导读:本文包含了混合微粒群论文开题报告文献综述及选题提纲参考文献，主要关键词:混合作用力,微粒群算法,液压阀块,车间调度
混合微粒群论文文献综述
陈东宁,彭晓静,姚成玉,张晓磊,杨晓荣[1]（2019）在《基于改进混合作用力微粒群算法的液压阀块加工车间调度优化》一文中研究指出针对微粒群算法作用力规则的不足,提出改进混合作用力微粒群(IHFPSO)算法。采用阶段性搜索策略,将算法的搜索过程分为前期和后期2个搜索阶段:在前期搜索阶段,微粒在其他微粒的引斥力作用下进行最优搜索,以保持种群多样性;在后期搜索阶段,微粒在双引力及引力提供的加速度的共同作用下向最优解收敛,以提高局部搜索能力。将所提出的IHFPSO算法应用于液压阀块加工车间调度问题,利用矩阵变量来处理约束条件,给出一种基于矩阵的微粒编码、解码方法。通过液压阀块加工车间调度优化实例,将IHFPSO算法与微粒群算法、中值导向微粒群算法、扩展微粒群算法、多作用力微粒群算法进行对比,验证提出的IHFPSO算法结果最优,实现液压阀块加工车间调度优化。(本文来源于《液压与气动》期刊2019年08期）
桑渊博,曾建潮[2]（2019）在《面向分布式计算的混合维度微粒群算法》一文中研究指出在智能计算方面,微粒群算法有着搜索速度快、算法实现简单、参数设置少等优点而得到了广泛的应用。但遇到大规模问题时会遇到容易陷入局部最优、计算耗时、结果精度不高的情况。因此本文提出以分布式计算方法为基础的混合维度微粒群算法MDPSO(Mixed Dimension Particle Swarm Optimization),该算法采用分布式计算方式实现任务并行,通过混合维度的方法进行种群间的信息交流。最后通过对5个测试函数和岛屿模型PSO算法进行实验对比,结果证明所提出的算法能够更好的跳出局部最优而得到更为准确的结果。(本文来源于《太原科技大学学报》期刊2019年01期）
姚成玉,赵哲谕,陈东宁,檀雪云,吕世君[3]（2017）在《有向动态拓扑混合作用力微粒群优化算法及可靠性应用》一文中研究指出针对微粒群优化算法易陷入局部最优、出现早熟等不足,从作用力规则和种群拓扑结构两方面进行研究。提出一种混合作用力微粒群优化(Hybrid force PSO,HFPSO)算法,将算法的搜索过程划分为前期和后期两个阶段,分别构造引斥力规则和双引力规则,使算法搜索前期具有良好种群多样性、搜索后期有较高寻优精度。进一步将生物趋利避害的行为选择机制融入HFPSO算法,提出有向动态拓扑混合作用力微粒群优化算法,赋予微粒主观能动性使其靠近适应值较好微粒、远离适应值较差微粒,提出适应值驱动边变化的有向动态拓扑(Fitness-driven edge-changing unidirectional dynamic topology,FEUDT)结构,并将FEUDT结构与HFPSO算法以结构演化和算法进化同步进行的方式结合,进一步提升算法的优化性能。利用Benchmark函数对所提算法与标准PSO、搜索后期斥力增强型混合引斥力微粒群优化(LRPSO)算法进行性能对比测试,结果表明,所提算法具有较好的寻优能力和较快的收敛速度。通过桥式系统可靠性优化实例和供应商参与的某汽车产品子系统可靠性设计优化实例,验证了所提算法求解实际复杂优化问题的有效性。(本文来源于《机械工程学报》期刊2017年10期）
张文林,夏桂梅[4]（2015）在《一种结合微粒群算法的混合MIMIC算法》一文中研究指出分布估计算法是基于遗传算法的基础上发展起来的一种新型的优化算法,它采用的是概率图的模型来表示基因中变量之间的关系,从而构建优良解集的概率分布模型进行采样来实现迭代进化。但是分布估计算法在问题求解过程中容易陷入局部最优,针对此缺点,引入微粒群算法,提出了一种结合微粒群算法的分布估计算法。这种算法将分布估计算法与微粒群算法的思想紧密结合起来,不仅保持了种群的多样性,而且具有更全面的学习能力,提高了算法的寻优能力以及避免早熟收敛的能力。通过对测试函数的仿真试验,表明该算法具有良好的性能。(本文来源于《太原科技大学学报》期刊2015年05期）
张欣[5]（2015）在《混合微粒群算法在车载自组网基站分布中的研究》一文中研究指出车载自组网基站建设作为国际上公认的解决城市交通拥堵问题最经济有效的办法之一,受到社会各界的广泛关注。基站节点覆盖问题是车载自组网的关键技术之一,在城市道路交通流的均衡动态分配中起着举足轻重的作用。本文正是基于这样的应用背景,针对基站节点部署的核心组成部分:车载自组网络中服务基站扩展覆盖算法进行了基于混合微粒群算法的研究。文章内容主要包括以下两个部分:基站扩展覆盖模型的建立以及混合微粒群算法的设计。第一部分:对城市交通路网进行抽象描述以后,针对城市交通路网的特点,以及车辆节点移动的动态性,通过理论分析得出服务基站节点扩展覆盖某一区域的概率与服务基站扩展覆盖半径的关系,结合实际情况通过设定扩展覆盖概率值大于某一特定值,得出覆盖半径的最小值。第二部分:根据微粒群算法的不足,本文提出了一种基于扩散机制的双种群微粒群优化算法。主要在叁方面进行了改进:为提高算法后期的全局寻优能力和保证微粒群物种的多样性引入了多种群思想;为提高算法后期的收敛速度和寻优精度,引入了扩散机制;为保证算法迭代计算的高效进行,增加扩散池来去除对全局寻优能力贡献弱小的微粒并实现多种群信息的交流和扩散,避免陷于局部最优。最后,木文通过仿真实验验证了改进后模型和算法的有效性,且在求解效率和求解精度方面均要优于基本的微粒群算法和传统的遗传算法。(本文来源于《东北大学》期刊2015-06-01）
茜彦辉[6]（2015）在《应用两阶段作用力微粒群算法求解混合流水车间调度问题》一文中研究指出混合流水车间调度问题(Hybrid Flow-shop Scheduling Problem,简称HFSP)旨在根据有限的生产资源条件对工件及各工序的并行机器进行合理分配,它是传统流水车间生产调度问题的一种推广。与传统流水车间调度问题区别在于HFSP具有多工序、且至少有一道工序存在并行机器的特点,其工程应用背景很强。此外,在许多实际生产过程中,各机器间的缓冲空间或存储设备大小是有限的,对车间的有效生产有极大的影响。因此,研究HFSP具有重要的理论意义和工程应用价值。已证实,HFSP具有严格的NP-hard性质,对其进行精确求解难度相当大,运用常规的方法求解更是难上加难。微粒群优化算法作为一种高效的群体智能优化算法,已成功应用于求解各种复杂优化问题,微粒群优化算法的成功应用说明了其具有适应性强、全局寻优能力强等特点,有利于求解HFSP。为此,本文针对HFSP的求解,研究并改进微粒群优化算法,为求解HFSP进行算法设计,以改进算法的求解性能。主要工作内容包括以下3个方面:首先,对微粒群优化算法进行概述分析,针对现有微粒群优化算法的不足,借鉴拟态物理学中的引斥力思想,重新构建了2种作用力规则,提出新的一种基于阶段性搜索的两阶段作用力微粒群优化算法,并为其不同阶段之间的切换设计了一种新的智能切换方式。通过测试分析,将该算法与其他改进微粒群优化算法进行了比较,结果表明所提算法具有较好的优化性能。其次,针对HFSP的特点,以及传统编码方式微粒种群初始化时优良个体较少、易产生非法解、解码复杂等不足,本文借鉴了一种新颖的基于矩阵的HFSP的编码和解码方式。通过与文献结果及其他改进微粒群优化算法的实验对比,证实了所提算法可有效地解决HFSP。最后,对带阻塞限制的HFSP进行了讨论,提出将带阻塞限制的HFSP应用于复线列车调度问题。为考虑阻塞限制对HFSP的影响,借鉴其他数学模型,并将该模型应用于复线列车调度问题。针对该数学模型和微粒群优化算法的特点,对微粒的解码方法进行了重新设计,并加入微粒调整环节以消除机器或是轨道分配失衡问题。通过仿真实验以及对比分析,证实了运用本文所用模型和算法求解复线列车调度问题是有效的、可行的。综上,本文以HFSP的研究为主线,对调度算法、调度的阻塞限制以及列车调度进行了研究,旨在为调度问题的求解寻求一条新的途径,使调度理论更加付诸实践,为实现生产中资源的优化配置,达到节能减排的效果,也为企业决策者的调度决策提供一定的理论依据。(本文来源于《燕山大学》期刊2015-05-01）
赵哲谕[7]（2015）在《动态拓扑混合作用力微粒群算法及应用》一文中研究指出微粒群算法作为一种高效的群体智能算法,已经成功应用于各种复杂问题,然而,随着经济结构的不断优化升级,新常态下的中国经济对节能减排和高效率的生产方式提出了更高要求,催生了对生产实践中各个工作流程的优化,其中有些问题往往难以直接采用标准微粒群算法进行求解。因此,本文围绕微粒群算法的改进及其在生产实践中的应用展开研究。首先,针对现有各种改进微粒群算法中单一的作用力规则导致的算法易陷入局部最优和早熟收敛的不足,从算法作用机制方面对其进行改进研究,提出一种新的基于两阶段搜索的混合作用力微粒群算法。通过引入标准优化测试函数,将混合作用力微粒群算法与其他改进微粒群算法进行比较,验证了所提算法较好的寻优能力。其次,针对混合作用力微粒群算法的微粒信息共享机制,从种群拓扑结构方面对其进行研究,借鉴全局耦合、最近邻耦合、ER随机和NW小世界网络这4种典型的复杂网络模型作为种群结构研究的基础,设计对比实验考察静、动态种群拓扑结构对算法性能和种群多样性的影响,并归纳出种群拓扑结构特征与算法性能的关系,为构建适合于混合作用力微粒群算法的有向动态种群拓扑结构奠定基础。进而,以生物群体中个体的行为机制为切入点,将生物个体趋利避害的行为选择机制融入混合作用力微粒群算法,赋予每个微粒主观能动性,从适应值择优的角度出发,研究了一种的以适应值驱动种群结构变化的有向动态拓扑结构,采用结构演化和混合作用力微粒群算法进化同步进行并相互促进的方式,提出动态拓扑混合作用力微粒群算法。继而通过对比实验探讨算法的结构参数设置并测试所提算法的优化性能。最后,针对生产实际中的液压系统可靠性优化和阀块加工车间调度优化两种复杂的连续和离散优化问题建立模型,并采用所提动态拓扑混合作用力微粒群算法对二者分别进行优化求解,优化结果表明,改进算法达到了节约成本和提高效率的目的,同时验证了所提算法较强的适用性。(本文来源于《燕山大学》期刊2015-05-01）
张媛[8]（2015）在《桥式起重机箱形主梁混合微粒群优化方法研究》一文中研究指出桥式起重机作为国民经济发展建设中的一种大型起重搬运设备，已经基本形成了通用化和系列化的格局。在2015年度国家科技支撑计划项目中，桥式起重机械轻量化设计关键技术研究与应用被列为制造业中的首要任务，由此看来，探究一种实用、有效的优化设计方法用于桥式起重机关键部件的轻量化设计显得尤为重要。桥式起重机主梁优化属于高维、多约束、离散变量的复杂优化问题，传统的优化设计方法解决该问题存在计算效率低、容易陷入局部最优解等局限性，鉴于此，本文提出一种混合微粒群优化算法用于桥式起重机主梁优化设计，主要研究内容如下：（1）分析起重机主梁结构优化的特点，给出桥式起重机箱形主梁的优化设计流程。（2）以桥式起重机箱形主梁截面面积为目标函数，主梁截面参数中的5个尺寸为设计变量，以主梁力学性能、制造工艺、边界尺寸等方面要求为约束条件，建立主梁优化的数学模型。（3）通过分析微粒群优化算法（Particle Swarm Optimization，PSO）和模拟退火算法(SimulatedAnnealing，SA)的优缺点，将SA中的Metropolis准则引入到非线性递减惯性权重（LWPSO）算法中，提出SA-LWPSO混合优化算法，由于桥式起重机主梁属于有约束的优化问题，本文将罚函数与上述混合微粒群算法相结合，形成结合罚函数的混合微粒群优化算法。（4）分别应用标准测试函数和起重机主梁优化实验案例对本文混合算法进行仿真实验，并与已发表文献做出对比，本文算法在收敛性能、优化结果、得到全局最优解的稳定性叁方面均有优势。（5）以某公司32t双梁桥式起重机箱形主梁为研究对象，以Matlab为编程语言，分别应用基本PSO算法和本文混合算法实现桥式起重机主梁优化设计。优化结果表明在满足主梁所有性能要求的前提下，基本PSO算法比优化前工程实例中主梁截面面积减少了13.5%，本文混合算法减少了20.3%，最后应用ANSYS软件分别对主梁优化前后的模型进行有限元分析，验证了本文算法优化结果的可行性。(本文来源于《中北大学》期刊2015-04-10）
万婧[9]（2015）在《基于离散微粒群算法和混合差分进化算法的复杂生产调度问题求解》一文中研究指出车间生产调度问题一直是学术界和工业界广泛关注的热点问题,随着近期的发展,由于其NP-hard性、种群规模巨大、约束性强等特性,求解过程的限制问题也越来越突出。而针对此问题的相关智能调度算法研究也逐渐引起两界重视。离散微粒群算法(Discrete Particle Swarm Optimization, DPSO)和差分进化算法(Differential Evolution, DE)都是应用颇多且效果很好的智能算法,目前已备受学者们的青睐,并成功运用于多个生产研究系统。本论文针对两类重要的流水线车间调度问题,采用基于不同改进方案的两种算法进行了研究,其中包括基于混合差分进化算法的求解研究和基于混合离散微粒群算法的求解研究。论文的主要工作归纳如下：(1)针对可重入流水线调度问题,通过分析问题的求解过程,开发了一种基于交换邻域搜索的局部搜索机制,将其与离散微粒群算法的全局搜索策略有机结合,并通过仿真实验加以证明,得到结果比较验证了所提算法的优越性。(2)针对重入次数可变的流水线调度问题,根据问题模型特点,将重入次数设为可变,增加问题难度,利用差分进化算法的全局搜索机制,结合前端省略搜索机制,提出了一种高效混合差分进化算法,仿真实验和结果比较验证了所提算法的有效性和稳定性。针对广泛存在于流程工业的可重入流水线调度问题,目前尚无基于差分进化算法和离散微粒群算法的相关研究,因此,本论文将已有差分进化算法和自已独立设计的局部搜索融合在一起,同时也将已有离散微粒群算法进行改进,其研究具有重要学术价值和工程实用价值,具有一定创新性。(本文来源于《昆明理工大学》期刊2015-04-01）
历莉[10]（2015）在《基于混合离散微粒群算法求解复杂并行机生产调度问题》一文中研究指出近年来,作为研究热点的非传统生产调度的相关问题,如复杂并行机生产调度问题等,受到了研究学者的广泛关注。离散微粒群(Discrete Partial Swarm Optimization Algorithm, DPSO)作为一种简单有效的人工智能算法,已受到机械加工和钢铁冶炼等多个工业领域得到了成功应用,对于并行机生产调度问题的DPSO已经成为国际上前沿研究课题。因此,本论文对两类重要并行机生产调度问题进行基于DPSO的求解算法研究。论文的主要工作归纳如下：(1)针对最大完成时间(makespan)指标下的带多工序和加工约束并行机调度问题,通过分析问题的结构特性,重新设计了一种微粒的位置更新公式,进而与DPSO的全局搜索有机结合,得到IDPSO,通过随机生成测试数据进行仿真实验并与其他算法进行比较验证IDPSO的有效性。(2)针对makespan指标下的带到达时间、多工序、加工约束和序相关设置时间的复杂并行机生产调度问题,将(1)中的微粒位置更新方法应用到该问题中,并加入首次改进跳出策略和基于Interchange和Insert的局部搜索方法,进而结合IDPSO的全局搜索机制,提出HDPSO,通过比较仿真实验结果,验证了HDPSO相对于其他算法的高效性和有效性(3)针对makespan指标下的(2)中的复杂并行机生产调度问题,分析DPSO中惯性权重、学习因子对算法的影响,提出一种自适应微粒群算法,进而与(2)中提出的HDPSO有机的融合,从而得到一种AHDPSO,仿真实验验证了AHDPSO加入自适应的必要性和有效性。由文献调研可知,特别是基于DPSO算法求解复杂并行机生产调度问题的研究十分有限,有些较为复杂的问题甚至处于空白状态。本文针对上述调度问题的数学模型将已有的DPSO算法进行改进,因此针对上述的复杂并行机生产调度的研究具有实际的工程价值和学术价值。(本文来源于《昆明理工大学》期刊2015-04-01）
混合微粒群论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在智能计算方面,微粒群算法有着搜索速度快、算法实现简单、参数设置少等优点而得到了广泛的应用。但遇到大规模问题时会遇到容易陷入局部最优、计算耗时、结果精度不高的情况。因此本文提出以分布式计算方法为基础的混合维度微粒群算法MDPSO(Mixed Dimension Particle Swarm Optimization),该算法采用分布式计算方式实现任务并行,通过混合维度的方法进行种群间的信息交流。最后通过对5个测试函数和岛屿模型PSO算法进行实验对比,结果证明所提出的算法能够更好的跳出局部最优而得到更为准确的结果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
混合微粒群论文参考文献
[1].陈东宁,彭晓静,姚成玉,张晓磊,杨晓荣.基于改进混合作用力微粒群算法的液压阀块加工车间调度优化[J].液压与气动.2019
[2].桑渊博,曾建潮.面向分布式计算的混合维度微粒群算法[J].太原科技大学学报.2019
[3].姚成玉,赵哲谕,陈东宁,檀雪云,吕世君.有向动态拓扑混合作用力微粒群优化算法及可靠性应用[J].机械工程学报.2017
[4].张文林,夏桂梅.一种结合微粒群算法的混合MIMIC算法[J].太原科技大学学报.2015
[5].张欣.混合微粒群算法在车载自组网基站分布中的研究[D].东北大学.2015
[6].茜彦辉.应用两阶段作用力微粒群算法求解混合流水车间调度问题[D].燕山大学.2015
[7].赵哲谕.动态拓扑混合作用力微粒群算法及应用[D].燕山大学.2015
[8].张媛.桥式起重机箱形主梁混合微粒群优化方法研究[D].中北大学.2015
[9].万婧.基于离散微粒群算法和混合差分进化算法的复杂生产调度问题求解[D].昆明理工大学.2015
[10].历莉.基于混合离散微粒群算法求解复杂并行机生产调度问题[D].昆明理工大学.2015