有向自学习混合群智能算法及在液压可靠性优化中的应用

发布时间：2020-04-05 07:44

【摘要】：液压系统作为机电液耦合复杂系统,其可靠性是主机运行的关键。结合先进优化技术对系统可靠性进行优化可以实现高可靠性、低成本等目标,但液压系统优化问题通常具有非线性和不确定性的特点,无法通过传统方法有效解决。因此,基于群智能算法的优化技术为解决此问题提供了更好的解决方法,现有的单一仿生群智能算法存在优化及应用局限的问题,为此,针对液压系统可靠性优化问题,研究以静态、动态拓扑混合标准微粒群、两阶段微粒群和蚁群算法后的混合群智能算法。首先,基于单一仿生行为的智能算法在优化过程中会出现陷入局部最优、鲁棒性差和收敛速度慢等问题,将标准微粒群算法、两阶段微粒群算法和蚁群算法协同进化,利用一种静态拓扑建立三种算法在迭代过程中的联系,提出静态拓扑混合群智能算法,基于信息迁移和知识共享搜索最优解。测试分析算法的种群多样性和寻优能力,并利用所提算法优化桥式系统可靠性,通过与其他单一仿生搜索算法的优化结果对比,验证所提算法具有更好的优化性能。然后,为充分利用稀疏拓扑和密集拓扑算法各自的优势,用一种疏密度随迭代变化而变化的有向自学习拓扑将标准微粒群算法、两阶段微粒群算法和蚁群算法相结合,提出有向自学习混合群智能算法。测试所提算法的优化性能,并分析在拓扑度量参数变化的情况下各子算法之间的连接状态。利用所提算法优化桥式系统可靠性、液压阀块加工车间调度问题,以保证在满足约束条件的情况下获得结果最好的优化目标,并通过对比表明有向自学习拓扑可以更有效地结合不同算法的优势。最后,针对液压工作系统可靠性分配和多态系统可靠性分配优化问题,在用T-S故障树和通用生成函数分别对其分析的基础上,建立具有不同优化目标的优化模型,并应用有向自学习混合群智能算法对其进行求解,通过与单一仿生搜索算法、静态拓扑混合群智能算法及文献中算法的优化结果对比,验证所提算法求解复杂优化问题的优越性。
【图文】：

过程图,分析方法,过程,群智能

第 2 章静态拓扑混合群智能算法标准 PSO 算法和 ACO 算法作为群智能算法，固然有各自的优点，但基于生行为的智能算法在优化过程中会出现陷入局部最优和收敛速度慢等不足，章利用静态拓扑将标准 PSO 算法、TPSO 算法和 ACO 算法混合，提出静态拓群智能(Static Topology Hybrid Swarm Intelligence, STHSI)算法，采用三种算法化的方式，基于信息迁移和知识共享搜索最优解。首先，介绍全局耦合、最合和 NW 小世界拓扑以及复杂网络模型特征度量的相关概念；其次，在标准法、TPSO 算法和 ACO 算法并行搜索的过程中，利用静态拓扑在三种算法之连接，提出静态拓扑混合群智能算法，并利用种群多样性函数和标准测试函提算法进行测试；最后，利用所提 STHSI 算法优化分配桥式系统可靠性，并合的三种算法对比，为实现此系统可靠性优化提供借鉴。图 2-1 概括了本章分及过程。

无向图,群智能,拓扑混合,拓扑结构

第 2 章静态拓扑混合群智能算法网络的角度描述拓扑结构，用交邻域，并表示结构中种群之间的能算法为例来解释。度量长度和平均聚类系数作为拓扑结向交流图表达拓扑结构，如图 2-合群智能算法中的不同子算法分流图中的边。图中有 6 个节点，，5一条边 L1。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH137;TP18

【相似文献】