基于Kriging模型和MOGA算法的链式拉拔机拉钩结构优化

为解决链式拉拔机重量大、生产成本高等问题,需要在保证使用性能的前提下,尽可能减轻重量。针对这一问题,以链式拉拔机上重要零部件之一的拉钩为研究对象,利用Kriging模型和多目标遗传算法(MOGA)对其结构进行了优化设计。首先建立拉钩的有限元模型和数学模型,确定优化目标并设定边界条件;其次,对各设计参数进行相关性分析后,通过最优空间填充方法和Kriging模型建立各输入、输出变量的响应面模型;最后利用MOGA算法对关键设计参数进行优化求解,得到拉钩结构的最优参数。结果表明:优化后的拉钩模型预测的最大等效应力为97.009 MPa,最大变形量为0.72861 mm,都在允许范围之内,此外其质量从29.729 kg减轻到22.743 kg,降幅达到23.5%,说明此优化方法具有良好的优化效果。

链式多种群多智能体进化算法

将多种群的进化方式和链式结构的动态邻域引入到多智能体进化算法中,提出了一种链式多种群多智能体进化算法.算法设置了多种群交互的演化结构.各种群中的智能体通过与其动态邻域智能体的竞争、合作及自学习操作来增加自身的能量;动态邻域的链式结构提高了算法的效率、降低了计算复杂度;多个种群之间的信息定期以一定的方式进行交互,增强了种群的多样性,减小了算法陷入局部最优的机率.理论分析和多个测试函数的仿真结果均表明:链式多种群多智能体进化算法在求解高维优化问题上具有很好的性能.

基于多准则的链式智能体遗传算法用于特征选择

针对简单遗传算法用于特征选择精度不高、过早收敛的问题,提出了一种新的遗传算法——链式智能体遗传算法(LAGA),并与多准则(MC)相结合,从而提出了基于多准则竞争策略的链式智能体遗传算法(LAGA+MC)用于特征选择。LAGA引入了链式智能体结构,智能体相互进行竞争选择和自适应交叉,自身进行自适应变异,从而使得该算法能够获得更精确的搜索结果;MC通过对基于单准则进行选择得到的特征子集进行特征位判断,从而确定出最终特征子集,以达到更全面的评价选择结果,获得识别率更稳定的特征子集。实验结果表明,LAGA搜索精度更高,LAGA+MC获得的特征子集分类准确率更高、更稳定。

提高链式Lin-Kernighan算法性能的策略

Lin-Kernighan算法作为一种高效的组合优化问题优化算法,普遍应用于各种求解组合优化难题的算法中,尤其是旅行商问题的求解。通过对该类问题的可化简性论述,分析并建立了该类问题初始边集的概率化简模型,经实验分析方式确定了模型中的先验性概率值,并建立旅行商化简初始边集的随机算法。将该算法建立的边集作为链式Lin-Kernighan算法的参照优化边集,大幅度提高了链式Lin-Kernighan算法的求解性能,在与多种智能算法结合中取得了较好的收敛效果。

提高链式Lin-Kernighan算法性能的一种新策略

在笔者前期工作(王东,吴湘滨.提高链式Lin-Kernighan算法性能的策略.计算机应用,2007,27(11):2826-2829)的基础上,通过对经典旅行商问题(TSP)优化解边集之间交集的特性分析,给出了一种新的Lin-Kernighan算法参照优化边集生成模型。该模型建立的边集中边的数量少于常规方法以及前期研究成果生成边集中边的数量,同时以更高概率保留全局最优解中的边。将该模型应用于Lin-Kernighan算法,在不损失单次调用该算法求解精度的前提下,进一步缩短了算法的执行时间,从而进一步提高了链式Lin-Kernighan算法的求解性能。结合前期研究成果,能进一步提高使用Lin-Kernighan算法作为启发式算法的所有混合算法性能。

广义表的二叉链式存储表示及其算法设计

在分析广义表(Generalized list)的抽象数据类型定义、特点和存储结构的基础上,提出了广义表的二叉链式存储表示(称之为广义二叉链表,Generalized Binary Linked List,简称GBLL)。广义二叉链表是对广义链表的一种改进,它有利于广义表的推广和应用。此外还给出了若干个基于广义二叉链表的算法设计,并分析了算法的时间复杂性。为减少运行时的内存开销和提高算法的执行效率,大多是采用非递归算法实现。

基于马尔可夫链的嵌入式内存预测分配算法

为了提高嵌入式系统内存动态分配效率,在分析经典内存分配算法和马尔可夫链预测原理的基础上,提出了一种嵌入式系统内存预测分配算法。该算法融合聚类分析法,利用内存分配的转移量统计信息及其概率矩阵对嵌入式系统内存动态分配进行预测。在实现中采用轻量级预测线程预测下一次申请的内存块大小,减少内存动态分配时等待内存创建的时间。通过增加预测线程的μC/OS-Ⅱ系统和未增加预测线程的μC/OS-Ⅱ系统进行对比实验,实验结果表明了该算法的可行性和高效性。

敏捷供应链插单调度优化的启发式算法

针对在敏捷供应链已有生产计划基础上进行的插单调度问题,以单工厂和多供应商组成的两级供应链系统为研究对象,采用时间槽表示可用调度时间,以最小化供应链总成本为目标,建立了调度优化问题的整数规划(IP)模型,设计了求解该模型的逐批选优启发式(OOSH)算法。通过算例将其与距离优先和作业周期优先决策算法比较,验证了启发式算法的有效性,显示了敏捷供应链协同调度可以有效提高供应链的市场竞争力。

多邻域链式结构的多目标粒子群优化算法

为了提高多目标粒子群算法求解多目标问题的性能,改善算法的收敛性,提出一种多邻域链式结构的多目标粒子群优化算法。首先,以一种环形链式拓扑结构,将种群划分为多个邻域,每个邻域之间相互交叉重叠,并针对不同位置的粒子,进行不同的速度和位置更新策略。其次,对所有粒子采用速度钳制策略,并引入差分进化策略对粒子进行扰动,从而进一步提高算法的多样性。通过14个无约束和3个有约束函数仿真实验,表明该算法相对于NSGA-II、SPEA2、MOEA/D-DE、SMPSO和OMOPSO算法,获得Pareto解集分布更加均匀,算法的收敛性和多样性也更好。为了进一步验证算法的可行性和有效性,将其应用于72杆桁架结构尺寸设计,并与其他优化方法进行了比较,结果表明该算法获得的Pareto前端更均匀,收敛性更好。

基于链式遗传-模拟退火混合算法的电网扩展规划

将模拟退火机制引入到食物链生态进化算法,提出了链式遗传-模拟退火混合算法(CAGSAH),对种群执行并行退火操作,弥补食物链生态进化算法爬山能力不足,提高算法全局寻优能力。给出了链式遗传-模拟退火混合算法的详细计算流程,并将其应用到求解电网扩展规划问题,实际计算结果显示链式遗传-模拟退火混合算法在搜索效率及收敛性能上明显优于食物链生态进化算法。

多子群协同链式智能体遗传算法分析

针对遗传算法(genetic algorithm,GA)易出现搜索效率不高和早收敛现象,提出了一种多子群协同链式智能体遗传算法(multi-population agent genetic algorithm,MPAGA)。该算法采用多子群并行搜索模式、链式智能体结构,引入动态邻域竞争和正交交叉等策略,有效提高了算法性能。采用3个复杂多峰测试函数对算法进行优化性能测试结果表明,MPAGA比普通智能体遗传算法有较快的收敛速度,能有效防止早收敛现象。

非均质物料链式组合称重定量算法优化与试验

非均质物料质量差异较大且不可分割,组合称重定量过程中组合对象不确定,存在组合称重定量精度与组合速度的矛盾。该研究针对链式组合称重定量系统,提出以定量精度及组合效率为目标,对组合样本数和抽样数进行优化分析,达到保证组合称重定量精度下,减少数据计算量以提高组合定量速度的目的。研究表明,在相同允许组合误差下,增大组合样本数可提高组合成功概率,但组合计算量随组合样本数增加而呈指数增加。通过对服从正态分布N(100,102)的质量数据进行10000轮组合计算发现,当组合定量目标质量为500 g,允许组合误差为0.1 g时,组合计算时间较短的组合样本数为14。并对优化组合样本数和抽样数的组合算法进行了链式组合称重定量试验验证。试验结果表明,在物料质量标准差≤30 g,允许定量组合误差为0.1 g时,优化后的组合算法与优化前遍历组合算法在定量组合成功概率总体上保持在95%左右,且优化后的算法组合计算时间减少了40%。研究结果可为非均质物料链式组合称重定量系统的研制提供参考。

几种排序算法在链式存储结构上的递归实现

排序是程序设计中常用的一种操作,递归是一种重要的程序设计方法.探析了几种常用的排序算法在链式存储结构上的递归实现,包括基本思想、C语言函数源代码及详细注释,并与顺序存储结构上的算法实现进行了性能比较,以便于学习者熟练掌握链式存储结构上的递归程序设计,并为排序算法选择合适的存储结构提供借鉴.

用于特征选择的多准则闭合链式遗传算法

针对简单遗传算法用于特征选择精度不高、过早收敛的问题,提出了链式遗传算法(Link-like Agent Ge-netic Algorithm),并与多准则(MC)相结合,从而实现了基于多准则竞争策略的链式遗传算法并用于特征选择(LAGA+MC)研究。LAGA引入了链式个体结构,遗传个体相互进行竞争选择和自适应交叉、自适应变异,从而获得更精确的搜索结果。MC通过对基于单准则进行选择得到的特征子集进行特征位判断,已达到更全面评价选择结果,获得识别率更稳定更高的特征子集。实验结果表明,本文算法获得的特征子集分类准确率比其他几种基于遗传算法的特征选择算法更高、更稳定。

基于链式存储结构的排序算法

讨论了在链式存储结构上实现的三种简单排序以及快速排序、归并排序,并从时间复杂度、空间复杂度上比较了它们与顺序存储结构上相应排序算法之间的优劣。

决策学习型蜣螂优化算法的无人机协同路径规划

针对多无人机协同路径规划问题,提出了一种决策学习型蜣螂优化算法(DLDBO)。传统蜣螂优化算法(DBO)种群之间缺乏信息互换,容易陷入局部最优解。因此,利用Pearson相关系数计算个体之间的相似性,通过相似性指标判断并作出决策:若不相似,利用折射反向学习计算得到候选解,在一定程度上提高个体之间影响的同时增强算法跳出局部最优的能力;若相似,利用所提出的链式邻近学习引导蜣螂个体,增加影响个体更新的因素,充分促进个体之间的信息交流。在CEC2017测试套件的29个测试函数上进行了充分的对比实验,结果表明,DLDBO性能明显优于其他六种先进的变体算法。利用DLDBO规划无人机群的飞行路径,最终能够得到较为理想的协同路径并且有效避开威胁,优于其余三种优秀的协同路径规划算法,满足了无人机协同飞行的需求。

链式存储线性表及其相关算法的探讨

本文对链式存储线性表及其相关算法进行详细分类,探讨了链表、链栈、链队列之间的联系。

基于有向图链式存储的关联规则改进算法

在关联规则数据挖掘领域中,Apriori算法是这个方面的经典算法,但它仍存在许多弊端,为此在Apriori算法的基础上提出了一种基于有向图链式存储的改进算法,此算法根据数据结构中有向图链式存储的结构,将所有事务全部存入链表,无需多次扫描数据库,只在事务链表中完成候选集和频繁集的寻找工作。此方法能够迅速得到候选集的支持度,从而能更有效地发现频繁项集。通过实验论证,此算法与经典算法相比具有更高的挖掘效率。

基于改进鱼群算法的矿用链式STATCOM装置的LCL滤波器参数优化

针对矿用链式STATCOM装置的LCL滤波器参数设置方法复杂、计算量大的问题,采用带有淘汰与克隆机制的人工鱼群算法对矿用链式STATCOM装置的LCL滤波器参数进行优化。实验结果表明,改进后的鱼群算法能对链式STATCOM装置的LCL滤波器参数进行有效优化。参数优化后的LCL滤波器性能得到提高,改善了煤矿电网的电能质量。

Linux嵌入式低速链路头标压缩算法

本文主要研究TCP/IP包头和IP/UDP/RTP包头压缩方案,以用于低速链路上提供有QoS保证的业务。文中给出了压缩算法在Linux平台上嵌入式实现的机制。实验表明,该压缩算法简单可行,能在一定程度上提高低速PPP链路的效率和服务质量。