基于粒子-蚁群混合算法的截割头形状优化设计

针对EBH-150型横轴式掘进机截割头在截割过程中遇到的载荷波动问题,采用粒子-蚁群混合算法对现有抛物线形截割头进行优化设计。利用Matlab数值模拟软件,对截齿的排列参数进行多目标优化,以期减少载荷波动并提升掘进机的工作稳定性。优化结果显示,截割头的截线间距经过调整后,从外向内逐渐减小,使得单个截齿受力更为均匀。横向载荷波动降低了约62%,其他方向的载荷波动也显著降低,均超过50%。这些改进有效提高了掘进机横摆进刀的稳定性,并有助于延长截割头的使用寿命。尽管优化后的截割头在某些方向上的载荷均值有所增加,但载荷峰值降低,避免了单个截齿的过载现象。总体而言,优化设计取得了理想的效果,但仍需通过实际应用进行验证。本研究为掘进机截割头的优化设计提供了一种有效的算法支持,对于提高掘进机的工作效率和安全性能具有重要意义。

基于蚁群-粒子群混合算法的水资源优化配置研究

【目的】对区域水资源的合理优化配置进行研究,为区域经济的发展、水资源的合理开发利用和节水型社会的建立提供参考。【方法】建立以经济、社会、生态环境效益为目标函数,各目标加权和为最优解的水资源优化配置模型,采用蚁群-粒子群混合算法对模型进行求解,并对渭北工业区进行水资源优化配置的实例分析,通过原供水量与优化配置水量的比较验证所建立模型的合理性。【结果】经计算,75%保证率下渭北工业区水资源的配置结果为:2015年地表水、地下水、外调水、中水供水量分别为1 747.30,13 244.84,12 905.95和1 060.23万m3;2020年各水源供水量分别为2 019.19,12 214.42,23 530.42和1 798.60万m3;与原始供水量相比,2015年和2020年总供水量分别减少312.73和421.11万m3,表现在农业供水量减少,生活、工业、生态用水均达到供需平衡。【结论】基于蚁群-粒子群混合算法的水资源优化配置结果合理,可作为研究区水资源合理开发利用决策的参考;蚁群-粒子群混合算法收敛速度快,寻优性能优越,可用于水资源优化配置的分析。

基于蚁群智能算法的建设用地空间优化研究——以锦州-葫芦岛沿海地区为例

利用遥感影像快速准确地提取多种生态环境方面的基础信息,应用数学概念中的多准则多目标评价原理,采用GIS空间分析技术对锦州-葫芦岛沿海地区的建设用地进行适宜性评价.之后,使用基于蚁群智能算法的元胞自动机(ACO-CA)模型在适宜性评价的基础上进行建设用地的位置选取,从而实现建设用地的空间优化.优化结果与辽宁沿海经济带开发建设规划及土地利用等相关规划的内容基本吻合,与各城市的空间发展战略基本一致.该方法使停留在理论探讨上的空间优化问题在方法论上有了补充,该优化结果有利于从开发建设的根源上控制和减少人类活动对生态系统的不利影响,促进锦州-葫芦岛沿海地区的城市建设与生态建设协调发展.

面向无人机路径规划的双层多目标粒子群算法

无人机路径规划问题是一个复杂的多目标优化问题,目前常用粒子群优化算法及其变种算法来解决此类问题。本文在基于使用无人机执行物资投放任务的场景下,提出与之相应的无人机路径规划问题模型,并根据其特点分析其约束条件以及目标函数,在传统需要优化的基本目标函数之外,额外增加了等待时间与延迟时间这一对相互冲突的目标函数。然后提出一种基于分解的双层多目标粒子群优化算法(double layer multi-objective comprehensive learning swarm optimization algorithm framework based on set decomposition,MODCS-PSO/D),该算法使用集合和概率表示粒子的速度与位置,将连续空间中的问题转化到离散空间内,然后结合综合学习策略构建双层粒子群算法,并在此基础上引入基于分解的多目标优化框架(multi-objective evolutionary algorithm based on decomposition,MOEA/D)平衡多个待优化目标,同时增加了额外的搜索策略以避免出现早熟现象。最后通过进行对比实验,得到的结果证明该算法不仅能够为无人机规划出更符合要求的路径,还大大缩短了规划时间。

基于自适应粒子—蚁群算法的掘进面机器人装药路径智能优化

针对我国地下矿山掘进面对孔装药效率低的问题,开展装药路径智能优化研究。基于蚁群优化算法,引入惯性权重自适应变化粒子群算法,求解信息素启发因子α及期望值启发因子β;引入自适应信息素挥发因子ρ,根据装药路径规划问题几何特性提出自适应信息素浓度更新策略。将算法用于求解TSPLIB库中的问题,结果表明,改进算法在不同问题中求得最优解,求解精度比基本蚁群算法及几种基于蚁群算法的改进算法提高5%~9%。在实验室中利用机器人模拟掘进面对孔作业,对孔时间缩短约8%。实现地下矿山掘进面对孔装药路径智能优化,对孔装药效率提升,为智能矿山建设提供参考。

跨区域多能源协调分配的市场价格机制设计(一)粒子群-线性规划的资源双层优化配置模型

大范围跨区域电力市场交易价格的特点与省内市场有着较大差异,本文以大范围内多种能源跨区域最优分配为基础,提出了一种跨区域多能源协调分配的市场价格机制设计,重点讨论了多种能源协调优化分配模型。首先,将所有电力能源及发电资源合并统一,提出了包含区域间多种能源协调优化分配的双层优化模型。其次,建立了电能与其他发电资源的双层优化配比模型,并提出了节点配比协调的粒子群算法进行多能源优化配置方法。针对电能之外的其他发电资源在交通运输网络的优化配置,采用粒子群与线性规划相结合的内外层网络优化计算。最后,通过算例验证了本文所提模型的可行性和有效性。

基于混合蚁群粒子群算法的立体库堆垛机路径优化

针对自动化立体仓库中的堆垛机路径优化问题,课题组通过分析立体仓库中堆垛机的工作特点与运行情况,提出了基于混合蚁群粒子群算法的路径优化方法,在传统的蚁群算法中结合粒子群算法思想,使算法同时具备蚁群算法的正反馈与粒子群的多样性。通过对实例进行MATLAB仿真分析表明:混合算法路径优化速度较快,且比以往的路径更短。研究使堆垛机的运行效率得到提高。

基于智能优化算法的电力工程调度优化研究

本研究旨在基于智能优化算法对电力工程调度进行优化研究。电力工程调度是保障电力系统稳定运行的重要环节,然而由于电力系统的复杂性和不确定性,传统的调度方法存在一定的局限性。针对这一问题,本文采用智能优化算法,如遗传算法、粒子群算法和蚁群算法等,对电力工程调度问题进行优化求解。通过对调度问题的建模和算法设计,提出了一种高效的调度优化方法。试验结果表明,所提方法能够有效提高电力工程调度的效果,降低能源消耗,优化电力系统的运行性能。

群体智能和智能优化算法(英文)

通常元启发式优化算法是基于群体智能的算法,这些算法通常被称为智能算法.此文综述一些广泛应用的优化算法,包括蚁群算法、蜜蜂算法、蝙蝠算法、布谷鸟搜索、萤火虫算法和粒子群优化.同时,还讨论启发式算法中具有挑战性的问题如参数调整和参数控制.

基于混合蚁群和粒子群优化LSSVM的脉动风速预测

为提高最小二乘支持向量机(LSSVM)对脉动风速预测的精确性,提出了基于混合蚁群和粒子群优化LSSVM的预测方法。对LSSVM参数进行搜索寻优,主要分为两阶段:第一阶段,利用蚁群算法在参数空间进行全局搜索,实现对LSSVM参数的初步寻优;第二阶段,利用蚁群算法获得的寻优结果初始化粒子群粒子位置,实行进一步的粒子群搜索寻优,获得更为精确的LSSVM。运用基于混合蚁群和粒子群优化的LSSVM对脉动风速时程进行预测,并与分别基于蚁群和粒子群优化的LSSSVM预测结果进行对比。数值分析表明,基于混合蚁群和粒子群优化的LSSVM预测方法精度高、鲁棒性强,具有工程应用前景。

基于群智能的连续优化算法研究

在对蚁群优化算法(ACO)和粒子群优化算法(PSO)进行分析的基础上,提出一种解决函数连续优化的群智能混合策略——CA-PSO。在求解过程中,首先对解空间进行区域划分,进而利用ACO在优化初期具备的快速收敛性能,在整个解空间内搜索最优解的敏感区域。然后利用蚁群的搜索结果初始化PSO粒子,利用PSO快速和全局收敛性进行所在小区域内的搜索。种群更新时根据蚁群的拓扑结构和小区域间的阶跃规则,蚁群不断向最优解敏感区域聚集,使得敏感区域内粒子数增加,则局部的PSO搜索策略可以更细密的搜索最优。实例结果表明,CA-PSO既能保证解的分布性与多样性,又避免了在多峰值函数寻优过程中陷入局部最优解而停止运算,最终将收敛到全局最优解。

群智能算法在电力系统无功优化中的应用

总结了群智能算法在电力系统无功运行优化问题中的应用现状,指出了各种典型算法在解决此类问题时的优、缺点,并提出了相应的改进建议。

群智能优化算法研究

群智能优化算法是一种新型的优化算法。该文介绍了几种常见的群智能优化算法,包括粒子群优化算法、蚁群优化算法、人工免疫算法、人工鱼群算法,分析了它们的优缺点及使用情况,提出了群智能优化算法的发展方向。

电动汽车双层优化模型的充放电调度策略

传统的分时电价策略虽然一定程度上可以改善电动汽车无序充电所产生的电网日负荷峰谷差加大、负荷率降低等状况,但易产生新的负荷高峰,并且当前多目标优化等策略削峰填谷效果欠佳或用户参与度不高。针对上述问题,提出一种基于双层优化模型的调度策略以充分考虑电网和用户两侧需求。第1层模型以优化电网日负荷方差最小为目标函数;第2层优化模型建立以车主充电成本最小以及保证用户出行需求的目标函数,然后用改进的粒子群-模拟退火算法对双层优化模型进行循环迭代求解,并将第2层优化后的结果反馈给第1层,以此循环优化,输出最终结果。对比优化前后的负荷曲线,结果表明:与当前优化策略相比,所提出的基于双层优化模型的V2G调度策略能有效降低新的负荷高峰及负荷峰谷差,减少参与V2G的用户成本,实现两侧双赢。

群体智能典型算法研究综述

群体智能是指无智能的或具有简单智能的个体通过协作表现出群体智能行为的特性,它在没有集中控制且不提供全局模型的前提下,为寻找复杂的分布式问题求解方案提供了基础。群体智能潜在的并行性和分布式特征使之成为计算机领域一个重要的研究方向。在介绍群体智能模型的基础上,分别对基于该模型的蚁群优化算法和粒子群优化算法这两类代表性算法进行较为详尽的归纳阐述并进行比较,最后就目前应用最为广泛的蚁群算法对群体智能的发展趋势进行展望。

群智能算法的理论及应用综述

群智能是由自然或人造的分散自组织系统所表现出来的集体智能.群智能包含一组简单的个体,其中个体与个体、个体与环境之间存在局部交互行为.虽然个体遵循非常简单的规则,但是微观的交互最终还是导致了宏观的智能行为.在本文中,我们对典型群智能方法的起源、发展、理论、技术、应用等做了深入的研究,包括了蚁群优化、粒子群优化、人工蜂群、细菌觅食优化、萤火虫共五类算法.文末提出群智能发展的六个方向.

基于群智能算法的玻璃切割问题求解研究

通过对玻璃切割问题的研究,提出一种融合量子粒子群优化和蚁群优化的混合算法(QPSO-ACO算法)。该算法对QPSO及ACO的模型进行必要的修改,以实现对玻璃切割中的旅行商问题的较好求解。同时充分利用QPSO的快速性、全局收敛性和ACO的正反馈性及求精解效率高等特点,达到优势互补。实验结果表明,QPSO-ACO算法寻优能力较强,是解决玻璃切割问题的有效方法。

群智能算法在连续域优化问题中的应用

群智能优化算法主要模拟了昆虫、兽群、鸟群和鱼群等群体行为,一般用于求解最优化问题。蚁群算法和粒子群算法是群智能理论研究领域两种主要算法。本文在讨论蚁群算法和粒子群算法原理的基础上,将其应用于连续域寻优问题的求解。通过仿真实验,实现了这两个算法在连续域优化中的应用,验证了各算法在连续域优化问题下的可行性、可靠性和高效性特点。

集群智能算法综述

集群智能领域的研究正呈爆炸趋势增长,每年都有无数新的集群智能算法以及改进算法被提出,这些算法在各自的领域内都扮演着相当重要的角色。从集群智能算法的特点与待解决问题出发,首先介绍集群智能算法的概念及部分经典算法,重点介绍粒子群算法与蚁群优化算法的主要思想;然后根据不同集群智能算法在不同应用问题的差异表现,对当下的几个热点问题如Ad Hoc网络、大数据与机器学习、智能电网与智慧交通等领域的集群智能算法作了简单介绍;其次是关于集群智能算法领域理论研究的讨论,主要针对集群智能算法智能行为的产生机制、不同集群智能算法在面对同一问题的性能表现不同的原因、场景选定后集群智能算法性能最优的设计方法等问题展开,并给出了这些研究具有代表性的工作及未来的研究方向;最后对集群智能算法研究尤其是基础理论研究的发展方向进行了展望。

群智能算法在飞行器总体设计中的应用

飞行器总体设计直接影响飞行器的战术技术指标,在其设计过程中往往要经过多次反复,因此需要优化手段获得较优的飞行器总体技术方案。群智能算法由于自身的特点受到广泛关注,应用前景广泛。本文选择常用的3种群智能算法,即粒子群优化算法、差分进化算法和蚁群算法对某飞行器总体方案进行优化设计,并对结果进行对比分析。