基于粒子群算法的热连轧带钢轧制规程优化

在轧钢工艺中轧制规程的设定是最为核心的内容,轧制规程的好坏直接决定着轧钢生产的产品质量和生产效率.优化轧制规程一直是轧钢工艺中的一项重要课题,传统的优化理论和方法虽然已经取得了一定的成果,但在某些课题的研究中由于硬件条件无法达到预定的要求,导致优化的速度和搜索的范围存在很大的局限性.介于此,引入粒子群算法对热连轧带钢轧制规程进行了优化,该算法有效地缩短了轧制规程优化的时间,提高了轧制规程设定研究的工作效率.     

冷轧窄带钢节能压下规程的优化设计

按一般方法设计的冷轧窄带钢压下规程,轧制能耗不一定是最小的。本文利用优化的方法得出了冷轧窄带钢轧制能耗最下的压下规程。这对节能有一定的实际意义。本文介绍了所采用的优化方法及数学模型,并对现场采用的压下规程进行了分析和比较。     

万能型钢轧机轧制规程优化设计

采用综合约束函数双下降法研究了万能可逆轧H型钢降低电耗的优化轧制过程，以总轧制能耗最小为目标，各首次轧件出口厚度为优化计算的自变量进行了优化。优化计算结果应用于生产试验表明节能效果良好。由于在轧制规程优化过程中考虑了各种约束条件，所以求得的优化轧制规程不但能满足轧机强度和电机功率要求，而且能保证所轧制的H型钢具有良好的尺寸精度。     

基于改进PSO算法的电力系统无功优化

介绍了PSO算法,结合电力系统无功优化问题的实际情况,针对其存在的易陷入局部最优点的缺点,提出了改进的PSO算法。该算法改变了初始化方法和粒子更新方法,在算法后期引入变异因子,并将问题分解成子问题进行处理。在IEEE-14节点系统的仿真计算中,改进PSO算法与其他人工智能算法相比,在较短时间内取得了更好的优化效果。     

热轧中板轧制变形规程的优化设计

研究热轧中板轧制变形规程的在线优化设计,包括轧制前的预计算以及轧制中的在线修正. 在轧制数学模型基础上,将轧制规程优化设计分为负荷分配道次和板形道次. 在板形道次,给出其线性规划数学模型,并利用单纯形算法求解,分析了不同约束集对最优规程的影响并进行了仿真,确定了最佳约束集. 轧制过程中利用实测数据进行模型自适应及规程在线修正. 经若干中板厂应用结果表明,该方法节约轧制时间且板形良好,异板差0.1 mm之内的命中率大于95%,成材率提高0.5%.     

基于改进PSO的H型垂直轴风力机风轮优化设计

气动模型以双向多流管理论为基础,考虑风场的风速概率密度分布函数,以风力机发电机组的年平均输出功率最大为设计目标,采用改进的粒子群优化算法进行全局寻优搜索.利用开发的Matlab优化设计程序,在额定功率和额定风速一定时,针对特定风场优化设计H型垂直轴风力机风轮,得出风力机风轮的最佳匹配参数.与初步设计的风力机相比,优化后年平均输出功率增加了11.8%,且优化设计结果在气动性能方面有明显的优越性,说明该优化模型的实用性和有效性.     

考虑板形的一种带钢轧制规程优化方法

本文采用等储备原则与板形良好原则相结合的方法,对板带轧制规程进行选优计算,并给出了计算框图.     

基于粒子群统计规律的PSO算法

粒子群优化（particle swarm optimization，PSO）算法是一类基于群体智能的全局优化算法，以其计算迅速和易于实现而得到广泛的应用．但作为一种进化算法，它在很多问题中却容易过早收敛，陷入早熟．这与粒子群采用单一的进化策略有关，因为过于单一的进化策略使粒子群整体上有一种趋同性．针对标准PSO算法的这个问题提出了一种改进方法，改进后的PSO-σ算法实质上是Kennedy讨论过的认知模型、社会模型和完全模型的混合算法．从算法的收敛性、准确性和稳定性等方面对这种改进的算法作了试验和分析，发现均优于标准PSO算法．     

基于PSO算法的复合材料层合板可靠性优化设计

采用粒子群算法(PSO)分析了存在初始缺陷的复合材料层合板的可靠性优化问题.在层合板结构总厚度一定的情况下,以系统可靠度最大为目标函数,对复合材料的纤维方向角和相对厚度进行优化设计.单层板失效与否应用Tsai-Wu准则判断,采用一次二阶矩法(FORM)计算和评价失效概率.通过具体算例及借鉴遗传算法中的在线性能和离线性能评估准则,对粒子群算法的收敛性能进行评估,结果表明:与遗传算法相比,该方法具有操作简单、计算效率高等特点,对复合材料层合结构的可靠性优化设计十分有效.     

基于改进PSO算法的电力系统机组优化组合

机组组合优化问题是一个大规模、多约束、非线性的混合整数规划问题，因此求解非常困难．粒子群优化（PSO）算法是一类随机全局优化技术，它通过粒子间的相互作用发现复杂搜索空间中的最优区域．采用二进制粒子群优化方法解决机组状态组合问题，用遗传算法结合启发式技术解决经济分配问题，并对最小开停机时间及启停费用进行了处理，使得运算速度大大加快．方法的可行性在10台机组系统中检验．模拟结果表明文章所提出的算法具有收敛速度快及解的质量高等优点．     

基于改进的PSO算法的神经网络集成

提出了一种新的神经网络集成结论生成方法,即基于可重复采样技术(Bootstrap)的粒子群优化(PSO)算法——BPSO算法,通过限制组合权值的范围来减小“多维共线性”的影响,还利用采样技术构造不同的适应度函数,增加“粒子”的多样性从而便于在一定范围内灵活调节组合权值,并减小噪声对集成的影响．实验表明。BPSO算法是优化组合权值的有效方法,提高了神经网络集成的泛化能力．     

基于对立学习的PSO算法研究

为进一步提高PSO算法的优化效率,加速寻优过程,提出基于随机对立策略的PSO算法,包括QOP-SO和QRPSO。这两种算法在种群初始化阶段采用随机对立学习方法,并在进化过程中用随机对立学习进行种群动态跳跃,以提高产生解的质量。利用6个测试函数对算法的效率进行检验,将其与标准PSO和OPSO算法进行对比,结果表明,新算法具有更快的收敛速度和更高的求解精度。     

热连轧精轧机组轧制规程的计算机辅助分析

介绍一种用VB语言编制的评估、优选热连轧精轧机组轧制规程的计算机辅助分析软件。该软件有利于把人的经验与理论计算结合起来，对轧制规程作出快速评估，并能直观地显示计算结果，应用方便。     

基于多目标优化的冷轧带钢压下规程优化

轧制规程的计算是轧机连轧生产工艺的核心内容,是轧机生产能力发挥、产品厚度精度及板形质量的基本保证,因此轧制规程的优化尤为重要。本文根据轧制过程的实际需求,结合多目标优化算法,以总能耗最小和带钢板形良好为目标,建立多目标优化数学模型,并从理论上分析,可以取得较好的优化结果,从而优化轧制规程,提高生产能力。     

基于改进PSO算法的混合核SVM算法

提出一种基于改进粒子群优化（PSO）算法的优化混合核支持向量机（SVM）算法（ILPSO）, 解决了一般混合核SVM算法很难评定参数选择的问题. 该算法通过限定粒子的速度、 搜索空间和交叉算子等多种寻优策略加强其收敛特性, 得到了参数的最佳组合. 仿真实验表明, 该算法能更快速、 有效地获得参数的最优值.     

基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

热轧管线钢控制轧制规程的热模拟试验研究

作者利用热模拟试验机进行不同条件下的单阶段和多阶段高温压缩变形试验，对热轧管线钢的控制轧制规程及相应的奥氏体行为特性进行了研究。这对制定、改进控制轧制规程具有指导意义     

基于改进PSO算法参数优化的模糊支持向量分类机

借助遗传算法中交叉和选择的思想策略,提出一种改进的粒子群算法对模糊支持向量机的参数进行优化选择.结果表明:该方法能够减少模糊支持向量机参数选择的盲目性,增强了模糊支持向量机的泛化能力,同时也提高了其分类精度.     

基于改进PSO的高分子材料降解模型参数优化

为提高可降解高分子材料降解模型仿真的准确程度,结合高分子材料降解的实际原则和所要考虑的各种因素,建立了适合优化的参数优化模型,并将粒子群优化算法(PSO)用于模型的求解.针对标准粒子群算法存在的一些不足,提出了一种改进的粒子群优化算法来求解最优值,改进的算法引入了动态自适应惯性权重和异步时变学习因子.采用5个标准测试函数对改进的粒子群算法进行了测试,并将算法应用于参数优化模型的求解.测试与试验结果表明:新算法有效地避免了过早陷入局部最优,提高了收敛速度和收敛精度,并且采用优化所得参数显著地提高了高分子材料降解模型仿真的精准度,有利于揭示降解机理的科学意义和指导实际医用器件的设计与生产.     

基于改进粒子群算法的方案飞行弹道优化设计

研究导弹方案飞行弹道的优化问题.在对方案飞行弹道优化本质特征进行分析的基础上,针对爬升-转弯段弹道提出了一种基于粒子群优化算法的方案弹道优化算法.该算法引入罚函数法和权系数法构建综合的目标函数,采用非均匀B样条方法实现控制规律的参数化,采用改进的具有动态初始化策略的粒子群优化算法进行寻优计算.仿真算例及结果表明,该方法结构清晰,具有较好的通用性,优化后的方案飞行弹道满足约束条件.