CN102819652B - 一种基于适应性反向差分演化的机械参数优化设计方法 - Google Patents
一种基于适应性反向差分演化的机械参数优化设计方法 Download PDFInfo
- Publication number
- CN102819652B CN102819652B CN201210300480.4A CN201210300480A CN102819652B CN 102819652 B CN102819652 B CN 102819652B CN 201210300480 A CN201210300480 A CN 201210300480A CN 102819652 B CN102819652 B CN 102819652B
- Authority
- CN
- China
- Prior art keywords
- population
- mechanical parameter
- fes
- popsize
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于适应性反向差分演化的机械参数优化方法。本发明针对传统方法在解决非线性、不连续、不可导、带约束的机械参数优化设计问题时普适性差、精度低的缺点,提出一种基于适应性反向差分演化的机械参数优化设计方法,该方法将机械参数优化设计问题统一归结为带约束的最小值优化问题,同时将混沌运动的遍历性、随机性及对初值的敏感等性质融合到一般反向学习策略中,设计出适应性反向学习策略,并集成到差分演化算法中。该方法将当前种群变换成适应性反向种群,在当前种群和适应性反向种群中同时搜索最优解,从而提高传统差分演化算法求解非线性、不连续、不可导、带约束的机械参数优化设计问题的收敛速度和精度。
Description
技术领域
本发明涉及一种机械参数优化设计方法,尤其是涉及一种基于适应性反向差分演化的机械参数优化设计方法。
背景技术
机械参数优化设计是机械设计中的一个重要步骤,它是指在一项机械设计的方案确定后,在给定的条件下搜索到一组机械设计的参数值,使得设计出来的机械最为合理、可靠和经济等,达到最优的性能。尽管实际机械工程设计问题是复杂多样,并且各具差异的,但机械优化设计问题最终都可以归结成为一个优化问题。因此,机械参数优化设计方法的优劣往往决定了最终机械设计结果的好坏。
传统的机械参数优化设计方法主要是根据机械参数优化设计的目标函数的数学特性来求解,往往要求机械参数优化设计的目标函数必须满足连续、可导等特性,这在很大程度上限制了传统机械参数优化设计方法的使用范围。随着现代计算机技术的不断发展,自然地,人们将计算机技术应用于机械参数优化设计中,随之产生了一系列的现代智能机械参数优化设计方法,主要包括人工神经网络,演化算法等。可以参见有关文献:王安麟,刘广军,姜涛.《广义机械优化设计》,华中科技大学出版社,2008年出版。
差分演化算法是近年来提出的一种新的演化算法,该算法是RainerStorn和Kenneth Price在1996年为解决切比雪夫多项式而提出的,由于差分演化算法在首届IEEE演化计算竞赛中表现突出,随后立即广泛地应用于实际工程和科学领域中。由于差分演化算法具有很强的全局搜索能力和鲁棒性,并且简单易行,在解决很多优化问题中的性能明显优于其他智能优化方法。因此差分演化算法是一种很有潜力的机械参数优化设计方法,是当前机械参数优化设计研究的热点。但与其他演化算法一样,差分演化算法在求解某些多峰、维数较高的优化问题时也同样面临着陷入局部最优和收敛速度慢的缺点,这容易导致差分演化算法应用于机械参数优化设计时,计算时间较长,并且求解的参数优化设计结果并非最优
发明内容
本发明主要是解决现有技术所存在的技术问题;针对传统方法在解决非线性、不连续、不可导、带约束的机械参数优化设计问题时普适性差、精度低的缺点,提出一种基于适应性反向差分演化的机械参数优化设计方法,该方法将机械参数优化设计问题统一归结为带约束的最小值优化问题,同时将混沌运动的遍历性、随机性及对初值的敏感等性质融合到一般反向学习策略中,设计出适应性反向学习策略,并集成到差分演化算法中。该方法将当前种群变换成适应性反向种群,在当前种群和适应性反向种群中同时搜索最优解,从而提高传统差分演化算法求解非线性、不连续、不可导、带约束的机械参数优化设计问题的收敛速度和精度。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种基于适应性反向差分演化的机械参数优化方法,其特征在于,包括以下步骤:
步骤1,用户自定义初始化参数,所述初始化参数包括种群大小Popsize,缩放因子F,交叉概率Cr,反向概率Po+,最大评价次数MAX_FEs;
步骤2,令当前演化代数t=0,当前评价次数FEs=0;
步骤3,产生初始化种群Pt={X1,X2,...,XPopsize},其中Xi∈RD,Xij=Lj+rand(0,1)·(Uj-Lj),i=1,...,Popsize;j=1,...,D;其中,D为机械参数优化设计的变量个数,rand(0,1)为在[0,1]之间产生均匀分布的随机数函数,Lj和Uj分别为第j个机械参数优化设计变量的取值范围的下界和上界;
步骤4,计算种群Pt中每个个体的适应值,当前评价次数FEs=FEs+Popsize,并保存适应值最小的个体为最优个体;
步骤5,在[0,1]之间产生一个服从均匀分布的随机数r;如果r小于反向概率Po则执行步骤6,否则执行步骤7;
步骤6,执行适应性反向学习操作,产生一个适应性反向种群OPt={OX1,OX2,...,OXPopsize};然后计算种群OPt中每个个体的适应值,再从Pt∪OPt中选择出适应值最小的前Popsize个个体作为下一代种群Pt+1;然后转到步骤8;
步骤7,执行传统差分演化算法的变异、交叉和选择操作算子产生下一代种群Pt+1;然后转到步骤8;
步骤8,保存适应值最小的个体为最优个体;当前评价次数FEs=FEs+Popsize;当前演化代数t=t+1;
步骤9,重复步骤5至步骤8直至评价次数FEs达到MAX_FEs后结束,执行过程中得到的最优个体即为机械参数优化设计各变量的结果值。
在上述的一种基于适应性反向差分演化的机械参数优化方法,所述步骤4基于定义
Minf(X),X=[X1,X2,...,XD]∈RD,其中,X为各个机械参数优化设计的变量组成的向量,D为机械参数优化设计的变量个数;
并满足约束条件:
gj(X)≤0,j=1...,M,其中,gj(X)≤0为第j个约束条件,M为约束条件个数;
具体操作步骤如下:
步骤4.1,记数器i=1,其中i表示当前个体的下标;
步骤4.2,如果i大于种群大小Popsize,则转到步骤4.13,否则执行以下步骤;
步骤4.3,令约束条件最大值MaxG=max(0,g1(Xi))该MaxG是存储上述约束条件的最大值的变量;记数器j=2,其中j表示当前约束条件的下标;
步骤4.4,如果j大于约束条件个数M,则转到步骤4.7,否则执行以下步骤;
步骤4.5,判断MaxG是否小于max(0,gj(Xi)),若是则令MaxG=gj(Xi)后转到步骤4.6,否则直接转到步骤4.6;
步骤4.6,令j=j+1后转到步骤4.4;
步骤4.7,令j=1;惩罚系数Pena=0.0;
步骤4.8,判断j是否大于约束条件个数M,若是则执行步骤4.11,否则执行以下步骤;
步骤4.9,判断gj(Xi)是否大于0,若是则令惩罚系数后转到步骤4.10,否则直接转到步骤4.10;
步骤4.10,令j=j+1;转到步骤4.8;
步骤4.11,按以下公式计算个体Xi的适应值Fiti:
步骤4.12,令i=i+1;转到步骤4.2;
步骤4.13,当前评价次数FEs=FEs+Popsize,保存适应值最小的个体为最优个体。
在上述的一种基于适应性反向差分演化的机械参数优化方法,所述步骤6的具体操作步骤如下:
步骤6.1,按以下公式更新当前种群的搜索下界A∈RD和上界B∈RD:
Aj=min(Xij)
Bj=max(Xij)
其中i=1,...,Popsize;j=1,...,D;
步骤6.2,在[0,1]之间产生一个服从均匀分布的随机数K作为沌混运动初始值;如果沌混运动初始值K等于0.25,0.50或0.75,则再重新产生沌混运动初始值K;
步骤6.3,令记数器i=1;反向种群OPt=φ;
步骤6.4,如果i大于种群大小Popsize,则转到步骤6.13,否则执行以下步骤;
步骤6.5,按沌混运动方程计算反向学习因子K=4.0·K·(1-K);
步骤6.6,令记数器j=1;适应性反向个体OXi=Xi;
步骤6.7,如果j大于机械参数优化设计的变量个数D,则转到步骤6.11,否则执行以下步骤;
步骤6.8,令OXij=K·(Aj+Bj)-Xij,其中,K为反向学习因子,Aj,Bj分别为当前种群在第j个机械参数优化设计变量的搜索下界和上界;
步骤6.9,判断OXij是否满足以下条件1或条件2的其中任意一条:
条件1:OXij小于第j个机械参数优化设计变量的取值范围的下界Lj;
条件2:OXij大于第j个机械参数优化设计变量的取值范围上界Uj,若满足则令OXij=rand(Aj,Bj)后转到步骤6.10,否则直接转到步骤6.10;
步骤6.10,令j=j+1后返回至步骤6.7;
步骤6.11,计算适应性反向个体OXi的适应值,并令反向种群OPt=OPt∪{OXi}
步骤6.12,令i=i+1后返回至步骤6.4;
步骤6.13,从Pt∪OPt中选择出适应值最小的前Popsize个个体作为下一代种群Pt+1;
步骤6.14,转到步骤8。
因此,本发明具有如下优点:利用混沌运动的遍历性、随机性及对初值的敏感等性质,将混沌运动的这些性质融合到一般反向学习策略中,设计出适应性反向学习策略,从而提高了一般反向学习策略的搜索效率;并将适应性反向学习策略集成到差分演化算法中,把当前种群变换成适应性反向种群,在当前种群和适应性反向种群中同时搜索最优解,从而提高了传统差分演化算法求解非线性、不连续、不可导、带约束的机械参数优化设计问题的收敛速度和精度。
附图说明
图1为适应性反向差分演化算法的流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本实施例基于文献(何兵,车林仙,刘初升.结合机械设计约束处理的差分进化算法[J].机械设计,2012,29(4):17-21)中的圆柱压缩弹簧的最大切应力校核的优化设计问题为例,该问题描述如下:
X=[D1,nw,H0,d1]T=[x1,x2,x3,x4]T
满足条件:
g3(X)=0.48-x4≤0
g4(X)=x4-0.5≤0
g5(X)=9.1-x3≤0
g6(X)=x3-9.2≤0
g7(X)=2.06+x4-x1≤0
g8(X)=x1-x4-3.28≤0
g9(X)=4.75-x2≤0
g10(X)=x2-5.25≤0
在上述式中:
D1为弹簧中径,取值范围:[2.06,3.28],单位:mm;
nw为工作圈数,取值范围:[4.75,5.25],单位:圈;
H0为自由高度,取值范围:[0.1,9.2],单位:mm;
d1为弹簧截面中径,取值范围:[0.02,0.5],单位:mm;
根据以上机械参数优化设计问题,本发明的具体实施步骤如下:
步骤1,初始化参数:种群大小Popsize=30,缩放因子F=0.5,交叉概率Cr=0.9,反向概率Po=0.1,最大评价次数MAX_FEs=6000;
步骤2,令当前演化代数t=0,当前评价次数FEs=0;
步骤3,产生初始化种群Pt={X1,X2,...,X30},其中Xi∈RD,Xij=Lj+rand(0,1)·(Uj-Lj),i=1,...,40;j=1,...,D;且D=4为机械参数优化设计的变量个数,rand(0,1)为在[0,1]之间产生均匀分布的随机数函数,L=[2.06,4.75,0.1,0.02]T和U=[3.28,5.25,9.2,0.5]T分别为机械参数优化设计变量的取值范围的下界和上界;
步骤4,计算种群Pt中每个个体的适应值,当前评价次数FEs=FEs+Popsize,并保存适应值最小的个体为最优个体;详细步骤描述如下:
步骤4.1,记数器i=1;约束条件个数M=10;
步骤4.2,如果i大于种群大小Popsize=30,则转到步骤4.13;
步骤4.3,令约束条件最大值MaxG=max(0,g1(Xi));记数器j=2;
步骤4.4,如果j大于约束条件个数M,则转到步骤4.7;
步骤4.5,如果MaxG小于max(0,gj(Xi)),则MaxG=gj(Xi);
步骤4.6,j=j+1;转到步骤4.4;
步骤4.7,j=1;惩罚系数Pena=0.0;
步骤4.8,如果j大于约束条件个数M=10,则转到步骤4.11;
步骤4.9,如果gj(Xi)大于0,则令惩罚系数
步骤4.10,j=j+1;转到步骤4.8;
步骤4.11,按以下公式计算个体Xi的适应值Fiti:
步骤4.12,i=i+1;转到步骤4.2;
步骤4.13,当前评价次数FEs=FEs+Popsize,保存适应值最小的个体为最优个体;
步骤5,在[0,1]之间产生一个服从均匀分布的随机数r;如果r小于反向概率Po=0.1则转到步骤6,否则转到步骤7;
步骤6,执行适应性反向学习操作,产生一个适应性反向种群OPt={OX1,OX2,...,OXPopsize};然后计算种群OPt中每个个体的适应值,再从Pt∪OPt中选择出适应值最小的前Popsize个个体作为下一代种群Pt+1;然后转到步骤8;具体步骤如下:
步骤6.1,按以下公式更新当前种群的搜索下界A∈RD和上界B∈RD:
Aj=min(Xij)
Bj=max(Xij)
其中i=1,...,Popsize;j=1,...,D;
步骤6.2,在[0,1]之间产生一个服从均匀分布的随机数K作为沌混运动初始值;如果沌混运动初始值K等于0.25,0.50或0.75,则再重新产生沌混运动初始值K;
步骤6.3,记数器i=1;反向种群OPt=φ;
步骤6.4,如果i大于种群大小Popsize,则转到步骤6.13;
步骤6.5,按沌混运动公式计算反向学习因子K=4.0·K·(1-K);
步骤6.6,记数器j=1;适应性反向个体OXi=Xi;
步骤6.7,如果j大于机械参数优化设计的变量个数D,则转到步骤6.11;
步骤6.8,OXij=K·(Aj+Bj)-Xij;
步骤6.9,如果OXij小于第j个机械参数优化设计变量的取值范围的下界Lj或者OXij大于第j个机械参数优化设计变量的取值范围上界Uj,则OXij=rand(Aj,Bj);
步骤6.10,j=j+1;转到步骤6.7;
步骤6.11,计算适应性反向个体OXi的适应值;OPt=OPt∪{OXi};
步骤6.12,i=i+1;转到步骤6.4;
步骤6.13,从Pt∪OPt中选择出适应值最小的前Popsize个个体作为下一代种群Pt+1;
步骤6.14,转到步骤8。
步骤7,执行传统差分演化算法的变异、交叉和选择操作算子产生下一代种群Pt+1;然后转到步骤8;具体步骤如下:
步骤7.1,记数器i=1;
步骤7.2,如果i大于Popsize则转到步骤7.10;
步骤7.3,按公式:V=Xr1+F·(Xr2-Xr3)变异个体V,其中,r1,r2,r3为在集合{1,2,...,30}\{i}中随机选择的三个服从均匀分布的整数,且互不相等;
步骤7.4,记数器j=1;产生随机整数jrand=rand(1,D);交叉个体Y=Xi;
步骤7.5,如果j大于D,则转到步骤7.8;
步骤7.6,如果j等于jrand或者随机数rand(1,D)<Cr,则Yj=Vj;
步骤7.7,j=j+1;转到步骤7.5;
步骤7.8,计算交叉个体Y的适应值;如果交叉个体Y的适应值小于个体Xi的适应值,则Xi=Y;
步骤7.9,i=i+1;转到步骤7.2;
步骤7.10,转到步骤8;
步骤8,保存适应值最小的个体为最优个体;当前评价次数FEs=FEs+Popsize;当前演化代数t=t+1;
步骤9,如果当前评价次数FEs<MAX_FEs,则转到步骤5;
步骤10,执行过程中得到的最优个体即为弹簧中径D1、工作圈数nw、自由高度H0和弹簧截面中径d1的优化结果值。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种基于适应性反向差分演化的机械参数优化方法,其特征在于,包括以下步骤:
步骤1,用户自定义初始化参数,所述初始化参数包括种群大小Popsize,缩放因子F,交叉概率Cr,反向概率Po,最大评价次数MAX_FEs;
步骤2,令当前演化代数t=0,当前评价次数FEs=0;
步骤3,产生初始化种群Pt={X1,X2,...,XPopsize},其中Xi∈RD,Xij=Lj+rand(0,1)·(Uj-Lj),i=1,...,Popsize;j=1,...,D;其中,D为机械参数优化设计的变量个数,rand(0,1)为在[0,1]之间产生均匀分布的随机数函数,Lj和Uj分别为第j个机械参数优化设计变量的取值范围的下界和上界;
步骤4,计算种群Pt中每个个体的适应值,当前评价次数FEs=FEs+Popsize,并保存适应值最小的个体为最优个体;
步骤5,在[0,1]之间产生一个服从均匀分布的随机数r;如果r小于反向概率Po则执行步骤6,否则执行步骤7;
步骤6,执行适应性反向学习操作,产生一个适应性反向种群OPt={OX1,OX2,...,OXPopsize};然后计算种群OPt中每个个体的适应值,再从Pt∪OPt中选择出适应值最小的前Popsize个个体作为下一代种群Pt+1;然后转到步骤8;
步骤7,执行传统差分演化算法的变异、交叉和选择操作算子产生下一代种群Pt+1;然后转到步骤8;
步骤8,保存适应值最小的个体为最优个体;当前评价次数FEs=FEs+Popsize;当前演化代数t=t+1;
步骤9,重复步骤5至步骤8直至评价次数FEs达到MAX_FEs后结束,执行过程中得到的最优个体即为机械参数优化设计各变量的结果值;
其中,所述步骤4基于定义
Minf(X),X=[X1,X2,...,XD]∈RD,其中,X为各个机械参数优化设计的变量组成的向量,D为机械参数优化设计的变量个数;
并满足约束条件:
gj(X)≤0,j=1...,M,其中,gj(X)≤0为第j个约束条件,M为约束条件个数;
具体操作步骤如下:
步骤4.1,记数器i=1,其中i表示当前个体的下标;
步骤4.2,如果i大于种群大小Popsize,则转到步骤4.13,否则执行以下步骤;
步骤4.3,令约束条件最大值MaxG=max(0,gj(Xi)),该MaxG是存储上述约束条件的最大值的变量;记数器j=2,其中j表示当前约束条件的下标;
步骤4.4,如果j大于约束条件个数M,则转到步骤4.7,否则执行以下步骤;
步骤4.5,判断MaxG是否小于max(0,gj(Xi)),若是则令MaxG=gj(Xi)后转到步骤4.6,否则直接转到步骤4.6;
步骤4.6,令j=j+1后转到步骤4.4;
步骤4.7,令j=1;惩罚系数Pena=0.0;
步骤4.8,判断j是否大于约束条件个数M,若是则执行步骤4.11,否则执行以下步骤;
步骤4.9,判断gj(Xi)是否大于0,若是则令惩罚系数 后转到步骤4.10,否则直接转到步骤4.10;
步骤4.10,令j=j+1;转到步骤4.8;
步骤4.11,按以下公式计算个体Xi的适应值Fiti:
其中,FEs为当前评价次数,MAX_FEs为最大评价次数,Pena为惩罚系数;
步骤4.12,令i=i+1;转到步骤4.2;
步骤4.13,当前评价次数FEs=FEs+Popsize,保存适应值最小的个体为最优个体;
其中,所述步骤6的具体操作步骤如下:
步骤6.1,按以下公式更新当前种群的搜索下界A∈RD和上界B∈RD:
Aj=min(Xij)
Bj=max(Xij)
其中i=1,...,Popsize;j=1,...,D;
步骤6.2,在[0,1]之间产生一个服从均匀分布的随机数K作为混沌运动初始值;如果混沌运动初始值K等于0.25,0.50或0.75,则再重新产生混沌运动初始值K;
步骤6.3,令记数器i=1;反向种群OPt=φ;
步骤6.4,如果i大于种群大小Popsize,则转到步骤6.13,否则执行以下步骤;
步骤6.5,按混沌运动方程计算反向学习因子K=4.0·K·(1-K);
步骤6.6,令记数器j=1;适应性反向个体OXi=Xi;
步骤6.7,如果j大于机械参数优化设计的变量个数D,则转到步骤6.11,否则执行以下步骤;
步骤6.8,令OXij=K·(Aj+Bj)-Xij,其中,K为反向学习因子,Aj,Bj分别为当前种群在第j个机械参数优化设计变量的搜索下界和上界;
步骤6.9,判断OXij是否满足以下条件1或条件2的其中任意一条:条件1:OXij小于第j个机械参数优化设计变量的取值范围的下界Lj;条件2:OXij大于第j个机械参数优化设计变量的取值范围上界Uj,若满足则令OXij=rand(Aj,Bj)后转到步骤6.10,否则直接转到步骤6.10;
步骤6.10,令j=j+1后返回至步骤6.7;
步骤6.11,计算适应性反向个体OXi的适应值,并令反向种群OPr=OPt∪{OXi};
步骤6.12,令i=i+1后返回至步骤6.4;
步骤6.13,从Pt∪OPt中选择出适应值最小的前Popsize个个体作为下一代种群Pt+1;
步骤6.14,转到步骤8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210300480.4A CN102819652B (zh) | 2012-08-22 | 2012-08-22 | 一种基于适应性反向差分演化的机械参数优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210300480.4A CN102819652B (zh) | 2012-08-22 | 2012-08-22 | 一种基于适应性反向差分演化的机械参数优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102819652A CN102819652A (zh) | 2012-12-12 |
CN102819652B true CN102819652B (zh) | 2015-01-14 |
Family
ID=47303763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210300480.4A Expired - Fee Related CN102819652B (zh) | 2012-08-22 | 2012-08-22 | 一种基于适应性反向差分演化的机械参数优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102819652B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246757A (zh) * | 2013-01-15 | 2013-08-14 | 河海大学常州校区 | 一种压缩弹簧的优化设计方法 |
CN103217642A (zh) * | 2013-03-06 | 2013-07-24 | 桂林电子科技大学 | SoC测试中基于进化计算的扫描链平衡方法 |
CN103345556B (zh) * | 2013-07-08 | 2016-05-18 | 北京航空航天大学 | 基于自调节双链量子遗传算法的焊接悬臂梁优化设计方法 |
CN104462759B (zh) * | 2014-11-04 | 2017-04-05 | 江西理工大学 | 基于反向精简差分演化算法的水质模型参数识别方法 |
CN104715124B (zh) * | 2015-04-09 | 2017-07-14 | 江西理工大学 | 一种基于云模型差分演化算法的桁架尺寸优化设计方法 |
CN105046712B (zh) * | 2015-08-07 | 2017-06-30 | 江西理工大学 | 基于适应性高斯差分演化的圆检测方法 |
CN108389209A (zh) * | 2018-02-28 | 2018-08-10 | 江西理工大学 | 应用多模式差分演化算法的葡萄图像分割方法 |
CN108595871B (zh) * | 2018-05-04 | 2022-07-01 | 江西理工大学 | 基于均值差分演化的液压支架优化设计方法 |
-
2012
- 2012-08-22 CN CN201210300480.4A patent/CN102819652B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
Opposition-Based Differential Evolution;Shahryar Rahnamayan等;《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》;20080229;第12卷(第1期);第64-79页 * |
基于一般反向学习的群体随机搜索算法框架;王晖;《南昌工程学院院报》;20120630;第31卷(第3期);全文 * |
结合机械设计约束处理的差分进化算法;何兵等;《机械设计》;20120420;第29卷(第4期);第17-21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102819652A (zh) | 2012-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102819652B (zh) | 一种基于适应性反向差分演化的机械参数优化设计方法 | |
Li et al. | A novel nonlinear optimization method for fitting a noisy Gaussian activation function | |
CN102567973B (zh) | 基于改进的形状自适应窗口的图像去噪方法 | |
Berestycki et al. | Dimers and imaginary geometry | |
CN103593519A (zh) | 一种基于试验设计的运载火箭总体参数优化方法 | |
Cheng et al. | Remote sensing image classification based on optimized support vector machine | |
CN108875915A (zh) | 一种面向嵌入式应用的深度对抗网络优化方法 | |
Meng | A maximum principle for optimal control problem of fully coupled forward-backward stochastic systems with partial information | |
CN107609668A (zh) | 一种基于抽象凸自适应策略的生产排产调度优化方法 | |
Satoh et al. | Fast and stable learning utilizing singular regions of multilayer perceptron | |
CN103577899A (zh) | 一种基于可靠性预测与QoS相结合的服务组合方法 | |
CN112183762A (zh) | 一种基于混合行为空间的强化学习方法 | |
Yang et al. | Short-term wind power prediction based on CEEMDAN and parallel CNN-LSTM | |
CN115019102A (zh) | 一种对抗样本生成模型的构建方法及应用 | |
CN114399078A (zh) | 一种负荷日前预测与超短期预测的协同预测方法及系统 | |
Wei | Stochastic maximum principle for mean-field forward-backward stochastic control system with terminal state constraints | |
CN110502784A (zh) | 一种产品仿真优化方法 | |
Tarun et al. | Optimizing selection of technologies in a multiple stage, multiple objective wastewater treatment system | |
Shou et al. | Hybrid differential evolution and sequential quadratic programming algorithm | |
CN105184077B (zh) | 过近距离下共振电能传输系统效率寻优粒子群指数方法 | |
Yang et al. | Improved Fractional-order Accumulation Grey Model in Data Prediction | |
AU2021105155A4 (en) | Task-based sampling network for Point Cloud Classification | |
CN115566692B (zh) | 无功优化决策的确定方法、装置、计算机设备和存储介质 | |
Zhou et al. | An effective chaotic cultural-based particle swarm optimization for constrained engineering design problems | |
Wu et al. | Learning to surface deep web content |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150114 Termination date: 20150822 |
|
EXPY | Termination of patent right or utility model |