基于微粒群算法的叶片曲面形状误差评定

以涡轮机叶片型面的形状误差评定为例,利用NURBS曲线插值构造出截面设计曲线,提出一种四控制点法构造与测量点最近的NURBS截面设计曲线,建立了计算曲面形状误差的数学模型,并应用微粒群算法计算测量点到曲面的最短距离,实现了曲面形状误差的评定。通过与传统的BFGS和DFP优化方法的计算结果进行比较,表明该方法能快速准确地计算叶片曲面的形状误差。     

自由曲线轮廓度误差评定及其可视化

针对曲线轮廓度误差评定存在的问题,提出对设计点插值反算出轮廓的三次非均匀有理B样条(NURBS)理想曲线的方法,建立自由曲线轮廓度误差计算的数学模型.应用微粒群优化算法(Particle SwarmOptimization,PSO)计算测量点到理想曲线的最短距离,准确评定曲线轮廓度的误差.采用Matlab软件实现自由曲线轮廓度误差评定的可视化,使得被测量的几何特征更加直观.实验结果表明,所用方法计算速度快、所得结果精度高.     

基于遗传算法的复杂平面曲线轮廓度误差评定

针对不规则曲线轮廓度误差评定中存在的问题,提出了一种基于非均匀有理B样条(NURBS)插值与遗传算法相结合的复杂曲线轮廓度评定方法,对离散数据点表示的理论轮廓进行3次NURBS插值反算控制点,建立了理论轮廓曲线的数学模型;采用实数编码的遗传算法求解测量点与理论轮廓曲线位置偏差,消除了由于位置偏差引起的轮廓度评定的不精确问题;阐述了测量点到理论轮廓最短距离的求解算法和步骤。实验结果表明该方法能够快速获得较好的误差评定结果。     

结合分割逼近和粒子群法的燃气轮机叶片轮廓度误差计算

阐述了燃气轮机叶片复杂曲面轮廓度误差计算的关键问题,采用非均匀有理B样条曲面描述了燃气轮机叶片,定义了燃气轮机叶片复杂曲面轮廓度误差并建立了相应的数学模型.采用分割逼近法计算测点到曲面的最小距离,以提高数据处理速度;结合粒子群和分割逼近法,通过六维坐标变换迭代,使叶片的理论模型计算与实际轮廓测试达到最佳匹配,最终获得燃气轮机叶片轮廓度误差.结合分割逼近和粒子群法来计算燃气轮机叶片轮廓度误差,理论上可以收敛于全局最优解,符合最小区域法的评定标准.该算法易于计算机实现,非常适用于三坐标测量仪.     

平面曲线轮廓度误差评定的算法分析

为准确测定平面曲线轮廓度误差，本文提出一种平面曲线轮廓度误差评定的数学模型及其计算方法。文中首先通过对测量曲线特征点的平移和旋转完成粗调，进而通过坐标轮换法按最小条件原则实现平面曲线的最佳匹配以消除测量时的定位误差；针对测量的关键问题——点到曲线的最短距离，文中提出了一种新颖的法矢定界法，不必事先对复杂曲线进行单调处理，通过矢量积运算得出测量点到曲线最短距离的所有局部解，再求出其最小值即为测量点到曲线的最短距离。计算实例验证了该算法的可行性和实用性。     

基于微粒群算法的模糊滑模控制

针对一类非线性控制系统,提出一种新的基于微粒群算法的模糊滑模控制方法。将模糊控制和滑模控制相结合,利用滑模控制使系统的跟踪误差进入给定的边界层内,启用模糊控制取代切换控制;同时为保证模糊滑模控制系统的全局稳定性,加入监督控制以柔化控制输入;最后基于微粒群算法对滑模面系数和不均匀隶属度函数因子寻优,不仅加快了系统到达滑模面的速度,减小了误差,而且有效地消除了高频抖振。仿真结果表明了该方法的有效性。     

异步随机微粒群算法

在研究微粒群算法生物特征的基础上,提出了一种异步随机微粒群算法——ASPSO．该方法是在微粒的进化过程中,采用异步模式使全局最好位置信息以异步方式在种群中传播。从理论上证明了ASPSO与同步模式微粒群算法SPSO相比较具有更快的局部收敛速度,并对四个经典测试函数进行了仿真测试,测试结果表明：与SPSO相比,ASPSO算法具有更快的收敛速度。     

基于聚类分析的改进微粒群算法

聚类分析是依据样本间关联的量度标准将其自动分成几个群组,使同一群组内的样本相似,而属于不同群组的样本相异的一种方法．在微粒群算法中由数量不等的粒子根据规则组合成不同的群体,所有的群体最终将会向着一个全局最优的位置运动．本文将通过改进微粒群算法的局部更新规则来改善算法的性能,根据由聚类半径确定初始聚类中心的方法将粒子群进行分类,然后运用该方法对所有粒子进行分类,初始化得到不同的粒子群体,最后对整个粒子群体进行优化得到全局最优解．     

微粒群算法研究进展

微粒群算法是一种新型的进化计算技术．本文首先介绍了微粒群算法的基本原理、流程和相关参数，并分析了关键因子对算法搜索性能的影响，然后结合目前国内外算法的研究现状对几种改进算法和微粒群算法的应用进行综述，最后提出微粒群算法存在的问题和将来有待研究的内容。     

复杂函数优化中的一种扩展微粒群算法

为了提高标准微粒群算法处理复杂函数时的优化性能,引入了一种扩展形式的新微粒群算法。该算法充分利用了微粒群算法中两个量的优点：群体最优位置利于引导个体快速进化、个体最优位置的中心利于增强群体的多样性。新算法是标准微粒群算法的扩展形式,同时保持了迭代公式的简洁形式。通过复杂函数优化的数值模拟表明,扩展的微粒群算法较标准微粒群算法在寻优能力上有明显的提高。     

基于改进微粒群算法的飞机纵向飞行轨迹优化

为提高飞机纵向飞行轨迹优化的精度和收敛速度,提出了用改进的微粒群算法对飞机纵向飞行轨迹进行优化的新方法。基于质点动力学和能量状态方程,建立了飞机质点运动数学模型;利用庞特里亚金最小值原理,给出了飞机纵向飞行过程优化的目标方程;引入自适应惯性因子,采用罚函数法对轨迹寻优问题进行无约束化处理,基于改进的微粒群算法对纵向飞行轨迹进行了优化,并给出了算法优化流程。使用改进的微粒群算法,得到了Boeing 737-800飞机纵向飞行最优轨迹。优化结果与试验结果的比较表明,该算法可使纵向飞行轨迹快速收敛于最优解,算法具有收敛速度快、精度高的优点。     

基于量子粒子群算法的无人水面艇路径规划

为了获得无人水面艇航行的最优路径,提高航行的安全性和航行路径的平滑度,提出一种基于量子粒子群优化的无人水面艇路径规划算法。首先,通过引入动态控制参数来提高该算法的寻优能力和搜索精度,并由测试函数验证其可行性;然后,在航行安全的前提下,以路径长度和路径平滑度为规划目标,在不同环境下对无人水面艇进行路径规划仿真实验。仿真结果表明,该算法在路径长度、路径平滑度及路径安全性方面表现较好,能找到全局最优路径。     

差分演化的微粒群算法

针对基本粒子群算法易陷入局部极小点、搜索精度不高等缺点,在算法改进方面引用差分演化算法的变异操作提出了差分演化的PSO算法,并用matlab仿真证明该算法的可行性。     

基于变异策略的粒子群算法

在研究粒子群算法的特点之后,将变异因子融入到粒子群算法之中,提出了一种带有变异策略的粒子群算法(MPSO).该变异因子可以提高算法对解空间的开发能力,从而降低了粒子群算法陷入局部最优的可能性.实验结果表明,经过对4个无约束问题、1个高维线性约束问题以及1个实际应用问题的测试,带有变异策略的粒子群算法可以成功地解决高维无约束问题和带有线性约束的高维问题.实验结果也表明,MPSO算法具有很强的收敛性和稳定性,是一种很有前途的优化算法.     

基于自组织邻域结构的微粒群算法

通过构建自组织邻域结构来保持群体多样性,以克服微粒群算法(PSO)易局部收敛的缺点.模拟动物群体趋利避害的行为选择机制,以微粒的适应值择优建立自组织邻域结构的连接.实验结果表明,基于自组织邻域结构的微粒群算法(SONPSO)优于微粒群算法、基于环形结构和动态环形结构的微粒群算法.     

基于改进粒子群算法的优化策略

为提高传统粒子群算法的搜索速度和搜索精度,提出了一种改进的自适应粒子群优化算法.将正则变化函数和慢变函数引入传统位置更新和速度更新公式当中,形成两种新的更新机制:搜索算子和开发算子.在算法运行的初始阶段,种群中大部分个体将按照搜索算子进行更新,搜索算子将有助于种群遍历整个解空间;随着迭代次数的增加,按照搜索算子进行更新的个体将逐渐减少,而按照开发算子进行更新的个体将逐渐增多,开发算子将有效地克服陷入局部最优解的问题.通过典型测试函数的仿真实验,新算法在加快收敛速度同时,提高了算法的全局搜索能力.