敷设聚脲的吸声模型改进粒子群算法优化

为了提高敷薄吸声层的水下小目标的隐身性能,以敷设聚脲的多层结构为基本吸声模型,推导了模型的反射系数计算公式.针对材料优化的应用需求,将粒子群算法的局部算法和全局算法相结合,改进粒子群算法的优化策略,得到了动态混合粒子群算法,提高了收敛能力和搜索精度.利用该算法对多层吸声模型的材料参数进行寻优,结果表明:当吸声材料杨氏模量近似为频率的分段线性函数时,其吸声性能最优.在此基础上,建立了提高模型吸声性能的理论方法,并进行了实例验证,结果表明,该方法可使模型吸声性能在140～500 kHz范围内达到-10dB以上.     

基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化（PSO）算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点．针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识．该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识．利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明：改进的PSO算法用于岩石蠕变模型的参数辨识是有效的．     

桁架结构拓扑优化的微粒群算法

为了解决有应力和位移约束的桁架结构的拓扑优化问题,将微粒群算法用于桁架结构拓扑优化.用罚函数法将应力和位移约束下的结构优化问题转化为无约束优化问题,用微粒群算法迭代计算.为了证明此方法的可行性,给出了2个具有应力和位移约束的桁架结构拓扑优化的算例.计算结果表明,微粒群算法与现有算法获得的桁架结构拓扑优化结果一致.     

Large Thinned Array Design Based on Multi-objective Cross Entropy Algorithm

To consider multi-objective optimization problem with the number of feed array elements and sidelobe level of large antenna array, multi-objective cross entropy(CE) algorithm is proposed by combining fuzzy c-mean clustering algorithm with traditional cross entropy algorithm, and specific program flow of the algorithm is given.Using the algorithm, large thinned array(200 elements) given sidelobe level(-10,-19 and-30 d B) problem is solved successfully. Compared with the traditional statistical algorithms, the optimization results of the algorithm validate that the number of feed array elements reduces by 51%, 11% and 6% respectively. In addition, compared with the particle swarm optimization(PSO) algorithm, the number of feed array elements from the algorithm is more similar, but the algorithm is more efficient.     

二齿差滚动活齿传动多目标稳健优化设计

为了提高二齿差滚动活齿传动的设计水平和设计质量,将优化设计理论与稳健设计方法相结合,在考虑设计变量和设计常量的偏差对可行域影响的基础上,建立了二齿差滚动活齿传动的多目标稳健优化设计数学模型.基于模拟退火算法,提出了该模型的求解方法,给出了计算实例.计算结果表明:与应用普通优化方法得出的优化结果相比较,基于模拟退火算法的稳健优化设计所得的二齿差滚动活齿传动的体积缩小24.1％.     

Multi-Objective Optimization of Rail Pre-Grinding Profile in Straight Line for High Speed Railway

In order to modify the rail pre-grinding profile smoothly, non-uniform rational B-spline (NURBS) curve with weight factors is used to establish a parameterized model of the profile. A wheel-rail contact stochastic finite element model (FEM) is constructed by the Latin hypercube sampling method and 3D elasto-plastic FEM, in which the wheelset’s lateral displacement quantity is regarded as a random variable. The maximum values of nodal accumulated contact stress (NACS) and nodal mean contact stress (NMCS) in different pre-grinding profiles with differential weight factors are calculated and taken as the training samples to establish two Kriging models. A multi-objective optimization model of pre-grinding profile is established, in which the objective functions are the NACS and NMCS Kriging models. The optimum weight factors are sought using a non-dominated sorting genetic algorithm II (NSGA-II), and the corresponding optimum pre-grinding profile is obtained. The contact stress calculation before and after optimization indicates that the maximum values of NACS and NMCS decline significantly.     

粒子群算法在结构非概率可靠性优化中的应用

为了解决实际工程中不确定性结构的可靠性优化问题,建立了以结构非概率可靠性指标和横截面积为约束条件、最小化结构质量为目标的优化模型.利用非概率集合理论中的凸模型方法,求出可靠性指标,提出了基于粒子群算法的结构非概率可靠性优化方法.算例分析结果表明:与参数取平均值时的结构确定性优化方法相比,容许非概率可靠性指标为零时的结构非确定性优化方法得到的结构质量误差仅为0.009%.随着容许非概率可靠性指标的增大,桁架结构横截面积及质量也相应增大;当容许非概率可靠性指标为1.5时,与梯度投影法优化结果相比,利用该方法优化后的结构质量减少了0.323%.     

基于个体最优位置的自适应变异扰动粒子群算法

针对粒子群算法在寻优时容易陷入局部最优的不足,提出了一种基于个体最优位置的自适应变异扰动粒子群算法AMDPSO (adaptive mutation disturbance particle swarm optimization).该算法以粒子群算法为基础,加入扰动,当满足自适应条件时,粒子以个体最优位置为依据进行变异操作.将该算法运用于6个测试函数,并与惯性权重粒子群算法、收缩因子粒子群算法以及差分进化算法进行了比较,结果表明:AMDPSO能在寻优过程中让粒子跳出局部最优,保持种群多样性,具有更好的收敛速度和优化性能.      

基于多智能体局部寻优的粒子群优化算法

为了提高粒子群算法的收敛速度和全局寻优能力,用多智能体遗传算法对粒子群算法当前搜索到的全局极值进行局部寻优．用搜索到的更好的解在下一次迭代中引导粒子进行搜索从而获得更快的收敛速度和更好的全局收敛性。对函数优化和神经网络训练的仿真实验表明．此算法能更快的收敛到全局最优解。     

基于微粒群算法的多目标列车运行过程优化

为客观地描述列车的运行过程,建立了列车运行过程的多目标优化模型,并用微粒群算法求解该模型.针对多目标微粒群优化(MOPSO)算法的不足,提出了相应的改进措施和解的多样性保持策略.仿真结果表明,提出的优化列车运行过程的改进MOPSO算法可以在一次运行过程中获得多组列车操纵控制策略,清晰地显示出各性能指标随控制策略变化的趋势,控制序列转换次数大大降低,每组控制策略都可以在能耗、运行时间和停靠准确性之间获得很好的折衷效果,可以根据列车运行状况选择恰当的策略控制列车,以获得预期的结果.     

Learning Bayesian Networks from Data by Particle Swarm Optimization

Introduction Bayesian networks are a graphical representa-tion of a multivariate joint probability distributionthat exploits the dependency structure of distribu-tions. Bayesian networks are directed acyclicgraphs(DAG), where the nodes are random vari-abl…     

考虑速遣费和滞期费的不定期船航速优化研究

航运合约中的速遣费和滞期费对不定期船港口选择有重要影响.针对不定期船舶航速优化和港口选择问题,建立货主存在违约概率情况下不定期船港口选择停靠和航速优化模型,并考虑滞期费和速遣费对船公司利润的影响,使用改进型粒子群算法--两阶段粒子群算法进行求解模型.通过算例分析,将改进型粒子群算法与传统粒子群算法对比,发现改进型粒子群算法无论在收敛速度还是计算结果方面都优于传统粒子群算法.最后通过灵敏度分析发现,船公司利润在一定范围内会随着违约率、滞期费和港口装卸效率的上升而上升.     

非支配排序遗传算法的动压轴承形状多目标优化

为了克服以偏心率为初始参数的轴承优化模型优化结果局限于原始形状的缺点,提出用傅里叶级数表示通用膜厚方程,建立了多目标形状优化设计数学模型.应用基于非支配排序遗传算法,以最小功耗和最小侧漏流速为目标、最小油膜厚度和最小承载力为限制条件,以通用膜厚方程系数为设计变量,进行了轴承形状的多目标优化设计,并用Matlab偏微分方程工具箱求解基于通用膜厚的控制方程.实例分析结果表明:基于通用膜厚方程的多目标优化后的轴承形状不受固有型线的限制;在保证最大承载力的基础上,优化后的非圆轴承与仅以最大承载力为单目标优化的结果相比,最小功耗下降了80.8%,最小侧漏流速比优化前下降了3个数量级,并得出了Pareto最优解集.     

基于PSO算法的带减振器斜拉索参数的识别

讨论了粒子群算法(PSO)的应用,并基于PSO算法结合重庆干溪沟1号特大斜拉桥的带减振器的斜拉索做参数识别。研究表明:若拉索多阶振动频率能够被获得,则通过PSO算法得到的T,EI,K,εL等拉索参数是可靠的。     

社区儿童接送服务车辆的线路优化

以社区儿童接送服务车辆的路线优化问题为研究对象,建立了多目标非线性整数规划模型,其中目标函数包括车辆数最少、车辆行驶的时间最短、所有乘客总旅行时间最短、各辆车的负荷均衡、各辆车的运行时间均衡5个目标.这5个目标分为4个优先级.提出了解决这类问题的新的启发式优化算法.该算法从构造最小生成树开始,找出基本线路;然后通过选择可调单元调整线路得到优化的线路.提出了线路确定后,乘客要求调整线路时应遵循的原则.     

基于GA-PSO混合优化的BPNN车速预测方法

BP神经网络(BPNN)已经用于车速预测方面的研究.针对BPNN不同的初始权值和阈值会影响车速预测精度的问题,提出一种基于GA-PSO混合优化的BPNN车速预测方法.以北工大西门到百葛桥为研究路径,构建基于BPNN的车速预测模型;将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合,通过逐次迭代取最优的方式确定BPNN的最优初始权值和阈值,以此设计基于GA-PSO混合优化的BPNN车速预测方法.最后,以所选路径为对象,利用基于GA-BPNN的预测法、基于PSO-BPNN的预测法,以及提出的方法对车速进行了实验预测.结果表明,相较于前两种车速预测改进方法,本文方法的平均车速预测误差分别降低了37.1%和24.1%,有效地提高了车速的预测精度.     

Optimization for PID controller of cryogenic ground support equipment based on cooperative random learning particle swarm optimization

Cryogenic ground support equipment (CGSE) is an important part of a famous particle physics experiment — AMS-02. In this paper a design method which optimizes PID parameters of CGSE control system via the particle swarm optimization (PSO) algorithm is presented. Firstly, an improved version of the original PSO, cooperative random learning particle swarm optimization (CRPSO), is put forward to enhance the performance of the conventional PSO. Secondly, the way of finding PID coefficient will be studied by using this algorithm. Finally, the experimental results and practical works demonstrate that the CRPSO-PID controller achieves a good performance.     

考虑风险公平性的无能力约束条件下危险废物回收路径优化问题

区别于传统风险公平性,本文从风险补偿角度提出了风险公平性的全新内涵,并设计了风险补偿型的风险公平计算模型。构建了考虑运输成本、运输风险以及风险公平性的优化目标,同时确定了固体危险废物的回收路径。针对所构建的多目标0-1整数非线性规划模型,本文通过线性加权法设计了求解算法。并通过一个算例表明该模型与算法可以获得最优解,并比传统风险公平性模型更具优越性。     

基于微粒群本质特征的混沌微粒群优化算法

在总结对微粒群优化(PSO)算法本质的主要研究成果的基础上,提出了基于微粒群本质特征的混沌微粒群优化(CPSO)算法.该算法用混沌搜索方法代替随机数产生器在较好的区域搜索最优解.为了提高粒子群的多样性,用由粒子邻域内若干个个体最优位置依其适应值加权平均得到的中心位置代替标准PSO算法的全局历史最优位置.然后,根据粒子个体最优位置与上述中心位置间的距离自适应地调整混沌搜索区域半径.用几个经典测试函数的仿真结果及与其它几种PSO算法的比较结果验证了新算法的有效性.     

基于改进遗传算法的铁路三维空间线路智能优化方法研究

归纳和总结了铁路线路智能优化与三维空间信息之间的内在联系,基于OSG技术对空间信息数据进行高效组织,加工处理与信息输出为一体,建立了三维空间信息模型,为铁路三维空间线路智能搜索提供可视化地理信息环境。以平面交点坐标、交点半径、纵面变坡点里程、变坡点高程为设计变量,充分考虑了空间线路平面约束、纵断面约束、平纵组合约束和环境影响约束条件,深入分析铁路三维空间线路优化费用目标函数,建立了铁路三维空间线路综合优化数学模型。采用浮点编码方式,以交点偏移距、交点曲线半径、链式变坡点高程为基因序列,针对多约束条件构成的优化空间进行深入的研究,生成线路方案群;基于多目标排序矩阵方式对每代中线路方案进行适用度计算,设计了选择、交叉和变异三类遗传算子,逐代遗传进化,实现了线路方案向最优线路方案群自动搜索,完成了铁路三维空间线路智能寻优过程。以本文提出的理论与方法为基础,基于vs.net、OSG、数据库等技术实现了铁路三维空间智能选线系统的开发,结合实际工程对本文的理论模型与算法进行了验证和评价。