生存进化阶段性搜索微粒群算法及其可靠性冗余分配优化应用

为高效解决含有异质冗余的多态系统(MSS)可靠性优化问题,并弥补微粒群优化(PSO)算法易早熟收敛的不足,从作用力方式和种群拓扑结构两方面对算法进行改进。改进PSO算法中单一的作用力方式,设置前后两个搜索阶段,对应两个搜索阶段分别构造平衡引斥力方式和双层引力(个体和全局最优解引力、中间适应度微粒引力)方式,提出阶段性搜索微粒群(SPSO)算法;利用生物个体“择友而交”和优胜劣汰的生存体系构建生存进化(SE)拓扑结构,以结构演化和算法进化并行方式将该拓扑结构融入SPSO算法,提出生存进化阶段性搜索微粒群(SPSO-SE)算法,进一步提升算法的优化性能;利用Benchmark函数对所提算法与PSO的改进算法进行测试对比,结果表明,所提SPSO-SE算法具有更好的寻优能力。采用SPSO-SE算法对串-并联和桥式结构的多态系统的可靠性冗余分配问题进行优化,得到的系统结构费用更低、可靠度更高。

装备系统可靠性分配冗余最优化方法

建立了系统可靠性分配冗余最优化非线性规划模型,分别研究了2种不同的解析求解方法,利用LINGO软件编程进行了验证。通过实例对比分析可知,不同计算方法虽各有优劣及侧重点,但均能够为装备系统的可靠性冗余设计提供一定的依据。

基于粒子群优化算法求解软件可靠性分配问题

首先介绍粒子群优化的搜索策略与基本算法,通过构造具有自适应权重ω的改进方法,有效地改善了粒子群优化算法的搜索效率和搜索精度,并应用于求解软件可靠性分配问题中。实验表明了PSO在求解软件可靠性分配问题的有效性。

遗传算法在冗余系统可靠性最优分配问题上的应用

以前在串—并联冗余系统可靠性的最优分配问题上 ,总是把部件的可靠度看成是一个确定的值。论文从另外的角度 ,在遗传算法的基础上 ,把部件的可靠性和平均失效时间看成是随机变量 。

基于遗传算法的模糊可靠性冗余最优化分配模型及其实现

该文在经典系统可靠性冗余最优化的基础上,应用遗传算法对模糊目标和模糊约束分别为线性和非线性隶属函数的系统模糊冗余最优化问题作了研究,最后给出了一个应用实例。

面向可靠性冗余优化的自适应差分进化算法

针对可靠性冗余优化问题中解的精度低及算法早熟收敛的问题,提出一种自适应的差分进化算法.该算法在原始差分进化算法的基础上修改了变异算子和交叉算子;在进化过程中,缩放因子F和交叉概率CR分别由三角函数实现自适应调节,以提高可行解的多样性及算法的收敛速度.解决了可靠性冗余优化问题解的精度低及早熟收敛问题.实验结果表明,该算法在解决可靠性冗余优化问题上不仅提高了解的精度,且具有更好的稳定性及更快的收敛速度.

复杂装备系统可靠度和冗余度分配优化分析

复杂装备系统具有子系统多、系统复杂,设备耗费高等特点,并且对系统可靠性要求也比较高。通过遗传算法对非线性连续变量和离散变量进行混合求解,给出了在相应资源约束条件下,提高串并联混合系统的可靠度及经济性的有效优化判定模型及算法。研究解决了复杂装备系统可靠度和冗余度分配最优化问题,为在系统设计过程中兼顾经济性和可靠性原则,完善系统的优化配置提供了决策支持。

鹰策略结合差分进化的可靠性冗余优化算法

将鹰策略和差分进化结合用于解决可靠性冗余优化问题.优化过程分为两个阶段:第一阶段使用Lévy飞行在解空间中进行全局搜索,第二阶段使用差分进化算法在前阶段得到的有前途解的周围进行快速的局部搜索.同时,修改了差分进化算法的变异算子和交叉算子以提高局部搜索的性能.该算法较好地实现了全局搜索和局部搜索的平衡,既有利于跳出局部最优,又可以加快局部收敛.通过对可靠性冗余优化的两个基本问题的实验表明,所提出的算法在解决可靠性冗余优化问题上是有效的.

基于多目标遗传算法的复杂系统可靠性冗余优化

提出了将多目标遗传算法用于复杂系统可靠性冗余优化设计的方法。根据系统可靠性冗余的模型,采用多目标遗传优化技术,同时考虑可靠性、费用和重量目标,得到了冗余系统的Pareto最优解。设计者能在这些Pareto解中根据偏好选择最后的折中解。计算了1个3目标的可靠性冗余优化的例子,数值结果表明,多目标遗传算法能迅速搜索到可靠性冗余指标的Pareto解,并且这些解的分布均匀。

系统冗余分配问题的神经网络优化

系统可靠性优化问题如冗余分配难以精确地求解。本文提出了一种神经网络优化方法,可解决n级混合并-串联冗余系统的最优冗余分配问题。

改进蚁群算法在系统可靠度最优冗余分配的应用

针对蚁群算法在解决NP困难时所存在的极易陷入局部最优值和搜索时间过长的问题,在蚁群算法基础上重新设计状态转移规则和信息素更新规则。实验研究表明:改进后的算法可以有效解决最优冗余分配问题,同时可以在相对短的时间内找到问题的最优解。

直接位置更新策略的试变异粒子群优化算法及其在可靠性优化中的应用

为了提升粒子群优化(Particle swarm optimization,PSO)算法的全局寻优能力,增强PSO算法在处理复杂的、高维的、多模态优化问题的寻优性能,提升PSO算法在可靠性优化应用中的优化效果,提出了一种基于直接位置更新策略的试变异(Direct position updating-based trying-mutation PSO,DTPSO)算法。设计了直接位置更新策略和试变异策略,有效维持了种群的多样性,维持了探索和开发的平衡,提升了获得全局最优解的概率。通过9种复杂测试函数的验证和比较,证明了DTSPO算法设计的合理性,以及算法拥有的优异的全局寻优能力。对可靠性冗余分配和可靠度分配问题进行了优化,并和其它先进的改进算法进行比较,结果证明了DTPSO算法的稳定性和寻优性能。

基于模拟退火遗传算法的软件可靠性分配及研究

基于模拟退火遗传算法，将软件系统的可靠性分配问题表达为一类带约束条件的组合优化问题，并采用模拟退火的适应度拉伸方法和多点交叉操作，有效地提高了收敛性能。仿真结果表明模拟退火遗传算法是多项式收敛的。

遗传算法在冗余系统最优分配问题上的应用

以前在串 -并联冗余系统可靠性的最优分配问题上 ,总是把部件的可靠度看成是一个确定的值 ,此方法有其局限性。近几年提出了一种新的算法——遗传算法。笔者正是在遗传算法的基础上 ,把过去的方法作了相应的改进 ,把部件的可靠性和平均失效时间看成是随机变量 ,并在几个约束条件下 。

通过费用最小化分配可靠性

假定并行系统的每阶段的成分有相同的可靠性。提出ECAY算法,设计并行系统。已知目标可靠性,分配可靠性和冗余度到每个子系统,使系统费用最小化。结果显示ECAY可以在很短时间内最优化可靠性分配。和基于LM的算法相比,在分别含有4到9个子系统的系统中,ECAY生成最低的可靠性费用和最优的冗余度级别。因此,和基于LM的算法相比,大系统中ECAY在合理的计算时间里,生成一个更低费用的可靠性分配,且在最优化冗余度分配的过程中,最优化系统设计中的负担和空间阻塞。

电控单元电磁脉冲冗余优化分配策略

针对控制单元冗余分配问题,文中提出了量子混沌自适应粒子群优化算法和热温备份混合策略。将电控单元简化成串并联系统,根据电磁脉冲下出现共因失效的情况,引入β因子,建立了电控单元在电磁脉冲下以最高可靠度为目标函数和以冗余数目为约束条件的Markov模型。利用量子混沌自适应粒子群优化算法对电控单元在电磁脉冲下最大可靠度进行优化。仿真结果表明,混合策略和优化算法提高了计算效率及冗余分配精确度,为电控单元在电磁脉冲下的冗余加固提供了参考依据。

冗余及监控混合策略的优化配置算法研究

大数据环境中监控和冗余混合策略的采用引起资源优化配置模型的状态空间膨胀,进化搜索算法在整型与非整型变量结合的解空间中的搜索效率有待提高,为此提出了基于搜索邻域分析的三元组模因算法.在分析了监控频率等参数变化对组件及系统可靠性增长影响的基础上,针对监控频率提出了基于变长邻域的近邻生成方法,针对策略选项提出了与组件关联的近邻生成方法.采用模因算法框架并改进了局部搜索算子,通过组件间的迭代搜索在保持个体优势的同时增大搜索范围.该算法能够用于求解混合策略下的组件保障措施选项及相应优化配置参数;与现有多策略搜索算法相比,在相同可靠性约束下,该算法能够得到消耗更低的资源配置结果;局部搜索策略对算法稳定性未造成明显影响.

串并联系统中支持实时替换的混合冗余策略优化

在需要长时间可靠运行的软件系统中,由于持续运行时间和任务响应速度的要求增加,工作组件在被探测到失效后将被冗余组件实时替换.但现有可靠性优化研究通常假设冷备份冗余在所有积极冗余组件失效后才使用.针对支持实时替换的混合冗余策略,对其冗余度优化分配进行研究.该策略不仅能够保障系统可靠性,而且能够保障系统性能,故选用实时可用性和任务完成效率两类约束条件,建立冗余配置代价最小化模型.基于马尔可夫链理论对可靠性及性能两类系统指标进行定量分析;采用数值计算方法对非线性的状态分析模型进行计算;改进二元组编码遗传算法对上述优化问题进行求解.采用实例对串并联系统中实时可用性及任务完成效率的分析进行了说明,并对优化冗余分配模型进行了验证.实验结果表明,在相同冗余度下,支持实时替换的混合冗余策略在任务完成效率方面优于传统的混合冗余策略.所以,在相同约束条件下不同混合冗余策略需要采用不同的冗余优化配置方案.

SpaceWire总线冗余备份优化方法

在现场可编程门阵列(FPGA)资源有限的情况下,提出一种基于FPGA的SpaceWire总线冗余备份优化方法。采用调整内部功能子模块可靠度的方法,实现整个系统的备份优化,提高系统可靠性。根据失效率λ计算节点内各功能子模块的可靠度。基于评分分配法,计算每个子模块所应达到的可靠度指标。同时从数学角度,基于线性规划理论寻找冗余备份优化问题最优解。仿真实验结果表明,该方法能够在满足可靠度要求的前提下节约FPGA的片上资源。

RRAP优化问题的HSO算法研究

RRAP优化问题是决策变量为元件可靠度及元件冗余度的可靠性优化问题,数学模型是非线性混合整数规划问题,属于NP-hard问题类。混合种群优化(简写为HSO)算法具有结构简单、运行高效的特点,继承了模拟退火算法SA、粒子群优化算法PSO、简化群优化算法SSO等算法的优点。该文设计了一个两段混合粒子群优化HSO算法,用于求解RRAP优化问题;通过模拟仿真,验证了所给HSO算法的正确性和有效性;研究结果表明:混合粒子群优化HSO算法是解决RRAP问题的一种有效工具。