刚性四连杆门座起重机变幅系统优化设计研究

发布时间：2017-09-21 14:13

  本文关键词：刚性四连杆门座起重机变幅系统优化设计研究

  更多相关文章： 四连杆门座起重机变幅系统 优化 遗传算法 粒子群算法 Visual C++

【摘要】：设计人员总是力图使自己的设计产品在满足性能要求的前提下，结构最紧凑、用料最省、成本最低，即达到技术经济指标最优的结果。因此，机械优化设计越来越多地应用于机械产品的设计中。四连杆门座起重机是港口码头数量和使用较多、结构复杂、机构最多的装卸机械。其变幅系统的设计变量较多，受力较复杂，约束条件多。因此，变幅系统的优化研究具有相当的难度，至今仍没有解决好这一技术难题。本文对门座起重机变幅系统设计的优化设计方法展开研究，具有理论意义和工程应用价值。 论文在分析优化算法的分类及其应用范围，对变幅系统研究现状和优化设计模型特点展开分析的基础上，得出现代优化算法比传统优化算法更适合求解变幅系统模型的结论。论文对利用现代优化算法中的遗传算法和粒子群算法求解模型展开研究。 论文建立了臂架系统优化模型和平衡重系统优化模型，并使用Visual C++编写算法运算程序。针对标准遗传算法和标准粒子群算法固有的易陷入局部最优解和接近最优解时在最优解附近左右摆动导致收敛较慢的问题，，分别采用改进方法求解。遗传算法在迭代后期增大变异概率，减少交叉概率加强算法的局部搜索能力，这种改进策略增加了算法的求解精度。采用分层遗传算法求解，减少优化变量可能取值的改进策略，减少了算法陷入局部解的概率。动态惯性权重粒子群算法根据全局最优个体是否更新改变惯性权重的大小，合理的改变了算法的全局搜索能力和局部搜索能力，算法不仅求得最优解的概率增大，运算速度也加快。从优化结果来看，两种算法均较为圆满的解决了变幅系统优化问题。 论文开发了变幅系统优化设计软件，为设计人员提供了简洁友好的用户界面。
【关键词】：四连杆门座起重机变幅系统 优化 遗传算法 粒子群算法 Visual C++
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH213.4
【目录】：

• 摘要3-4
• Abstract4-8
• 第1章 绪论8-18
• 1.1 研究目的及意义8-9
• 1.2 优化算法的国内外研究现状9-15
• 1.2.1 优化算法的发展概况9-10
• 1.2.2 优化算法的分类及其特点10-15
• 1.3 四连杆门座起重机变幅系统优化研究现状分析15-17
• 1.4 论文的研究内容17-18
• 第2章 四连杆门座起重机变幅系统优化模型18-35
• 2.1 臂架系统优化模型18-28
• 2.1.1 选择优化变量19
• 2.1.2 确定优化目标19-25
• 2.1.3 模型的约束条件25-28
• 2.2 平衡重系统优化模型28-35
• 2.2.1 选择优化变量28-29
• 2.2.2 确定优化目标29-34
• 2.2.3 模型的约束条件34-35
• 第3章 四连杆门座起重机变幅系统优化设计35-65
• 3.1 遗传算法35-39
• 3.1.1 遗传算法的原理35-36
• 3.1.2 遗传算法的步骤36-37
• 3.1.3 遗传算法的性能改进研究37-39
• 3.2 基于遗传算法的四连杆门座起重机变幅系统优化设计39-52
• 3.2.1 臂架系统优化设计39-49
• 3.2.2 平衡重系统优化设计49-52
• 3.3 粒子群算法52-55
• 3.3.1 标准粒子群算法52-53
• 3.3.2 粒子群算法的参数设置53-54
• 3.3.3 粒子群算法的性能改进研究54-55
• 3.4 基于粒子群算法的四连杆门座起重机变幅系统优化设计55-63
• 3.4.1 臂架系统优化设计55-61
• 3.4.2 平衡重系统优化设计61-63
• 3.5 算法对比分析63-65
• 第4章 四连杆门座起重机变幅系统设计用户界面设计65-71
• 4.1 初始参数模块66
• 4.2 臂架系统优化模块66-68
• 4.3 平衡重系统优化模块68-71
• 第5章 总结与展望71-73
• 5.1 全文总结71-72
• 5.2 研究展望72-73
• 参考文献73-77
• 致谢77

【参考文献】

中国期刊全文数据库 前10条

1 陈小平,于盛林;实数遗传算法交叉策略的改进[J];电子学报;2003年01期

2 杨贵;李仁旺;颜忠仔;张鹏举;;模糊数学在阀门故障诊断中的应用[J];阀门;2007年05期

3 Tuong Quan Vo;Hyoung Seok Kim;Byung Ryong Lee;;Propulsive Velocity Optimization of 3-Joint Fish Robot Using Genetic-Hill Climbing Algorithm[J];Journal of Bionic Engineering;2009年04期

4 董立立;赵益萍;梁林泉;朱煜;段广洪;;机械优化设计理论方法研究综述[J];机床与液压;2010年15期

5 杨永刚;赵杰;刘玉斌;朱延河;;6-PRRS并联机器人正运动学求解[J];吉林大学学报(工学版);2008年03期

6 罗志凡,荣见华,杜海珍;基于遗传算法和梯度算法的一种结构优化混合方法[J];计算机工程与应用;2003年08期

7 彭亚敏;;模糊逻辑在汽车故障诊断技术中的应用[J];计算机与数字工程;2006年07期

8 许琦,李永生,戴学成;梯度法与BP神经网络的结合在机械优化设计中的应用[J];机械设计与制造工程;2002年02期

9 马昕;宋锐;郭睿;李贻斌;;基于免疫自适应遗传算法的机器人栅格地图融合[J];控制理论与应用;2009年09期

10 王华秋,曹长修;基于模拟退火的并行粒子群优化研究[J];控制与决策;2005年05期

中国博士学位论文全文数据库 前1条

1 高芳;智能粒子群优化算法研究[D];哈尔滨工业大学;2008年

本文编号：895013