基于改进差分进化算法的船舶曲面分段车间调度

为有效提升船舶曲面分段车间的加工效率,解决已有算法存在的易陷入局部最优解和初始解质量低的问题,提出一种改进的差分进化算法,对曲面分段调度问题进行求解。以最小化完工时间和最小化班组间负荷差距为目标,建立该曲面分段调度问题的双目标数学模型,并采用改进的差分进化算法对该问题进行求解。该改进差分进化算法将全局搜索策略与局部搜索策略相结合,能提升初始解的质量,并加快收敛速度。使用某船厂的实际数据对该算法进行有效性验证,结果表明,该算法能有效求解船舶曲面分段调度问题,能更好地提升船舶曲面分段制造调度作业效率。     

基于非群体迭代遗传算法的码头布局仿真优化

针对码头布局优化问题,运用错位交叉遗传算子对非群体迭代遗传算法进行了改进,克服了遗传算法易于陷入局部最优解的缺陷,同时使遗传算法的性能得到了改善,加快了算法的优化速度。建立了集装箱码头布局方案仿真优化的框架模型,运用改进的算法寻优,通过对布局方案仿真优化的实例分析,结果表明该方法是可行的且效果较好。     

多约束条件下多UUV任务分配方法

针对多约束条件下多UUV任务分配问题,提出一种基于改进集合粒子群优化算法的分配方法,该方法首先定义包含UUV与保障船有效通信距离等指标的约束条件,建立以任务总执行时间最短为主要优化对象的目标函数,采用自适应惯性系数提高最优解邻域内的搜索能力,通过结合遗传算法的变异操作提高全局搜索能力,有效降低陷入局部最优解的概率。UUV任务分配仿真实验表明,本文提出的多约束多目标任务分配方法能够获取多UUV的最优任务分配,具有实际应用的可行性。     

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。     

改进Sobol’方法在船型优化模型中的应用

针对船型优化中采用更多的优化变量有可能带来"维度灾难"的问题,通过灵敏度分析确定不重要的变量并降维来缓解该问题。介绍以往提出的改进Sobol’方法,利用该方法对某集装箱船兴波阻力优化模型进行灵敏度分析并降维。为减少分析的计算量,对该船型优化模型构建Kriging模型。对优化模型降维前后的优化过程、最优解及其波形和型线进行对比。结果表明:降维后优化模型收敛更快,最优解兴波阻力系数仅增大0.15%,采用改进Sobol’方法进行降维,能在保证最优解质量的同时,提高优化效率。     

基于混合变异的人工蜂群算法

针对人工蜂群算法在求解函数优化问题中存在收敛速度慢、易于陷入局部最优的缺陷,提出了一种基于当前最优解的混合变异算子的人工蜂群算法(artitificial bee colony algorithm based on hybrid mutation operator,HMABC).该算法中跟随蜂采用基于当前最优解的差分进化搜索策略,侦查蜂采用基于当前最优解的高斯变异侦查策略,通过变异增加种群的多样性,并且在当前最优解的引导下有效提高了算法收敛速度,避免其陷入局部最优.基于6种测试函数的仿真实验结果表明,提出的HMABC算法在收敛速度和求解精度方面均优于其他人工蜂群算法.     

基于PSO-BP神经网络的燃气轮机结垢性能预测

针对传统BP神经网络存在的学习速度慢,容易陷入局部极小的问题,为了提高诊断效率和非线性拟合能力,提出利用粒子群算法、遗传算法和布谷鸟算法优化BP神经网络对燃气轮机积垢性能预测,将各算法所得误差和拟合度进行对比。结果表明:粒子群算法优化BP神经网络的非线性拟合度为0.934 4,优于其他算法,相较于其他算法具有更低的绝对误差平均值,有效避免了局部最优情况。     

改进差分进化算法在舰船电力系统网络重构中的应用

针对舰船电力系统的网络重构,建立了以负载恢复量、开关操作数和发电机效率均衡为多优化目标的舰船电力系统故障恢复模型,提出了一种带自适应离散断点算子和动态变异、交叉因子的改进离散差分进化算法进行求解。改进后的算法能有效地提高收敛速度,并克服传统差分进化算法收敛精度不高、易陷入局部最优的问题。舰船电力系统网络故障恢复算例表明,该方法能获得更好的系统重构方案,并具有较好的优化性能。     

改进自适应惯性权重粒子群算法及其在核动力管道布置中的应用北大核心CSCD

[目的]旨在研究非线性自适应惯性权重粒子群优化算法,实现船用核动力一回路系统管道路径的布置优化设计。[方法]根据船用核动力一回路系统的管道布局设计特点,建立一回路系统的管道布局空间模型、约束条件和评价函数;基于管道节点数量,提出一种粒子群优化(PSO)算法的新型定长编码方法,然后结合该编码方法建立方向引导机制;在此基础上,针对粒子群优化算法易陷入局部最优解、收敛速度慢的缺点,结合辅助线性变化的学习因子,提出一种基于非线性自适应惯性权重的改进粒子群优化算法;将改进粒子群优化算法与协同进化算法相结合,提出一种用于求解分支管道布局问题的协同进化粒子群优化算法,以用于核动力一回路系统的管道布局优化。[结果]仿真结果显示,所提的改进算法与标准算法相比收敛速度提高了40%~50%,不仅能够得到更好的管道布局效果,还解决了标准粒子群优化算法容易陷入局部最优解的问题。[结论]研究成果可为船用核动力一回路系统管道布置的优化设计提供有益的参考。     

多目标进化算法在船型方案设计中的应用

针对船型方案设计阶段主尺度确定的优化问题,采用现代多目标进化算法进行研究.考虑某水面船排水量和航速两个优化目标的算例,给出了Pareto最优解集,并和实际船型进行了比较.算例表明,多目标进化算法能够快速获得最优解集,该解集分布均匀,可以供实际设计采用.     

基于粒子群优化的聚类入侵检测算法

为了在入侵检测中有效地克服传统的K均值算法易陷入局部极小值的缺点，使算法具有较好的全局收敛性，将粒子群优化算法应用于入侵检测，给出了基于粒子群优化的K均值聚类算法．通过理论分析及实验，验证了基于粒子群优化K均值聚类算法的有效性．对KDD CUP99数据集仿真，实验结果表明，该算法在入侵检测中能获得理想的检测率和误检率．     

一种基于克隆选择的量子遗传函数优化算法

为了解决量子遗传算法(QGA)用于连续多峰函数优化易陷入局部极值的问题,将免疫学中的克隆选择算法的概念和原理引入到量子遗传算法中,提出了一种新型的进化算法——基于克隆选择的量子遗传函数优化算法.该算法通过克隆选择、高斯变异以及量子旋转门等操作对可行解进行搜索,提高了算法在解决函数优化问题的全局寻优能力。典型函数的测试结果表明该算法优于传统的QGA和一些遗传算法。     

用“模拟退火”算法实现船舶主尺度的全局最优化

本文把模拟退火（SA）法应用于舶舶主尺度优化问题中。针对船舶主尺度优化问题解的特性和状态，对SA算法具体应用中的几个问题进行了探讨。同时，与单纯形法进行了优化结果的比较。比较表明，SA算法能很好地逃离局部极值点的陷阱找到全局最优解，其优化结果与初始点的选择无关，从而为船舶主尺度优化问题提供了一种稳定可靠的全局最优化算法。     

遗传算法的改进及其在超大型油船结构优化中的应用

遗传算法是一种基于适者生存理念的随机搜索算法,它具有极强的全局搜索能力,且不需要知道问题的导数信息.然而,简单遗传算法局部搜索能力差以及易于早熟.文章编制了一种基于实数编码的适用于连续型变量的遗传算法,比较适合于多峰函数的全局寻优,且对之略作改进,也可用于离散型变量优化.采用大量经典数学测试函数对该遗传算法的优化能力进行测试,取得了很好的优化结果.在此基础上,选用经典10杆桁架结构对该算法的寻优能力进行了验证.最后,以一艘超大型油船的典型中横剖面作为研究对象,选取396个设计变量,所有变量在优化过程中都进行了离散化处理,应用JTP规范[1]作为校核依据,采用该遗传算法进行优化设计.经过优化后,船中剖面面积下降了2.6%.     

基于量子行为遗传算法的船体局部结构优化设计

采用遗传算法解决船舶复杂结构中混合设计变量优化问题时,其效果很有效,且能获得全局最优可行解。然而,简单遗传算法局部搜索能力差且易于早熟。为了提高对船舶复杂结构设计变量解空间的搜索能力,该文设计了一种基于二进制编码的适用于混合变量的量子行为遗传算法,比较适合于复杂函数的全局寻优,且搜索能力优于标准遗传算法。通过三个算例对算法的寻优能力进行测试,实验结果表明,采用量子行为遗传算法进行的船体局部结构优化设计具有较好的计算质量与计算效率。     

基于多种群萤火虫算法的集装箱船结构优化

针对集装箱船结构优化问题，依据CCS规范建立以集装箱船舯剖面面积最小为优化目标，板厚、型材横截面积为离散设计变量的优化数学模型。提出一种多种群萤火虫算法，各种群设置不同的参数，提高搜索区域，多子群并行寻优、子群主群协作寻优提高算法寻优性能，对所建模型进行优化计算。优化算例表明，所提出的多种群萤火虫算法比标准萤火虫算法可以更快的收敛得到最优解，在满足所有约束条件情况下，集装箱船舯剖面面积最小约13.2%，验证了多种群萤火虫算法应用于集装箱船结构优化的有效性。     

基于遗传算法的最小阻力船型优化设计

遗传算法是一种全局最优化算法,它能够克服传统优化方法的缺点和不足,从而获得全局最优解。因此,为了获得阻力性能更好的优良船型,将遗传算法进行适当改进并用于船型优化中,进行最小阻力船型优化设计,以非线性兴波阻力理论(Rankine源法)为基础,利用遗传算法并结合CAD技术进行船型优化设计。在优化过程中,把总阻力作为目标函数,设计变量取船型修改函数的参数,确保排水量为基本约束条件下,对船体前半体型线进行优化研究。选取某高速巡逻艇作为初始船型进行优化计算,获得的最优船型总阻力降低了13.1%,兴波阻力降低了21.7%,表明遗传算法用于船体线型优化设计是行之有效的。     

水下爆炸载荷下舰船结构的多目标优化

水面舰船对轻量化和抗爆性能均有特殊的需求，而这两个目标此消彼长的关系又使得实现它们的途径相互矛盾。为找到能同时提高轻量化和抗爆性能的满意解，建立以板厚为变量的多目标优化模型。在优化过程中，通过参数化建模技术实现建模的自动化，数值模拟采用船体三舱段有限元模型，使用ABAQus／ExPLIcIT求解器进行非线性有限元分析，并在优化流程中引入实验设计和近似模型进行响应预报，在此基础上，还通过NSGA—II遗传算法进行多目标优化，得到优解。通过对优化后的船舯舱段与优化前的进行对比分析，发现重量和抗爆性能这两个目标分别有0．46％和22．51％的改进，实现了轻量化和抗爆性能的双向提升。     

混合数据特征选择算法及在客户流失预测中的应用

特征选择是高维数据处理的一个重要部分,在现实世界中高维的混合数据经常存在。针对高维混合数据,基于模糊粗糙集,在CEBARKNC算法的基础上,改进属性重要性的计算及约简的选取条件,进行特征选择,降低了数据维度,提高了效率,并将其应用于客户流失预测实例中。结果表明：改进的CEBARKNC算法得出的数据用于分类器,与胡清华提出的一个fuzzy-rough算法得出的数据相比,能取得较好的性能。