基于混合循环算法的复杂装配体装配序列智能规划

针对单一算法无法实现复杂装配体装配序列智能规划以及缺乏深度人机交互而导致的改进效果不佳等问题,提出一种混合循环算法.该算法以遗传算法为主体,利用干涉矩阵和接触矩阵调整随机生成的装配序列,以装配方向及工具的统一性构建适应度函数;其次结合模拟退火算法,在迭代前加入退火操作,利用Metropolis准则接受交叉和变异后的个体序列;引入粒子群算法的跟踪极值思想,直接选择个体最优和群体最优序列与后代交叉;最后结合虚拟现实技术建立装配模拟平台,从装配稳定性及工具操作空间两个维度进一步优化序列.基于该方法以汽车后桥总成装配序列规划为例进行验证,表明所得装配序列符合实际生产,该方法切实有效.     

基于混沌-粒子群算法的柔性线缆装配序列规划技术

针对复杂机电产品中柔性线缆装配序列自动规划难题,提出了一种基于改进粒子群算法的柔性线缆装配序列规划方法.首先确定了线缆装配的约束条件,在此基础上以线缆装配优先等级、线缆长度、直径、弯曲半径、分支数为综合优化目标,建立了线缆装配序列规划的数学模型;然后对标准粒子群算法进行离散化处理,使之适用于装配序列规划问题的求解;在此基础上分别对装配序列的初始化和算法的搜索策略进行改进;最后将所提算法应用到某型号卫星结构板的线缆装配序列规划过程中,验证了其可行性与计算效率.     

基于模拟退火粒子群优化算法的拆卸序列规划

文章将模拟退火粒子群优化算法应用于拆卸序列规划求解过程,基于拆卸约束图构建了产品结构表达模型,将拆卸过程相关信息赋予拆卸约束图的节点与边,定义了判断拆卸序列优劣的适应度函数,将算法与模型进行了映射;最后以某款料理机主机体为例,运用模拟退火粒子群优化算法求解其拆卸序列,并与单一粒子群优化算法相比较,验证了该算法的有效性.     

粒子群优化算法在电网规划中的应用

粒子群算法适合求解连续变量优化问题,本文提出了粒子群算法的新离散化方法。常规粒子群算法在电力系统优化问题中取得了成功,但有“趋同性”。本文提出了改进多粒子群优化算法（IPPSO）,IPPSO是两层结构：底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快收敛。粒子群以及粒子状态更新策略不要求相同。     

基于改进粒子群算法的造林规划

一直以来造林规划的工作者主要是靠手工进行规划或者运用一些通用的计算机软件来辅助规划,表现出工作繁琐、效率低、设计粗糙、计算不科学.首先给出一种改进的粒子群算法,即使用最简单的罚函数法将约束优化问题转化为无约束优化问题,然后将不同阶段搜索进度应用到粒子群算法中.该算法在优化目标函数的分析性质上没有特殊要求,并具有较强的全局寻优能力.用该改进粒子群算法来确定在资金、计划、苗木品种和数量等约束条件下小班造林规划最优方案,结果表明该算法在约束条件下造林规划效果很理想.     

粒子群优化算法研究进展

粒子群优化(PSO)算法是一种源于人工生命和演化计算理论的新兴优化技术.其基本思想为:每个粒子被随机的初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解.PSO的优势在于算法简单,对目标函数要求少,易于实现而又功能强大.目前,已受到演化计算领域的学者们的广泛关注,并提出了许多改进的算法.本文阐述基本粒子群的原理,给出了各种改进的算法,并展望了PSO的发展方向.     

基于遗传算法和粒子群算法实现时间序列建模

本论文基于样本数据的模型辨识方法,通过对时间序列的可叠加性特点分析,并采用典型时间序列模型组合形式构造时间序列模型。针对时间序列中可能存在的离群点,在模型中引入影响函数来表示。论文中采用遗传算法来确定模型的结构,然后使用粒子群算法来确定每个模型中的参数值。通过对几个实际问题的仿真分析可以得出结论:无论是对已知模型结构的辨识还是对未知模型结构的辨识问题,这种方法都是可行的。     

粒子群优化算法的研究

粒子群优化算法算法原理简单，所需参数较少，易于实现，目前已经应用到很多领域。文章阐述了基本PSO的原理，给出了各种改进技术．并展望了PSO的发展方向。     

基于粒子群的交叉规划问题的求解算法

提出了基于单纯形法和内部映射牛顿法的子空间置信域法的粒子群算法,分别用于求解线性交叉规划和非线性交叉规划,并结合实例说明了这两种混合粒子群算法求解交叉规划的可行性和有效性.     

粒子群优化算法综述

粒子群优化（PSO）算法是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO通过粒子追随自己找到的最好解和整个群的最好解来完成优化。该算法简单易实现,可调参数少,已得到广泛研究和应用。详细介绍了PSO的基本原理、各种改进技术及其应用等,并对其未来的研究提出了一些建议。     

基于微粒群优化的快速K-近邻分类算法

随着全球信息化的出现,手工分类索引已经不适用于大规模信息的处理,自动分类的研究得到迅速发展。K-近邻法是具有一定效率的自动分类算法。本文将其与智能优化技术结合,用于基于机器学习的文本分类过程中。实验结果表明,对于庞大的文档集合分类,该算法提高了分类的速度和精度。     

基于离散粒子群优化算法的造林规划设计

指出造林规划设计问题实质是一个离散约束优化问题。应用离散粒子群优化算法求解目标函数,以保证解的合理性法和惩罚函数法相结合处理约束条件。分析实例表明,离散粒子群优化算法可用来优化造林规划设计方案,与模拟退火算法比较,效果更好。此研究结果可为科学造林和最优化经营管理提供新思路,丰富粒子群应用领域。     

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.     

免疫粒子群优化算法及性能分析

针对基本粒子群算法的容易陷入局部极小值,搜索精度不高等缺点,将免疫算法和粒子群优化算法(Particle Swarm Optimization,PSO算法)相结合,并加以改进,利用免疫算法能够保持个体多样性的特点,可使粒子群优化算法.达到摆脱局部极值点能力,从而提高算法进化过程中的收敛精度和速度.使用四个经典的测试函数...     

基于免疫粒子群优化的移动Sink路径规划算法

为了减少能量空洞和延长网络生命周期,在无线传感网中采用移动 Sink 的方式收集节点采集的数据是解决能量效率问题的有效措施．采集路径的规划问题类似于旅行商问题,无法得到多项式时间的解．提出了将人工免疫算法和粒子群算法相结合,针对移动 sink 数据收集的路径规划问题寻求近似最优解,仿真结果表明: 与其他算法进行性能比较,所提出的优化算法能够有效减少能耗和缩短遍历路径．     

基于事例推理的装配顺序规划中的遗传算法改进设计

针对基于事例推理(CBR)的装配顺序推理的特点,建立了相应的遗传算法模型.通过大量的算法实验,分析比较了传统进化、阶段进化和自适应进化策略的优劣,以及算法参数对推理效率和推理质量的影响.在此基础上,设计了改进的遗传算法.最后的实例分析验证了该算法的有效性.     

基于SFLA-PSO算法的几何约束求解

为提高求解几何约束问题的效率和收敛性,将几何约束问题等价为求解非线性方程组问题。并将约束问题转化为一个优化问题,采用基于混洗蛙跳（SFLA：Shuffled Frog Leaping Algorithm）和粒子群优化（PSO：Particle Swarm Optimization）算法求解该问题。SFLA-PSO算法采用将SFLA和PSO二者相结合的方法,利用PSO算法进行族群局部搜索,利用SFLA的多种群的进化方法进行族群的混选,相互取长补短,以达到收敛速度快和全局搜索的目的。实验表明,该方法可以提高几何约束求解的效率和收敛性。