排序方式: 共有40条查询结果,搜索用时 15 毫秒
1.
文章建立了一种约束优化的演化模型,并构造出求解此模型的多种群空间收缩遗传算法,将信息熵概念引入进化过程,控制各种群寻优搜索时解空间的收缩。该算法用种群的多样性避免遗传进化的早熟现象,并以空间收缩尺度作为停机判椐,有效地控制了算法的收敛。利用基于小种群的多种群进化策略,在保证种群多样性的前提下,极大程度地减少了计算量,提高了计算效率。数值算例表明,熵的介入增强了随机搜索类进化算法的寻优目的性,使收敛过程平稳且迅速。算例表明此算法能有效的应用于药物分子对接设计。 相似文献
2.
任务调度在云计算环境中发挥着重要作用。提出一种基于Kriging代理模型的动态云任务调度方法。通过对云任务在不同资源组合下的性能表现进行Kriging代理模型建模并优化,从而得到对应于该云任务的最优资源分配方案;利用云平台的API,可动态对该云任务实施资源调度。基于OpenStack开源云平台,对两个工程计算应用进行了任务调度性能测试,结果表明该方法可有效动态调整云任务中的资源配给,按需按优对平台中的云任务进行资源调度。 相似文献
3.
药物分子对接中应用网格的研究与进展 总被引:6,自引:0,他引:6
药物分子对接所涉及的搜索空间非常巨大,需要耗费大量的时间,并且对计算环境也有较高的要求.将网格技术应用于药物分子对接中,能有效地解决上述问题.首先对分子对接理论做了简单介绍;然后,利用网格数据传输和网格任务调度等网格技术对分子对接过程进行了优化,有效利用了网格结点资源,并降低了药物分子的对接时间;最后的实例测试表明了药物分子对接与网格技术相结合的合理性及有效性. 相似文献
4.
基于Kriging代理模型的注塑件残余应力优化分析 总被引:1,自引:0,他引:1
以注塑成型制品中脱模后的最大Mises-Hencky残余应力为目标函数,运用基于Kriging代理模型及EI加点准则的序列优化方法,对聚碳酸酯材料制品进行了工艺参数(包括熔体温度、模具温度、注射速率、保压压力及保压时间)优化。算例结果表明,所提出方法可以有效地降低注塑件内的最大Mises-Hencky残余应力。在此基础上对充填阶段进行深入分析,用贝塞尔曲线控制方式代替常规的常速率充填控制方式,进一步降低了制件内的残余应力。 相似文献
5.
本文提出求解一类不可微优化问题的参变量评价函数方法,给出理论上的证明,指出这一算法对某些实际优化问题的适用性,文末附有数字例题。 相似文献
6.
以济南市东部某城市道路工程为例,对城市道路相关的常用海绵城市设计思路和相关设计措施进行介绍。对具体技术措施进行设计要点和注意事项分析,包括下沉式绿地的结构设计,透水人行道铺装,以及开口路缘石、净水石笼、溢流雨水口等海绵附属设施相关要求等,为相关设计人员提供参考和借鉴。 相似文献
7.
快开式法兰的子结构分析方法 总被引:1,自引:0,他引:1
对于需要经常拆卸、不用螺栓紧固、带楔口的快开式法兰紧固结构,在蒸压釜、浸漆罐等一类压力容器中已为广泛使用。这类结构,由于几何形状上的不连续性往往在法兰与端盖,筒体连接处引起较大的应力峰值。这些应力值远大于薄膜应力,必须对其作强度分析。因为法兰形状较复杂,只能以有限元法进行计算。但是,要作较为精确的三维分析,计算时间较长。为了克服这一困难,本文根据这类法兰的特点,将其划分为子结构,用具有多重子结构分析功能的JIGFEX程序。对φ4400mm浸漆罐法兰进行有限元分析,取得了较为满意的结果。 相似文献
8.
注塑成型是制造塑料产品应用最广泛的一种方法。整个注塑成型过程一般分为注射、保压和冷却3个阶段。成型过程中的翘曲变形是注塑制品一种严重的缺陷。由于注塑制品质量主要受工艺条件影响,所以如何确定最佳工艺条件来减少翘曲变形成为改进注塑制品质量的一个关键。以模具温度、熔体温度、注射时间、保压时间、保压压力和冷却时间为设计变量,运行Moldflow软件进行制品的翘曲变形分析,用BP神经网络模型来建立翘曲变形与设计变量的函数关系,加权形式的期望提高加点准则实现序列的迭代优化设计。这种加点准则能调整局部和全局搜索,在保证计算效率的同时提高对全局最优解的逼近程度。通过实例验证,所提出的优化方法能有效地减小注塑制品的翘曲变形。 相似文献
9.
近年来,航空航天、汽车等工程领域大量使用工程用高分子聚合物材料制备结构零部件。在复杂的工作环境下,工程用高聚物注塑成型零部件承受机械荷载、热荷载等服役条件,其服役应力的大小直接关系到工程设备的结构安全。将半球形聚碳酸酯(PC)制品的翘曲变形和残余应力作为服役的初始条件,建立考虑制品结构、模具结构以及工艺条件的服役应力优化模型,利用基于Kriging代理模型和EI加点法的序列优化方法,有效地降低了半球形聚碳酸酯制品的服役应力。结果表明,制品厚度、熔体温度和保压压力对服役应力影响较大。 相似文献
10.
为了进一步提高信息熵多种群遗传算法的计算效率,缩短计算时间,提出了一种基于CUDA平台的信息熵多种群遗传算法。通过分析原算法的并行因素,结合CUDA开发平台,对原算法进行适合GPU加速的并行化处理,实现了遗传算子、惩罚函数和空间收缩因子等的并行计算,有效地提高了算法效率。例题数值测试表明,在保持了快速收敛特性和计算精度的前提下,CUDA并行算法相对于原算法具有很高的加速效率。 相似文献