一种基于混合离散变量多目标优化设计求解方法,该方法应用灰色相对关联度将多目标优化问题转化为单目标优化问题,再用改进微粒群算法求解.开发了混合离散变量优化的灰色改进微粒群法程序.该方法能合理地处理优化设计中混合离散变量的取值问题,通过对标准微粒群算法改进,引入动态罚函数,算法具有很强的全局寻优能力.优化设计实例表明,该算法对优化设计问题的特性无特殊要求,具有较好的普适性,而且程序运行可靠,全局收敛能力强.     

新的求解钻削路径优化问题算法研究

将粒子群优化算法应用到离散空间的群孔钻削路径优化之中。由于基本粒子群算法不能保证全局或局部收敛,在算法数学模型的基础上,引入重新生成停止进化微粒的方式对算法加以改进,使改进的算法具有全局收敛能力。通过建立序交换元和序交换集对算法的操作算子进行改进,满足钻削路径优化问题中整数编码的需要。实验表明,新的算法具有实现简单,收敛速度快,能够实现全局收敛的优点。     

基于k-中心点法的改进粒子群算法在旅行商问题中的应用

为将面向连续优化的粒子群优化算法应用于旅行商问题的求解,提出了旅行商问题的权重编码方案.该方案将属于组合优化的旅行商问题转化为连续优化问题,同时保留了粒子群算法的易操作性和高效性.针对粒子群算法易陷入局部最优的问题,提出了适合旅行商问题的基于k-中心点法的改进措施.该措施利用简单匹配系数构建粒子群的相异度矩阵,在此基础上采用k-中心点法对粒子群进行聚类分析,实现了粒子之间的信息交换,扩大了粒子的搜索空间,避免算法陷入局部最优.最后,用旅行商问题标准库的4个算例验证了权重编码方案和改进粒子群算法的有效性.     

基于改进粒子群算法的隐式广义预测控制

针对大多数工业系统的控制输入输出都存在约束的情况,提出一种基于改进粒子群算法的隐式广义预测控制算法(IGPC)。粒子群算法(PSO)是一种基于群体的智能优化算法,解决受约束的优化问题具有精度高、收敛速度快等优点;为了避免粒子群算法陷入早熟,提高精度,引入细菌觅食算法中的自适应迁徙机制。在隐式广义预测控制的滚动优化环节引入改进粒子群算法,弥补了传统GPC在处理受约束控制问题上的缺陷。仿真结果表明了该方法的有效性和良好的控制性能。     

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。     

基于改进粒子群算法的神经网络建模

文章利用粒子群算法优化神经网络的参数,提出了基于粒子群算法的神经网络建模方法。为了提高基本粒子群算法的搜索性能,采用了基于外推技巧的引导型更新公式,并在粒子的搜索过程中,不断监测各个粒子的最优位置,多次没有变化并且距离优化目标太远时,粒子跳出当前位置继续搜索,从而避免陷入局部值。最后使用改进后的粒子群神经网络算法对函数进行拟合,仿真结果表明,新的算法有较好的收敛性。     

基于粒子群算法的并联机器人运动学正解研究

并联机器人运动学正解问题由于涉及到求解非线性方程组问题而不易解决。在对粒子群算法研究的基础上,对其进行改进,以提高全局搜索能力。同时结合外点罚函数法,对并联机器人运动学正解问题重新进行建模,以便于使用粒子群算法进行求解。结合二者形成新的正解求解方法。最后使用该方法,以一台并联机器人为对象进行研究,获得了其运动学正解。     

QPSO-WT和QPSO-SVM在滚动轴承故障诊断中的应用

为了解决小波降噪软阈值选择非最优以及SVM算法中惩罚参数、核函数参数的设置问题,将小波变换、支持向量机分别与量子行为粒子群优化算法QPSO(quantum-behaved particle swarm optimization,)相结合,利用QPSO优化小波阈值以及优化SVM输入参数,进行全局寻优,并将之应用到滚动轴承故障识别中。实验中,QPSO-WT滤波后信号具有更高的信噪比和更低的MSE,QPS0-SVM对10种不同状态的轴承进行故障诊断,对于多分类的情况该方法的识别精确度达到了87.67%,与SVM和RBF神经网络对比,从而进一步证明了该方法的有效性,说明该方法能够满足实际工况下的故障诊断要求。     

基于粒子群算法的并联机构结构参数优化设计

介绍了粒子群优化算法的原理和实现方法，分析了该算法的主要参数对搜索性能的影响，井把粒子群算法用于六自由度的并联机构的参数优化设计中，取得了较好的效果，试验证明，粒子群算法是一种有效的优化方法，适用于大型复杂结构的优化设计。