自适应蚁群算法求解车间作业调度问题

车间作业调度问题(JSP)是组合优化问题中的NP-Hard问题,应用传统的蚁群算法在求解时存在易于陷入局部最优解、收敛速度慢等缺点.通过在蚁群算法的信息素局部更新策略和全局更新策略两处引入自适应方法对蚁群算法进行了改进,并应用此算法对经典的FT06问题和FT10问题进行了大量的求解试验.试验结果表明该自适应蚁群算法在求解车间作业调度问题时,搜索速度和收敛速度比传统的蚁群算法都有较好的提高.     

基于遗传算法的消磁绕组优化设计

介绍遗传算法在消磁绕组优化设计中的应用,并结合有限元数学仿真对算法进行试验验证。该算法优化精度高,求解收敛性好,不仅能够对消磁绕组安匝量进行优化,而且能够对消磁绕组布置位置进行优化。     

基于动态罚因子的多学科协同优化算法及其在船舶设计中的应用

针对标准协同优化算法求解复杂系统工程问题的缺陷,提出了一种改进的协同优化算法,并将其应用于油船总体概念设计阶段。改进协同优化算法将系统级一致性约束最优化问题通过罚函数方法转化为一个无约束优化问题。同时,给出了两种不同的基于差异信息的动态可调罚系数,以保证在优化初期,系统级设计变量与学科级共享变量相差较大时,惩罚力度也大,促使一致性差异在总目标函数中占主导地位,则一致性差异将迅速下降。随着优化的进行,罚系数变小,惩罚力度减轻,目标函数的收敛加快。通过对MDO测试函数算例与标准协同优化和其他典型的改进协同算法的比较,验证了该方法在优化结果的可靠性和稳定性等方面有优势。最后,应用改进的协同优化算法求解以油船造价为系统级目标协同浮性与稳性、快速性等4个子学科的多学科优化问题以体现其工程实用性。     

非线性规划优化问题中的模拟退火算法

模拟退火SA(Simulated Annealing)算法,是一种仿金属退火物理过程的随机算法,对于复杂的组合优化问题的求解,表现出比其他传统优化算法更加独特和优越的性能。本文介绍了模拟退火算法的原理、实现方法及其求解步骤,并以一具体实例来说明模拟退火算法在解决非线性规划优化问题时的有效性和优越性。     

基于混合优化策略的多学科协同优化及其应用

多学科设计优化为复杂系统工程设计提供了新的思路并成为优化设计领域的研究热点。针对传统多学科协同优化算法常常出现无法收敛或收敛陷入局部最优的问题,提出基于模拟退火算法和序列二次算法的混合协同优化(collaborate optimization based on simulated annealing and sequential quadratic programming,SA-SQP-CO),SA-SQP-CO应用模拟退火算法和序列二次算法的混合优化策略取代传统系统级基于梯度的求解方法,同时引入动态松弛的思想,在二阶段寻优过程中采用动态松弛量代替系统级一致性等式约束加强学科一致性、提高系统级收敛效率。以经典齿轮减速箱测试算例,通过与传统多学科协同优化算法比较,验证了该方法在优化结果可靠性、稳定性等方面有优势。最后,应用SA-SQP-CO算法求解抛物线型载荷下纤维加强悬臂梁轻量化设计问题以体现其工程实用性。     

蚁群算法在巡航导弹航路规划中的应用

针对巡航导弹的航路规划问题,提出了一种应用蚁群算法在连续空间中的航路搜索方法,并进行了仿真验证.建立了将数字地图和战场环境信息转化为航路搜索空间的航路代价模型,通过一元多项式函数逼近航路的水平投影将航路搜索问题转为求解连续空间优化问题,而后将蚁群算法拓展到该问题的求解.仿真表明,蚁群算法可以在连续空间的航路规划中得到较好的搜索效果.     

基于蚁群算法的港口船舶调度优化问题研究

港口船舶调度优化问题是当前一个公开的难题,传统方法无法获得理想的港口船舶调度优化方案,为了加快港口船舶调度速度,降低港口船舶调度成本,建立了基于蚁群算法的港口船舶调度优化模型。首先分析当前港口船舶调度优化研究现状,指出各种方法出现不足的原因,然后构建港口船舶调度优化问题的多约束优化目标函数,并引入蚁群算法对多约束优化目标函数进行寻优,求得港口船舶调度优化问题的最优解,最后进行港口船舶调度优化仿真模拟实验。相对于其他港口船舶调度优化模型,蚁群算法改善了港口船舶调度优化问题求解的效率,港口船舶调度优化问题的解质量更高,可以满足港口船舶调度管理的实际应用要求。     

基于分阶段搜索连续蚁群算法的船舶纵向运动参数辨识

提出了一种分阶段搜索的连续蚁群算法,并成功应用于求解船舶纵向运动参数辨识问题.首先将船舶纵向运动的参数辨识问题转化为参数空问非线性优化问题,然后在优化问题求解过程中,依据待辨识参数对待优化问题影响的大小,将所有参数进行动态分组,依据影响由大到小的顺序,利用连续蚁群算法依次对各组参数进行寻优,确定各组参数的范围,最后对所有参数进行小范围精细搜索,从而使算法最终收敛到最优解.求解结果表明,该算法能够快速地辨识出满足精度要求的船舶纵向运动水动力参数,验证了算法的有效性.     

混合遗传算法求解一维优化下料问题

针对企业生产中遇到的一维优化下料问题,本文结合遗传算法、粒子群优化算法及模拟退火算法各自的优点,设计一种新的改进的混合遗传算法,对该问题来求解.最后根据算法编写程序对实例数据进行运算,实验结果表明,该算法求解一维优化下料问题比较有效,能获得比较理想的下料方案,可以提高生产企业的原材料利用率.     

布料剪裁中用料优化的贪婪算法

在布产品生产过程中,通常要把原料按照一定规则裁剪为合适使用的尺寸.如何剪裁以使余料最少是一个有着直接经济价值的问题.在对问题参数分析的基础上,建立了该问题对应的整数规划模型.在模型求解的具体实现过程中,基于贪婪算法的思想提出了一种求解此优化问题的近似算法,根据近似算法进行合理的组合设计.通过具体算例的计算表明了算法的有效性和可行性,鉴于参数设置的普遍性,所提出的算法具有广泛的实际应用潜力.     

蚁群算法在船舶路径优化仿真中的应用

随着航运业的发展,海上物流的经济性成为各国需要考虑的重要因素之一,对各港口的船舶进行路径优化成为现代航运业的重要研究方向。同时,船舶的路径优化朝着智能化方向发展。蚁群算法是解决路径优化问题最常用的算法,但是其求解结果往往陷入了局部最优解,在海上船舶路径规划中具有局限性。本文研究传统路径优化中的蚁群算法,针对海上船舶航行特点,对蚁群算法中的信息素更新策略及搜索区域机制进行改进,提高算法的效率。     

混合粒子群算法及其优化效率评价

为克服粒子群算法后期搜索效率降低的缺陷,利用直接搜索法的局部搜索能力,提出一种求解优化问题的混合算法(SPSO-DS)。用一个具有代表性的测试函数进行了仿真实验,结果表明该方法效果显著,明显提高了优化计算效率。本文将“平均截止代数”和“截止代数分布熵”作为评价指标,对SPSO-DS的优化效率进行定量的评估,通过与其他粒子群算法进行比较,进一步说明了SPSO-DS的优化效率。     

基于PMA的船舶多学科协同可靠性分析

针对现有的多学科可靠性分析方法只进行系统级优化,使系统级优化器的工作负担过重、求解效率低下的问题,提出一种基于性能策略法(Performance Measure Approach,PMA)的多学科遗传协同(Collaborative Optimization Based On Genetic Algorithm,GA-CO)可靠性分析方法(PMA-GA-CO)。该方法将PMA方法与多学科协同优化算法结合进行复杂系统工程可靠性分析。同时,采用遗传算法求解系统级可靠性优化问题,克服多学科协同优化算法中拉格朗日乘子不存在的缺陷。在PMA-GA-CO方法中所有的学科能够独立的进行优化,这样不仅解除了所有学科之间的耦合,提高了搜索最大可能点(Most Probable Point,MPP)的效率,而且学科级能进行优化,系统级优化器的负担可显著地降低。通过散货船概念设计多学科可靠性分析的工程例子证明了文中提出方法的效率和精度,这个优点在大规模的复杂工程系统的设计中能够更好地体现出来。     

改进蚁群算法对混合ASP和ALB问题研究

本文利用蚁群算法对混合装配序列规划和装配生产线平衡问题进行优化求解。通过装配联络图来获得表示装配线上作业任务先后顺序约束的装配作业任务优先关系图。针对混合问题的新的优化目标和约束条件,建立了一个混合优化问题数学模型,并利用自适应改进后的蚁群算法对数学问题进行求解。     

船舶公共计算服务虚拟机优化设置与冗余研究

本文将蚁群优化算法应用于船舶公共计算服务虚拟机优化求解中。首先进行虚拟机优化设置,并将此问题描述成能源消耗问题。然后对蚁群优化问题进行优化,引入有向加权图和瓶颈边,对状态空间实现分层。最后利用实例进行算法有效性对比。实验结果表明,本文算法收敛速率快,学习效率高。     

基于粒子群算法的微带天线特征方程求解方法

粒子群算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法.文中充分利用粒子群算法的全局收敛特性,并与参数跟踪策略相结合形成一种新的求解复超越方程算法.基于该算法对微带天线的特征方程进行了求解,求解结果与该问题的已有结论相吻合,说明该算法的有效性.     

基于AQPSO算法的圆碟形水下滑翔机路径规划

为解决复杂海洋环境影响下圆碟形水下滑翔机的路径规划问题,采用多黏性Lamb涡叠加方法模拟洋流环境模型。以最小能量消耗为优化目标,结合B-spline方法生成光滑的曲线路径,采用自适应性基于量子行为的粒子群优化算法对圆碟形水下滑翔机的路径选择进行优化求解。将该算法与粒子群优化算法和基于量子行为的粒子群优化算法相对比,仿真结果验证了各算法在求解航行路径问题方面的有效性。此外,基于能耗最优原则分析各算法的适用性。     

蚁群算法在PID参数优化中的应用研究

本文介绍了蚁群算法的基本原理,将蚁群算法应用到了PID控制的参数优化问题中,并详细给出了基于蚁群算法的PID控制参数优化算法的实现步骤。为了验证本文算法的可行性,我们对文献[1]中的例子进行了仿真,并将仿真结果与文献[1]给出的基于遗传算法的PID控制参数优化结果进行了比较,发现:基于蚁群算法的PID参数优化算法无论是在最优解的质量方面还是在算法的执行效率方面都要优于基于遗传算法的PID参数优化算法。     

基于蚁群算法的船舶件排样研究

针对船舶件排样问题,提出一种应用蚁群算法优化求解船舶件排样问题的方法.提出船舶件图形编码和预处理的方法,利用组合和填充的方法把船舶件排样问题转化为正交矩形的排样问题,使用剩余矩形匹配法和正交靠接算法完成自动排样.根据提出的求解算法,给出具体的实例,排样结果证明了用蚂蚁算法求解船舶件优化排样问题的可行性.     

基于自适应遗传算法的船舶分段装配序列优化研究

针对船舶分段实际装配时存在施工不合理而导致建造成本过高的问题,提出基于自适应遗传算法的分段装配序列优化求解方法。根据其几何约束和工艺约束建立了包含干涉关系、重定向次数、吊装工具改变次数、装配效率等评价函数的目标优化体系,提出采用改进的自适应遗传算法进行装配序列优化,并将评价标准作为目标函数进行优化计算,降低了问题的繁琐程度,提高了系统的工作效率,且通过实例验证了算法的有效性。