基于精英学习的APO算法及在滚切剪剪切机构的优化应用研究
发布时间：2021-10-07 14:50
优化问题存在于科学研究、工业技术等多个应用领域,现实的优化问题变得日益复杂,因此人们对高效的优化技术和新兴的优化算法的研究迫在眉睫。拟态物理学算法是一种受物理学规律启发通过模拟物体间虚拟力作用力及物体运动遵循牛顿第二定律的算法。该算法通过模拟物体间虚拟力作用力,适应值较优个体吸引适应值较差个体,适应值较差个体排斥适应值较优个体,适应值最优个体吸引其他所有个体,从而实现种群寻优。但是对于一些难优化的问题易受单一全局最优解的吸引,出现局部最优解。鉴于这一局限性,本文受机器学习理论启发,引入精英学习策略,给出基于精英学习的拟态物理学优化算法框架,让种群个体向多个精英个体进行学习以提高个体学习的多元性。针对该框架设计了不同的方案,该算法包括三个阶段,分组,组内学习,组间学习,本文分别对这三个阶段进行了设计,并且仿真实验对不同设计方案进行了对比分析,验证了该算法的可行性和有效性。随后,在该框架的基础上,结合反向学习,种群多样性等对算法作进一步的改进,分别提出了基于反向学习、种群多样性、自适应迭代概率选择的精英学习APO优化算法。经过理论分析和仿真实验分析验证,相较其他算法而言,改进的算法具有很强...
【文章来源】：太原科技大学山西省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
平均运行时间对比图
F27 F28图 3.5 动态寻优比较结果图Figure 3.5 dynamic optimization comparison result diagram3.5 本章小结本章在上一章精英学习 APO 优化算法框架基础上，结合反向学习，种群多样性以及自适应迭代概率选择等策略对算法进一步优化，通过对这三种算法各自的思想描述和算法流程的比较，实现改进算法的性能呈递进式提高。最后，比较本章的三个算法与 APOEAPO 算法动态收敛寻优图，同时仿真实验数据也体现了本章的三个改进算法具有较好的种群多样性及较强的寻优能力，为下章机构模型的求解提供参考和理论指导。
三坐标系 p x, y ，1 1 1(O x , y)，2 2 2(O x , y)均处于同一平面内，定义 M 在三坐标系的坐标分别为 x ,y , 1 1x ,y, 2 2x ,y 。2 为转角，坐标系 到坐标系、坐标系 到坐标系 和坐标系 到坐标系的坐标转换关系表达式分别为： 02 2 21 1T Txy Mxy 1 1 102 21 1T Tx y Mx y2 2 2 210 02 2 2 21 0 cos sin 00 1 0 , sin sin0 0 1 0 0 1 rM M r 1 1 10022 21 1T Tx y MMxy4.2.2 机构简图及滚切剪关键参数滚切剪运动机构简图如图 4.1 所示。
【参考文献】：
期刊论文
[1]基于竞争学习的大规模微博文本聚类[J]. 施维,王兴华,万巍,薛均,潘璀然,程显毅,董建成,王理. 江苏科技大学学报(自然科学版). 2017(06)
[2]蚁群算法及其应用综述[J]. 乔东平,裴杰,肖艳秋,周坤. 软件导刊. 2017(12)
[3]精英学习的多维动态自适应人工鱼群算法[J]. 戴月明,姚凌波,王艳. 小型微型计算机系统. 2017(12)
[4]一种基于种群多样性的粒子群优化算法设计及应用[J]. 韩红桂,卢薇,乔俊飞. 信息与控制. 2017(06)
[5]车轮踏面参数检测误差分析与GUI设计[J]. 刘乐平,邹欢,曾昭韦,何海滨,彭玲阳,胡显通. 机床与液压. 2017(20)
[6]基于强化学习方法的访存调度算法[J]. 邱东黎,施晶晶. 计算机工程与应用. 2018(02)
[7]交叉反向学习和同粒社会学习的粒子群优化算法[J]. 张新明,康强,王霞,程金凤. 计算机应用. 2017(11)
[8]基于人工神经网络的数字识别[J]. 史兴宇,邓洪敏,林宇锋,安旭骁. 计算机应用. 2017(S1)
[9]一种采用种群多样性监控和实时更新策略的粒子群优化算法[J]. 李帅龙,崔国民,陈家星,肖媛. 计算物理. 2017(03)
[10]一种混合拟态物理学优化算法[J]. 夏季,谢丽萍,孙超利. 太原科技大学学报. 2017(01)
博士论文
[1]滚切剪性能及其机构综合的研究[D]. 刘彪.大连理工大学 2017
硕士论文
[1]多规则拟态物理学优化算法[D]. 夏季.太原科技大学 2016
[2]基于粒子群优化算法的滚切剪运动规律的研究[D]. 魏彦旭.太原科技大学 2015
[3]滚切式剪切机机构优化及上刀架拓扑优化[D]. 王振宏.大连交通大学 2012
[4]基于约束保持法的矢量拟态物理学约束优化算法研究[D]. 张斐.太原科技大学 2011
本文编号：3422255
【文章来源】：太原科技大学山西省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
平均运行时间对比图
F27 F28图 3.5 动态寻优比较结果图Figure 3.5 dynamic optimization comparison result diagram3.5 本章小结本章在上一章精英学习 APO 优化算法框架基础上，结合反向学习，种群多样性以及自适应迭代概率选择等策略对算法进一步优化，通过对这三种算法各自的思想描述和算法流程的比较，实现改进算法的性能呈递进式提高。最后，比较本章的三个算法与 APOEAPO 算法动态收敛寻优图，同时仿真实验数据也体现了本章的三个改进算法具有较好的种群多样性及较强的寻优能力，为下章机构模型的求解提供参考和理论指导。
三坐标系 p x, y ，1 1 1(O x , y)，2 2 2(O x , y)均处于同一平面内，定义 M 在三坐标系的坐标分别为 x ,y , 1 1x ,y, 2 2x ,y 。2 为转角，坐标系 到坐标系、坐标系 到坐标系 和坐标系 到坐标系的坐标转换关系表达式分别为： 02 2 21 1T Txy Mxy 1 1 102 21 1T Tx y Mx y2 2 2 210 02 2 2 21 0 cos sin 00 1 0 , sin sin0 0 1 0 0 1 rM M r 1 1 10022 21 1T Tx y MMxy4.2.2 机构简图及滚切剪关键参数滚切剪运动机构简图如图 4.1 所示。
【参考文献】：
期刊论文
[1]基于竞争学习的大规模微博文本聚类[J]. 施维,王兴华,万巍,薛均,潘璀然,程显毅,董建成,王理. 江苏科技大学学报(自然科学版). 2017(06)
[2]蚁群算法及其应用综述[J]. 乔东平,裴杰,肖艳秋,周坤. 软件导刊. 2017(12)
[3]精英学习的多维动态自适应人工鱼群算法[J]. 戴月明,姚凌波,王艳. 小型微型计算机系统. 2017(12)
[4]一种基于种群多样性的粒子群优化算法设计及应用[J]. 韩红桂,卢薇,乔俊飞. 信息与控制. 2017(06)
[5]车轮踏面参数检测误差分析与GUI设计[J]. 刘乐平,邹欢,曾昭韦,何海滨,彭玲阳,胡显通. 机床与液压. 2017(20)
[6]基于强化学习方法的访存调度算法[J]. 邱东黎,施晶晶. 计算机工程与应用. 2018(02)
[7]交叉反向学习和同粒社会学习的粒子群优化算法[J]. 张新明,康强,王霞,程金凤. 计算机应用. 2017(11)
[8]基于人工神经网络的数字识别[J]. 史兴宇,邓洪敏,林宇锋,安旭骁. 计算机应用. 2017(S1)
[9]一种采用种群多样性监控和实时更新策略的粒子群优化算法[J]. 李帅龙,崔国民,陈家星,肖媛. 计算物理. 2017(03)
[10]一种混合拟态物理学优化算法[J]. 夏季,谢丽萍,孙超利. 太原科技大学学报. 2017(01)
博士论文
[1]滚切剪性能及其机构综合的研究[D]. 刘彪.大连理工大学 2017
硕士论文
[1]多规则拟态物理学优化算法[D]. 夏季.太原科技大学 2016
[2]基于粒子群优化算法的滚切剪运动规律的研究[D]. 魏彦旭.太原科技大学 2015
[3]滚切式剪切机机构优化及上刀架拓扑优化[D]. 王振宏.大连交通大学 2012
[4]基于约束保持法的矢量拟态物理学约束优化算法研究[D]. 张斐.太原科技大学 2011
本文编号：3422255
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3422255.html
