传统优化算法与竞选算法应用于机械优化设计的比较

论述了机械优化设计中的传统优化设计算法,同时介绍了一种现代的优化设计方法——竞选算法的原理及其求解步骤.采用传统优化设计算法与竞选算法分别对箱形盖板和两杆桁架结构的优化设计问题进行求解,比较了两者间求解方式上的特点,并就竞选算法与传统优化算法间求解效果进行了比较.结果表明,竞选算法是一种非常有效的机械优化设计方法.     

基于MATLAB算法的圆柱齿轮减速器优化设计

在系统研究圆柱齿轮减速器优化设计目标函数建立、设计变量选取和约束条件确定的基础上，建立其优化设计数学模型，然后采用MATLAB算法求解该优化问题。优化结果表明采用MATLAB算法求解优化设计问题，不仅算法可靠有效，而且编写程序比较简单，设计效率能够得以提高。该研究方法在解决其他机械优化设计问题时也同样适用。     

基于层次分析粒子群算法的可靠性稳健优化设计

利用多目标优化策略,将机械零部件的可靠性稳健优化设计转化为多目标问题。为提高零部件可靠性稳健优化设计多目标模型的求解效率,将所提出的基于层次分析法的多目标粒子群算法应用于可靠性稳健优化设计的多目标模型求解中。该方法简便易行,能迅速准确地得到机械零部件扭杆的可靠性稳健优化设计信息。     

遗传算法的改进及在机械优化设计中的应用

针对标准遗传算法的不足,提出了主从多种群并行运算的改进策略,并探讨了该算法在机械优化设计中的应用方法。     

免疫遗传PID汽车纯机械转向系统参数优化

以免疫反馈机理和遗传PID算法为基础,提出了一种免疫遗传PID算法.该算法的核心是将免疫反馈机理和遗传算法结合,并以ITAE性能准则为目标函数;将该算法用于汽车纯机械转向系统PID参数优化的过程中,并用Matlab仿真实验.仿真结果表明:基于免疫反馈机理和遗传算法的PID参数优化可以有效地提高汽车转向柱转角跟随转向盘转角的速度,缩短滞后时间,且使汽车机械转向系统具有较好的稳定性,其结果可为汽车电动助力转向系统的参数优化提供理论依据.     

双通带数字滤波器优化设计研究

提出了一种基于BP算法的正弦基函数神经网络模型及算法的收敛条件,研究了该神经网络算法与FIR线性相位滤波器幅频特性的关系,给出了高阶双通带滤波器的优化设计实例.计算机仿真结果表明,该神经网络算法不仅是有效的,而且是高效的.与传统的窗口函数法和雷米兹优化设计方法相比,其优化设计方法不需要计算矩阵的逆,因而克服了雷米兹优化设计方法求高阶矩阵逆的困难.     

遗传算法的改进及在机械优化设计中的应用

争对标准遗传算法的不足，提出了主从多种群并行运算的改进策略，并探讨了该算法在机械优化设计中的应用方法 。     

机械优化设计及其MATLAB实现

以机械优化设计的传统求解方法为基础,探讨了优化设计的MATLAB实现方法,该方法初始参数输入简单,编程工作量小,具有明显的优越性.通过实例介绍了MATLAB进行优化设计的基本原理和过程,为机械零件的优化设计提供了一种新方法.     

机械优化设计及其MATLAB实现

以机械优化设计的传统求解方法为基础,探讨了优化设计的MATLAB实现方法,该方法初始参数输入简单,编程工作量小,具有明显的优越性.通过实例介绍了MATLAB进行优化设计的基本原理和过程,为机械零件的优化设计提供了一种新方法.     

3型FIR带通滤波器优化设计

研究了3型FIR线性相位滤波器的幅频特性与神经网络算法之间的关系,提出了该神经网络算法的收敛性定理,为神经网络训练中学习率大小的选择提供了理论依据.该算法有效避免了FIR高阶数字滤波器优化设计中求高阶矩阵逆的困难,为高阶FIR数字滤波器的优化设计提供了一种快速有效的设计方法.最后给出了FIR高阶数字滤波器的优化设计实例.计算机仿真结果表明了该神经网络并行算法在3型FIR高阶数字滤波器优化设计领域的有效性.     

Hybridizing artificial bee colony with biogeography-based optimization for constrained mechanical design problems

A novel hybrid algorithm named ABC-BBO, which integrates artificial bee colony(ABC) algorithm with biogeography-based optimization(BBO) algorithm, is proposed to solve constrained mechanical design problems. ABC-BBO combined the exploration of ABC algorithm with the exploitation of BBO algorithm effectively, and hence it can generate the promising candidate individuals. The proposed hybrid algorithm speeds up the convergence and improves the algorithm's performance. Several benchmark test functions and mechanical design problems are applied to verifying the effects of these improvements and it is demonstrated that the performance of this proposed ABC-BBO is superior to or at least highly competitive with other population-based optimization approaches.     

人工鱼群算法在孔群加工路径优化中的应用研究

将人工鱼群算法应用于孔群加工路径优化的研究,建立以最短加工路径为目标的路径优化数学模型,阐述算法实施的具体过程并进行算例分析。结果表明,该方法求最优解的性能优于Hopfield算法、进化蚁群算法、人工免疫算法以及改进的遗传算法,获得的最优路径可以节省71.47%的行走路程。     

混合优化人工免疫网络用于过程动态优化

常见的用于求解过程动态优化的方法局部寻优能力强,易陷入局部点;而优化人工免疫网络虽局部寻优能力弱,但不易陷入局部点.针对这些方法的不足,提出了一种新的算法--混合优化人工免疫网络,将优化人工免疫网络植入局部寻优操作和二次响应机制,应用于Park-Ramirez和Lee-Ramirez生物反应器,此算法能以较少的计算代价搜索到最佳控制策略.将其用于模型参数发生变化的Lee Ramirez生物反应器,实验结果表明,此算法的二次响应机制可以节省85％的评价次数.     

用于函数优化的改进免疫克隆多样性算法

免疫系统具有许多可以用于解决工程和科学问题的特性,人工免疫系统是基于免疫系统特性而发展的新兴智能系统.针对免疫算法的多样性,利用免疫系统克隆选择和克隆抑制机制,提出一种用于函数优化的改进免疫克隆多样性算法,以达到简化复杂系统函数算法的目的.多样性算法是一种基于免疫系统抗体多样性机制而开发的免疫算法,这里给出了改进的算法步骤,指出改进算法与原算法的主要区别以及所依据的免疫系统原理;文章还对算法的复杂性进行了分析,证明了改进免疫系统克隆多样性算法可以利用相对小的候选解群体解决复杂函数优化问题.     

求解动态路径诱导K路最短问题的人工免疫优化方法

针对智能交通诱导系统中传统最短K路算法的运行效果不佳，提出一种新型人工免疫优化搜索算法，并将其应用于扩展节点法建立的城市交通路网模型，实现了城市交通诱导系统的最优K路搜索．该算法基于生物免疫系统的免疫记忆功能，具有全局性并行搜索的特点．在K路最短问题求解时能同时给出K条最短路径，不存在遗传算法的早熟现象并具有更好的并行处理能力．示例仿真验证了算法的有效性与实用性．     

求解动态路径诱导K路最短问题的人工免疫优化方法

针对智能交通诱导系统中传统最短K路算法的运行效果不佳,提出一种新型人工免疫优化搜索算法,并将其应用于扩展节点法建立的城市交通路网模型,实现了城市交通诱导系统的最优K路搜索. 该算法基于生物免疫系统的免疫记忆功能,具有全局性并行搜索的特点. 在K路最短问题求解时能同时给出K条最短路径,不存在遗传算法的早熟现象并具有更好的并行处理能力. 示例仿真验证了算法的有效性与实用性.     

改进的免疫算法在函数优化中的应用

针对遗传算法群体多样性保持能力不足,易陷入局部最优等缺点,提出了一种改进的免疫算法(Im-proved Artificial Immune Algorithm,IAIA),并将其与函数优化相结合,用于解决多模函数优化问题.用个体的实数值根据欧式距离进行适当的聚类分析,认为类内个体均具有相同的浓度值,用个体的二进制编码计算类的平均信息熵,进而得到浓度值,用以取代了标准人工免疫算法(Artificial Immune Algorithm,AIA)中计算任意两个体间信息熵的算法;根据个体适应值和浓度控制个体的繁殖率,该算法在保持与AIA相近的多样性和收敛性的同时,达到减少算法的时间复杂性,提高计算效率的目的.测试实验表明,对单模和多模函数优化问题,以及在高维的情况下,IAIA有较高的解质量及较短的运算时间,显示出良好的性能.     

Research on generalized optimization process for mechanical product

The generalized optimization process for mechanical product is proposed which includes functional optimization phase, conceptual design optimization phase, technical design optimization phase (that is further divided into product modeling phase, optimization process scheduling phase, optimization modeling phase and multi-computer collaborative optimizing phase), and result analysis and evaluation phase. The characteristics of the generalized optimization are incarnated such as oriented to the design of entire system, whole process and overall performance of a product and combined with human intelligent and artificial intelligent optimization. The functions and the achieved strategies of each key phase in the generalized optimization process are discussed. A prototype of the generalized optimization supported system for mechanical product is preliminarily established.     

Immune response-based algorithm for optimization of dynamic environments

A novel immune algorithm suitable for dynamic environments (AIDE) was proposed based on a biological immune response principle. The dynamic process of artificial immune response with operators such as immune cloning, multi-scale variation and gradient-based diversity was modeled. Because the immune cloning operator was derived from a stimulation and suppression effect between antibodies and antigens, a sigmoid model that can clearly describe clonal proliferation was proposed. In addition, with the introduction of multiple populations and multi-scale variation, the algorithm can well maintain the population diversity during the dynamic searching process. Unlike traditional artificial immune algorithms, which require randomly generated cells added to the current population to explore its fitness landscape, AIDE uses a gradient-based diversity operator to speed up the optimization in the dynamic environments. Several reported algorithms were compared with AIDE by using Moving Peaks Benchmarks. Preliminary experiments show that AIDE can maintain high population diversity during the search process, simultaneously can speed up the optimization. Thus, AIDE is useful for the optimization of dynamic environments.