基于离散震荡粒子群算法的柔性作业车间调度优化方法

提出了一种离散震荡粒子群算法与细菌觅食算法优化融合的混合智能算法,并将其应用于离散型柔性车间调度问题中。该算法利用离散震荡粒子群算法对不断更新的粒子的每一维进行适当震荡搜索操作,并引入细菌觅食算法中的趋同操作作为局部搜索策略,对整个种群中的最优粒子进行邻域搜索,提高最优解的精度。最后利用实际生产数据,对实际生产过程进行仿真。仿真结果表明:所提出的算法收敛速度较快,收敛精度有明显的提高,对于实际调度问题具有一定的理论价值和指导意义。     

细菌群觅食优化算法及PID参数优化应用

针对细菌觅食(BF)算法收敛速度慢和粒子群优化(PSO)算法早熟的缺点,提出了一种细菌群觅食优化(BSFO)算法。将PSO算法中粒子速度的更新公式替代BF算法位置公式中的方向向量,使细菌在优化过程中具备感应周围细菌位置并向细菌群体历史最优位置游动的能力。Benchmark函数的测试表明,BSFO算法对于大部分测试函数的结果较为理想。将BSFO算法用于材料试验机电液位置伺服系统的PID控制器参数寻优仿真,获得了较好的控制性能。     

求解作业车间调度的变邻域细菌觅食优化算法

针对最小化最大完工时间的作业车间调度问题,提出一种基于变邻域趋化操作的细菌觅食优化算法。邻域搜索是一类改进型局部搜索算法,在每一步迭代过程中通过搜索当前解的邻域得到一个改进的解,利用邻域搜索可大大提高局部最优解的精确度。本算法采用基于操作的编码,使得细菌觅食优化算法适用于作业车间调度求解;将3种不同的邻域结构引入趋化操作中,以便扩大可行解的搜索空间,细菌个体按照自适应学习策略根据邻域的各自贡献率选择搜索方式,减少陷入局部极小的机会;同时使用自适应步长更新各邻域内趋化操作的位置,根据适应度值动态调整搜索精度,避免早熟收敛。典型算例试验表明,该算法具有一定的鲁棒性,并有效地提高了搜索精度和收敛性。     

求解柔性作业车间调度问题的两阶段参数自适应蚁群算法

针对柔性作业车间调度问题,提出了一种新的两阶段蚁群算法求解方案。在算法前期,采用细菌觅食趋化聚类技术判断蚁群所处的状态,自适应调整蚁群算法的参数,使算法快速收敛到全局最优解附近;在算法后期,利用混沌的随机性和遍历性特点来调整参数,有利于算法跳出局部最优。实验结果验证了该两阶段法的有效性。     

多目标拆卸线平衡问题的Pareto人工鱼群算法

针对拆卸线平衡问题的复杂性,提出了一种改进的基于Pareto解集的多目标人工鱼群算法进行求解。为提高人工鱼觅食时的寻优能力,引入遗传算法的随机交叉操作,指导人工鱼向全局最优拆卸方向觅食。通过拥挤距离不断筛选人工鱼觅食、聚群和追尾过程中的非劣解,实现了各行为结果的多样性。采用精英保留策略,将外部档案中的非劣解添加到算法下次迭代的种群中,加快了算法的收敛。通过对不同规模的拆卸实例进行求解,并将其与已有算法进行对比,验证了所提算法的有效性和优越性。     

基于局部搜索策略的混合自适应布谷鸟算法

为了提高布谷鸟算法的搜索精度和全局收敛速度,提出一种基于局部搜索策略的混合自适应布谷鸟算法。在该改进算法中,每个当前解的周围随机产生一个局部种群,利用正余弦算子的局部寻优能力得到局部最优解,并用局部最优解替换当前解,以提高局部搜索精度;同时采用自适应发现概率和搜索步长替代布谷鸟算法中的固定发现概率和搜索步长,以提高算法的全局收敛速度。对25个经典高维基准函数进行实验表明,所提算法在收敛速度和求解精度上优于布谷鸟算法,通过将其应用于拉压弹簧、三杆桁架设计和0-1背包问题,验证了算法的有效性。     

随机作业时间的U型拆卸线平衡多目标优化

为更好地反映实际拆卸作业时间的不确定性,建立了考虑随机作业时间的多目标U型拆卸线平衡问题的数学模型,并针对传统方法求解多目标问题时求解结果单一、无法均衡各目标等不足,提出一种基于Pareto解集的多目标混合人工鱼群算法。算法采用自适应视野串行觅食方式,以减少并行觅食时出现重复搜索现象,并根据多目标拆卸序列之间的支配关系得到Pareto非劣解集,实现了鱼群寻优结果的多样性。对鱼群觅食得到的拆卸序列进行模拟退火操作,增强了算法跳出局部最优的能力。采用拥挤距离机制筛选非劣解,实现了拆卸序列的精英保留,进而将非劣解添加到下次迭代的种群中,加快了算法的收敛速度。将所提算法应用于具有55项任务的某打印机拆卸实例,经与基本人工鱼群算法、模拟退火算法对比,验证了所提算法的有效性和优越性。     

一种动态邻域的多目标粒子群优化算法

针对粒子群算法在多目标优化问题中存在收敛性差,容易陷入局部最优等缺陷,提出了一种改进的粒子群优化算法。该算法在原有的粒子群算法上增加了两个操作:一是引入了一种变异算子,该变异算子为正态分布随机变异算子,可以使粒子在邻域内随机变异,使其在精英解集中搜索;二是在个体最优位置选取时,对未进入过精英解集的粒子进行变异,使其在新的可行域中寻找,从而加快粒子的收敛速度。经过测试函数验证,该算法可以加快粒子的收敛速度,使粒子更快找到最优解,提高解的收敛性。     

基于自适应细菌觅食算法的立体仓库货位优化

针对自升式穿梭立体仓库中穿梭车无需提升机即可实现跨层移动的运行特点，以该立体仓库模型为研究对象，进行货位优化。分别建立以提高出入库效率、货物分类存放、提高货架稳定性和平衡各巷道穿梭车工作量为优化目标的数学模型，并通过权重系数法将多目标优化函数转化为单目标优化函数。在标准细菌觅食算法的基础上，通过自适应策略对趋化步长和迁徙概率进行动态调整，提出了一种自适应细菌觅食算法，并利用该算法对货位优化数学模型进行仿真求解。仿真结果表明改进后算法的收敛速度提升，自适应改进策略有效，优化后目标函数值降低，货位优化效果显著。研究成果为立体仓库货位分配提供了一个综合、高效的优化方案，同时经立体仓库实际应用也验证了自适应细菌觅食算法的可行性和实用性。     

基于改进蚁群算法的移动机器人全局路径规划方法研究

针对基本蚁群算法在移动机器人全局路径规划中收敛速度慢,易陷入局部最优解的问题,提出一种改进的蚁群算法。将A*算法的根据目标点自适应调整启发函数的思想应用于蚁群算法中,增加目标点对启发函数的影响;改进状态选择策略,增加解的多样性;混合使用多种信息素分配机制,提高算法的收敛速度。通过布置相同的路径搜索条件,在MATLAB语言环境下进行仿真分析,验证了改进的算法是可行有效的。     

改进的遗传算法在复合材料车间计划排产中的应用研究

采用自适应遗传算法使交叉概率和变异概率随种群中个体适应度值的大小进行自动调整,并设计三个体交叉算子保证了子代能够很好地继承父代最优个体的优良特性,根据复合材料车间的生产特点,建立排产的目标函数及适应度函数。通过对遗传算法上述参数的改进,降低算法陷入局部最优解的可能性,大大提高了算法的收敛速度。     

求冗余机器人逆运动学解的改进果蝇优化算法

为了解决冗余机器人逆运动学解求取中存在的计算量大和求解精度较低等问题,提出一种基于改进果蝇优化算法(IFOA)的解决方法。IFOA在果蝇算法(FOA)的基础上,在进化方程中添加向最差个体学习的改进策略来优化进化方程,增强了算法跳出局部最优和寻找全局最优的能力。对经典测试函数的仿真结果表明,相比于FOA,IFOA在收敛速度、收敛精度及收敛可靠性方面都有较大的提高。在求冗余机器人逆运动学解的实际应用中,IFOA能够有效提高精度、速度和稳定性,是求冗余机器人逆运动学解的一种有效方法。     

求解生产批量计划问题的改进量子进化算法

针对遗传算法和粒子群算法在求解生产批量计划问题中易陷入局部最优解的问题,提出了改进的量子进化算法.对各周期项目计划产量的决策变量进行基于概率幅的量子比特个体编码,在迭代求解的过程中通过约束违反度比较个体的支配关系,有效指导种群向合理解进化,并根据当前迭代次数动态调整旋转角机制控制基因位的坍塌速度,在进化后期尽量保留最优个体的基因信息以提高算法的收敛速度和求解精度.实验结果表明了该算法的有效性.     

增加算子扰动项的粒子群优化算法研究

为了提高粒子群算法的稳定性,改善陷入局部最优的弊端,提出了一种增加算子扰动且对惯性权重进行正弦调整的粒子群优化算法。该方法首先利用差分方程对粒子的速度与位置变化过程进行深入分析,然后找到粒子群算法收敛的约束条件,进而获得改进后的惯性权重。最后在粒子群算法的速度公式中引入算子扰动项,其对粒子施加扰动,能够有效的抑制算法陷入局部最优问题,使算法在迭代后期也拥有一定的搜索能力。利用4个典型测试函数对算法进行验证,实验结果表明改进的惯性权重及速度更新公式使得该算法具备了较快的收敛速度和较佳的全局收敛性能,与标准粒子群算法相比,改进后的粒子群算法收敛精度高、鲁棒性强。     

离散系统单调收敛高阶迭代学习控制

研究了一类离散线性时不变系统高阶迭代学习控制在相应范数意义下的单调收敛条件,给出了对给定目标函数迭代学习控制参数的最优解,并讨论了其收敛速度。常见的离散P型、D型及PD型ILC算法均可看作是所讨论算法的特例。仿真结果表明采用给出的最优设计具有更好的迭代学习单调收敛性能。     

一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

改进鲸鱼算法求解工程设计优化问题

为了更好求解工程设计优化问题,提升鲸鱼算法的寻优性能和应用能力,提出一种基于分段式随机惯性权重和最优反馈机制的鲸鱼优化算法.在随机游走觅食策略中引入基于当前全局最优解的反馈机制,加快算法收敛速度,增强求解稳定性;在收缩包围策略和螺旋气泡网捕食策略中引入分段式随机惯性权重,提高算法的寻优精度和跳出局部极值的能力;对越界处理进行修正和改进,消除了进化成果可能丢失的隐患.通过理论分析证明了该改进算法与基本鲸鱼算法的时间复杂度相同.6种代表性对比算法在12个复杂基准测试函数和3个工程优化设计问题上的实验结果表明,该改进算法的寻优性能、求解稳定性、对不同问题的适用性和有效性均明显优于其他5种对比算法.     

基于改进差分进化算法的自由曲面测量路径优化

为解决传统差分进化算法存在收敛速度慢、易陷入局部最优解以及由于个体选择的随机性导致求优稳定性差的问题,文章通过引入多重启动策略,多次运行算法并使用不同的随机种子,增加算法对空间的探索性,在一定程度上解决算法易陷入局部最优解问题;通过使用新的突变策略,在求优稳定性提高了约10%;通过引入参数自适应调节机制,动态地调整算法参数的取值,使收敛速度提高了约10%,并提高了算法的鲁棒性。     

圆度仪的调平和圆柱度误差评定

从圆柱度误差的测量要求和圆柱度误差评定搜索算法两个方面研究了提高测量精度的方法。为了减小圆柱度误差测量中的工件倾斜误差,设计并分析了两点垂直布局的调平方法;根据工件轴线的方向余弦,计算得到了两点调整的高度值,克服了手动调整存在的问题,实现了工件快速精确调平并提高了工件圆柱度的测量精度。由于圆柱度误差评定是对满足最小条件的圆柱轴线的搜索,文中针对Nelder-Mead单纯形法的收敛精度依赖于初始解和收敛速度较慢,提出了拟牛顿法和Nelder-Mead单纯形法相结合的联合算法来实现全局最优解的快速准确搜索。对经典测试函数的Matlab仿真及实际测量数据的应用表明,该联合算法能有效地提高收敛速度和收敛精度,其收敛速度提高了50%,收敛精度提高了1倍,从而提高了工件圆柱度误差的测量精度。     

求冗余机器人手臂逆解的反向认知果蝇优化算法

为了解决冗余机器人手臂逆解求取中存在的计算量大和求解精度较低等问题,提出一种基于反向认知果蝇优化算法(RCFOA)的解决方法。RCFOA在果蝇算法(FOA)算法的基础上,在进化方程中增加"反向认知"策略,即添加向最差个体学习的改进策略优化进化方程,增强算法跳出局部最优、寻找全局最优的能力。对经典测试函数的仿真结果表明,RCFOA具有更好的全局搜索能力,在收敛速度、收敛可靠性及收敛精度,比其FOA有较大的提高。在机器人手臂逆解求解应用中,能够有效提高精度和稳定性,是求解机器人手臂逆解的一种有效方法。