改进遗传算法及其在齿轮传动优化设计中的应用

针对标准遗传算法(SGA)的随机性大、收敛速度慢等缺点,提出一种通用的改进遗传算法,引入局部补差算子,有效地提高了算法的收敛效率。建立了基于模糊因子函数的适应度函数,使对个体的评价更具有合理性。通过对交叉、变异概率的动态调整,克服了SGA未成熟收敛的弊端。将模拟退火算法与现行终止条件结合,形成了模拟退火收敛准则,极大地改善了SGA的局部搜索能力。据此编制计算程序,将其应用于多约束、多变量、复杂非线性的各类齿轮传动优化设计中,均得到了更好的结果。

混合离散人工蜂群算法在齿轮传动优化中的应用

齿轮传动优化是一类典型离散约束优化问题(Constrained Discrete Optimization Problems,CDOPs)。根据等效优化原理,将CDOPs转化为约束非负整数规划问题(Constrained Non-Negative Integer Programming Problems,CNIPPs),并应用人工蜂群(Artificial Bee Colony,ABC)算法求解该问题。为克服基本ABC算法求解离散问题易发生进化停滞或早熟收敛的缺陷,提出一种混合离散人工蜂群(Hybrid Discrete ABC,HDABC)算法,以增强全局优化能力。该算法采用反向学习邻域搜索、差分进化算子和随机扰动变异等策略生成新蜜源。将可行性规则约束处理技术与HDABC算法结合,形成求解CNIPPs的离散优化算法。应用HDABC算法求解齿轮传动优化设计实例。通过测试与分析可知,新算法具有良好稳健性和可靠性,且所得结果优于对比算法。

椭圆齿轮运动的模糊优化设计

将模糊优化设计方法应用于椭圆齿轮传动设计,考虑各变量的模糊性,建立了以达到确定传动比为目标函数的椭圆齿轮传动的模糊优化设计的数学模型,探讨了求解方法.并针对实例进行了优化设计,有一定的实用价值.

基于非对称学习因子调节的粒子群优化算法

分析粒子群优化算法中2个学习因子对粒子收敛性的影响,通过Benchmark标准测试函数对不同取值的学习因子进行测试,提出一种基于非对称学习因子调节策略的改进粒子群算法。在搜索初期使粒子获得更好的多样性及较强的摆脱局部极值的能力,在搜索后期加快粒子的收敛速度,提高全局寻优能力。该算法已在复合齿轮传动系统的传动比优化设计中得到了成功应用。

混合整数非线性规划的自适应变异差分进化算法

提出了一种求解混合整数非线性规划(Mixed integer nonlinear programming,MINLP)的混合差分进化(Differential evolution,DE)算法。为提高DE算法的优化性能,设计了混沌初始化种群、可平衡全局探索与精细开采能力的混合变异版本、基于种群进化停滞代数记录的自适应二次变异算子等新型策略。将前述策略融入DE算法,形成面向MINLP的自适应变异差分进化(Adaptive mutation differential evolution,AMDE)算法。6个MINLP数值实例的对比实验表明了新算法的有效性和可靠性。最后,应用AMDE算法求解齿轮传动体积最小化工程优化设计实例,显示了该算法的工程应用价值。