CN106919041A - 一种基于改进的量子遗传算法的扇形磨片排序方法 - Google Patents
一种基于改进的量子遗传算法的扇形磨片排序方法 Download PDFInfo
- Publication number
- CN106919041A CN106919041A CN201710057982.1A CN201710057982A CN106919041A CN 106919041 A CN106919041 A CN 106919041A CN 201710057982 A CN201710057982 A CN 201710057982A CN 106919041 A CN106919041 A CN 106919041A
- Authority
- CN
- China
- Prior art keywords
- fan
- population
- grinding
- genetic algorithm
- shaped grinding
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明一种基于改进的量子遗传算法的扇形磨片排序方法,属于自动化控制技术领域。本发明技术方案是由10个步骤组成,其中,步骤1,建立扇形磨片排序安装模型;步骤2,构建目标函数和约束条件;步骤3,采用实数编码方式,生成初代种群;步骤4,适应度值计算;步骤5,进行概率幅自适应更新,再根据更新概率幅更新种群;步骤6,根据遗传算法的交叉、变异更新种群;步骤7,再次进行适应度值计算;步骤8,进行最佳个体迁移;步骤9,判断是否满足终止条件;步骤10,输出最佳个体和适应度值即排序结果。本发明的优点在于对扇形磨片进行合理排序,提高纸浆磨浆机的生产效率和使用寿命,降低扇形磨片的剩余不平衡量。
Description
技术领域
本发明属于自动化控制技术领域,涉及一种基于改进的量子遗传算法的扇形磨片排序方法。
背景技术
造纸行业机械设备投资大、固定成本高,如何降低其生产成本,在激烈的竞争中夺取有利的竞争优势,是一个不可避免的话题。在造纸行业中,扇形磨片是在打浆环节中纤维原料经碾磨而形成纸浆的重要元件之一,同时碾磨的工作过程也使磨片极易磨损,它的使用寿命直接影响着成浆质量、生产效率以及生产成本。并且由于扇形磨片受生产加工工艺中某些因素的影响,导致生产出来的扇形磨片质量分布并不均匀,如果以随机的顺序进行安装,离心力的作用将会导致旋转机械剧烈振动,高速旋转甚至可能导致旋转部件的崩裂。安装扇形磨片前进行平衡校正,对扇形磨片进行合理的排序,能够减少扇形磨片安装之后的原有振动,降低转动轴的振动磨损和纸浆磨片的磨损,相应的提高磨浆质量与效率以及提高扇形磨片的使用寿命,同时也大大减少非正常停机时间,提高磨浆机的整体使用寿命,最终从扇形磨片的生产环节约造纸行业生产成本,鉴于此,一种基于改进的量子遗传算法的扇形磨片排序方法是业内急需。
发明内容
本发明一种基于改进的量子遗传算法的扇形磨片排序方法,提供一种改进的量子遗传算法,优化扇形磨片排序结果,从而提高磨浆机的生产效率和使用寿命。本发明技术方案是由10个步骤组成,其中,步骤1,建立扇形磨片排序安装模型;步骤2,构建目标函数和约束条件;步骤3,采用实数编码方式,生成初代种群;步骤4,适应度值计算;步骤5,进行概率幅自适应更新,再根据更新概率幅更新种群;步骤6,根据遗传算法的交叉、变异更新种群;步骤7,再次进行适应度值计算;步骤8,进行最佳个体迁移;步骤9,判断是否满足终止条件;步骤10,输出最佳个体和适应度值即排序结果。
本发明的优点在于对扇形磨片进行合理排序,提高纸浆磨浆机的生产效率和使用寿命,降低扇形磨片的剩余不平衡量。
附图说明
图1为一种基于改进的量子遗传算法的扇形磨片排序方法的原理图
图2为扇形磨片排序安装模型
图3为根据概率幅方差对概率幅进行更新调整的仿真效果图
图4为三种优化方法的优化结果对比图
具体实施方式
下面结合附图对本发明进行进一步的说明。
图1为一种基于改进的量子遗传算法的扇形磨片排序方法的原理图,采用一种改进的量子计算方法与遗传算法相结合的优化排序方法,即一方面,通过概率幅的自适应更新来进行种群的更新;另一方面,通过遗传算法的交叉、变异更新种群。避免局部收敛,加快收敛速度,达到优化扇形磨片排序的目的。
对于模型中,一种基于改进的量子遗传算法的扇形磨片排序方法,包括以下步骤:
步骤1,建立扇形磨片排序安装模型如图2所示,将某块磨片处于某一位置用参数集合的形式表达清楚,其设计方法为:
将扇形磨片排序安装模型设计为总数为n的环状放置的单个扇形磨片组成的成组磨盘,其中第i个扇形磨片的特性参数为:质量mi,质心位置(ri,θi),i=1,2,…,n,其中质心ci与该磨片的端面夹角为θi,ri为距圆心距离。则第i个扇形磨片在j位置时,与X轴正方向的夹角为:
式中:j=1,2,…,n。
扇形磨片i在位置j时的参数集合为:
Hi,j={mi,ri,θi,j} (2)
步骤2,构建目标函数和约束条件,其方法为:
首先,组合优化排序后的扇形磨片相对于旋转中心的不平衡量为:
Xi,j=miricos(θi,j) (4)
Yi,j=mirisin(θi,j) (5)式中:
Wi,j表示扇形磨片i在j位置时的总质量矩;Xi,j表示扇形磨片i在j位置时相对于X轴的质量矩;Yi,j表示扇形磨片i在j位置时相对于Y轴的质量矩。
再次,结合扇形磨片排序安装模型,构建扇形磨片相对于X轴的质量矩矩阵为:
同理扇形磨片相对于Y轴的质量矩矩阵为:
则优化目标函数为:
约束条件为:
式中:h表示扇形磨片编号,k表示扇形磨片所处位置,Ah,k表示在给定位置取1,其他位置取0。
步骤3,采用实数编码方式,生成初代种群,其方法为:
设置原始概率幅矩阵如式(10)所示,初代种群根据此初始概率幅矩阵产生,同时初代概率幅矩阵根据初代种群的结构形态和适应度值进行自适应的更新。以此方案保证概率幅矩阵和种群的循环迭代更新,同时也保证种群向种群最佳适应度值的方向收敛,概率幅矩阵内元素也向0或1的方向收敛。
式中:n为磨片组内扇形磨片的数量;pij=1/n表示扇形磨片i在j位置的取值概率。
步骤4,适应度值计算,其方法为:将初代种群带入目标函数(即适应度函数)进行适应度值计算。
步骤5,进行概率幅自适应更新,再根据更新概率幅更新种群,其方法为:①为了保证具有最佳适应度值的个体的取值概率增大,根据适应度值进行概率幅的更新。
设某一列的概率幅为:
P=n{p1,p2,…pbest,…,pn} (11)
式中:n表示磨片数目;
式中:c1为正整数,其取值为3。
将式(13)计算所得结果替换式(12)计算所得p′best,从而得到新的概率幅集合p。
②为了保证种群中某一位置上的普遍基因的取值概率增大,根据某一磨片在某一位置出现的次数进行概率幅的更新。
设种群规模为a,由1中方法得到更新后的某一列概率幅p={pi}。当前种群中该列中出现每个磨片的次数分别为:
{a1,a2,…,an}
式中:
得到更新后的概率为:
③为了保证种群的多样性,避免局部收敛,根据概率幅方差对概率幅进行更新调整。
通过前两步更新方法的调整,在种群进化过程中,每一列概率幅的某一位置逐渐收敛到1,而其他位置是向0的方向逐渐收敛,因此其方差也逐渐增大并趋于稳定,容易导致种群陷入局部收敛。为了避免局部收敛,根据概率幅的方差进行概率幅的再次调整,调整的仿真效果图如图3所示。
假设经前两步调整之后的某一列概率幅p={pi}。pi的更新方法如式(15)所示:
其中:
式中:c2为正整数,其取值为4;
步骤6,根据遗传算法的交叉、变异更新种群,其设计方法为:带入标准遗传算法进行交叉、变异操作,设置交叉算子为Pc=0.8,变异算子为Pm=0.08。
步骤7,再次进行适应度值计算,其设计方法为:将更新种群带入适应度值函数进行适应度值计算。
步骤8,进行最佳个体迁移,其方法为:将父代种群中具有最佳适应度值的个体复制到子代中,以保证每代种群在进化中总有向优趋势。
步骤9,判断是否满足终止条件,其方法为:通过适应度值判断经上述操作的群体性能是否满足剩余不平衡量小于0.05kg.m,或者已完成预定迭代次数,如果有执行步骤10,输出最佳个体和适应度值即排序结果;如果没有则返回步骤5。
图4为三种优化方法的优化结果对比图,对改进的量子遗传算法进行模拟分析,优化结果1表示标准遗传算法的优化结果,优化结果2表示自适应遗传算法优化结果,优化结果3表示一种基于改进的量子遗传算法的扇形磨片排序方法的优化结果。
Claims (10)
1.一种基于改进的量子遗传算法的扇形磨片排序方法,其特征在于,所述的一种基于改进的量子遗传算法的扇形磨片排序方法包含以下步骤:
步骤1,建立扇形磨片排序安装模型;
步骤2,构建目标函数和约束条件;
步骤3,采用实数编码方式,生成初代种群;
步骤4,适应度值计算;
步骤5,进行概率幅自适应更新,再根据更新概率幅更新种群;
步骤6,根据遗传算法的交叉、变异更新种群;
步骤7,再次进行适应度值计算;
步骤8,进行最佳个体迁移;
步骤9,判断是否满足终止条件;
步骤10,输出最佳个体和适应度值即排序结果。
2.如权利要求1所述的一种基于改进的量子遗传算法的扇形磨片排序方法,其特征在于步骤1,建立扇形磨片排序安装数学模型,将某块磨片处于某一位置用参数集合的形式表达清楚,其设计方法为:
将扇形磨片排序安装模型设计为总数为n的环状放置的单个扇形磨片组成的成组磨盘,其中第i个扇形磨片的特性参数为:质量mi,质心位置(ri,θi),i=1,2,…,n,其中质心ci与该磨片的端面夹角为θi,ri为距圆心距离。则第i个扇形磨片在j位置时,与X轴正方向的夹角为:
式中:j=1,2,…,n。
扇形磨片i在位置j时的参数集合为:
Hi,j={mi,ri,θi,j} (2)
3.如权利要求1所述的一种基于改进的量子遗传算法的扇形磨片排序方法,其特征在于步骤2,构建目标函数和约束条件,其方法为:
首先,组合优化排序后的扇形磨片相对于旋转中心的不平衡量为:
Xi,j=miricos(θi,j) (4)
Yi,j=mirisin(θi,j) (5)
式中:
Wi,j表示扇形磨片i在j位置时的总质量矩;Xi,j表示扇形磨片i在j位置时相对于X轴的质量矩;Yi,j表示扇形磨片i在j位置时相对于Y轴的质量矩。
再次,结合扇形磨片排序安装模型,构建扇形磨片相对于X轴的质量矩矩阵为:
同理扇形磨片相对于Y轴的质量矩矩阵为:
则优化目标函数为:
约束条件为:
式中:h表示扇形磨片编号,k表示扇形磨片所处位置,Ah,k表示在给定位置取1,其他位置取0。
4.如权利要求1所述的一种基于改进的量子遗传算法的扇形磨片排序方法,其特征在于步骤3,采用实数编码方式,生成初代种群,其方法为:设置原始概率幅矩阵如式(10)所示,初代种群根据此初始概率幅矩阵产生,同时初代概率幅矩阵根据初代种群的结构形态和适应度值进行自适应的更新。以此方案保证概率幅矩阵和种群的循环迭代更新,同时也保证种群向种群最佳适应度值的方向收敛,概率幅矩阵内元素也向0或1的方向收敛。
式中:n为磨片组内扇形磨片的数量;pij=1/n表示扇形磨片i在j位置的取值概率。
5.如权利要求1所述的一种基于改进的量子遗传算法的扇形磨片排序方法,其特征在于步骤4,适应度值计算,其方法为:将初代种群带入目标函数(即适应度函数)进行适应度值计算。
6.如权利要求1所述的一种基于改进的量子遗传算法的扇形磨片排序方法,其特征在于步骤5,进行概率幅自适应更新,再根据更新概率幅更新种群,其方法为:
①为了保证具有最佳适应度值的个体的取值概率增大,根据适应度值进行概率幅的更新。
设某一列的概率幅为:
P={p1,p2,…pbest,…,pn} (11)
式中:n表示磨片数目;
式中:c1为正整数,其取值为3。
将式(13)计算所得结果替换式(12)计算所得p′best,从而得到新的概率幅集合p。
②为了保证种群中某一位置上的普遍基因的取值概率增大,根据某一磨片在某一位置出现的次数进行概率幅的更新。
设种群规模为a,由1中方法得到更新后的某一列概率幅p={pi}。当前种群中该列中出现每个磨片的次数分别为:
{a1,a2,…,an}
式中:
得到更新后的概率为:
③为了保证种群的多样性,避免局部收敛,根据概率幅方差对概率幅进行更新调整。
通过前两步更新方法的调整,在种群进化过程中,每一列概率幅的某一位置逐渐收敛到1,而其他位置是向0的方向逐渐收敛,因此其方差也逐渐增大并趋于稳定,容易导致种群陷入局部收敛。为了避免局部收敛,根据概率幅的方差进行概率幅的再次调整。
假设经前两步调整之后的某一列概率幅p={pi}。pi的更新方法如式(15)所示:
其中:
式中:c2为正整数,其取值为4。
7.如权利要求1所述的一种基于改进的量子遗传算法的扇形磨片排序方法,其特征在于步骤6,根据遗传算法的交叉、变异更新种群,其设计方法为:带入标准遗传算法进行交叉、变异操作,设置交叉算子为Pc=0.8,变异算子为Pm=0.08。
8.如权利要求1所述的一种基于改进的量子遗传算法的扇形磨片排序方法,其特征在于步骤7,再次进行适应度值计算,其设计方法为:将更新种群带入适应度值函数进行适应度值计算。
9.如权利要求1所述的一种基于改进的量子遗传算法的扇形磨片排序方法,其特征在于步骤8,进行最佳个体迁移,其方法为:将父代种群中具有最佳适应度值的个体复制到子代中,以保证每代种群在进化中总有向优趋势。
10.如权利要求1所述的一种基于改进的量子遗传算法的扇形磨片排序方法,其特征在于步骤9,判断是否满足终止条件,其方法为:通过适应度值判断经上述操作的群体性能是否满足剩余不平衡量小于0.05kg.m,或者已完成预定迭代次数,如果有执行步骤10,输出最佳个体和适应度值即排序结果;如果没有则返回步骤5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710057982.1A CN106919041A (zh) | 2017-01-23 | 2017-01-23 | 一种基于改进的量子遗传算法的扇形磨片排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710057982.1A CN106919041A (zh) | 2017-01-23 | 2017-01-23 | 一种基于改进的量子遗传算法的扇形磨片排序方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106919041A true CN106919041A (zh) | 2017-07-04 |
Family
ID=59454068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710057982.1A Pending CN106919041A (zh) | 2017-01-23 | 2017-01-23 | 一种基于改进的量子遗传算法的扇形磨片排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106919041A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889244A (zh) * | 2019-12-20 | 2020-03-17 | 哈尔滨工业大学 | 一种基于质量矩极小化的大型高速回转装备叶片的排序方法 |
CN111079229A (zh) * | 2019-12-20 | 2020-04-28 | 哈尔滨工业大学 | 一种基于云自适应遗传算法的大型高速回转装备不平衡量的双目标优化方法 |
CN111125904A (zh) * | 2019-12-20 | 2020-05-08 | 哈尔滨工业大学 | 一种基于多目标调控的大型高速回转装备叶片排序方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1672569A1 (en) * | 2004-12-20 | 2006-06-21 | STMicroelectronics S.r.l. | A method of performing a quantum algorithm for simulating a genetic algorithm |
CN101101234A (zh) * | 2007-06-25 | 2008-01-09 | 北京航空航天大学 | 一种实现高光谱地物精细分类的独立成分分析全局搜索方法 |
BRPI1000057A2 (pt) * | 2010-01-27 | 2011-09-20 | Faculdades Catolicas Mantenedora Da Pontificia Universidade Catolica Do Rio De Janeiro Puc Rio | método otimizador de desempenho de células solares e aparato otimizador de desempenho |
CN102768701A (zh) * | 2012-07-02 | 2012-11-07 | 河海大学常州校区 | 基于量子遗传算法的高压开关柜绝缘子电场优化方法 |
CN102777878A (zh) * | 2012-07-06 | 2012-11-14 | 广东电网公司电力科学研究院 | 一种基于改进遗传算法的超超临界机组主汽温pid控制方法 |
CN102880903A (zh) * | 2012-07-13 | 2013-01-16 | 刘立峰 | 混沌量子粒子群模糊神经网络叠前非线性流体识别方法 |
CN104181817A (zh) * | 2014-09-12 | 2014-12-03 | 河海大学常州校区 | 一种新型的两轮自平衡电动车系统控制器的设计方法 |
CN104267778A (zh) * | 2014-09-17 | 2015-01-07 | 河海大学常州校区 | 一种基于功率微分的光伏发电最大功率点跟踪方法 |
CN105043666A (zh) * | 2015-09-09 | 2015-11-11 | 长春工业大学 | 一种用于固定扇形纸浆磨片的固定尺 |
CN105067094A (zh) * | 2015-09-09 | 2015-11-18 | 长春工业大学 | 一种扭矩式扇形纸浆磨片质量质心检测装置 |
CN105719003A (zh) * | 2016-01-13 | 2016-06-29 | 中国南方电网有限责任公司超高压输电公司 | 一种基于量子遗传算法的换流变压器局放超声定位方法 |
CN105787605A (zh) * | 2016-03-24 | 2016-07-20 | 上海电力学院 | 基于改进型量子遗传算法的微网经济优化运行调度方法 |
CN205655900U (zh) * | 2016-05-12 | 2016-10-19 | 徐燃 | 一种用于检测扇形纸浆磨片质量质心的机构 |
CN106096757A (zh) * | 2016-05-31 | 2016-11-09 | 天津天大求实电力新技术股份有限公司 | 基于改进量子遗传算法的微网储能选址定容优化方法 |
CN106340888A (zh) * | 2016-09-18 | 2017-01-18 | 国网福建省电力有限公司 | 基于佳点集量子粒子群算法的交直流系统无功优化方法 |
-
2017
- 2017-01-23 CN CN201710057982.1A patent/CN106919041A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1672569A1 (en) * | 2004-12-20 | 2006-06-21 | STMicroelectronics S.r.l. | A method of performing a quantum algorithm for simulating a genetic algorithm |
CN101101234A (zh) * | 2007-06-25 | 2008-01-09 | 北京航空航天大学 | 一种实现高光谱地物精细分类的独立成分分析全局搜索方法 |
BRPI1000057A2 (pt) * | 2010-01-27 | 2011-09-20 | Faculdades Catolicas Mantenedora Da Pontificia Universidade Catolica Do Rio De Janeiro Puc Rio | método otimizador de desempenho de células solares e aparato otimizador de desempenho |
CN102768701A (zh) * | 2012-07-02 | 2012-11-07 | 河海大学常州校区 | 基于量子遗传算法的高压开关柜绝缘子电场优化方法 |
CN102777878A (zh) * | 2012-07-06 | 2012-11-14 | 广东电网公司电力科学研究院 | 一种基于改进遗传算法的超超临界机组主汽温pid控制方法 |
CN102880903A (zh) * | 2012-07-13 | 2013-01-16 | 刘立峰 | 混沌量子粒子群模糊神经网络叠前非线性流体识别方法 |
CN104181817A (zh) * | 2014-09-12 | 2014-12-03 | 河海大学常州校区 | 一种新型的两轮自平衡电动车系统控制器的设计方法 |
CN104267778A (zh) * | 2014-09-17 | 2015-01-07 | 河海大学常州校区 | 一种基于功率微分的光伏发电最大功率点跟踪方法 |
CN105043666A (zh) * | 2015-09-09 | 2015-11-11 | 长春工业大学 | 一种用于固定扇形纸浆磨片的固定尺 |
CN105067094A (zh) * | 2015-09-09 | 2015-11-18 | 长春工业大学 | 一种扭矩式扇形纸浆磨片质量质心检测装置 |
CN105719003A (zh) * | 2016-01-13 | 2016-06-29 | 中国南方电网有限责任公司超高压输电公司 | 一种基于量子遗传算法的换流变压器局放超声定位方法 |
CN105787605A (zh) * | 2016-03-24 | 2016-07-20 | 上海电力学院 | 基于改进型量子遗传算法的微网经济优化运行调度方法 |
CN205655900U (zh) * | 2016-05-12 | 2016-10-19 | 徐燃 | 一种用于检测扇形纸浆磨片质量质心的机构 |
CN106096757A (zh) * | 2016-05-31 | 2016-11-09 | 天津天大求实电力新技术股份有限公司 | 基于改进量子遗传算法的微网储能选址定容优化方法 |
CN106340888A (zh) * | 2016-09-18 | 2017-01-18 | 国网福建省电力有限公司 | 基于佳点集量子粒子群算法的交直流系统无功优化方法 |
Non-Patent Citations (1)
Title |
---|
王定: "纸浆磨浆机磨片组合平衡系统设计与研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889244A (zh) * | 2019-12-20 | 2020-03-17 | 哈尔滨工业大学 | 一种基于质量矩极小化的大型高速回转装备叶片的排序方法 |
CN111079229A (zh) * | 2019-12-20 | 2020-04-28 | 哈尔滨工业大学 | 一种基于云自适应遗传算法的大型高速回转装备不平衡量的双目标优化方法 |
CN111125904A (zh) * | 2019-12-20 | 2020-05-08 | 哈尔滨工业大学 | 一种基于多目标调控的大型高速回转装备叶片排序方法 |
CN111125904B (zh) * | 2019-12-20 | 2024-01-16 | 哈尔滨工业大学 | 一种基于多目标调控的大型高速回转装备叶片排序方法 |
CN110889244B (zh) * | 2019-12-20 | 2024-05-10 | 哈尔滨工业大学 | 一种基于质量矩极小化的大型高速回转装备叶片的排序方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919041A (zh) | 一种基于改进的量子遗传算法的扇形磨片排序方法 | |
CN107301473B (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
Blanchette et al. | Breakpoint phylogenies | |
CN106611379A (zh) | 一种改进文化基因算法求解多目标柔性作业车间调度问题 | |
CN108492025A (zh) | 基于混合差分遗传算法的高端装备制造过程协同调度方法 | |
CN101242103A (zh) | 电力系统稳定器参数的智能优化方法 | |
Tasgetiren et al. | A particle swarm optimization and differential evolution algorithms for job shop scheduling problem | |
CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
CN109340046A (zh) | 一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法 | |
CN107341564A (zh) | 一种基于自适应加速因子粒子群优化算法的裁剪分床方法 | |
CN106777521B (zh) | 基于双链量子遗传算法的发电机组涉网参数优化方法 | |
CN111310884A (zh) | 一种基于数据驱动进化算法的风电机组最优布局方法 | |
CN111079229B (zh) | 一种大型高速回转装备不平衡量的双目标优化方法 | |
CN110889244B (zh) | 一种基于质量矩极小化的大型高速回转装备叶片的排序方法 | |
CN112015631A (zh) | 一种面向软件缺陷预测的不平衡数据生成方法 | |
CN111125904B (zh) | 一种基于多目标调控的大型高速回转装备叶片排序方法 | |
CN111654068B (zh) | 一种双建议运行区水电机组有功功率控制方法 | |
CN108710748A (zh) | 一种平面四杆机构轨迹设计的果蝇优化方法 | |
WO2023019735A1 (zh) | 虚拟机的部署方法、装置、设备以及计算机可读存储介质 | |
CN112948971B (zh) | 一种磁悬浮列车速度曲线的节能优化方法 | |
CN102708241A (zh) | 一种用于油藏历史拟合的快速粒子群方法 | |
Zhao et al. | Performance Optimization and Experimental Study of Small-Scale Potato-Grading Device | |
CN110989542B (zh) | 一种用于烟草打叶复烤生产的排产方法及系统 | |
CN110569117A (zh) | 基于优化粒子群的供电所智能云平台任务调度算法及系统 | |
Gholamian et al. | Enhanced comprehensive learning cooperative particle swarm optimization with fuzzy inertia weight (ECLCFPSO-IW) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170704 |