基于蛙跳退火粒子群算法的民航发动机单元体修理级别决策及成本优化

针对民航发动机单元体送修工作范围决策及全寿命维修成本优化问题,提出了以返厂时间间隔为变量的基于蛙跳退火粒子群优化算法的发动机单元体修理级别决策及成本优化模型。首先,考虑维修指导手册中的各单元体送修逻辑图及限寿件到寿更换情况,构建了发动机送修成本函数。其次,借助蛙跳退火粒子群优化算法确定了全寿命期间内不同返厂次数的送修成本及各单元体维修等级。最后,通过算例将所提算法与基本粒子群优化算法、退火粒子群优化算法、混合蛙跳优化算法进行对比,分析了不同返厂次数对送修成本及可靠性的影响。实验结果表明,当发动机在全寿命期内进行5次返厂送修时,蛙跳退火粒子群优化算法的成本平均值为322.4791美元/飞行小时,与其他三种优化算法相比成本最优,可为航空公司和大修企业提供送修决策支持。

基于离散粒子群算法的管道保温结构优化研究

针对目前管道保温结构优化算法不稳定、结果优化程度不高的问题,建立以经济效益为目标函数,以满足国家散热损失标准等条件为约束函数的离散型数学模型。以BPSO算法为基础改变其位置更新规则,防止种群进化失效;采用自适应权重增加粒子的全局和局部搜索能力;充分利用模拟退火算法的思想避免出现早熟现象。应用改进的算法分别对普通蒸汽管道和核电站的蒸汽管道进行系统仿真实验。结果表明,该算法能够在满足国家散热损失标准等条件下取得最优解,可以为管道保温结构提供合理的优化方案。

基于改进粒子群算法的湿法冶金技术优化控制

分析了湿法冶金技术的关键工艺,构建了优化控制模型,并利用自适应惯性权重和模拟退火算子对粒子群算法进行改进,对湿法冶金技术进行优化控制。仿真试验结果显示:在A风力发电场优化数据集中测试中,AIW-SAO-PSO算法迭代225次时趋于稳定,适应度值约为0.165,且迭代100次时,算法的均方根误差、平均绝对误差、相对标准偏差分别为0.0080,0.0045和0.971%;在湿法冶金技术优化控制模型的寻优求解中,得到的综合效益值为1.9×10^(5)元/h,与目标期待值的绝对误差约为0.1×10^(4)元/h。实现了湿法冶金技术的优化控制,并为同类型优化控制提供理论支持。

基于混洗蛙跳和粒子群优化算法的块自增纹理合成

针对基于样图的纹理合成技术,提出了一种基于混洗蛙跳和粒子群优化算法的块自增纹理合成方法。该方法在纹理合成过程中,通过选取尺寸按2的倍数不断增大的纹理块来提高纹理合成的速度,将混洗蛙跳算法和粒子群算法相结合,作为纹理块匹配的寻优策略,以提高纹理块的查找速度和全局搜索性能。实验结果表明,该方法在保证纹理合成质量的前提下,能够显著地提高基于样图的纹理合成速度,并能克服粒子群算法易陷入局部最优解的缺陷。

基于蛙跳粒子群算法的污水生化处理优化控制

污水生化处理常常受入水流量和质量浓度变化的影响而处于动态反应过程,如何确定控制变量动态最优设定值是其控制优化的一个难题.文中结合有全局优化能力的蛙跳算法和有快速寻优特性的粒子群优化算法,提出了一种新的蛙跳粒子群算法,并通过对4个典型函数的仿真实验来验证该算法寻优的效率与求解的精确性.然后将该算法应用于前置反硝化工艺的污水生化处理过程,在晴天、连绵雨天、暴雨天的仿真实验结果表明,该优化方案能够在保证前置反硝化工艺实现关键污染物有效去除的前提下,降低污水生化处理过程的运行代价.

基于模拟退火粒子群算法的拱桥扣索索力优化

为得到拱桥斜拉扣挂施工阶段的合理扣索索力,使拱肋线形和受力达到最优状态。采用模拟退火算法对基本粒子群算法进行了优化,根据最小弯曲应变能法以及影响矩阵法得到了拱桥扣索索力优化的目标函数,分别采用基本粒子群算法和模拟退火粒子群算法对索力进行了优化,对优化效果进行了对比分析,同时将模拟退火粒子群算法与传统扣索索力优化方法得到的拱圈弯矩进行了对比分析,研究表明:模拟退火粒子群算法能有效改善基本粒子群算法易陷入局部最优和早熟收敛的问题,并且模拟退火粒子群算法收敛速度明显优于普通粒子群算法,收敛精度也有一定提高;采用模拟退火粒子群算法优化得到的各扣索索力值与优化前相比有增也有减,但优化后索力最大值较优化前有明显减小,减小了217.42 kN,优化后各扣索索力值变化幅度较优化前更加平稳;与传统的索力优化方法相比,采用模拟退火粒子群算法得到的拱圈弯矩变化幅度更小,并且最大正弯矩和最大负弯矩均有一定的减小。

基于改进粒子群算法的结构测点优化方法研究

针对工字梁结构受力过程中测点数目过多及优化较困难的问题,提出一种基于模拟退火思想及遗传算法的改进粒子群算法,综合考虑受力状态识别误差与测点优化,进行了测点的筛选。首先将遗传算法的初始化、选择、交叉、变异融入粒子群算法中;其次在变异部分引入模拟退火的思想。改进后的粒子群算法改善了标准粒子群算法的“早熟”局部寻优能力较差等问题。通过测试函数对比改进粒子群算法与标准粒子群算法的性能,改进的粒子群算法稳定性更好,抗“早熟”能力较强,精度明显提高。通过工字型梁选点及受力状态识别仿真与试验表明,改进粒子群算法在受力状态识别的测点选择过程中具有较高的效率,选择测点的受力状态识别误差均小于3%,在工程应用范围内,为受力状态识别提供了一种较好的方法。

DV-Hop定位算法的混沌粒子群优化

针对距离矢量跳距(Distance Vector Hop,DV-Hop)定位算法通信半径选择不合理导致平均跳距和定位误差较大的问题,提出一种基于混沌粒子群改进的DV-Hop定位算法,利用混沌映射的遍历性和随机性实现粒子的局部深度搜索,避免粒子群算法陷入局部最优。通过混沌粒子群优化(Particle Swarm Optimization,PSO)算法迭代求解所有信标节点的通信半径,引入混沌理论调整非线性惯性权重优化搜索过程,通过混沌搜索和混沌扰动迭代求解信标节点的最佳通信半径;通过极大似然估计(Maximum Likelihood Estimate,MLE)法计算的平均定位误差作为混沌粒子群算法的适应值函数;使用费希尔矩阵求解的误差下限作为约束条件求解适应值函数,同时把平均通信半径作为节点能耗模型的阈值来降低节点能量消耗。仿真实验表明,提出的算法在不增加算法复杂度的前提下能够在定位精度方面提升近58%,节点能量消耗方面降低近24%。

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能;采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.

基于模拟退火算法思想的粒子群优化算法

粒子群优化是由Eberhart博士和Kennedy博士于 1995年根据鸟或鱼群居社会行为而提出的。本文提出了 4种改进的算法 ,特别推荐结合模拟退火算法思想提出的一种新算法。经过与基本粒子群算法比较测试 ,证实它是一种简单有效的算法。

多种群粒子群算法与混合蛙跳算法融合的研究

针对粒子群算法和混合蛙跳算法在复杂函数寻优上易于陷入局部最优值的缺点,提出一种新的粒子群与混合蛙跳融合算法.算法采用多种群粒子群方法,每次进化后,将各子群中的最优粒子组成新的群体,采用混合蛙跳模式进化,以提高种群的多样性.粒子群各子群的进化模式中,除考虑本子群最好的粒子外,还考虑整合群体最好的粒子.相对于其它一些改进的粒子群或混合蛙跳算法,融合算法概念简单,易于实现,具有良好的全局搜索能力和较快的收敛速度.基准测试函数的仿真结果表明,本文算法优于目前一些常见的改进粒子群算法.

基于量子粒子群搜索策略的混合蛙跳算法

混合蛙跳算法(SFLA)是一种全新的群体智能优化算法。针对基本混合蛙跳算法局部搜索能力差,因而优化精度低、收敛速度慢的缺点,引入量子粒子群算法的搜索策略,提出了一种基于量子粒子群搜索策略的混合蛙跳算法(QPSO-SFLA)。通过对基准函数进行测试,实验结果表明改进的算法大大提高了算法的收敛速度,增强了算法的寻优能力。

基于粒子群优化和模拟退火的混合调度算法

提出了一种离散粒子群调度算法,采用基于工序的编码方式及相应的位置和速度更新方法,使具有连续本质的粒子群算法直接适用于调度问题。针对粒子群算法容易陷入局部最优的缺陷,将其与模拟退火算法结合,得到了粒子群-模拟退火算法、改进的粒子群算法、粒子群-模拟退火交替算法以及粒子群-模拟退火协同算法等4种混合调度算法。仿真结果表明,混合算法均具有较高的求解质量。

基于模拟退火的粒子群优化算法

粒子群优化算法是一类简单有效的随机全局优化技术。该文把模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中,给出了一种基于模拟退火的粒子群优化算法。该算法基本保持了粒子群优化算法简单容易实现的特点,但改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。四个基准测试函数的仿真对比结果表明,该算法不仅增强了全局收敛性,而且收敛速度和精度均优于粒子群优化算法。

基于模拟退火粒子群优化算法的拆卸序列规划

文章将模拟退火粒子群优化算法应用于拆卸序列规划求解过程,基于拆卸约束图构建了产品结构表达模型,将拆卸过程相关信息赋予拆卸约束图的节点与边,定义了判断拆卸序列优劣的适应度函数,将算法与模型进行了映射;最后以某款料理机主机体为例,运用模拟退火粒子群优化算法求解其拆卸序列,并与单一粒子群优化算法相比较,验证了该算法的有效性。

一种模拟退火和粒子群混合优化算法

针对粒子群优化算法(PSO)容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点。把模拟退火技术(SA)引入到PSO算法中,提出了一种混合优化算法。混合优化算法在各温度下依次进行PSO和SA搜索,是一种两层的串行结构。由于PSO提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法。SA的概率突跳性保证了种群的多样性,从而防止PSO算法陷入局部极小。混合优化算法保持了PSO算法简单容易实现的特点,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度。仿真结果表明,混合优化算法的优化性能优于基本PSO算法。

火电厂负荷优化分配的模拟退火粒子群算法

合理选择火电厂负荷优化分配的优化算法对快速完成电网调度指令、最大限度降低发电成本至关重要。在标准粒子群优化算法中引入模拟退火算法的思想,引入收缩因子对算法的重要参数进行了改进,并对种群初始化方式进行了改进,采用拉格朗日乘子法处理功率平衡约束。在严格满足约束条件的基础上,缩短了优化计算时间,进一步提高了算法精度。实例计算结果表明,模拟退火粒子群算法的分配结果比电网调度指令节省煤耗18.139g/(kW.h),比标准粒子群算法节省煤耗2.846g/(kW.h),同时计算时间也短于其它常规算法。

基于模拟退火粒子群算法的圆柱齿轮减速器的可靠性优化

模拟退火粒子群算法将模拟退火思想引入具有杂交和高斯变异的粒子群算法中,是一种简单快速的随机全局优化算法。将模拟退火粒子群算法与可靠性优化设计理论相结合,建立了最大化减速器传动系统可靠度的优化模型,提出了基于模拟退火粒子群算法的圆柱齿轮减速器可靠性优化方法。利用该优化方法进行一圆柱齿轮减速器的优化设计,其优化结果明显优于基本粒子群算法、混合罚函数法和传统设计方法。算例表明,该优化方法具有全局收敛且精度高的优越特性,是一种有效的可靠性优化设计方法,并对其他机械部件可靠性优化具有一定的参考意义。

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.

基于粒子群-蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群-蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群-蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群-蛙跳算法的BP神经网络方法诊断误差最大值仅为0.05,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群-蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。