Multi-objective fuzzy particle swarm optimization based on elite archiving and its convergence

A fuzzy particle swarm optimization （PSO） on the basis of elite archiving is proposed for solving multi-objective optimization problems. First, a new perturbation operator is designed, and the concepts of fuzzy global best and fuzzy personal best are given on basis of the new operator. After that, particle updating equations are revised on the basis of the two new concepts to discourage the premature convergence and enlarge the potential search space; second, the elite archiving technique is used during the process of evolution, namely, the elite particles are introduced into the swarm, whereas the inferior particles are deleted. Therefore, the quality of the swarm is ensured. Finally, the convergence of this swarm is proved. The experimental results show that the nondominated solutions found by the proposed algorithm are uniformly distributed and widely spread along the Pareto front.     

Rough function model and rough membership function

Two pairs of approximation operators, which are the scale lower and upper approximations as well as the real line lower and upper approximations, are defined. Their properties and antithesis characteristics are analyzed. The rough function model is generalized based on rough set theory, and the scheme of rough function theory is made more distinct and complete. Therefore, the transformation of the real function analysis from real line to scale is achieved. A series of basic concepts in rough function model including rough numbers, rough intervals, and rough membership functions are defined in the new scheme of the rough function model. Operating properties of rough intervals similar to rough sets are obtained. The relationship of rough inclusion and rough equality of rough intervals is defined by two kinds of tools, known as the lower （upper） approximation operator in real numbers domain and rough membership functions. Their relative properties are analyzed and proved strictly, which provides necessary theoretical foundation and technical support for the further discussion of properties and practical application of the rough function model.     

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

基于支持向量机元模型的随机鲁棒设计

随机鲁棒设计是一种基于蒙特卡洛仿真的优化设计方法.通常情况下,对于复杂仿真模型的随机鲁棒设计时间开销很大.为减小随机鲁棒设计过程中的时间开销,使用参数最优的最小二乘支持向量机替代仿真模型进行随机鲁棒设计.使用标准粒子群优化算法搜索支持向量机参擞和控制器参数的寻优.通过一个基准测试问题证明了该方法的可行性.     

单机不同尺寸工件批调度问题的优化算法

研究了单机环境下不同尺寸工件的批调度问题,引入微粒群算法对制造跨度进行优化.首先给出了问题的微粒表达形式,并根据问题的离散优化特性对微粒状态的更新方法进行了改进;然后将微粒群算法和分批的启发式算法进行有效结合,改善近似解的质量.实验中对各类不同规模的算例均进行了仿真,结果表明了微粒群算法的有效性.     

像素建模——一种实体建模方法

提出了一种新的建模思想和方法,采用几何信息和直接用像素绘制外观相结合的方法去描述一个物体。这种方法初步把基于图像方法的真实感和几何方法的空间感结合起来,产生了一种物体建模方法的新思路。本文只是提出并进行初步探讨,其中的很多理论问题和关键技术还有待深入研究。     

基于粒子系统算法的矿井火灾可视化研究

利用虚拟现实技术系统对矿井火灾进行模拟,从而提高矿井火灾救灾处理及事故勘察水平是当前煤矿灾害处理的发展方向。其中最关键的技术是解决矿井火灾模拟中火灾现象可视化的问题。本文从矿井火灾现象独有的现象出发,论述了采用粒子系统建立矿井火灾虚拟现实系统中火灾现象的可视化表现的原理、算法,介绍了煤矿火灾的特点以及粒子系统算法应用于煤矿火灾虚拟现实时的特殊处理方法。据此编制了基于粒子系统算法的矿井火灾可视化程序。     

水汽在细微颗粒表面异质核化数值分析

建立蒸汽在同时含有不溶物质与可溶成分的粗糙颗粒表面核化特性数值实验平台,对水汽异质核化晶核形成自由能、成核速率、成核几率、成核临界饱和度、平衡水汽饱和度进行数值分析.结果表明:可溶性盐含量对成核自由能势垒、成核临界饱和度无影响,但对晶核越过自由能势垒进一步长大过程自由能及平衡水汽饱和度影响显著.用自仿射分形理论描述粗糙颗粒表面,将表面粗糙程度与接触角联系起来,研究发现:颗粒表面粗糙度降低了成核自由能势垒,引起成核速率与成核几率迅速增大,成核临界饱和度降低,而对晶核进一步长大过程中水汽的平衡无明显影响.较高的可溶性盐含量有利于核化液滴的长大;颗粒表面越粗糙,越易于核化.     

二次高斯和均值公式

主要利用特征和估计及三角和方法,研究了二次高斯和的均值性质,并通过初等方法给出了它的次均值的两个精确的计算公式。