解成批生产车间作业排序问题的一种模拟退火算法

成批生产车间的作业排序（JobShopScheduling）问题是生产管理与组合优化领域研究的重要课题。模拟退火算法对于这类问题具有较强的寻优能力。本文针对成批生产车间的作业排序的作业排序问题设计了一种模拟退火算法的实现形式，通过大量的算例分析表明，该算法具有良好地收敛特性与运算效率。     

具有内点状态约束的机动再入弹道优化设计

高级机动弹头末制导装置开始工作时对弹头飞行速度和姿态有一定的要求。这就增加了内点约束,从而使机动再入弹道设计问题成为具有内点约束和终端约束更复杂的最优控制问题。利用遗传算法求解该问题,用多段插值方法进行染色体设计,设计了基于模拟退火思想的罚函数和适应度函数来处理各种约束。仿真结果表明,所设计的遗传算法效率高,对初值不敏感,能搜索到全局最优解。所设计的再入机动弹道能满足机动弹头对姿态、热流和速度的要求。     

模拟退火算法和POD降阶模态计算在翼型反设计中的应用

在翼型反设计中用模拟退火算法作为寻找目标函数极值的优化算法;对翼型流场的计算采用基于正交分解(Proper Orthogonal Decomposition-POD)的降阶模态,这种方法可以降低流场反复计算所需的大量机时。本文将二者结合,并应用到翼型反设计领域,对几个给定翼型压力分布反求翼型表面。计算结果表明本文方法是可行的,且优化算法具有全局优化和鲁棒性强等特点。此外,本文提出了用扰动翼型函数的方法形成POD降阶模态中的快照,利用这些快照形成的基模态,拓展了加鼓包函数方法的表达范围。     

基于改进启发式蚁群算法的无人机自主航迹规划

无人机自主航迹规划是未来无人机作战使用的关键技术难题。针对传统航迹规划方法存在的求解效率不高、实时性较差、容易陷入局部最优等缺点,提出一种基于改进启发式蚁群算法的无人机航迹规划。算法前期使用Dijkstra 算法进行初始化航迹,引入启发式信息,提高搜索效率;采用Logistic 混沌映射初始化信息素,增加解的多样性,提高算法收敛速度;算法中、后期采用多航迹选择策略和模拟退火机制,提高全局搜索能力,避免因收敛速度过快,陷入局部最优解。对该算法进行仿真分析,结果表明：在存在威胁和障碍的复杂环境中,本文的改进蚁群算法与标准蚁群算法相比,能够有效规划出一条从起点到终点的航迹,并且寻优精度更高,收敛速度更快,具有一定应用价值。     

四面体网格边界恢复改进算法

Delaunay三角化是生成四面体网格的主流方法,而通过该方法生成的初始网格无法保留所有边界约束,因此边界恢复是Delaunay四面体网格生成的必要步骤。边界恢复的难点在于确定辅助点（Steiner点）的数量和位置,以及降低Steiner点引发的负面效应。为此,本文提出了一种改进的四面体网格边界恢复方法,旨在提高约束边界恢复成功率,并减少加入的Steiner点数量。该方法总体流程由“两层+两轮”迭代构成,流程充分利用了约束边界恢复方法和体内Steiner点插入方法的优势,降低了边界恢复对边界约束的破坏。方法首先针对递归壳变换算法容易陷入局部最优解的问题,通过引入模拟退火算法加以解决,提出了一种改进的约束边界恢复方法;然后对于方法中的“网格实体—边界实体求交”关键环节,引入或实现了AABB树、几何精确的“线面相交”函数、交点数查询哈希算法三个关键方法加以优化;最后对于拓扑变换无法恢复的边界,实现了体内、边界两种Steiner点插入方法。实验阶段取用了Thingi10k数据集的4 000余例面网格样本进行测试,结果表明该方法有效提高了约束边界恢复的成功率,并能普遍性地减少边界恢复引入的St...     

非线性摩擦失谐叶片排序并行退火算法

基于叶片模态实验获得的叶片失谐参数,基于非线性摩擦阻尼分析提出一种失谐叶盘结构的集中参数模型.综合模拟退火算法的局部搜索能力和遗传算法的全局搜索能力,并引入禁忌表作为搜索记忆表,提出了一种应用模拟退火进化算法附加禁忌表的叶片排序优化方法.同时结合图形处理器运算设计了基于compute unified device architecture(CUDA)的并行算法并且分析其算法性能.研究表明:基于并行框架寻优可以获得4.5倍的加速,同时按照优化后方案安装,可以明显降低叶盘系统振动响应幅值与方差.      

路径约束的时间最短多脉冲交会全局优化

不同于现有的多脉冲最优交会研究多集中于交会时间固定的最省燃料优化,研究了路径约束和脉冲受限的多脉冲最短时间交会问题。综合考虑了交会测量视场角、脉冲总量和脉冲作用时刻等约束,基于Lam-bert交会算法,建立了多脉冲交会最短时间优化的非线性规划模型。为了高效获得全局最优解,采用了模拟退火算法用于非线性优化问题的求解。最后,通过解决一个寻的三脉冲交会问题验证了模型和算法的有效性。该研究方法可寻找满足特定约束条件的最优交会轨道。     

基于云模型的自适应并行模拟退火遗传算法

针对遗传算法收敛速度慢,容易"早熟"等缺点,提出了一种改进的遗传算法,即基于云模型的自适应并行模拟退火遗传算法(PCASAGA,Adaptive Parallel Simulated Annealing Genetic Algorithms Based On Cloud Models).PCASAGA使用云模型实现交叉概率和变异概率的自适应调节;结合模拟退火避免遗传算法陷入局部最优;使用多种群优化机制实现算法的并行操作;使用英特尔推出的线程构造模块(TBB,Threading Building Blocks)并行技术,实现算法在多核计算机上的并行执行.理论分析和仿真结果表明:该算法比其他原有的或改进的遗传算法具有更快的收敛速度和更好的寻优结果,并且充分利用了当前计算机的多核资源.      

基于改进的动态Kriging模型的结构可靠度算法

对于复杂航空航天机械产品,极限状态方程往往表现出隐式、高度非线性的特点,而且通常需要调用有限元分析,从而耗费大量时间。将混合粒子群-模拟退火（PSOSA）算法应用到Kriging模型中相关参数的寻优过程,提高了预测精度。同时结合动态更新机制,逐渐加入样本点,尽可能减少函数的调用次数,从而提高了计算效率,并将该算法应用到结构可靠性分析中。通过案例分析,和传统蒙特卡罗模拟方法、响应面等经典方法进行对比,所提算法与蒙特卡罗模拟方法计算结果更加接近,计算时间大大缩短,效率和精度都明显改进。      

基于改进烟花算法的资源分配

资源分配问题作为一个NP-Hard问题,在云计算、无线电、卫星调度、多无人机协同作业等领域皆有研究需求,是一个共性的数学问题。烟花算法作为一种智能优化算法,具有求解大规模资源分配问题的能力,但也存在求解精度低等问题。为了提高传统烟花算法的计算效率和全局寻优能力,提出一种改进烟花算法,用遗传算法中的变异算子替代高斯变异操作,并增加模拟退火流程。最后在多无人机协同作业任务分配数学模型上进行仿真验证,实验结果表明在收敛速度以及计算精度方面,该算法均优于其余3种烟花算法。