筛板跑粗报警系统的研制

马道头选煤厂末原煤脱泥筛筛板频繁翘起,部分直径+1.5 mm的原煤进入煤泥桶,导致煤泥桶上料管堵塞。为了确保生产系统正常运行,在煤泥桶上方安装一套筛板跑粗报警系统,通过监测煤泥水冲击力确定筛板是否跑粗,并根据冲击力数值设置了3种报警方式。该系统投入运行后,4个月内发生了7次漏料导致筛板跑粗事故,系统均实现报警并急停设备,在极短的时间内恢复了生产,有效保证了选煤厂的正常运行。     

求解FPRM电路极性优化问题的改进多目标粒子群算法

针对多目标要求下较大规模固定极性Reed-Muller(FPRM)逻辑电路的极性优化问题,提出一种基于改进多目标粒子群算法的求解方法.首先根据延时、面积及功耗的综合要求建立FPRM电路极性优化的多目标决策模型;然后利用外部档案库引导粒子种群进行兼顾全局搜索及局部开发的双重更新,并通过Pareto占优进行粒子优劣性评价,以获取满足延时短、面积小、功耗低的最优极性解集;最后利用MCNC Benchmark电路进行性能测试,并与3种当前较优算法进行对比,验证了文中算法的有效性.     

马道头选煤厂煤泥水系统的改造

针对煤泥水系统存在回水压力大、回水量多等问题,马道头选煤厂采取了一系列改造措施,通过切割增加了浓缩机中心桶泄压孔,并在中心桶顶部加装筒围,同时增大分级浓缩旋流器底流嘴尺寸,将过滤机、压滤机的滤液管路改向循环水池等,取得了很好的效果,有效保证了选煤厂的正常生产。     

基于MODPSO算法的FPRM电路多约束极性优化方法

为求解较大规模FPRM逻辑电路中多约束条件下的极性优化问题,该文提出一种基于多目标离散粒子群优化(Multi-Objective Discrete Particle Swarm Optimization, MODPSO)算法的求解方法。首先针对FPRM电路极性设计需要满足延时短、面积小的多约束要求,构建了多目标决策模型。然后结合极性转换算法和MODPSO算法,对电路进行最优极性搜索,以获取电路延时和面积的Pareto最优解集。最后利用17个MCNC Benchmark电路进行测试,并将MODPSO算法与DPSO算法、NSGA-II算法进行实验对比,结果验证了算法的有效性。     

基于多策略离散粒子群算法的MPRM电路延时与面积优化

针对大规模混合极性Reed-Muller(Mixed Polarity Reed-Muller,MPRM)逻辑电路的延时与面积优化,提出一种基于多策略离散粒子群优化(Multi-Strategy Discrete Particle Swarm Optimization,MSDPSO)的极性搜索方法.在MSDPSO算法中,对粒子进行团队划分,每个团队既执行不同策略,又相互联系,并行完成探索与开发的双重任务.同时在进化过程中采用高斯调整来激活寻优能力较差的粒子.结合MSDPSO算法和列表极性转换技术,对大规模MPRM电路进行延时与面积极性搜索.最后对PLA格式的MCNC Benchmark电路进行算法性能测试,结果验证了MSDPSO算法的有效性.与离散粒子群优化(Discrete Particle Swarm Optimization,DPSO)算法的优化结果相比较,MSDPSO算法获取的电路延时平均缩短8.43%,面积平均节省38.36%.     

基于MODCPSO算法的三值FPRM电路面积与延时优化

针对三值固定RM(fixed polarity reed-muller,FPRM)逻辑电路面积与延时综合优化问题进行了研究,提出了一种基于竞争行为多目标离散粒子群算法(Multi-Objective Discrete Competitive Particle Swarm Optimization,MODCPSO)的极性搜索方案。首先在MODCPSO算法中,引入竞争行为机制,将种群划分为不同的团队,从各个团队中随机抽取两个粒子进行比较,令较差的粒子向着较好的粒子进行速度和位置的更新。同时引入变异机制,令种群粒子能够跳出局部最优解,继续更新进化。然后,结合三值FPRM极性转换技术和MODCPSO算法搜索电路面积与延时的最佳极性。最后,利用PLA格式的MCNC Benchmark电路实现算法测试,并与DPSO算法、MODPSO算法进行了性能对比。实验结果验证了MODCPSO算法的有效性。     

基于模拟退火机制的多种群萤火虫算法

针对传统萤火虫算法(FA)中存在的过早收敛和易陷入局部最优解等问题,提出了一种基于模拟退火机制的多种群萤火虫算法(MFA_SA):将萤火虫种群平均分为参数不同的多个子种群。为了防止算法陷入局部最优解,利用模拟退火机制大概率接受较好的解,小概率接受较差的解。同时,在种群寻优的过程中引入可变的距离权重,通过萤火虫算法的迭代次数动态调整萤火虫的"视野"范围。利用5个标准测试函数对该算法进行了对比仿真测试,结果表明,该算法在4个测试函数中均能寻找到全局最优解,并且在最优值、平均值、方差等指标上均比对比算法高出多个数量级,验证了新算法的有效性。