引入单纯形算子的粒子群优化算法在板形模式识别中的应用

将粒子群理论引入板形模糊模式识别系统，对识别后的板形进行优化，提高了板形识别的精度。粒子群算法作为一种全局优化算法，对于复杂优化问题，存在容易陷入局部极值的不足，因此，提出了粒子群和单纯形混合优化算法，将具有良好局部搜索能力的单纯形法与粒子群算法的全局搜索能力结合起来，有效地提高了板形模式识别优化的收敛速度，同时也提高了识别精度。     

基于Tent映射的混沌粒子群优化算法及其应用

针对基本粒子群优化算法在迭代后期易陷入局部最优而出现早熟收敛的现象,基于混沌搜索的全局遍历性、随机性和规律性的特点,以粒子群群体适应度方差作为粒子群优化算法早熟收敛的判据,将Tent映射作为混沌搜索引入到基本粒子群算法中,对以一定概率随机选择的粒子群中的部分粒子实施混沌搜索,利用混沌特性提高种群的多样性和粒子搜索的遍历性,从而使粒子获得持续搜索的能力,提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能.几个典型测试函数的仿真实验和应用实例均证明了该算法的可行性.     

冗余机械臂逆运动学的多子群粒子群求解

为了提高冗余机械臂逆运动学求解精度,提出了多子群粒子群算法的求解方法。使用D-H法建立了冗余机械臂运动学模型,以机械臂末端执行器位姿误差最小为目标构造了目标函数。在粒子群算法基础上,提出了粒子的多策略进化方法和多子群协同搜索方法,粒子的不同子群对应不同的进化方法,也即具有不同的搜索优势,从而提高算法应对不同类型寻优问题的能力。经运动学逆解仿真分析,多子群粒子群算法和粒子群算法搜索的最优粒子对应姿态误差相差5个数量级,位置误差相差4个数量级,充分证明了多子群粒子群算法的寻优性能远远优于粒子群算法;经多工作点实验验证,多子群粒子群算法的稳定性和鲁棒性也优于粒子群算法。     

均匀粒子群蚁群融合算法的机器人路径规划

为了提高移动机器人点对点路径规划的性能,提出了均匀粒子群蚁群融合算法。首先分析了粒子群算法原理,找出了导致算法"早熟"的搜索机制缺陷,提出了均匀粒子群算法,此算法改进了粒子群算法的搜索机制,保证了在迭代过程中的粒子多样性,克服了算法"早熟"问题;介绍了蚂蚁系统和蚁群系统算法的区别,提出了均匀粒子群蚁群融合算法,首先使用均匀粒子群算法搜索次优路径,在此路径上撒播信息素,然后使用蚁群算法寻找最优路径。实验结果表明,融合算法规划出的路径最短,而且迭代效率高、容错能力强。     

机电产品管路自动敷设的粒子群算法

基于粒子群优化算法提出一种机电产品三维管路自动敷设算法,该算法以预处理和优化搜索为基本框架。在预处理阶段,利用混沌技术,建立混沌栅格预处理模型。三维管路敷设空间经过混沌栅格预处理模型处理,可有效地降低管路自动敷设算法的求解复杂度。在优化搜索阶段,通过分析粒子群算法和人口迁移的特点,提出改进粒子群算法。改进粒子群算法针对粒子群算法收敛速度慢、容易陷入局部极小的缺点,提出子空间局部搜索、解空间全局搜索和补空间开拓搜索。基于混沌栅格预处理模型和改进粒子群算法,给出高效的管路自动敷设算法流程图。对比试验和改进粒子群算法的理论分析,表明该优化搜索算法具有较好的性能,并证明改进粒子群算法的收敛性。实例验证表明该算法的有效性和实用性。     

基于混合粒子群算法求解装配线第二类平衡问题

阐述了装配线平衡问题类型及其平衡求解的相关算法,给出了装配线第二类平衡问题的数学描述。在分析用标准粒子群优化算法求解装配线第二类平衡问题的缺陷基础上,利用粒子群优化算法所具有的全局搜索能力和高搜索效率以及模拟退火算法所具有的局部搜索能力,提出了采用粒子群和模拟退火的混合算法求解第二类平衡问题的方法,并给出了求解流程。应用实例证明,用混合粒子群优化算法比标准粒子群优化算法求解第二类平衡问题能获得更优的结果。     

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。     

应用混沌粒子群算法求解工程优化问题

针对工程优化设计问题,提出了基于混沌粒子群算法的工程约束优化问题求解方法.CPSO算法利用混沌搜索的全局遍历性、随机性和规律性等特点,引导粒子在全局范围内搜索,从而克服了传统粒子群算法早熟收敛的缺点.该算法以种群适应度方差作为粒子群优化算法早熟收敛的判据,并用惩罚函数法处理违法约束的粒子,当基本粒子群算法陷入早熟时,随机选择粒子群中的部分粒子实施混沌搜索,直至满足迭代收敛条件为止.CPSO算法能提高种群的多样性和粒子搜索的遍历性,从而有效提高了PSO算法的收敛速度和精度.两个工程约束优化实例的求解结果表明,该算法的优化结果最好,收敛速度也比较快.     

自适应粒子群优化支持向量回归的工程系统可靠性预测

针对可靠性预测精度低的问题提出了一种支持向量机回归预测模型。在可靠性预测过程中，开发了一种结合正弦映射和自适应策略来更新惯性权重的自适应粒子群优化算法，通过增强算法的局部挖掘能力与全局搜索能力，在一定程度上提高了粒子群算法的精度和收敛效率。基于8种测试基准函数将提出的算法与其他粒子群算法进行比较验证，结果表明，提出的自适应粒子群算法相比于其他算法具有更好的搜索能力。在此基础上，提出了一种新的自适应粒子群优化-支持向量机回归混合可靠性预测模型，对支持向量机回归的参数进行调整并预测涡轮增压器和工业机器人系统的可靠性，结果表明该混合模型在可靠性预测方面可达到实际工程精度要求。     

基于动力驱动微粒群算法的液压矫直机PID控制参数优化

为兼顾微粒群算法收敛速度与跳出局部解的能力，利用阶段性搜索方式将算法搜索过程分为前、后两个不同阶段。在算法的前期搜索阶段，当前微粒受个体最优微粒与全局最优微粒的引力作用，在算法的后期搜索阶段引入中值导向加速度，提出一种动力驱动微粒群算法。最后，针对液压矫直机PID控制的参数优化问题，考虑控制信号、上升时间和误差量的关系，建立液压矫直机PID控制参数优化模型，利用动力驱动微粒群算法优化得到更好的参数组合，实现PID控制参数优化。     

基于粒子群算法的并行多机调度问题研究

将港口拖轮作业调度问题描述为一类带特殊工艺约束的并行多机调度问题,采用粒子群算法求解该类调度问题,提出了一种2维粒子表示方法,通过对粒子位置向量进行排序生成有效调度,并采用粒子位置向量多次交换的局部搜索方法来提高算法的搜索效率。最后,通过计算验证了混合粒子群算法的有效性。     

A hybrid discrete particle swarm optimization algorithm for solving fuzzy job shop scheduling problem

In this paper, a hybrid algorithm combining particle swarm optimization (PSO) and tabu search (TS) is proposed to solve the job shop scheduling problem with fuzzy processing time. The object is to minimize the maximum fuzzy completion time, i.e., the fuzzy makespan. In the proposed algorithm, PSO performs the global search, i.e., the exploration phase, while TS conducts the local search, i.e., the exploitation process. The global best particle is used to direct other particles to optimal search space. Therefore, in the proposed algorithm, TS-based local search approach is applied to the global best particle to conduct find-grained exploitation. In order to share information among particles, one-point crossover operator is embedded in the hybrid algorithm. The proposed algorithm is tested on sets of the well-known benchmark instances. Through the analysis of experimental results, the highly effective performance of the proposed algorithm is shown against the best performing algorithms from the literature.     

A discrete PSO for two-stage assembly scheduling problem

In this paper, a discrete particle swarm optimization (PSO) algorithm called DPSO is proposed to solve the two-stage assembly scheduling problem with respect to bicriteria of makespan and mean completion time where setup times are treated as separate from processing times. In DPSO, the particle velocity representation is redefined, and particle movement is modified accordingly. In order to refrain from the shortcoming of premature convergence, individual intensity is defined, which is used to control adaptive mutation of the particle, and mutation mode is decided by the individual fitness. Furthermore, a randomized exchange neighborhood search is introduced to enhance the local search ability of the particle and increase the convergence speed. Finally, the proposed algorithm is tested on different scale problems and compared with the proposed efficient algorithms in the literature recently. The results show that DPSO is an effective and efficient for assembly scheduling problem.     

改进微粒群优化求解置换流水车间调度问题

针对置换流水车间调度问题,提出了一种改进微粒群优化的求解算法。首先,由基于启发式信息的贪婪随机自适应算法得到工件加工顺序,个体最优的初始值不再是随机生成的初始值,而是由该工件加工顺序转化而成;然后,对个体最优解进行了交换型局部搜索;最后,通过对Car系列和Rec系列基准的测试,表明了该算法的有效性。     

基于最佳粒子共享的并行粒子群优化算法及其在分类中的应用

粒子群优化（Particle Swarm Optimizer,PSO）算法是数据挖掘技术的一种算法。数据挖掘就是从大型数据库中的数据中提取人们感兴趣的知识。PSO算法模仿鸟群、鱼群的行为,通过群中的每个个体即粒子,依靠本身的速度向量和群信息,在多维搜索空间中搜索找到最优解。并行粒子群算法可以减小粒子间的相互干扰,扩大搜索范围;对于大规模或超大规模的多变量求解具有重要的意义,可以提高解的速度和解的质量。本文提出了并行粒子群的改进算法。同时将改进的并行粒子群算法应用于数据挖掘的分类中。实验采用IRIS数据集,它有3个类别,分别为Setosa,Versicolor,Virginica,每个类别包含50个例子。每个例子有4个属性,分别为花萼长度,花萼宽度,花瓣长度和花瓣宽度,将数据按9：1分成两部分,大的作为训练样本,小的作为测试样本。得到一个分类规则,将这规则用于测试集,准确率为91．5％。实验结果表明该算法可行。     

利用量子粒子群算法求解单级多资源约束生产批量计划问题

针对单级多资源约束生产批量计划问题,提出了基于量子粒子群算法求解该问题的方法。此算法将量子强大的领域搜索能力和基本粒子群算法(PSO)通过跟踪极值更新粒子的功能结合,能够改善粒子群算法后期搜索速度慢的问题。通过对其他文献的实例进行计算与比较,结果表明,在求解单级多资源约束生产批量计划问题时,量子粒子群算法(QP-SO)要优于退火惩罚混合遗传算法和传统的遗传算法。     

离散粒子群优化算法求解矩形件排样问题

提出了一种基于离散粒子群优化算法求解矩形件排样问题的方法.文中介绍了基本粒子群优化的搜索策略与基本算法,用置换子和置换序列构造一种离散粒子群优化矩形件排样算法,通过实例和遗传算法相比较,实验结果表明该算法是有效的.     

基于混合粒子群优化算法的置换流水车间调度问题研究

针对最大完工时间最小的置换流水车间调度问题,提出一种粒子群优化算法与变邻域搜索算法结合的混合粒子群优化（hybrid particle swarm optimization,HPSO）算法。在该混合算法中,采用NEH启发式算法进行种群初始化,以提高初始解质量。运用基于随机键的升序排列规则（ranked-or-der-value,ROV）,将连续PSO算法应用于离散置换流水车间调度问题中,提出了一种基于关键路径的变邻域搜索算法,以进一步提高算法的局部搜索能力,使算法在集中搜索和分散搜索之间达到合理的平衡。最后,运用提出的混合算法求解Taillard和Watson基准测试集,并将测试结果与一些代表算法进行比较,验证了该调度算法的有效性。     

油液固体颗粒污染度测试方法的对比分析

阐述了油液固体颗粒污染的来源和危害,介绍了五种油液固体颗粒污染度的测试方法：重量法、显微镜计数法、自动颗粒计数法、显微镜对比法、网式堵塞计数法,并针对这五种方法的工作原理、优缺点进行了对比分析。