基于差异演化算法的动压滑动轴承多目标优化

为研究流体动压轴承的多目标优化问题,提出一种改进多目标差异演化算法.该算法在选择差分向量时,对产生差分向量的两个个体比较其优劣,用非支配解减去支配解,引导个体向非劣解进化,提高算法的收敛速度;其次提出了种群修剪策略,消除进化后期种群中相同个体引起的种群全局搜索能力下降的缺点,以提升算法的全局寻优能力.通过与其它算法的比较,发现该算法能有效避免“早熟”收敛,具有较好的收敛速度和多样性.工程实例求解结果表明了算法的工程可行性.     

基于邻域正交交叉算子的人工鱼群算法

将邻域正交交叉算子引入到基本人工鱼群算法中,提出了一种基于邻域正交交叉算子的人工鱼群算法.该算法采用动态调整人工鱼视野和步长的方法,较好地平衡了全局搜索能力和局部搜索能力.将人工鱼的邻域极值与该人工鱼进行正交交叉运算,产生少量的具有代表性的较优个体,而新产生的个体不仅利用了本身的有用信息,同时利用了邻域极值的最优信息,加快了算法的收敛速度.增强了算法的寻优能力.仿真结果表明,该算法具有较高的优化性能.     

线性递减权重粒子群优化投影寻踪模型及应用

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,为了有效地控制粒子群算法的全局搜索和局部搜索,提出了将线性递减权重引入到粒子群优化算法中.该算法是从随机解出发,通过追随当前搜索到的最优值来寻找全局最优解,增加了粒子群算法的局部搜索能力.将其算法优化投影寻踪模型,以此构建了线性递减权重粒子群优化投影寻踪模型,将该模型应用到土坝护坡模式优化评价中,选取9个指标作为评判因子,提出适合该地区的土坝护坡优化模式.结果表明:线性递减权重粒子群优化投影寻踪模型可以有效地找到最佳投影方向,计算投影值,根据投影指标值的大小可对方案进行优选.利用该模型对土坝护坡模式进行综合评价是切实可行的.该算法以其实现容易、精度高、收敛快等优点,并且在解决实际问题中展示的优越性,在工程优化领域具有广泛的应用前景.     

基于改进粒子群算法的路径规划

传统粒子群算法存在收敛精度低、搜索停滞等缺点,导致机器人路径规划精度低。为了提高路径规划的精度,对传统的粒子群算法进行改进。首先在算法运行的各阶段对惯性权重因子和加速因子同时使用三角函数的变化方式自适应调整,使算法中的参数在算法运行各阶段的配合达到最佳,提高了算法的搜索能力;其次在算法中引入鸡群算法中的母鸡更新方程和小鸡更新方程对搜索停滞的粒子进行扰动,并在引进的方程中使用全局最优解使扰动后的粒子向全局最优解靠近;最后通过函数优化和路径规划两组对比实验,验证了改进算法在问题优化时具有寻优精度高、鲁棒性好的优点。     

动态蚁群算法在梯级水库优化调度中的应用

针对蚁群算法缺乏全局搜索与局部寻优之间的动态调整,蚁群难以保持较好的多样性,算法极易陷入局部最优的问题,以余弦递减的策略动态调整启发式因子的变化,从而平衡算法的全局搜索和局部寻优。同时,利用混沌搜索的随机性和遍历性,对蚁群每次迭代找到的路径进行混沌扰动,从而提高算法跳出局部最优的能力,避免算法早熟收敛。将改进的蚁群算法应用于梯级水库的联合优化调度,模拟计算结果表明了算法的有效性。将其结果与逐步优化法和标准蚁群算法的计算结果进行对比,体现了算法在求解速度和求解精度上的优势。     

差异演化算法及其在机械优化设计中的应用

针对约束优化同题,提出了一种适于约束优化的自适应交叉率中心差异演化算法.在约束处理上采用只更新可行域内的点的方法,避免了传统的惩罚函数方法中对惩罚因子的设置,使算法的实现变得简单,同时在差异演化算法中引入群体中心点参与群体最优点的竞争,并且对交叉概率进行动态调整.仿真实验结果和工程计算实例表明,提出的算法具有较快的收敛速度和较好的稳定性、鲁棒性.     

大规模车辆路径问题的启发式算法

提出了基于SWEEP顾客分组和禁忌搜索算法的综合启发式算法.算法采用顾客分区的方法将大规模问题简化为可并行计算的若干小规模问题,降低了问题复杂度;采用相邻区域综合优化技术弥补了分组可能将算法带入局部搜索的缺陷,提高了算法的全局搜索能力.计算结果表明该算法是一种速度快、优化效果好的启发式算法.     

差分进化算法及其在水电站厂内经济运行中的应用

差分进化算法(differential evolution,DE)是一种基于群体的进化算法,通过群体内个体间的合作与竞争产生的群体智能指导优化搜索.文中将其改进的方法应用于以水电站运行成本最小为目标的优化模型.该模型考虑了机组能量特性差异,以旋转备用、启停成本、气蚀振动区、机组可用性等指标作为约束条件.实例计算表明,该方法克服了传统方法在处理多约束、多维优化问题上的困难.     

混沌粒子群微分进化算法及其在水库发电优化调度中的应用

粒子群优化算法（PSO）与微分进化算法（DE）都是有效的基于群体智能的全局优化算法,但它们都容易过早收敛,陷入局部最优。针对以上问题,提出了混沌粒子群微分进化算法（CPSO—DE）,该算法引入可变的惯性权重和学习因子,以基于logical映射的混沌序列代替标准PSO中的随机序列来对粒子群进行初始化,同时将微分进化算法（DE）中的变异、交叉和选择思想引入标准PSO算法中,改变标准PSO算法单一的进化策略,在全局范围内搜索最优解。作为实证的需要,通过对水库优化调度所存在问题的分析,建立了基于CPSO-DE算法的水库优化调度数学模型与求解算法,并以某水库实际运行数据进行计算,结果表明CPSO-DE算法具有较好的全局最优解,验证了CPSO—DE算法的可行性与健壮性。     

免疫遗传算法的研究及其在节水灌溉中的应用

根据生物的免疫原理,将免疫算法中的抗体多样性的维持机制、记忆机制、促进抑制机制引入到遗传算法中,在标准遗传算法的基础上提出了加速实数编码的免疫遗传算法.研究表明,免疫遗传算法改进了基本遗传算法群体多样性差、搜索区间大和免疫算法容易陷入局部最优的平衡态,以及进化后期搜索停滞不前的性能,使其快速成熟的收敛同时又提高了局部寻优和全局寻优的搜索能力.针对黑龙江省半干旱地区水资源紧缺的问题,用免疫遗传算法进行水量优化分配,结果表明实码加速免疫速遗传算法有较好的实用性能与稳定性能.     

基于差分进化算法优化的RBF神经网络的发动机故障诊断研究

在RBF神经网络中采用差分进化算法来优化RBF神经网络的模型结构,并对其重要参数进行全局寻优。实例仿真结果表明,经过差分算法优化的RBF神经网络不仅相对BP网络学习收敛速度更快,而且提高了发动机故障识别的精确度,从而验证了此种方法的正确性和有效性。     

Differential evolution – an easy and efficient evolutionary algorithm for model optimisation

Recently, evolutionary algorithms (encompassing genetic algorithms, evolution strategies, and genetic programming) have proven to be the best general method for the optimisation of large, difficult problems, including agricultural models. Differential evolution (DE) is one comparatively simple variant of an evolutionary algorithm. DE has only three or four operational parameters, and can be coded in about 20 lines of pseudo-code. Investigations of its performance in the optimisation of a challenging beef property model with 70 interacting management options (hence a 70-dimensional optimisation problem) indicate that DE performs better than Genial (a real-value genetic algorithm), which has been the preferred operational package thus far. Despite DE's apparent simplicity, the interacting key evolutionary operators of mutation and recombination are present and effective. In particular, DE has the advantage of incorporating a relatively simple and efficient form of self-adapting mutation. This is one of the main advantages found in evolution strategies, but these methods usually require the burdening overhead of doubling the dimensionality of the search-space to achieve this. DE's processes are illustrated, and model optimisations totaling over two years of Sun workstation computation are presented. These results show that the baseline DE parameters work effectively, but can be improved in two ways. Firstly, the population size does not need to be overly high, and smaller populations can be considerably more efficient; and second, the periodic application of extrapolative mutation may be effective in counteracting the contractive nature of DE's intermediate arithmetic recombination in the latter stages of the optimisations. This provides an escape mechanism to prevent sub-optimal convergence. With its ease of implementation and proven efficiency, DE is ideally suited to both novice and experienced users wishing to optimise their simulation models.     

基于差分进化的球面并联机构仿生眼参数优化

确定了仿生眼的目标工作空间,并以雅可比矩阵条件数最大值定义了最差灵巧度.利用差分进化的全局寻优能力对最差灵巧度的最大值进行优化,采用动态缩放因子解决优化过程中的早熟问题,增强了全局搜索能力.在满足仿生眼特殊结构要求并使目标工作空间内任意姿态都具有较好灵巧度的情况下,确定了合理的结构参数.最后实验表明参数优化后的仿生眼实物很好地满足了设计要求.     

多邻域链式结构的多目标粒子群优化算法

为了提高多目标粒子群算法求解多目标问题的性能,改善算法的收敛性,提出一种多邻域链式结构的多目标粒子群优化算法。首先,以一种环形链式拓扑结构,将种群划分为多个邻域,每个邻域之间相互交叉重叠,并针对不同位置的粒子,进行不同的速度和位置更新策略。其次,对所有粒子采用速度钳制策略,并引入差分进化策略对粒子进行扰动,从而进一步提高算法的多样性。通过14个无约束和3个有约束函数仿真实验,表明该算法相对于NSGA-II、SPEA2、MOEA/D-DE、SMPSO和OMOPSO算法,获得Pareto解集分布更加均匀,算法的收敛性和多样性也更好。为了进一步验证算法的可行性和有效性,将其应用于72杆桁架结构尺寸设计,并与其他优化方法进行了比较,结果表明该算法获得的Pareto前端更均匀,收敛性更好。     

基于多阈值图像分割算法的秸秆覆盖率检测

针对目前秸秆覆盖率人工检测费时费力、准确率低、信息难以存储的问题,提出了一种基于图像分割的秸秆覆盖率检测方法。考虑到传统图像分割方法精度不高,且多阈值分割时计算量过大,将灰狼算法中的搜索机制与差分进化算法相融合,提出一种基于图像多阈值的自动分割方法（DE-GWO）,用于田间秸秆覆盖率检测。首先,对现场采集的秸秆覆盖图像进行预处理,采用自适应Tsallis熵作为目标函数,评估图像分割效率;其次,根据图像的复杂程度选取分割阈值的数量,利用DE-GWO算法对其进行多阈值图像分割;然后,分别按照灰度级别计算分割后图像比例;最后,根据拍摄高度、fov视角等参数,将图像中秸秆覆盖率与实际地理面积进行转换。实验结果表明,本文算法田间秸秆覆盖率与实际测量误差在8%以内,且相比于改进粒子群算法（PSO）和灰狼算法（GWO）,DE-GWO算法精确度更高,平均耗时为人工测量的1/1500。开发了一套依据DE-GWO算法的秸秆覆盖率检测软件系统,为后续监控系统的实时检测提供了算法基础和软件支持。     

基于改进PSO算法的电机控制系统PID参数优化

粒子群算法(PSO,Particle Swarm Optimization)作为一种新型的随机优化方法,其算法结构简单,鲁棒性强,在组合优化和自适应控制等领域的非线性优化中有着广泛的应用前景.为此,提出一种改进的PSO优化算法,并将该算法应用于电机控制系统的PID参数优化设计.仿真结果表明,利用改进PSO算法优化的PID参数能有效改善控制系统的性能指标.     

基于改进蚁群算法的蔬菜大田无人农机路径优化

推进蔬菜机械化与无人化种植能够保障优良的蔬菜规模化种植技术效益,有力保证蔬菜质量与品质,有利于蔬菜规模化生产种植技术产业体系的发展。利用无人拖拉机作业GPS定位点集将实际农业作业区域转化为规则矩形,在此基础上建立以无人拖拉机总转弯距离最短为优化模型,采用蚁群算法对无人拖拉机耕地作业路径序列进行搜索。同时考虑到传统蚁群算法易陷入局部最优、全局搜索能力不足等问题,提出一种基于和声搜索策略的改进蚁群算法,通过引入sigmoid函数与和声搜索机制改善路径搜索能力,得到高质量耕地作业路径序列。将传统蚁群算法(AC)、精英蚁群算法(ELAC)作为对比算法,将传统梭形、回形作业方法作为路径对比作业方法,针对不同耕地作业规模进行无人拖拉机作业路径搜索试验。结果表明,本文算法得到的总转弯距离较梭形耕法降低35.53%~43.08%、较回形耕法降低2498%~86.88%。精英蚁群算法在小规模作业区域中性能较优,但随着蔬菜大田规模扩大,改进和声蚁群算法优化效果更明显。     

基于改进差分进化算法的无功优化

电力系统的无功优化问题是一个复杂的多目标、多约束、非线性的混合整数优化问题,针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,提出一种新的改进差分进化算法。该算法通过动态交换、多群体分组和调节自适应参数的方式,增强个体间的信息交换,保持解的多样性,进而实现跳出局部最优解的目的。在此基础上,将该算法应用于电力系统的无功优化中,对IEEE 57节点测试系统进行无功优化仿真,证明该改进差分进化算法是求解电力系统无功优化问题的一种有效工具。