现代智能优化算法课程群智能优化算法综述 学生姓名： 学号： 班级： 2014年6月22日
摘要 工程技术与科学研究中的最优化求解问题十分普遍，在求解过程中，人们创造与发现了许多优秀实用的算法。群智能算法是一种新兴的演化计算技术，已成为越来越多研究者的关注焦点，智能优化算法具有很多优点,如操作简单、收敛速度快、全局收敛性好等。群智能优化是智能优化的一个重要分支，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。群智能优化通过模拟社会性昆虫的各种群体行为，利用群体中个体之间的信息交互和合作实现寻优。本文综述群智能优化算法的原理、主要群智能算法介绍、应用研究及其发展前景。 关键词：群智能；最优化；算法
目录 摘要 (1) 1 概述 (3) 2 定义及原理 (3) 2.1 定义 (3) 2.2 群集智能算法原理 (4) 3 主要群智能算法 (4) 3.1 蚁群算法 (4) 3.2 粒子群算法 (5) 3.3 其他算法 (6) 4 应用研究 (7) 5 发展前景 (7) 6 总结 (8) 参考文献 (9)
1 概述 优化是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存 在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。 因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究, 一些社会性动物( 如蚁群、蜂群、鸟群) 的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点: 个体的行为都很简单, 但当它们一起协同工作时, 却能够“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前, 群智能理论研究领域主要有两种算法: 蚁群算法(Ant Colony Optimization, ACO) 和粒子群优化算法(ParticleSwarm Optimization, PSO)。 2 定义及原理 2.1 定义 群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索和优化过程模拟成个体的进化或觅食过程，用搜索空间中的点模拟自然界中的个体；将求解问题的目标函数度量成个体对环境的适应能力；将个体的优胜劣汰过程或觅食过程类比为搜索和优化过程中用好的可行解取代较差可行解的迭代过程。从而，形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都是建立问题的目标函数，求目标函数的最优解，因而实际工程优化问题均可转化为函数优化问题。其表达形式如下： 求： ,,2,1,0)(..), (min , ,,2,1,),,,(21Lm j X g t s X f n L i x L x x X i T n i =≤== 。Ω∈X 其中， i X 为设计变量；)(X f 为被优化的目标函数；0)(≤X g j 为约束函数；Ω为设计变量的 可行域。
1.引言 优化设计英文名是optimization design，从多种方案中选择最佳方案的设计方法。它以数学中的最优化理论为基础，以计算机为手段，根据设计所追求的性能目标，建立目标函数，在满足给定的各种约束条件下，寻求最优的设计方案。 第二次世界大战期间，在军事上首先应用了优化技术。1967年，美国的R.L.福克斯等发表了第一篇机构最优化论文。1970年，C.S.贝特勒等用几何规划解决了液体动压轴承的优化设计问题后，优化设计在机械设计中得到应用和发展。随着数学理论和电子计算机技术的进一步发展，优化设计已逐步形成为一门新兴的独立的工程学科，并在生产实践中得到了广泛的应用。通常设计方案可以用一组参数来表示，这些参数有些已经给定，有些没有给定，需要在设计中优选，称为设计变量。如何找到一组最合适的设计变量，在允许的范围内，能使所设计的产品结构最合理、性能最好、质量最高、成本最低（即技术经济指标最佳），有市场竞争能力，同时设计的时间又不要太长，这就是优化设计所要解决的问题。一般来说，优化设计有以下几个步骤：①建立数学模型。②选择最优化算法。③程序设计。 ④制定目标要求。⑤计算机自动筛选最优设计方案等。 2.数学模型 优化设计的数学模型是对优化设计工程问题的数学描述，它包含设计变量、目标函数和设计约束三个基本要素。 2.1设计变量 2.1.1基本参数 a、定义：在设计过程中进行选择变化并最终确定的各项独立参数称为设计变量。 b、说明：在设计选择过程中，这些设计变量是变量，但它们一旦被确定后，设计对象也 就完全确定了。最优化设计是研究怎样合理地优选这些设计变量的一种现代设计 方法。在设计过程中，凡根据设计要求事先给定的，不是设计变量而是设计常量。 2.1.2设计方案的表现形式 a、设计空间：由n个设计变量为坐标所组成的时空间称作设计空间。 b、设计变量的表示法 （1）坐标表示法：一维问题→一个设计变量→数轴上的一个点 二维问题→两个设计变量→平面直角坐标系上的向量 三维问题→三个设计变量→空间直角坐标系的向量
非线性电路混沌现象的探究以及基于Multisim的仿真设计
摘要 本文从非线性电路中的混沌现象着手，详细回顾了混沌电路的实验原理、实验方法以及实验现象，并通过一元线性回归对有源非负阻的伏安特性曲线实进行了拟合。此外，本文也着重通过MultiSim软件，对实验中的混沌电路进行了仿真，仔细记录了仿真下来的各个波形。同时，也利用该软件，通过搭建电路，用示波器获得了有源非线性负阻的伏安特曲。 关键词 混沌电路有源非线性负阻MultiSim软件
一、引言 混沌是二十世纪最重要的科学发现之一，被誉为继相对论和量子力学之后的第三次物理革命，它打破了确定性与随机性之间不可逾越的分界线，将经典力学研究推进到一个崭新的时代。由于混沌信号是一种貌似随机而实际却是由确定信号系统产生的信号，使得混沌在许多领域（如保密通信，自动控制，传感技术等）得到了广泛的应用[1]。 20多年来混沌一直是举世瞩目的前沿课题和研究热点，它揭示了自然界及人类社会中普遍存在的复杂性、有序性和无序的统一，大大拓宽了人们的视野，加深了人们对客观世界的认识。目前混沌控制与同步的研究成果已被用来解决秘密通信、改善和提高激光器性能以及控制人类心律不齐等问题。 混沌(chaos)作为一个科学概念，是指一个确定性系统中出现的类似随机的过程。理论和实践都证明，即使是最简单的非线性系统也能产生十分复杂的行为特性，可以概括一大类非线性系统的演化特征。混沌现象出现在非线性电路中是极为普遍的现象，通过改变电路中的参数可以观察到倍周期分岔、阵法混乱和奇异吸引子等现象。 二、混沌电路简介 对电路系统来说，在有些二阶非线性非自治电路或三阶非线性自治电路中，出现电路的解既不是周期性的也不是拟周期的，但在状态平面上其相轨迹始终不会重复，但是有界的，而且电路对初始条件十分敏感，这便是非线性电路中的混沌现象。 根据Li-York定义，一个混沌系统应具有三种性质： （1）存在所有阶的周期轨道； （2）存在一个不可数集合，此集合只含有混沌轨道，且任意两个轨道既不趋向远离也不趋向接近，而是两种状态交替出现，同时任一轨道不趋于任一周期轨道，即此集合不存在渐近周期轨道； （3）混沌轨道具有高度的不稳定性。 可见，周期轨道与混沌运动有密切关系，表现在两个方面： 第一，在参数空间中考察定常的运动状态，系统往往要在参量变化过程中先经历一系列周期制度，然后进入混沌状态； 第二，一个混沌吸引子里面包含着无穷多条不稳定的周期轨道，一条混沌轨道中有许许多多或长或短的片段，它们十分靠近这条或那条不稳定的周期轨道。 根据文献[2][3]，混沌主要特征表现在： （1）敏感依赖于初始条件； （2）伸长与折叠； （3）具有丰富的层次和自相似结构； （4）在非线性耗散系统中存在混沌吸引子。 同时，混沌运动还具有如下特征： （1）存在可数无穷多个稳定的周期轨道； （2）存在不可数无穷多个稳定的非周期轨道； （3）至少存在一个不稳定的非周期轨道。 非线性电路是指电路中至少包含一个非线性元件的电路。事实上一切实际元件都是非线性的。因为给任何元件上加足够大的电压或电流后都将破坏其线性。
智能优化算法的统一框架 指导老师：叶晓东教授 姓名：李进阳 学号：2 班级：电磁场与微波技术5班 2011年6月20日
目录 1 概述 (3) 2群体智能优化算法.................................. 错误!未定义书签。 人工鱼群算法 (4) 蚁群算法 (5) 混合蛙跳算法 (9) 3神经网络算法 (10) 神经网络知识点概述 (10) 神经网络在计算机中的应用 (11) 4模拟退火算法 (15) 5遗传算法.......................................... 错误!未定义书签。 遗传算法知识简介 (17) 遗传算法现状 (18) 遗传算法定义 (19) 遗传算法特点和应用 (20) 遗传算法的一般算法 (21) 遗传算法的基本框架 (26) 6总结 (28) 7感谢 (29)
1概述 近年来，随着人工智能应用领域的不断拓广，传统的基于符号处理机制的人工智能方法在知识表示、处理模式信息及解决组合爆炸等方面所碰到的问题已变得越来越突出，这些困难甚至使某些学者对强人工智能提出了强烈批判，对人工智能的可能性提出了质疑。众所周知，在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准优解。像货朗担问题和规划问题等组合优化问题就是典型的例子。在求解此类问题时，若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸。因此，研究能在搜索过程中自动获得和积累有关搜索空间的知识，并能自适应地控制搜索过程，从而得到最优解或准有解的通用搜索算法一直是令人瞩目的课题。智能优化算法就是在这种背景下产生并经实践证明特别有效的算法。 2群体智能优化算法 自然界中群体生活的昆虫、动物,大都表现出惊人的完成复杂行为的能力。人们从中得到启发,参考群体生活的昆虫、动物的社会行为,提出了模拟生物系统中群体生活习性的群体智能优化算法。在群体智能优化算法中每一个个体都是具有经验和智慧的智能体 (Agent) ,个体之间存在互相作用机制,通过相互作用形成强大的群体智慧来解决复杂的问题。自 20世纪 90年代模拟蚂蚁行为的蚁群算法(ACO)提出以来,又产生了模拟鸟类行为的微粒群算法 ( PSO)、模拟鱼类生存习性的人工鱼群算法、模拟青蛙觅食的混合蛙跳算法 ( SFLA)等。这些群体智能优化算法的出现,使原来一些复杂的、难于用常规的优化算法进行处理的问题可以得到解决,大大增强了人们解决和处理优化问题的能力,这些算法不断地用于解决工程实际中的问题,使得人们投入更大的精力对其理论和实际应用进行研究。群体智能优化算法本质上是一种概率搜索,它不需要问题的梯度信息具有以下不同于传统优化算法的特点: ①群体中相互作用的个体是分布式的,不存在直接的中心控制,不会因为个别个体出现故障而影响群体对问题的求解,具有较强的鲁棒性; ②每个个体只能感知局部信息,个体的能力或遵循规则非常简单,所以群体智能的实现简单、方便; ③系统用于通信的开销较少,易于扩充; ④自
多学科设计优化简要介绍 多学科设计优化 (Multidisciplinary Design Optimization,简称 MDO)是一种通过充分探索和利用工程系统中相互作用的协同机制来设计复杂系统和子系统的方法论。其主要思想是在复杂系统设计的整个过程中利用分布式计算机网络技术来集成各个学科 (子系统 )的知识，应用有效的设计优化策略，组织和管理设计过程。其目的是通过充分利用各个学科(子系统 )之间的相互作用所产生的协同效应，获得系统的整体最优解，通过实现并行设计，来缩短设计周期，从而使研制出的产品更具有竞争力。因此，MDO宗旨与现代制造技术中的并行工程思想不谋而合，它实际上是用优化原理为产品的全寿命周期设计提供一个理论基础和实施方法。 MDO研究内容包括三大方面：1，面向设计的各门学科分析方法和软件的集成；2，探索有效的 MDO算法，实现多学科 (子系统 )并行设计，获得系统整体最优解；3，MDO分布式计算机网络环境。 多学科设计优化问题 ,在数学形式上可简单地表达为： 寻找：x 最小化：f=f(x,y) 约束：hi(x,y)=0 (i=1 ,2 ,… ,m) gj(x,y)≤ 0 (j=1 ,2 ,… ,n) 其中：f 为目标函数；x为设计变量；y是状态变量；hi(x,y)是等式约束；gj(x,y)是不等式约束。状态变量 y，约束 hi 和 gj以及目标函数的计算涉及多门学科。对于非分层系统，状态变量 y，目标函数 f，约束hi 和 gj 的计算，需多次迭代才能完成；对于分层系统，可按一定的顺序进行计算。这一计算步骤称为系统分析。只有当一设计变量 x通过系统分 随着科学技术日新月异的发展，我们的武器装备，尤其是战斗机的水平日益提高，装备复杂程度已远超乎平常人的想象，装备设计不单要用到
结构优化方法研究综述 结构优化方法研究综述 【摘要】建筑结构优化对建筑整体的稳定性、可靠性、耐久性有非常重要的作用。文章针对建筑结构优化设计的主要因素，以及结构优化的方法等方面做简要的分析，以提高建筑结构的整体的稳定性、耐久性等性能。 【关键词】结构设计；结构优化；结构类型 0引言 建筑结构优化，即在一些建筑结构的设计方案中选取最优的或最适宜的设计方案，它参照数学中的模型最优化原理应用到建筑工程结构设计方案的优化比选中。研究发现，建筑结构在使用过程中是否稳定、耐久、合理等，主要决定于在建筑结构设计时选定的结构类型是否最优、是否最符合工程结构的需要。对于同一座建筑工程项目，不同的结构设计师知识储备不同，因此可能会设计出不同的结构类型、结构体系，但经过结构方案的优化、从而选取最优化的结构类型，提高建筑结构的使用寿命、稳定性能。 1建筑结构优化的主要因素 1.1荷载设计 研究发现，任何一座建筑结构都需要受到水平力和竖向荷载的作用，同时建筑还要承受较大的风荷载、地震力的作用等。当建筑结构的整体高度比较低时，由结构本身的重力引起的竖向荷载对结构的作用比较明显，而水平荷载作用在结构上，产生的内力和位移比较小，往往在计算时不考虑水平荷载的作用；若在较高层建筑设计中，虽然所受到的竖向荷载仍对结构产生较大程度的影响，但水平荷载对建筑结构本身的影响比竖向荷载产生的影响更加强烈。研究表明，随着建筑结构整体高度的逐渐增加，水平荷载对建筑结构产生的影响越将会越来越大，因此，在建筑结构高度较高时，结构所承受的水平荷载对结构的影响则不可忽视。 1.2选取结构类型较轻的
在建筑结构优化过程中，要尽量选取结构体较轻的。在现代结构优化设计中，设计人员越来越重视选用轻质高强材料，从而做大程度上减轻整体结构的自重。由于在多层建筑结构中，水平荷载对结构产生的影响处于较次要地位，结构所承受的主要荷载是竖向荷载。由于多层建筑楼层较少，整体高度相对比较低，结构自重相对来说较轻，对材料的强度要求不是特高。 但随着建筑结构高度的增加，在较多的楼层作用下，结构产生的自重荷载则会比较大，使得建筑结构对基础产生较大的竖向荷载，同时在水平荷载的作用下，结构的竖向构件（柱）中会产生较大的水平剪力和附加轴力。为了使得结构满足刚度和强度的要求，通常采取加大结构构件的截面尺寸，但是加大构件的截面尺寸会使得结构的整体自重增加。因此在高层建筑结构首先应该考虑如何减轻结构的自重。 研究表明，当在高层或超高层建筑结构优化设计时，选用结构强度高、自重较轻的钢结构、高强混凝土结构可以很大程度上减小建筑结构的自重。 1.3 侧向位移 据相关资料表明，建筑结构的侧向位移随着建筑高度的增加而逐渐增大，因此，在建筑结构的优化设计中，对层数较少、高度较低的结构，可以不考虑其侧向位移对结构的影响。但随建筑结构高度的增加，整体结构的侧移对结构产生的影响则不可忽视。 研究表明，由于水平荷载对结构作用产生的侧移随着建筑高度的增加而逐渐增大，且侧移量与结构高度成一定的关系。 在进行高层建筑结构优化设计时，既需要充分考虑建筑结构整体是否具有足够的承载能力，能否承受风荷载的冲击作用，又要求结构具有足够的抗侧移性能，当建筑结构受到较大的水平力作用下，其可以很好地控制产生过大的侧移量，确保结构整体的稳定性能。 与低层或多层建筑相比，高层建筑结构的刚度稍微差一些，在发生地震灾害时，结构的侧向变形更大。为了确保高层建筑结构在进入塑性阶段后，结构整体仍具有较强的抗侧移性能，保持结构的稳定性，则需要在高层建筑结构的构造上采取合适的措施，确保结构具有足够的延性，从而满足结构的刚度要求。
模拟仿真软件介绍 模拟仿真技术发展至今，用于不同领域、不同对象的模拟仿真软件林林总总，不可胜数，仅对机械产品设计开发而言，就有机构运动仿真软件，结构仿真软件，动力学仿真软件，加工过程仿真软件（如：切削加工过程仿真软件、装配过程仿真软件、铸造模腔充填过程仿真软件、压力成型过程仿真软件等），操作训练仿真软件，以及生产管理过程仿真软件，企业经营过程仿真软件等等。这里仅以一种微机平台上的三维机构动态仿真软件为例，介绍模拟仿真软件的结构和功能。 DDM（Dynamic Designer Motion）是DTI（Design Technology International）公司推出的、工作于AutoCAD和MDT平台上的微机全功能三维机构动态仿真软件，包含全部运动学和动力学分析的功能，主要由建模器、求解器和仿真结果演示器三大模块组成（见图1）。 1.DDM建模器的功能 1）设定单位制。 2）定义重力加速度的大小和方向。 3）可以AutoCAD三维实体或普通图素（如直线、圆、圆弧）定义运动零件。 4）可以定义零件质量特性：
图1 DDM仿真软件模块结 ①如果将三维实体定义为零件，可以自动获得其质量特性。 ②如果用其他图素定义零件，则可人工设定质量特性。 5）可以定义各种铰链铰链用于连接发生装配关系的各个零件，系统提供六种基本铰链和两种特殊铰链。 基本铰链： ①旋转铰——沿一根轴旋转。 ②平移铰——沿一根轴移动。 ③旋转滑动铰——沿一根轴旋转和移动。 ④平面铰——在一个平面内移动并可沿平面法线旋转。 ⑤球铰——以一点为球心旋转。 ⑥十字铰——沿两根垂直轴旋转。 特殊铰链：
摘要：随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛，本文介绍了当前存在的一些智能计算方法，阐述了其工作原理和特点，同时对智能计算方法的发展进行了展望。关键词：人工神经网络遗传算法模拟退火算法群集智能蚁群算法粒子群算1什么是智能算法智能计算也有人称之为“软计算”，是们受自然（生物界）规律的启迪，根据其原理，模仿求解问题的算法。从自然界得到启迪，模仿其结构进行发明创造，这就是仿生学。这是我们向自然界学习的一个方面。另一方面，我们还可以利用仿生原理进行设计(包括设计算法)，这就是智能计算的思想。这方面的内容很多，如人工神经网络技术、遗传算法、模拟退火算法、模拟退火技术和群集智能技术等。 2人工神经网络算法“人工神经网络”(ARTIFICIALNEURALNETWORK，简称ANN)是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。早在本世纪40年代初期，心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经科学理论的研究时代。其后，FRosenblatt、Widrow和J.J.Hopfield等学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃发展。神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。据神经生物学家研究的结果表明，人的一个大脑一般有1010～1011个神经元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将本神经元的输出信号(兴奋)传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单处理(如：加权求和，即对所有的输入信号都加以考虑且对每个信号的重视程度——体现在权值上——有所不同)后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。 2.1人工神经网络的特点人工神经网络是由大量的神经元广泛互连而成的系统，它的这一结构特点决定着人工神经网络具有高速信息处理的能力。人脑的每个神经元大约有103～104个树突及相应的突触，一个人的大脑总计约形成1014～1015个突触。用神经网络的术语来说，即是人脑具有1014～1015个互相连接的存储潜力。虽然每个神经元的运算功能十分简单，且信号传输速率也较低(大约100次/秒)，但由于各神经元之间的极度并行互连功能，最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次处理步骤才能完成的任务。人工神经网络的知识存储容量很大。在神经网络中，知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想思维存在于记忆中的事物的完整图象。只要输入的模式接近于训练样本，系统就能给出正确的推理结论。 [!--empirenews.page--]正是因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其它的判断识别系统，如：专家系统等，具有另一个显著的优点：健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是，当一个人的大脑因意外事故受轻微损伤之后，并不会失去原有事物的全部记忆。人工神经网络也有类似的情况。因某些原因，无论是网络的硬件实现还是软件实现中的某个或某些神经元失效，整个网络仍然能继续工作。人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。 2.2几种典型神经网络简介 2.2.1多层感知网络(误差逆传播神经网络) 在1986年以Rumelhart和McCelland为首的科学家出版的《ParallelDistributedProcessing》一书中，完整地提出了误差逆传播学习算法，并被广泛
M ac hi neBuil di ng Auto m atio n,D ec2007,36(6):5~6,9 现代优化设计方法的现状和发展趋势 王基维1,熊伟2,李会玲1,汪振华3 (1.宁波职业技术学院,浙江宁波315800;2.湖南生物机电职业技术学院,湖南长沙410126; 3.南京理工大学,江苏南京210094) 摘要:优化设计是近年来发展起来的一门新学科,为机械设计提供了一种重要的科学设计方 法。优化设计在解决复杂设计问题时,能从众多设计方案中寻到尽可能完美或最适宜的设计 方案。对现代优化设计方法进行了概括和总结,展望了现代优化设计的发展方向和发展趋势。 关键词:优化设计;机械设计;发展趋势 中图分类号:T H122文献标识码:B文章编号:167125276(2007)0620005202 Develop ing T rend on M odern O pt im a l Design M ethods WANG J i2wei1,XI ONG W ei2,LI H u i2li ng1,WANG Zhen2hua3 (1.Ni ngbo Voca ti on Te chno l ogy C o ll e ge,N i n gbo315800,C h i na; 2.Huna n B i o l ogy Me c ha ni c a la nd E l e c tri c a lP ro f e ss i ona lTe chno l ogy C o ll ege,C ha ngsha410126,C h i na; 3.Na n ji ng Un i ve rs ity o f S c i e nc e a nd Te chno l o gy,Na n ji ng210094,C h i n a) Abstr ac t:As a new d i s c i p l i ne,o p tm i a l de s i gn p rov i de s an m i p o rtan t sc i en tifi c de s i gn m e t h od f o r e ng i nee https://www.doczj.com/doc/415262119.html, i ng op tm i a ld es i gn, t he y can fi nd o ut a nea rl y pe rf e ct o r op tm i um des i gn s ch em e fr om l o ts o f feas i b l e ap p r o ache s.T he p ape r s um m a ri ze s t he de ve l o p i ng trend a nd d ir e cti o n o f t he m ode rn op tm i a l des i gn m e t hod s. K ey word s:op tm i a ld es i g n;m a ch i n e des i gn;de ve l o p t re nd 0引言 机械设计与制造是机械工程领域中最重要的内容,而机械设计又是机械制造的前提。优化设计(opti m a l de2 si gn)是近年来发展起来的一门新的学科,优化设计为机械设计提供了一种重要的科学设计方法,在机械设计上起着重要的作用,使得在解决复杂设计问题时,能从众多的设计方案中寻到尽可能完美的或最适宜的设计方案[1]。实践证明,在机械设计中采用优化设计方法,不仅可以减轻机械设备质量,降低材料消耗与制造成本,而且可以提高产品的品质和工作性能[2]。文中初步论述了机械优化设计方法的发展现状和趋势。 优化设计方法[3]是数学规划和计算机技术相结合的产物,它是一种将设计变量表示为产品性能指标、结构指标或运动参数指标的函数(称为目标函数),然后在产品规定的性态、几何和运动等其它条件的限制(称为约束条件)的范围内,寻找满足一个目标函数或多个目标函数最大或最小的设计变量组合的数学方法。优化设计方法已成为解决复杂设计问题的一种有效工具。 1优化设计方法及应用现状 优化设计的基础和核心是优化理论和算法。迄今为止,己有上百种优化方法提出,这里重点介绍以下几种优化方法[4,5]。 a)线性逼近法:线性逼近法SLP是将原非线性问题转化为一系列线性优化问题,通过求解线性优化问题得到原问题的近似解。根据形成线性优化的方法不同,可以得到不同的线性逼近法。常用的线性逼近法有近似规划法和割平面法; b)遗传算法[2,6,14]:遗传算法GA(genetic a l gorith m s)是一种基于生物自然选择与遗传机理的随机搜索算法。它是1962年首先由美国密执安大学的J.H.H olland教授提出、随后主要由他和他的一批学生发展起来的[7],并在1975年的专著中作了介绍,首先提出了以二进制串为基础的基因模式理论,用二进制位串来模拟生物群体的进化过程。进化结束时的二进制所对应的设计变量的值即为优化问题的解。GA方法的主要优点是具有很强的通用优化能力,它不需要导数信息,也不需要设计空间或函数的连续性条件,其优化搜索具有隐性并行性,可以多点同时在大空间中作快速搜索,因此有可能获得全局最优解。由于G A有着其他优化算法不可比拟的优点,因此,GA的应用非常广泛,取得大量研究应用成果。在结构优化设计方面的如离散结构的遗传形状优化设计[8]、悬臂扭转结构和梁结构的优化设计[9]、桁架和薄壁的结构优化问题[10]等。在文献[11]中对平面四杆机构的遗传优化设计进行了研究。文献[12]介绍了一个用于ZL40装载机的直齿圆锥齿轮差速器的优化设计问题,用GA中的实数编码进行优化求解,取群体大小为50,交叉率为0.2,变异率为0.5,经过120代的进化并经圆整后得到最优解。文献[15]中通过把机械方案设计过程看作是一个状态空间的求解问题,用遗传算法控制其搜索过程,完善了新的遗传编码体系,为了适应新的编码体系重新构建了交叉和变异等遗传操作,并利用复制、交换和变异等操作进行一次次迭代,最终自动生成一组最优的设计方案。 此外,G A还应用在函数优化、机械工程、结构优化、电工、神经网络、机器学习、自适应控制、故障诊断、系统工程调度和运输问题等诸多领域中[13]; #5 #
现代智能优化算法课程群智能优化算法综述学生姓名: 学号: 班级: 2014年6月22日
摘要 工程技术与科学研究中的最优化求解问题十分普遍,在求解过程中,人们创造与发现了许多优秀实用的算法。群智能算法就是一种新兴的演化计算技术,已成为越来越多研究者的关注焦点,智能优化算法具有很多优点,如操作简单、收敛速度快、全局收敛性好等。群智能优化就是智能优化的一个重要分支,它与人工生命,特别就是进化策略以及遗传算法有着极为特殊的联系。群智能优化通过模拟社会性昆虫的各种群体行为,利用群体中个体之间的信息交互与合作实现寻优。本文综述群智能优化算法的原理、主要群智能算法介绍、应用研究及其发展前景。 关键词:群智能;最优化;算法
目录 摘要 0 1 概述 (2) 2 定义及原理 (2) 2、1 定义 (2) 2、2 群集智能算法原理 (3) 3 主要群智能算法 (3) 3、1 蚁群算法 (3) 3、2 粒子群算法 (4) 3、3 其她算法 (5) 4 应用研究 (6) 5 发展前景 (6) 6 总结 (7) 参考文献 (8)
1 概述 优化就是人们长久以来不断研究与探讨的一个充满活力与挑战的领域。很多实际优化问题往往存 在着难解性,传统的优化方法如牛顿法、共扼梯度法、模式搜索法、单纯形法等己难以满足人们需求。 因此设计高效的优化算法成为众多科研工作者的研究目标。随着人类对生物启发式计算的研究, 一些社会性动物( 如蚁群、蜂群、鸟群) 的自组织行为引起了科学家的广泛关注。这些社会性动物在漫长的进化过程中形成了一个共同的特点: 个体的行为都很简单, 但当它们一起协同工作时, 却能够“突现”出非常复杂的行为特征。基于此,人们设计了许多优化算法,例如蚁群算法、粒子群优化算法、混合蛙跳算法、人工鱼群算法,并在诸多领域得到了成功应用。目前, 群智能理论研究领域主要有两种算法: 蚁群算法(Ant Colony Optimization, ACO) 与粒子群优化算法(ParticleSwarm Optimization, PSO)。 2 定义及原理 2、1 定义 群集智能优化算法源于对自然界的生物进化过程或觅食行为的模拟。它将搜索与优化过程模拟成个体的进化或觅食过程,用搜索空间中的点模拟自然界中的个体;将求解问题的目标函数度量成个体对环境的适应能力;将个体的优胜劣汰过程或觅食过程类比为搜索与优化过程中用好的可行解取代较差可行解的迭代过程。从而,形成了一种以“生成+检验”特征的迭代搜索算法,就是一种求解极值问题的自适应人工智能技术。各类优化算法实质上都就是建立问题的目标函数,求目标函数的最优解,因而实际工程优化问题均可转化为函数优化问题。其表达形式如下: 求: ,,2,1,0)(..), (min , ,,2,1,),,,(21Lm j X g t s X f n L i x L x x X i T n i =≤== 。Ω∈X 其中,i X 为设计变量;)(X f 为被优化的目标函数;0)(≤X g j 为约束函数;Ω为设计变量的可行
龙源期刊网 https://www.doczj.com/doc/415262119.html, 文化算法融合传统智能优化算法的研究综述 作者：贾丽丽 来源：《计算机光盘软件与应用》2013年第09期 摘要：本文介绍了文化算法的基本原理，总结了文化算法与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法等智能算法的融合技术及其应用，为进一步深入研究文化算法与其他智能算法融合，以及多个智能算法相结合的研究和应用提供了参考和借鉴。 关键词：文化算法；遗传算法；粒子群算法；差分进化；免疫克隆选择算法 中图分类号：TP301.6 文献标识码：A 文章编号：1007-9599 （2013） 09-0000-02 1 引言 Reynolds于1994年提出文化算法，该算法的双层进化机制为进化计算中的知识引导提供了通用框架，具有许多优良特性。文化算法不仅克服了其他进化算法的局限性，而且还克服了其他进化算法产生的退化现象，文化算法能根据具体情况设计种群空间、信仰空间、接受函数和影响函数，有很强的可扩充性，易于与其他方法结合，能够使其以一定的速度进化和适应环境，并互相弥补各传统算法的不足，提高算法的全局搜索能力、收敛速度、收敛性、计算精度等，适用范围广泛。 文化算法及其与传统智能算法相结合的研究刚刚兴起，本文在介绍文化算法基本原理的基础上，对国内近五年文化算法与遗传算法、粒子群算法、差分进化算法、免疫克隆选择算法等相结合的研究进行了综述，为进一步深入研究文化算法与其他智能算法相融合以及多个智能算法相结合的应用提供了借鉴和参考。 2 文化算法基本原理 文化算法（CA）是由种群空间和信仰空间构成的双层进化机制，主要包括三部分：种群空间、信仰空间和通信协议。文化算法的基本框架如图： 种群空间是生物个体根据一定的行为准则进化而组成的。信仰空间是文化形成、存储、更新、传递的进化过程。两个相对独立的进化过程，但又由通信协议将二者联系在一起，相互影响和促进，通信协议主要包括接受函数和影响函数。 3 文化-遗传算法 遗传算法（GA）是一种基于自然选择和基因遗传学原理的随机并行搜索算法。遗传算法随着算法的进行其种群多样性逐渐消失，很容易于陷入早熟收敛，引入随机种群可以改善种群的多样性问题，但是又影响到算法的效率。目前，一些学者通过文化算法和遗传算法结合，将
启发式优化算法综述 一、启发式算法简介 1、定义 由于传统的优化算法如最速下降法，线性规划，动态规划，分支定界法，单纯形法，共轭梯度法，拟牛顿法等在求解复杂的大规模优化问题中无法快速有效地寻找到一个合理可靠的解，使得学者们期望探索一种算法:它不依赖问题的数学性能，如连续可微，非凸等特性; 对初始值要求不严格、不敏感，并能够高效处理髙维数多模态的复杂优化问题，在合理时间内寻找到全局最优值或靠近全局最优的值。于是基于实际应用的需求，智能优化算法应运而生。智能优化算法借助自然现象的一些特点，抽象出数学规则来求解优化问题，受大自然的启发，人们从大自然的运行规律中找到了许多解决实际问题的方法。对于那些受大自然的运行规律或者面向具体问题的经验、规则启发出来的方法，人们常常称之为启发式算法（Heuristic Algorithm）。 为什么要引出启发式算法，因为NP问题，一般的经典算法是无法求解，或求解时间过长，我们无法接受。因此，采用一种相对好的求解算法，去尽可能逼近最优解，得到一个相对优解，在很多实际情况中也是可以接受的。启发式算法是一种技术，这种技术使得在可接受的计算成本内去搜寻最好的解，但不一定能保证所得的可行解和最优解，甚至在多数情况下，无法阐述所得解同最优解的近似程度。 启发式算法是和问题求解及搜索相关的，也就是说,启发式算法是为了提高搜索效率才提出的。人在解决问题时所采取的一种根据经验规则进行发现的方法。其特点是在解决问题
时,利用过去的经验,选择已经行之有效的方法，而不是系统地、以确定的步骤去寻求答案，以随机或近似随机方法搜索非线性复杂空间中全局最优解的寻取。启发式解决问题的方法是与算法相对立的。算法是把各种可能性都一一进行尝试，最终能找到问题的答案，但它是在很大的问题空间内，花费大量的时间和精力才能求得答案。启发式方法则是在有限的搜索空间内，大大减少尝试的数量，能迅速地达到问题的解决。 2、发展历史 启发式算法的计算量都比较大，所以启发式算法伴随着计算机技术的发展，才能取得了巨大的成就。纵观启发式算法的历史发展史： 40年代：由于实际需要，提出了启发式算法（快速有效）。 50年代：逐步繁荣，其中贪婪算法和局部搜索等到人们的关注。 60年代: 反思，发现以前提出的启发式算法速度很快，但是解得质量不能保证，而且对大规模的问题仍然无能为力（收敛速度慢）。 70年代：计算复杂性理论的提出，NP问题。许多实际问题不可能在合理的时间范围内找到全局最优解。发现贪婪算法和局部搜索算法速度快，但解不好的原因主要是他们只是在局部的区域内找解，等到的解没有全局最优性。由此必须引入新的搜索机制和策略。 Holland的遗传算法出现了（Genetic Algorithm）再次引发了人们研究启发式算法的兴趣。 80年代以后：模拟退火算法（Simulated Annealing Algorithm），人工神经网络（Artificial Neural Network），禁忌搜索（Tabu Search）相继出现。 最近比较火热的：演化算法（Evolutionary Algorithm）, 蚁群算法（Ant Algorithms），拟人拟物算法，量子算法等。
人工智能最优潮流算法综述 摘要：最优潮流是一个典型的非线性优化问题，且由于约束的复杂性使得其计算复杂，难度较大。目前人们已经拥有了分别适用于不同场合的各种最优潮流算法，包括经典法和人工智能法。其中人工智能算法是近些年人们开始关注的，一种基于自然界和人类自身有效类比而从中获得启示的算法。这类算法较有效地解决了全局最优问题，能精确处理离散变量，但因其属于随机搜索的方法，计算速度慢难以适应在线计算。本文着力总结新近的人工智能算法，列举其中具有代表性的遗传算法、模拟退火算法、粒子群算法等以及其相应的改进算法，以供从事电力系统最优潮流计算的人员参考。 关键词：最优潮流；智能算法；遗传算法；粒子群算法；
0.引言 所谓最优潮流(Optimal Power Flow，OPF)，就是当系统的结构参数及负荷情况给定时，通过对某些控制变量的优化，所能找到的在满足所有指定约束条件的前提下，使系统的某一个或多个性能指标达到最优时的潮流分布。为了对电力系统最优潮流的各种模型更好地进行求解，世界各国的学者从改善收敛性能和提高计算速度的角度，提出了求解最优潮流的各种计算方法，包括经典法和人工智能法。其中最优潮流的经典算法是基于线性规划、非线性规划以及解耦原则的计算解法，是研究最多的最优潮流算法。目前，已经运用于电力系统最优潮流的算法有简化梯度法、牛顿法、内点法等经典算法；而随着计算机的发展和人工智能研究水平的提高，现在也逐渐产生了一系列基于智能原理的如遗传算法、模拟退火算法和粒子群算法等人工智能算法，两类算法互补应用于最优潮流问题中。 1.概述 人工智能算法，亦称“软算法”，是人们受到自然界（包括人类自身）的规律启迪，根据探索其外在表象和内在原理，进行模拟从而对问题求解的算法。 电力系统最优潮流问题研究中，拥有基于运筹学传统优化方法的经典算法，主要有包括线性规划法和非线性规划法，如简化梯度法、牛顿法、内点法和解耦法等解算方法，这类算法的特点是以一阶或二阶梯度作为寻找最优解的主要信息。这些经典优化算法依赖于精确的数学模型，但精确的数学模型比较复杂，难以适应实时控制要求，而粗略的数学模型又存在较大误差。 而随着科学技术领域中多学科的交叉和渗透，优化算法领域逐渐出现了一系列人工智能优化算法，也称之为基于随即搜索的优化方法，其中以遗传算法、模拟退火算法和粒子群算法等为代表。由于基于随机搜索的优化方法具备全局寻优能力，对函数性态的依赖性小，可解决寻找全局最优解的问题和离散变量处理上的困难，近年来在最优潮流领域中迅猛发展并得到广泛研究。 2.最优潮流人工智能算法 2.1.遗传算法(GA) 遗传算法是效仿基于自然选择的生物进化、模仿生物进化过程的随机方法。算法采纳了自然进化模型，其基本操作主要有选择、交叉和变异三种。用遗传算法进行0PF计算首先对控制变量进行编码而形成进化的个体，随机产生若干个符合OPF约束条件的个体作为初始种群，计算每个个体的适应度函数值，按照某种选择策略从中选择出第一代父体进行交叉和变异操作，产生新的子代，验证每个子代是否符合OPF的约束条件，若符合则进入下一代，否则重新产生一个符合约束条件的个体来补充，如此重复进行计算直到符合终止条件。遗传算法OPF能够在全局收敛至最优解或近似最优解，但计算
目录 摘要......................................................................... I 1波形发生器简介 (1) 1.1波形发生器的概述 (1) 1.2研制波形发生器的目的及意义 (2) 2 PROTEUS的简介 (3) 2.1 PROTEUS界面 (3) 2.2基本操作 (4) 2.3原理图的绘制 (4) 3单片机AT89C51概述 (5) 4总体设计 (8) 4.1单片机电路 (8) 4.2D/A电路及接口 (9) 4.3系统软件设计 (10) 5系统模拟调试 (17) 5.1仿真结果 (17) 5.2结果分析 (20) 心得体会 (21) 参考文献 (22)
摘要 本文实现了多功能波形发生器的设计。系统采用AT89C51单片机控制，DAC0832完成模数转换，键盘控制波形的频率、幅度。发生器产生三角波、方波、正弦波等波形，波形的频率可通过键盘控制，波形清晰、频率调整十分方便、稳定性好，产生合成波形只需修改源程序，不需改装电路。单片机的输出数字信号通过 DAC0832转换成模拟信号，接入示波器就可以清晰的显示出系统产生的波形。该系统由仿真软件产生波形，具有线路简单、结构紧凑、价格低廉、性能优越等特点。 关键词：波形发生器，AT89S52单片机，D/ A转
1波形发生器简介 1.1波形发生器的概述 信号源有很多种，包括正弦波信号源、函数发生器、脉冲发生器、扫描发生器、任意波形发生器、合成信号源等。一般来讲任意波形发生器是一种特殊的信号源，综合具有其它信号源生成能力，因而适合各种仿真实验的需要。 在基础实验中设计一种电路，需要验证其性能、可靠性与稳定性，就需要给它施加理想的波形以辨别真伪。如可使用信号源的DC补偿功能对固态电路控制DC偏压电平，可对一个怀疑有故障的数字电路，利用信号源的方波输出作为数字电路的时钟，同时使用方波加DC补偿产生有效的逻辑电平模式输出，观察该电路的运行状况，而证实故障缺陷的地方，总之，利用任意波形发生器这方面的基础功能能仿真基础实验室所必须的信号[1]。在实际的电子环境所设计的电路在运行中，由于各种干扰和响应的存在，实际电路往往存在各种信号缺陷和瞬变信号，例如过脉冲、尖峰、阻尼瞬变等(见图1.1，图1.2)，这些情况的发生，如在设计之初没有考虑进去，有的将会产生灾难性的后果。例如图1.1中a处过剑峰脉冲，如果给一个抗过冲能力差的电路，将可能会导致整个设备“烧坏”。 图1.1 尖峰干扰脉冲图1.2 阻尼瞬变 由于任意波形发生器特殊的功能，为了增强任意波形生成能力，它往往依赖计算机通讯输出波形数据。在计算机传输中，通过波形编辑软件生成波形，有利于扩充仪器的能力，更进一步仿真模拟实验。同时由于编辑一个任意波形有时需要花费很长的时间和精力，并且每次编辑的波形可能有所差异，一般会在任意波