PSO算法的案例
149基于matlab的A星算法和PSO算法實(shí)現(xiàn)路徑規(guī)劃動(dòng)畫(huà)演示 ￥24.9
基于matlab的A星算法和PSO算法實(shí)現(xiàn)路徑規(guī)劃動(dòng)畫(huà)演示，具有GUI界面，可自主生成障礙物。移動(dòng)靶路徑規(guī)劃。程序已調(diào)通，可直接運(yùn)行。
MATLAB粒子群（PSO）優(yōu)化算法程序集合
MATLAB粒子群（PSO）優(yōu)化算法程序集合
PSO算法就是模擬一群鳥(niǎo)尋找食物的過(guò)程，每個(gè)鳥(niǎo)就是PSO中的粒子，也就是我們需要求解問(wèn)題的可能解，這些鳥(niǎo)在尋找食物的過(guò)程中，不停改變自己在空中飛行的位置與速度。大家也可以觀察一下，鳥(niǎo)群在尋找食物的過(guò)程中，開(kāi)始鳥(niǎo)群比較分散，逐漸這些鳥(niǎo)就會(huì)聚成一群，這個(gè)群忽高忽低、忽左忽右，直到最后找到食物。這個(gè)過(guò)程我們轉(zhuǎn)化為一個(gè)數(shù)學(xué)問(wèn)題。尋找函數(shù)y=1-cos(3*x)*exp(-x)的在[0,4]最大值。該函數(shù)的圖形如下：
在交錯(cuò)并聯(lián)變換器的設(shè)計(jì)中，若想得到優(yōu)良的紋波特性和響應(yīng)功能，各支路的交錯(cuò)觸發(fā)脈沖需設(shè)計(jì)合理。
當(dāng)x=0.9350-0.9450，達(dá)到最大值y=1.3706。為了得到該函數(shù)的最大值，我們?cè)赱0，4]之間隨機(jī)的灑一些點(diǎn)，為了演示，我們放置兩個(gè)點(diǎn)，并且計(jì)算這兩個(gè)點(diǎn)的函數(shù)值，同時(shí)給這兩個(gè)點(diǎn)設(shè)置在[0，4]之間的一個(gè)速度。下面這些點(diǎn)就會(huì)按照一定的公式更改自己的位置，到達(dá)新位置后，再計(jì)算這兩個(gè)點(diǎn)的值，然后再按照一定的公式更新自己的位置。直到最后在y=1.3706這個(gè)點(diǎn)停止自己的更新。這個(gè)過(guò)程與粒子群算法作為對(duì)照如下：
這兩個(gè)點(diǎn)就是粒子群算法中的粒子。該函數(shù)的最大值就是鳥(niǎo)群中的食物，計(jì)算兩個(gè)點(diǎn)函數(shù)值就是粒子群算法中的適應(yīng)值，計(jì)算用的函數(shù)就是粒子群算法中的適應(yīng)度函數(shù)。
展開(kāi) 多目標(biāo)優(yōu)化中文文獻(xiàn)
多目標(biāo)優(yōu)化
Pareto遺傳算法在貨位配置中的應(yīng)用研究.pdf
PSO算法在工程優(yōu)化問(wèn)題中的應(yīng)用.PDF
采用改進(jìn)PSO的非線性系統(tǒng)T_S模糊模型辯識(shí).pdf
帶陰性選擇的粒子群優(yōu)化算法.pdf
單純形-多目標(biāo)粒子群優(yōu)化方法的混合算法.PDF
導(dǎo)彈運(yùn)輸發(fā)射車(chē)動(dòng)態(tài)參數(shù)的多目標(biāo)優(yōu)化.pdf
電力公司購(gòu)電、配電計(jì)劃的多目標(biāo)優(yōu)化算法.pdf
電力系統(tǒng)無(wú)功優(yōu)化中PSO算法的改進(jìn)研究.pdf
動(dòng)態(tài)優(yōu)化環(huán)境下的群核進(jìn)化粒子群優(yōu)化方法.pdf
多目標(biāo)調(diào)度模型在尼山水庫(kù)的應(yīng)用.pdf
多目標(biāo)決策在高校實(shí)驗(yàn)室設(shè)備采購(gòu)中的應(yīng)用.pdf
多目標(biāo)識(shí)別的聯(lián)合變換相關(guān)器的研究.pdf
多目標(biāo)優(yōu)化方法檢測(cè)隨機(jī)受迫系統(tǒng)的混沌現(xiàn)象以及在心率變異信號(hào)分析中的應(yīng)用.PDF
多目標(biāo)優(yōu)化遺傳算法的收斂性定義及實(shí)例研究.pdf
多目標(biāo)優(yōu)化遺傳算法在飛航導(dǎo)彈設(shè)計(jì)中的應(yīng)用.pdf
多目標(biāo)最優(yōu)化的粒子群算法.PDF
番茄形態(tài)結(jié)構(gòu)模型參數(shù)的多目標(biāo)擬合估算方法研究.pdf
復(fù)合材料層合板蠕變屈曲與變形的優(yōu)化問(wèn)題.pdf
改進(jìn)的多目標(biāo)粒子群算法.pdf
改進(jìn)的基本粒子群優(yōu)化算法.PDF
隱身性能約束的多目標(biāo)氣動(dòng)外形優(yōu)化設(shè)計(jì).pdf
一種解決多目標(biāo)優(yōu)化問(wèn)題改進(jìn)的進(jìn)化規(guī)劃算法.pdf
一種基于多Agent的進(jìn)化多目標(biāo)優(yōu)化算法.pdf
展開(kāi) 基于粒子群優(yōu)化算法的六自由度機(jī)械臂三維空間避障規(guī)劃
本文提出了一種利用粒子群優(yōu)化算法（PSO）進(jìn)行機(jī)械臂避障規(guī)劃的方法，通過(guò)建立機(jī)械臂的運(yùn)動(dòng)模型，將避障問(wèn)題轉(zhuǎn)化為優(yōu)化問(wèn)題。PSO算法通過(guò)模擬群體中個(gè)體的社會(huì)行為和個(gè)體行為來(lái)尋找到最佳路徑，確保機(jī)械臂在避開(kāi)障礙物的同時(shí)，能夠高效地到達(dá)目標(biāo)位置。研究表明，基于PSO算法的避障規(guī)劃在收斂速度和路徑優(yōu)化上具有良好的性能，能夠有效提高機(jī)械臂的操作效率和安全性。此方法在工業(yè)機(jī)器人、醫(yī)療設(shè)備和服務(wù)機(jī)器人等領(lǐng)域具有廣泛的應(yīng)用前景。
關(guān)鍵詞：粒子群優(yōu)化算法，六自由度機(jī)械臂，三維空間，避障規(guī)劃，路徑優(yōu)化，機(jī)器人技術(shù)
參考文獻(xiàn)：
[1]朱戰(zhàn)霞,靖颯,仲劍飛,等.基于碰撞檢測(cè)的空間冗余機(jī)械臂避障路徑規(guī)劃[J].西北工業(yè)大學(xué)學(xué)報(bào), 2020, 38(1)
:8.DOI:CNKI:SUN:XBGD.0.2020-01-023.
[2]馬宇豪.六自由度機(jī)械臂避障軌跡規(guī)劃及控制算法研究[D].中國(guó)科學(xué)院大學(xué)[2024-06-08].
圖1 六自由度機(jī)械臂三維空間避障規(guī)劃示意圖
基于粒子群優(yōu)化算法的三維避障路徑規(guī)劃
1.1 路徑規(guī)劃問(wèn)題描述
路徑規(guī)劃是指在已知環(huán)境信息的情況下，確定從起始點(diǎn)到目標(biāo)點(diǎn)的最優(yōu)路徑，并且該路徑不能與環(huán)境中的障礙物相交。具體來(lái)說(shuō)，假設(shè)環(huán)境內(nèi)存在多個(gè)障礙物，路徑規(guī)劃的目標(biāo)是找到一條從起始點(diǎn)到目標(biāo)點(diǎn)的最短路徑，同時(shí)確保該路徑避開(kāi)所有障礙物。
如圖2所示，在一個(gè)三維空間中，有若干障礙物分布在路徑上。需要通過(guò)路徑規(guī)劃算法計(jì)算出一條從起始點(diǎn)到目標(biāo)點(diǎn)的最短路徑，并且該路徑不與任何障礙物發(fā)生碰撞。這種路徑規(guī)劃在機(jī)器人導(dǎo)航、自動(dòng)駕駛和工業(yè)自動(dòng)化等領(lǐng)域中具有重要應(yīng)用。圖1展示了一個(gè)典型的三維空間避障路徑規(guī)劃問(wèn)題。
展開(kāi) 
Lumerical案例 | 基于粒子群優(yōu)化的雙波段MIM濾波器引領(lǐng)高靈敏度檢測(cè)革新
粒子群優(yōu)化算法的精準(zhǔn)調(diào)控
為突破傳統(tǒng)優(yōu)化方法的瓶頸，本研究引入粒子群優(yōu)化（PSO）算法對(duì)濾波器尺寸進(jìn)行全局優(yōu)化。在優(yōu)化過(guò)程中，PSO算法的目標(biāo)函數(shù)被設(shè)計(jì)為優(yōu)化MIM濾波器的傳輸特性。該算法尋求最大化通帶中的傳輸速率，并最小化截止帶中的傳輸速率（接近于零），以確保有效的濾波性能：
其中T(λ)為波長(zhǎng)λ處的傳輸率， 和 分別代表通帶和截止帶波長(zhǎng)。PSO參數(shù)經(jīng)過(guò)精心調(diào)試：種群規(guī)模設(shè)為100個(gè)粒子，確保解空間的充分探索；慣性權(quán)重 =0.7、 =0.4，平衡探索與開(kāi)發(fā)能力；加速常數(shù)c?=c?=2，使粒子兼顧個(gè)體經(jīng)驗(yàn)與群體信息；優(yōu)化迭代次數(shù)為500次，保證收斂到穩(wěn)定解。
優(yōu)化流程采用MATLAB與Lumerical FDTD聯(lián)合仿真，具體流程如圖2所示。
圖2 PSO算法設(shè)計(jì)MIM濾波器的工作流程
首先在MATLAB中初始化PSO參數(shù)與粒子位置；每個(gè)粒子對(duì)應(yīng)的尺寸參數(shù)輸入Lumerical FDTD進(jìn)行仿真，計(jì)算傳輸譜；MATLAB評(píng)估目標(biāo)函數(shù)，更新粒子的局部最佳位置（ ）和群體的全局最優(yōu)位置（ ）；重復(fù)迭代直至收斂。最終得到的優(yōu)化尺寸：L1=163.41nm、L2=14.85nm、L3=13.08nm、L4=15.76nm、W1=22.48nm、W2=19.54nm、d=11.14nm。
仿真驗(yàn)證：FDTD方法揭示光學(xué)性能
為精準(zhǔn)評(píng)估濾波器性能，研究采用時(shí)域有限差分法（FDTD）進(jìn)行仿真，選用Ansys Lumerical FDTD solver。FDTD是求解麥克斯韋方程組的強(qiáng)大工具，能在時(shí)間和空間域中精確模擬電磁波與結(jié)構(gòu)化材料的相互作用，其核心是基于Yee算法對(duì)麥克斯韋旋度方程進(jìn)行離散化迭代求解。
展開(kāi) Lumerical案例 | 基于MIM雙環(huán)諧振器的等離子體光學(xué)生物傳感器
具體設(shè)計(jì)中，金納米環(huán)與金背反射器的組合被選為最優(yōu)方案——金具有優(yōu)異的等離子體共振特性與化學(xué)穩(wěn)定性，可有效減少生物環(huán)境中的干擾；絕緣介質(zhì)基板由一層制成，厚度經(jīng)優(yōu)化后確保電磁場(chǎng)與分析物的高效作用；傳感器整體結(jié)構(gòu)參數(shù)通過(guò)粒子群優(yōu)化（PSO）算法迭代優(yōu)化，最終確定關(guān)鍵尺寸如表1所示。
圖1 等離子體激元生物傳感器中MIM結(jié)構(gòu)的示意圖
參數(shù)符號(hào)值介質(zhì)基板長(zhǎng)度
L
780nm
臂長(zhǎng)
d
310nm
環(huán)寬度
w
50nm
環(huán)半徑
R
130nm
背反射器厚度
hb
100nm
介質(zhì)基板厚度
hd
205nm
環(huán)和臂厚度
hr
75nm
分析物層厚度
ha
200nm
表1 優(yōu)化后的傳感器尺寸參數(shù)
（二）優(yōu)化方法：PSO算法與多參數(shù)平衡
為同時(shí)提升傳感器靈敏度與品質(zhì)因數(shù)（FOM），研究團(tuán)隊(duì)采用粒子群優(yōu)化（PSO）算法對(duì)結(jié)構(gòu)參數(shù)進(jìn)行系統(tǒng)優(yōu)化。
展開(kāi) 一種中繼無(wú)人機(jī)快速部署策略
5.2.3 實(shí)驗(yàn)3
實(shí)驗(yàn)3 為在同一目標(biāo)和測(cè)控系統(tǒng)屬性的情況下,對(duì)比RDFS-ABC 算法、PSO 算法和文獻(xiàn)[13]所提的AHOP 算法求解精度及收斂性。
設(shè)置PSO 算法中種群規(guī)模為100,最大迭代次數(shù)為60,認(rèn)知參數(shù)和社會(huì)參數(shù)分別為0. 7 和1.4;AHOP 算法中設(shè)置任務(wù)區(qū)域內(nèi)離散化步長(zhǎng)為10。假設(shè)作戰(zhàn)區(qū)域內(nèi)有15 個(gè)目標(biāo),在相同目標(biāo)規(guī)模下,用3 種算法各進(jìn)行仿真實(shí)驗(yàn)100 次,記錄中繼節(jié)點(diǎn)數(shù)量,取其平均值,可得統(tǒng)計(jì)結(jié)果如表4 所示,并記錄一次仿真結(jié)果如圖5 ～圖7 所示。
結(jié)果分析如下:
1) 由圖5 ～圖7 可得,所有的TU 節(jié)點(diǎn)都在RU 節(jié)點(diǎn)的有效通信覆蓋范圍之內(nèi),并且每個(gè)RU節(jié)點(diǎn)都可以與GCS 進(jìn)行數(shù)據(jù)鏈路通信,說(shuō)明3 種算法都可以實(shí)現(xiàn)GCS 節(jié)點(diǎn)與所有TU 節(jié)點(diǎn)進(jìn)行有效鏈路通信,滿足中繼節(jié)點(diǎn)部署要求。
圖5 PSO 算法中繼節(jié)點(diǎn)部署圖
Fig.5 Relay node deployment diagram with PSO algorithm
圖7 AHOP 算法中繼節(jié)點(diǎn)部署圖
Fig.7 Relay node deployment diagram with AHOP algorithm
2) 由表4 可得,在相同條件下,RDFS-ABC算法求解得到的中繼節(jié)點(diǎn)數(shù)量平均為7.05 架,PSO算法求解得到的中繼無(wú)人機(jī)數(shù)量平均為8.34 架,相對(duì)于前者中繼無(wú)人機(jī)數(shù)量增加了15.47%。AHOP 算法求解得到的中繼無(wú)人機(jī)數(shù)量平均為8 架,相對(duì)于RDFS-ABC 算法的求解結(jié)果增加了11.88%,說(shuō)明RDFS-ABC 算法的求解精度更高。
展開(kāi) 算法類(lèi)好發(fā)的sci期刊推薦、職稱論文投稿咨詢
算法類(lèi)好發(fā)的sci期刊推薦、職稱論文投稿咨詢、好中見(jiàn)刊快的sci收錄期刊發(fā)表
sci期刊有那些？快速發(fā)表ei-sci-各類(lèi)期刊會(huì)議論文請(qǐng)咨詢QQ13-042-96-054 電話1773-280-17-03楊編輯
改進(jìn)的PSO算法對(duì)斷路器儲(chǔ)能彈簧的優(yōu)化設(shè)計(jì)
基于灰度塔評(píng)分的匹配模型構(gòu)建在UAV網(wǎng)絡(luò)視頻拼接中的應(yīng)用
一種基于無(wú)線信道狀態(tài)信息的跌倒無(wú)源監(jiān)測(cè)方法
軟件定義廣域網(wǎng)中控制器部署與交換機(jī)動(dòng)態(tài)遷移策略
基于卷積神經(jīng)網(wǎng)絡(luò)的工控網(wǎng)絡(luò)異常流量檢測(cè)
一種融入二維碼信息的自適應(yīng)蒙特卡諾定位算法
結(jié)合加權(quán)Schatten-p范數(shù)與3D全變分的前景檢測(cè)
基于自適應(yīng)融合的手掌靜脈增強(qiáng)方法
基于深度學(xué)習(xí)的文本自動(dòng)摘要方案
泛化誤差界指導(dǎo)的鑒別字典學(xué)習(xí)
Annals of Pure and Applied Logic《理論與應(yīng)用邏輯紀(jì)事》荷蘭
ISSN:0168-0072 ，1969年創(chuàng)刊，全年18期，Elsevier Science 出版社出版，SCI收錄期刊，SCI 2003年影響因子0.553。刊載理論與應(yīng)用邏輯和基礎(chǔ)數(shù)學(xué)，以及與數(shù)理邏輯有關(guān)的理論計(jì)算機(jī)科學(xué)等方面的研究論文。稿件來(lái)自各國(guó)。
Applied Numerical Mathematics《應(yīng)用數(shù)值數(shù)學(xué)》荷蘭
ISSN:0168-9274，1985 年創(chuàng)刊，全年16期，Elsevier Science 出版社出版，SCI收錄期刊，SCI 2002年影響因子0.504。刊載計(jì)算數(shù)學(xué)和數(shù)值分析及其在物理學(xué)、流體動(dòng)力學(xué)、工程學(xué)及其它應(yīng)用科學(xué)中應(yīng)用方面的研究論文、評(píng)論及札記。
展開(kāi) Zemax案例 | 基于Zemax實(shí)現(xiàn)AR波導(dǎo)全視野高均勻性設(shè)計(jì)方案
（a）波導(dǎo)結(jié)構(gòu)示意圖；（b）K空間分析圖
圖3 基于RMG的L型光柵波導(dǎo)布局圖
光柵優(yōu)化：RCWA結(jié)合PSO的精準(zhǔn)設(shè)計(jì)
為實(shí)現(xiàn)理論推導(dǎo)的衍射效率分布，團(tuán)隊(duì)采用嚴(yán)格耦合波分析（RCWA）結(jié)合粒子群優(yōu)化（PSO）算法，對(duì)折疊光柵、出耦合光柵及入耦合光柵的結(jié)構(gòu)進(jìn)行了優(yōu)化設(shè)計(jì)：
1.確定光柵核心參數(shù)：選用532nm波長(zhǎng)，HOYA-FD60W玻璃為波導(dǎo)基底（折射率1.817），波導(dǎo)厚度1mm，入耦合光柵、折疊光柵、出耦合光柵周期分別為440nm、311nm、440nm；
2.子區(qū)域劃分：將折疊光柵（30mm）分為15個(gè)水平子區(qū)域，出耦合光柵（18mm）分為9個(gè)垂直子區(qū)域，設(shè)置填充因子下限0.3，避免眼動(dòng)范圍局部無(wú)光照；
3.結(jié)構(gòu)優(yōu)化：光柵采用梯形結(jié)構(gòu)（可通過(guò)納米壓印技術(shù)批量制造），鍍TiO?膜層使衍射效率曲線更平滑，通過(guò)PSO算法優(yōu)化光柵深度、膜層厚度、形狀參數(shù)等，使光柵衍射效率與理論解析解高度匹配。
優(yōu)化后的入耦合光柵為鋸齒形結(jié)構(gòu)，鍍銀層后非偏振光平均衍射效率達(dá)0.747，為整個(gè)波導(dǎo)系統(tǒng)提供了高效的光耦合能力。
圖4 （a）入射耦合光柵結(jié)構(gòu)示意圖；（b）入射耦合光柵衍射耦合效率
Zemax精準(zhǔn)驗(yàn)證隨機(jī)掩模光柵的
成像性能
在隨機(jī)掩模光柵的設(shè)計(jì)中，掩模的隨機(jī)分布是否會(huì)影響成像質(zhì)量，是方案可行性的關(guān)鍵驗(yàn)證點(diǎn)。該團(tuán)隊(duì)采用Zemax搭建仿真模型，對(duì)隨機(jī)掩模光柵的成像性能進(jìn)行了系統(tǒng)驗(yàn)證，為方案的可行性提供了精準(zhǔn)的仿真數(shù)據(jù)支撐。
Zemax仿真模型搭建
團(tuán)隊(duì)在Zemax中構(gòu)建了模擬人眼的成像系統(tǒng)：采用直徑3mm、焦距23mm的理想透鏡模擬人眼光學(xué)系統(tǒng)，在光路中加入填充因子（PGS）為0.3的隨機(jī)掩模光柵，模擬實(shí)際應(yīng)用中隨機(jī)掩模光柵對(duì)成像的影響。
展開(kāi) Lumerical 表面浮雕光柵仿真設(shè)計(jì)
步驟1：內(nèi)耦合光柵的優(yōu)化
該步驟將使用Lumerical內(nèi)置的粒子群優(yōu)化（PSO）算法對(duì)SRG的傾斜角、填充因子和光柵高度進(jìn)行了優(yōu)化，以最大限度地將550nm波長(zhǎng)的S偏振傳輸?shù)?1光柵級(jí)。
初始設(shè)計(jì)的仿真結(jié)果顯示大約56%垂直入射的S偏振光被傳輸?shù)焦鈻诺?1級(jí)。然后將使用軟件的優(yōu)化功能優(yōu)化光柵幾何結(jié)構(gòu)以提升該數(shù)值。“optimization”對(duì)象包括SRG的傾斜角度、填充因子和光柵高度，傳輸?shù)絊偏振的光柵-1級(jí)的能量被用作品質(zhì)因數(shù)（FOM）。設(shè)定如下所示：
優(yōu)化后的幾何結(jié)構(gòu)中光柵-1級(jí)的衍射效率約為94.7%。需要注意的是，這種類(lèi)型的光柵的FOM[1]可以具有多個(gè)局部最大值。雖然內(nèi)置的PSO工具是一種方便的快速優(yōu)化方法，但可以使用更先進(jìn)的優(yōu)化方法來(lái)充分探索參數(shù)空間。
步驟2：完整表征和數(shù)據(jù)導(dǎo)出
光柵優(yōu)化是利用來(lái)自光柵上方的垂直入射光來(lái)進(jìn)行。然而，一旦選定了優(yōu)化的幾何結(jié)構(gòu)，就必須針對(duì)光線追跡仿真中預(yù)期的入射角范圍以及前后方向計(jì)算完整的光柵特性。
首先，在RCWA中做如下參數(shù)設(shè)置：
propagation direction: both
incident angle: range
minimum theta: 0
maximum theta: 85
theta points: 18
minimum phi: 0
maximum phi: 360
phi points: 37
如上設(shè)置，針對(duì)前向和后向的指定入射角范圍計(jì)算了優(yōu)化的SRG的S參數(shù)。然后，這些結(jié)果被導(dǎo)出為L(zhǎng)SWM JSON格式，該文件適合使用腳本文件導(dǎo)入到Speos或Zemax中。
展開(kāi) 無(wú)人機(jī)航跡規(guī)劃技術(shù)研究綜述
王芳[33]在蟻群算法中融合了量子計(jì)算的量子特性，通過(guò)量子旋轉(zhuǎn)門(mén)策略與最優(yōu)路徑的結(jié)合實(shí)現(xiàn)信息素的更新規(guī)則，不但延續(xù)了蟻群算法正反饋、易于分布式計(jì)算以及高魯棒性等優(yōu)點(diǎn)，而且繼承了量子計(jì)算的并行性等高效機(jī)制，使算法的收斂效果更好，全局尋找最優(yōu)解的能力也大大加強(qiáng)。劉蓉等[34]將混沌優(yōu)化理論應(yīng)用在蟻群算法的初始化階段來(lái)設(shè)置初始信息素值，采用變尺度調(diào)節(jié)系數(shù)，先大范圍粗略搜索，后逐步縮小范圍，然后引入混沌擾動(dòng)的信息素更新策略，使算法在解的雙側(cè)鄰域內(nèi)進(jìn)行搜索，并對(duì)通過(guò)尋優(yōu)得到的航路進(jìn)行全局信息素更新，最終有效克服了局部最優(yōu)的缺點(diǎn)，提高了搜索效率。
3.3.4 粒子群算法
1995年Kennedy等[35]提出的粒子群優(yōu)化(particle swarm optimization, PSO)算法是一種新的進(jìn)化優(yōu)化算法，算法的運(yùn)行機(jī)理是對(duì)生物群體的社會(huì)行為進(jìn)行模擬，利用群智能建立簡(jiǎn)化的模型，最早啟發(fā)于對(duì)鳥(niǎo)類(lèi)搜尋食物行為的研究，同時(shí)，利用信息共享機(jī)制，使生物群體中的個(gè)體之間、個(gè)體與群體之間相互作用、相互影響，以促進(jìn)整個(gè)群體的發(fā)展。
Patley等[36]采用正交設(shè)計(jì)的方法對(duì)粒子群算法進(jìn)行改進(jìn)，通過(guò)最小化預(yù)定目標(biāo)函數(shù)來(lái)確定無(wú)人機(jī)在每個(gè)時(shí)間步長(zhǎng)的最優(yōu)位置，在獲取3D航路點(diǎn)時(shí)使用傾斜平面策略并制定航路點(diǎn)排序策略，為每個(gè)無(wú)人機(jī)規(guī)劃出最佳路徑，同時(shí)又縮短了收斂時(shí)間。Vijayakumari等[37]采用滾動(dòng)優(yōu)化的PSO算法實(shí)現(xiàn)了基于感知與回避的碰撞避免，用動(dòng)態(tài)約束和分散控制計(jì)算最佳控制輸入，為多個(gè)無(wú)人機(jī)規(guī)劃出了最優(yōu)軌跡，這種方法是十分有效的防撞方法。宋宇等[38]采用模糊C均值算法與粒子群算法相結(jié)合的方法，通過(guò)調(diào)用模糊C均值算法得到停止分類(lèi)后的隸屬度矩陣，然后用輪盤(pán)賭算法確定粒子所屬類(lèi)別并進(jìn)行下一步改進(jìn)，使算法的全局尋優(yōu)能力增強(qiáng)，尋優(yōu)精度提高。
展開(kāi) 
汽車(chē)油箱沖壓工藝優(yōu)化
第二步， 采用PSO優(yōu)化工藝窗口
在以上DOE結(jié)果的基礎(chǔ)上，根據(jù)確定的主次影響因素，縮小輸入變量的取值范圍，采用PSO粒子群算法或GA遺傳算法進(jìn)一步優(yōu)化，確定最佳的工藝窗口。
項(xiàng)目總結(jié)
■可現(xiàn)實(shí)CAD驅(qū)動(dòng)的自動(dòng)優(yōu)化
■可優(yōu)化任何尺寸和參數(shù)，包括幾何尺寸、材料參數(shù)、過(guò)程工藝條件等。
■完全自動(dòng)化的有限元網(wǎng)格劃分和邊界條件定義，無(wú)需人工干預(yù)，任何模擬參數(shù)均可作為優(yōu)化準(zhǔn)則。
■無(wú)限的輸入變量和輸出結(jié)果
■多種優(yōu)化算法：DOE，GA 和 PSO
■附帶專業(yè)的優(yōu)化結(jié)果過(guò)濾與分析工具，例如帕累托圖，平行坐標(biāo)圖等
■支持并行計(jì)算和并發(fā)優(yōu)化。
展開(kāi) 提升全電動(dòng)注塑機(jī)料筒溫控系統(tǒng)的實(shí)用方法——CNC 人工蜂群算法
從表1 中可以看出，CNC 人工蜂群算法在超調(diào)量、調(diào)節(jié)時(shí)間、目標(biāo)函數(shù)的指標(biāo)上均優(yōu)于其余 4 種群體智能算法。
圖 4 收斂速度仿真框圖
圖 5 為這幾種算法的收斂速度對(duì)比，從圖 5中可以看出，CNC 人工蜂群算法的收斂速度明顯優(yōu)于未進(jìn)行優(yōu)化的人工蜂群算法和智能群體算法(包括GA 遺傳算法、ACO 蟻群算法和 PSO 粒子群算法)，迭代17 次算法就可以收斂，而其余4 種算法至少迭代20次才能夠收斂，因此，CNC 人工蜂群算法特別適合要求快速響應(yīng)的注塑機(jī)料筒溫控系統(tǒng)。
展開(kāi) 推薦 | Ansys渠道合作伙伴11月活動(dòng)一覽
培訓(xùn)內(nèi)容：
1、Ansys Fluent傳熱模塊介紹
1.1簡(jiǎn)介
1.2熱傳導(dǎo)
1.3強(qiáng)制對(duì)流
1.4自然對(duì)流
2、Ansys Fluent傳熱模塊案例演示
2.1熱傳導(dǎo)
2.2對(duì)流換熱
時(shí)間：11月18日 ，9:00-11:00
合作伙伴：上海恒士達(dá)科技有限公司
地點(diǎn)：線上
費(fèi)用： 免費(fèi)
立即報(bào)名
?
11月21日 | 基于Lumerical常見(jiàn)逆向設(shè)計(jì)方法介紹：PSO&DBS
簡(jiǎn)介：傳統(tǒng)光子學(xué)器件的設(shè)計(jì)主要是基于已知的物理原理，然后通過(guò)對(duì)個(gè)別特征參數(shù)的微調(diào)以實(shí)現(xiàn)對(duì)光子學(xué)結(jié)構(gòu)的優(yōu)化。在優(yōu)化的過(guò)程中，結(jié)構(gòu)的幾何形狀及材料參數(shù)通常是由先驗(yàn)?zāi)Ｐ退o定的，所以傳統(tǒng)參數(shù)優(yōu)化的維度是有限的。而隨著對(duì)高性能、多功能的納米光子學(xué)器件需求的日益增長(zhǎng)，更高效、具有更高設(shè)計(jì)自由度的逆向設(shè)計(jì)方法得到了快速發(fā)展。
本次研討會(huì)我們將介紹基于Lumerical常見(jiàn)的逆向設(shè)計(jì)方法：粒子群優(yōu)化（PSO）算法&直接二進(jìn)制搜索（DBS）算法。分別介紹兩種算法的原理、差異及適用場(chǎng)景，并在Lumerical中對(duì)兩個(gè)典型器件進(jìn)行仿真案例實(shí)操，助力您快速掌握從算法選型到結(jié)果驗(yàn)證的全流程。研討會(huì)末尾設(shè)互動(dòng)答疑環(huán)節(jié)，為您解決實(shí)際應(yīng)用中的疑難問(wèn)題，誠(chéng)邀您共同探索Lumerical逆向設(shè)計(jì)的高效路徑！
時(shí)間：11月21日，14:30-15:30
合作伙伴：深圳市摩爾芯創(chuàng)科技有限公司
地點(diǎn)：線上
費(fèi)用： 免費(fèi)
立即報(bào)名
?
11月21日 | 電機(jī)散熱Ansys解決方案及案例分享
簡(jiǎn)介：電機(jī)的自然散熱、水冷、油冷方案介紹及Maxwell&Fluent操作流程演示。
展開(kāi) 酸連軋智能化控制關(guān)鍵技術(shù)
3.2多機(jī)架厚度-張力協(xié)調(diào)優(yōu)化
運(yùn)用PSO-SVM算法建立了厚度增量與張力增量預(yù)測(cè)模型，開(kāi)發(fā)了未配置測(cè)厚儀機(jī)架厚度等不可測(cè)參數(shù)模型和外部擾動(dòng)模型，制定厚度、張力控制指標(biāo)和輥縫、速度控制能力等工藝設(shè)備柔性約束條件，形成了單個(gè)機(jī)架厚度-張力控制系統(tǒng)的實(shí)時(shí)狀態(tài)估計(jì)和輸出預(yù)測(cè)方法。根據(jù)機(jī)架之間的交叉耦合關(guān)系，確定各機(jī)架控制子系統(tǒng)間的數(shù)據(jù)通訊，以控制功效二維模型為基礎(chǔ)，形成包含所有機(jī)架厚度-張力的冷連軋分布式控制系統(tǒng)，開(kāi)發(fā)柔性約束條件下求解速度快、穩(wěn)定性強(qiáng)的分布式預(yù)測(cè)控制算法，實(shí)現(xiàn)多機(jī)架厚度-張力的協(xié)調(diào)優(yōu)化控制。
3.3冷軋板形智能優(yōu)化控制
設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)和Topkis-Veinott的板形控制協(xié)同優(yōu)化算法，結(jié)合搜索與學(xué)習(xí)兩類(lèi)思維模式，改善搜索方向的確定方式并降低迭代軌跡走相似路線的可能性，確保了工作輥與中間輥彎輥調(diào)節(jié)方向的一致性。提出了一種板形調(diào)節(jié)策略庫(kù)模型，通過(guò)建立板形狀況分析模型，并采用人工神經(jīng)網(wǎng)絡(luò)及遺傳算法分別求解實(shí)際板形判別因子及板形調(diào)節(jié)執(zhí)行機(jī)構(gòu)調(diào)節(jié)量，根據(jù)判別因子的合理區(qū)間范圍選擇最優(yōu)的調(diào)節(jié)機(jī)構(gòu)組合方式，精準(zhǔn)地為實(shí)際板形缺陷選擇合理的板形調(diào)控手段。提出了基于GENOCOP的板形目標(biāo)曲線動(dòng)態(tài)調(diào)節(jié)算法，通過(guò)分析調(diào)節(jié)機(jī)構(gòu)飽和狀態(tài)與板形目標(biāo)曲線設(shè)定之間的關(guān)系，求解調(diào)節(jié)機(jī)構(gòu)飽和狀態(tài)下消除板形偏差所需要的板形目標(biāo)曲線干預(yù)量，避免常規(guī)干預(yù)中板形系數(shù)過(guò)度調(diào)節(jié)或調(diào)節(jié)不充分的問(wèn)題。
展開(kāi) 