液中放电沉积技术研究进展

液中放电沉积是一种新型的表面改性技术,起源于电火花加工技术,可在金属表面制备出具有高硬度、高耐磨性以及高结合力等优良性能的沉积层。此外,该技术不污染环境,有望替代部分常用但具有污染性的表面改性技术。液中放电沉积技术的核心内容为沉积层形成机制、工具电极材料以及介电流体成分。简单介绍了液中放电沉积技术的特点,重点阐述了沉积层的形成机制以及缺陷优化工艺,并从工具电极材料、介电流体成分和实际生产应用三个方面总结了液中放电沉积技术的国内外研究进展,展望了该技术的发展方向。     

求解非凸函数优化问题的修正广义拟牛顿算法

对无约束最优化问题,提出了一种修正的广义拟牛顿算法,证明了该算法对非凸函数在Goldstein非精确线搜索下具有全局收敛性．     

过热器机理模型的遗传算法参数优化方法研究

针对过热器模型各参数存在的强耦合性,提出了基于遗传算法的机理模型参数优化方法。建立过热器数学模型,确定优化参数,应用遗传算法进行优化,直到模型精度达到要求。仿真研究表明,运用该方法建立的过热器模型达到预定精度要求;优化过程自动进行,缩短了建模和优化时间。这种方法具有通用性,简单易行,为火电厂仿真机数学建模和参数优化提供一种新的思路和方法。     

新型驱动器散热器散热性能仿真与优化

研究了新型驱动器散热器的散热性能,给出了基于微单元时变热交换系数的散热器三维流场及温度场数值求解方法,对散热器三维温度场进行了分析及计算.对比实验结果与数值计算结果表明:采用本方法求解散热器散热性能较热边界平均换热系数法具有更高的精度.以此为基础,通过对散热器的结构优化,可显著改善散热器的散热性能.     

基于仿真模型的鲁棒协同优化方法研究

复杂产品往往由多个子系统通过复杂的耦合方式组成.针对复杂产品的多学科鲁棒设计优化技术已得到广泛应用.为了使用仿真模型进行多学科鲁棒设计优化,提出了SUA-RCO和DRS-RCO两种方法.在SUA-RCO方法中,仿真模型首先被拟合为近似的数学模型,然后利用近似数学模型进行RCO计算.系统的不确定性由SUA方法进行计算.为了解决大参数方差问题,DRS-RCO方法将仿真模型近似拟合为双响应面形式,分别使用两个响应面来拟合均值和方差.然后,进行协同优化计算.     

面向多目标的自适应动态概率粒子群优化算法

将基于动态概率搜索的粒子群优化(Particle swarm optimization,PSO)算法应用于多目标作业车间调度问题(Flexibleiob shop scheduling problem,FJSP),提出一种新算法.算法在搜索初期利用粒子近邻的平均最优代替传统的单个最优引导搜索,后期用Gaussian动态概率搜索来提高算法的局部开挖能力.然后,引入Pareto优的概念,采用精英集来存放非劣解,提出一种新的适应度值分配方法.此外,在算法中还引入了一种自适应的变异算子来增强解的多样性.最后,用新算法对多组FJSP实例进行测试,并与其他几种方法进行比较,结果表明提出的算法具有较好的搜索性能,是求解多目标FJSP的一种可行方法.     

基于改进粒子群算法的系统辨识新方法

提出了一种利用改进的粒子群优化算法对系统进行辩识的方法.该方法是将典型的数学模型的相互组合而构成系统模型的新辨识方法,即首先将系统结构辨识问题转化为组合优化问题,然后采用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步增强粒子群优化算法的辨识性能,提出了利用一种改进的粒子群优化算法.最后,给出了仿真示例,结果验证了所给的系统辨识方法的合理性和有效性.     

嵌入隔离小生境技术的混沌粒子群算法

针对标准粒子群算法(standard particle swarm optimization,SPSO)无法很好平衡全局与局部搜索能力,且收敛速度较慢、易于早熟收敛等问题,提出了嵌入隔离小生境技术的混沌粒子群算法(isolation niches em-bedded in chaos particle swarm optimization,INCPSO)。利用隔离小生境技术,保证了解的多样性,同时,引入混沌搜索策略,提高了解的搜索精度和收敛速度,且避免早熟收敛。仿真试验结果表明,与标准粒子群算法和只嵌入隔离小生境技术的粒子群算法(isolation niches particle swarm optimization,INPSO)相比,嵌入隔离小生境技术的混沌粒子群算法对复杂问题的求解能力较强,寻优性能较好。     

干线运输优化的两阶段局部搜索启发式算法

干线运输的车货匹配及车辆运输路径优化对于降低大规模、多分布网点的物流企业的运输成本有重要意义.建立了干线运输的发车费用模型及总费用模型,提出应用一种基于直达网络搜索和车辆行驶路径搜索的两阶段局部搜索启发式算法进行求解.通过对企业实际数据的计算,表明该算法优化了干线运输的运输路径,减少了运输车辆数,降低了运输总费用,具有较好的应用前景.     

用于连续域优化的蚁群算法及其收敛性研究

蚁群算法作为一种新的智能计算模式,由于其离散性本质而在组合优化问题上取得巨大成功,但这也限制了它在连续问题求解中的应用.为此,提出一种用于连续域寻优的改进蚁群算法.算法的局部搜索基于解决离散问题的经典蚁群优化思想,全局搜索利用Ant Walk和Ant Diffusion技术, 且每代寻优结束后均采用"精英策略"把本代最优个体保留到下一代中.最后在理论上对其进行了收敛性分析,证明可较快地收敛到全局最优解,并用几个基准函数对算法做了仿真测试,均取得良好效果.