【摘要】：液壓系統(tǒng)作為機(jī)電液耦合復(fù)雜系統(tǒng),其可靠性是主機(jī)運(yùn)行的關(guān)鍵。結(jié)合先進(jìn)優(yōu)化技術(shù)對(duì)系統(tǒng)可靠性進(jìn)行優(yōu)化可以實(shí)現(xiàn)高可靠性、低成本等目標(biāo),但液壓系統(tǒng)優(yōu)化問(wèn)題通常具有非線性和不確定性的特點(diǎn),無(wú)法通過(guò)傳統(tǒng)方法有效解決。因此,基于群智能算法的優(yōu)化技術(shù)為解決此問(wèn)題提供了更好的解決方法,現(xiàn)有的單一仿生群智能算法存在優(yōu)化及應(yīng)用局限的問(wèn)題,為此,針對(duì)液壓系統(tǒng)可靠性?xún)?yōu)化問(wèn)題,研究以靜態(tài)、動(dòng)態(tài)拓?fù)浠旌蠘?biāo)準(zhǔn)微粒群、兩階段微粒群和蟻群算法后的混合群智能算法。首先,基于單一仿生行為的智能算法在優(yōu)化過(guò)程中會(huì)出現(xiàn)陷入局部最優(yōu)、魯棒性差和收斂速度慢等問(wèn)題,將標(biāo)準(zhǔn)微粒群算法、兩階段微粒群算法和蟻群算法協(xié)同進(jìn)化,利用一種靜態(tài)拓?fù)浣⑷N算法在迭代過(guò)程中的聯(lián)系,提出靜態(tài)拓?fù)浠旌先褐悄芩惴?基于信息遷移和知識(shí)共享搜索最優(yōu)解。測(cè)試分析算法的種群多樣性和尋優(yōu)能力,并利用所提算法優(yōu)化橋式系統(tǒng)可靠性,通過(guò)與其他單一仿生搜索算法的優(yōu)化結(jié)果對(duì)比,驗(yàn)證所提算法具有更好的優(yōu)化性能。然后,為充分利用稀疏拓?fù)浜兔芗負(fù)渌惴ǜ髯缘膬?yōu)勢(shì),用一種疏密度隨迭代變化而變化的有向自學(xué)習(xí)拓?fù)鋵?biāo)準(zhǔn)微粒群算法、兩階段微粒群算法和蟻群算法相結(jié)合,提出有向自學(xué)習(xí)混合群智能算法。測(cè)試所提算法的優(yōu)化性能,并分析在拓?fù)涠攘繀?shù)變化的情況下各子算法之間的連接狀態(tài)。利用所提算法優(yōu)化橋式系統(tǒng)可靠性、液壓閥塊加工車(chē)間調(diào)度問(wèn)題,以保證在滿(mǎn)足約束條件的情況下獲得結(jié)果最好的優(yōu)化目標(biāo),并通過(guò)對(duì)比表明有向自學(xué)習(xí)拓?fù)淇梢愿行У亟Y(jié)合不同算法的優(yōu)勢(shì)。最后,針對(duì)液壓工作系統(tǒng)可靠性分配和多態(tài)系統(tǒng)可靠性分配優(yōu)化問(wèn)題,在用T-S故障樹(shù)和通用生成函數(shù)分別對(duì)其分析的基礎(chǔ)上,建立具有不同優(yōu)化目標(biāo)的優(yōu)化模型,并應(yīng)用有向自學(xué)習(xí)混合群智能算法對(duì)其進(jìn)行求解,通過(guò)與單一仿生搜索算法、靜態(tài)拓?fù)浠旌先褐悄芩惴拔墨I(xiàn)中算法的優(yōu)化結(jié)果對(duì)比,驗(yàn)證所提算法求解復(fù)雜優(yōu)化問(wèn)題的優(yōu)越性。
【圖文】：

第 2 章 靜態(tài)拓?fù)浠旌先褐悄芩惴?biāo)準(zhǔn) PSO 算法和 ACO 算法作為群智能算法，固然有各自的優(yōu)點(diǎn)，但基于生行為的智能算法在優(yōu)化過(guò)程中會(huì)出現(xiàn)陷入局部最優(yōu)和收斂速度慢等不足，章利用靜態(tài)拓?fù)鋵?biāo)準(zhǔn) PSO 算法、TPSO 算法和 ACO 算法混合，提出靜態(tài)拓群智能(Static Topology Hybrid Swarm Intelligence, STHSI)算法，采用三種算法化的方式，基于信息遷移和知識(shí)共享搜索最優(yōu)解。首先，介紹全局耦合、最合和 NW 小世界拓?fù)湟约皬?fù)雜網(wǎng)絡(luò)模型特征度量的相關(guān)概念；其次，在標(biāo)準(zhǔn)法、TPSO 算法和 ACO 算法并行搜索的過(guò)程中，利用靜態(tài)拓?fù)湓谌N算法之連接，提出靜態(tài)拓?fù)浠旌先褐悄芩惴�，并利用種群多樣性函數(shù)和標(biāo)準(zhǔn)測(cè)試函提算法進(jìn)行測(cè)試；最后，利用所提 STHSI 算法優(yōu)化分配橋式系統(tǒng)可靠性，并合的三種算法對(duì)比，為實(shí)現(xiàn)此系統(tǒng)可靠性?xún)?yōu)化提供借鑒。圖 2-1 概括了本章分及過(guò)程。

第 2 章 靜態(tài)拓?fù)浠旌先褐悄芩惴ňW(wǎng)絡(luò)的角度描述拓?fù)浣Y(jié)構(gòu)，用交鄰域，并表示結(jié)構(gòu)中種群之間的能算法為例來(lái)解釋。度量長(zhǎng)度和平均聚類(lèi)系數(shù)作為拓?fù)浣Y(jié)向交流圖表達(dá)拓?fù)浣Y(jié)構(gòu)，如圖 2-合群智能算法中的不同子算法分流圖中的邊。圖中有 6 個(gè)節(jié)點(diǎn)，，5一條邊 L1。
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TH137;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李波;;多群智能算法的云計(jì)算任務(wù)調(diào)度的對(duì)策研究[J];信息系統(tǒng)工程;2016年12期

2 董學(xué)超;;從雞群算法看群體智能算法的發(fā)展趨勢(shì)[J];數(shù)碼世界;2017年05期

3 朱丹丹;;群智能建筑控制平臺(tái)技術(shù)[J];建筑節(jié)能;2018年11期

4 鄧潔明，韋翠細(xì)，盧遠(yuǎn)征;廣西壯族、毛難族集居區(qū)人群智能低下情況調(diào)查[J];中國(guó)優(yōu)生與遺傳雜志;1994年05期

5 韓九強(qiáng);沈建坤;魏全瑞;趙瑋;;塔機(jī)群智能防碰撞系統(tǒng)及其應(yīng)用[J];建筑機(jī)械;2008年11期

6 段曉東;劉霞;馬艷準(zhǔn);閆帥;;基于群智能的信息認(rèn)知機(jī)制研究[J];大連民族學(xué)院學(xué)報(bào);2011年05期

7 Michael J. Mauboussin;;哥倫比亞大學(xué)商學(xué)院 管理層缺乏“群智能”觀念[J];董事會(huì);2009年12期

8 侯恩哲;;群智能建筑節(jié)能專(zhuān)業(yè)委員會(huì)成立大會(huì)在京舉辦[J];建筑節(jié)能;2018年12期

9 趙天怡;華鵬敏;張吉禮;姜子炎;江岸;汪浩;湯威;;群智能建筑基本單元信息模型標(biāo)準(zhǔn)[J];智能建筑;2019年05期

10 羅瓊;;群智能算法高性能計(jì)算平臺(tái)探究[J];電腦編程技巧與維護(hù);2012年24期

相關(guān)會(huì)議論文 前10條

1 李?lèi)?ài)梅;尤慶華;;基于蟻群智能的物流配送系統(tǒng)車(chē)輛線路優(yōu)化算法[A];上海海事大學(xué)“上海石化杯”優(yōu)秀論文集[C];2005年

2 李麗娟;覃廣;;基于群智能的群搜索優(yōu)化算法及其應(yīng)用[A];中國(guó)力學(xué)學(xué)會(huì)學(xué)術(shù)大會(huì)'2009論文摘要集[C];2009年

3 劉玉超;王先義;劉毅敏;吳永宏;;基于群智能算法的頻率分配問(wèn)題[A];中國(guó)通信學(xué)會(huì)第六屆學(xué)術(shù)年會(huì)論文集（下）[C];2009年

4 陳家照;羅寅生;;群智能優(yōu)化算法研究[A];第三屆中國(guó)智能計(jì)算大會(huì)論文集[C];2009年

5 高海華;王行愚;楊輝華;;基于群智能和SVM的網(wǎng)絡(luò)入侵特征選擇和檢測(cè)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

6 劉雙;梁苗;胡祥云;;群智能與位場(chǎng)反演[A];“地球物理信息技術(shù)與人工智能應(yīng)用” 研究論壇論文摘要集[C];2017年

7 徐小通;李麗娟;劉鋒;;桁架結(jié)構(gòu)優(yōu)化設(shè)計(jì)的群智能算法[A];慶祝劉錫良教授八十華誕暨第八屆全國(guó)現(xiàn)代結(jié)構(gòu)工程學(xué)術(shù)研討會(huì)論文集[C];2008年

8 劉雙;胡祥云;習(xí)宇飛;蔡建超;張恒磊;李建慧;韋偉;;位場(chǎng)數(shù)據(jù)群智能隨機(jī)反演（英文）[A];2015中國(guó)地球科學(xué)聯(lián)合學(xué)術(shù)年會(huì)論文集（二十八）——專(zhuān)題64應(yīng)用地球物理學(xué)前沿、專(zhuān)題65地球生物學(xué)[C];2015年

9 李麗娟;徐小通;劉鋒;;基于群智能的群搜索算法及其在離散變量設(shè)計(jì)中的應(yīng)用[A];鋼結(jié)構(gòu)工程研究（七）——中國(guó)鋼結(jié)構(gòu)協(xié)會(huì)結(jié)構(gòu)穩(wěn)定與疲勞分會(huì)2008年學(xué)術(shù)交流會(huì)論文集[C];2008年

10 李嵐;;群智能與演化計(jì)算對(duì)比研究[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展——全國(guó)第17屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2006年

相關(guān)重要報(bào)紙文章 前5條

1 記者 付毅飛;首個(gè)無(wú)人集群智能單元發(fā)布[N];科技日?qǐng)?bào);2019年

2 本報(bào)記者 余建斌;當(dāng)無(wú)人機(jī)有了“集群智能”[N];人民日?qǐng)?bào);2017年

3 陳捷;“蟻群智能”與組織效力[N];中華工商時(shí)報(bào);2002年

4 楊海芳 張東岳;贛州城區(qū)一批新能源汽車(chē)群智能快充站建成[N];贛南日?qǐng)?bào);2019年

5 本報(bào)記者 王芬蘭;十大孵化器孵出一群智能鳥(niǎo)[N];蘇州日?qǐng)?bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 梁曉磊;基于社群特性的群智能算法研究及在物流中的應(yīng)用[D];武漢理工大學(xué);2015年

2 張國(guó)富;基于群智能的復(fù)雜聯(lián)盟機(jī)制研究[D];合肥工業(yè)大學(xué);2008年

3 趙鳴;簡(jiǎn)潔式群智能計(jì)算及應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2015年

4 王東;基于粒子群智能的遙感找礦方法研究[D];中南大學(xué);2008年

5 徐洪麗;基于混沌系統(tǒng)的群智能優(yōu)化算法研究[D];中國(guó)礦業(yè)大學(xué)（北京）;2014年

6 尹新;群智能算法與電力負(fù)荷預(yù)測(cè)研究[D];湖南大學(xué);2011年

7 王培崇;基于群智能計(jì)算技術(shù)的網(wǎng)絡(luò)入侵檢測(cè)算法研究[D];中國(guó)礦業(yè)大學(xué)（北京）;2010年

8 湯可宗;遺傳算法與粒子群優(yōu)化算法的改進(jìn)及應(yīng)用研究[D];南京理工大學(xué);2011年

9 趙東;基于群智能優(yōu)化的機(jī)器學(xué)習(xí)方法研究及應(yīng)用[D];吉林大學(xué);2017年

10 匡芳君;群智能混合優(yōu)化算法及其應(yīng)用研究[D];南京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 彭曉靜;有向自學(xué)習(xí)混合群智能算法及在液壓可靠性?xún)?yōu)化中的應(yīng)用[D];燕山大學(xué);2019年

2 鄭成斌;基于群智能的列車(chē)多目標(biāo)問(wèn)題優(yōu)化及仿真[D];福州大學(xué);2018年

3 羅杰;改進(jìn)群智能優(yōu)化算法研究及應(yīng)用[D];溫州大學(xué);2019年

4 韓文成;基于GPU的群智能算法研究與實(shí)現(xiàn)[D];西安理工大學(xué);2019年

5 梅恒榮;基于群智能算法優(yōu)化的支持向量機(jī)模擬電路故障診斷[D];合肥工業(yè)大學(xué);2018年

6 姚陶;群智能算法在短期電力負(fù)荷預(yù)測(cè)中的研究及應(yīng)用[D];華北電力大學(xué);2017年

7 陳陽(yáng);基于多維可測(cè)量空間的群智能拓展研究[D];江西理工大學(xué);2018年

8 劉文皓;基于群智能的攜帶機(jī)械臂移動(dòng)機(jī)器人集群的管理方法研究[D];天津大學(xué);2017年

9 呂智慧;仿推特群智能優(yōu)化算法研究[D];南京大學(xué);2018年

10 謝玉婷;基于群智能的K-medoids聚類(lèi)優(yōu)化算法研究[D];長(zhǎng)沙理工大學(xué);2015年

本文編號(hào)：2614744