CN110737951A - 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法 - Google Patents
一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法 Download PDFInfo
- Publication number
- CN110737951A CN110737951A CN201910833594.7A CN201910833594A CN110737951A CN 110737951 A CN110737951 A CN 110737951A CN 201910833594 A CN201910833594 A CN 201910833594A CN 110737951 A CN110737951 A CN 110737951A
- Authority
- CN
- China
- Prior art keywords
- individual
- whale
- cyclone separator
- random walk
- updating
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明公开了一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法,它包括以下步骤:步骤一、旋风分离器模型适应度函数的选取;步骤二、初始化鲸鱼优化算法基础参数;步骤三、计算每个个体的适应度值,并记录当代全局最优个体位置;步骤四、高斯随机游走机制;步骤五、检查位置更新是否越界;步骤六、更新全局最优解;步骤七、判断是否达到迭代次数;步骤八、确定优化后旋风分离器结构整定参数。本发明针对旋风分离器结构参数设置存在的问题,提出基于智能算法的优化结构参数模型,在旋风分离器设计系统中加入智能控制算法,以代替常规参数调试步骤,节省时间成本。本发明有助于旋风分离器的结构设计,同时也提高了分离性能与效果。
Description
技术领域
本发明属于智能控制技术领域,尤其涉及一种基于高斯随机游走机制鲸鱼算法的旋风分离器结构参数整定方法。
背景技术
旋风分离器是常用的工业分离设备之一,目前广泛应用于化工行业的气固两相分离。旋风分离器利用气流在螺旋形壳体中流动产生的离心力,使固态颗粒在壁面集中后利用重力和气流排出。与过滤和湿式洗涤器相比,旋风分离器结构简单,缺少运动部件,易于维护,运行成本低,可靠性高,收集效率高。是实用、高效和经济的细尘收集方法,并且即使在恶劣的操作环境下也可进行工作。
旋风分离器的结构尺寸对其分离性能有着较大影响。长期以来,研究人员一般都使用实验操作方法来测试参数对性能影响,此举耗时费力且浪费材料;后多采用计算流体力学(CFD)对旋风分离器的结构进行研究,但CFD通常关注单个几何因素对旋风分离器性能的影响,具有一定缺陷性。在旋风分离器性能上有两个参数用于评估其性能:旋风分离器的压降Eu和分离效率ηe。两参数分别代表收集操作过程的经济效率和有效性。
论文:李昌剑等.基于响应曲面法径向入口旋风分离器的结构优化[J].高校化学工程学报.2013,1(27):24-31.公开了一种采用流体力学软件对不同结构径向入口旋风分离器的气固两相流场的数值模拟,并基于响应曲面法得到旋风分离器的压降模型及分离效率模型,通过在考虑压降及分离效率权重的基础上,得到了最优性能的旋风分离器结构。在优化过程中,存在搜索精度低的问题。
发明内容
为解决上述旋风分离器结构参数优化方法搜索精度低的问题,本发明提供了一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法,通过在基础鲸鱼算法上引入高斯随机游走机制,提高算法搜索精度,增强了跳出局部最优解的能力,有利于鲸鱼优化算法勘探和开发平稳平衡,在求解具有约束和未知搜索空间的旋风分离器参数整定问题上具有一定的优越性和实用性。代替实验操作和人工模拟调试参数步骤,节省时间成本,为工程师和研究人员提供了比实验操作和计算流体力学模拟设置参数更为有效的方法,同时也提高了分离性能与效果。
为达到上述效果,本发明的技术方案是:一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法,包括以下步骤:
步骤一、旋风分离器模型适应度函数的选取:影响旋风分离器性能的结构参数如下:升气管直径与筒体直径之比dv/D,升气管插入深度与筒体直径hs/D,直筒段高度与筒体直径之比H/D,锥体段高度与筒体直径之比Hc/D,锥体底部直径与筒体直径之比dc/D,下降管高度与筒体直径之比hc/D及入口角度α;由X1,X2,X3,X4,X5,X6,X7分别代表上述七个参数,由七个参数建立分离器无因次压降欧拉数Eu和分离效率ηe的回归方程,建立适应度函数f(X1,X2,X3,X4,X5,X6,X7)=xEu+y(100-ηe),x为压降欧拉数Eu的权重,y为分离效率ηe的权重;
步骤二、初始化鲸鱼优化算法基础参数:初始化鲸群P的种群数目,即寻优个体数量为N,初始化空间维数D,由于每个鲸群的位置矢量由旋风分离器7个结构参数构成,故空间维数D=7,对分离器结构参数的取值范围进行参数设置,设置最大迭代次数Max_iter,则鲸群P的矩阵表达式如下:
步骤三、鲸群P的矩阵中个体初始化,将初始化后的个体代入适应度函数计算每个个体的适应度值,并记录当代全局最优个体位置X*(0),以初始化矩阵为基础进行个体位置更新,得到第一次更新X(1)并求取适应度值,更新当代全局最优个体位置,若X(1)中有适应度值比X*(0)小的个体,将此个体定为当代全局最优位置X*(1);若没有,当代全局最优位置X*(1)设为X*(0),以X(1)为基础进行个体位置更新,得到第二次更新X(2)并求取适应度值,更新当代全局最优个体位置,若X(2)中有适应度值比X*(1)小的个体,将此个体定为当代全局最优位置X*(2);若没有,当代全局最优位置X*(2)设为X*(1),依次进行个体位置更新,群体中新个体位置以当前个体位置X(t)为基础,向当代全局最优个体X*(t)包围并更新为位置X(t+1),t为当前更新次数;
步骤四、判断是否达到迭代次数:判断迭代次数,若满足终止条件则停止更新鲸鱼位置,否则转回步骤三;
步骤五、确定优化后旋风分离器结构整定参数:将当前适应度函数值最小的鲸鱼位置向量作为旋风分离器结构整定方法的7个可调参数,带入步骤一建立的回归方程,求取分离器无因次压降欧拉数Eu和分离效率ηe。
上述的一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法,步骤三中个体更新采用收缩包围机制或螺旋更新机制,机制由给定随机数p选择,p∈[0,1],当p<0.5时,选择收缩包围机制;当p≥0.5时,选择螺旋更新机制;
收缩包围机制又分为捕食和搜寻阶段:
A和C为系数向量,其定义为:A=2ar1-a,C=2r2,式中,r1和r2为[0,1]之间的随机数,a称为控制参数,
当|A|>1时,选择搜寻阶段,个体更新位置公式如下:X(t+1)=Xrand(t)-A·|C·Xrand(t)-X(t)|,式中,Xrand为当前群体中随机选取的个体位置向量;当|A|≤1时,选择捕食阶段,个体更新位置公式如下:X(t+1)=X*(t)-A·|C·X*(t)-X(t)|;
在螺旋更新机制中,个体位置更新公式如下:X(t+1)=D'·ebl·cos(2πl)+X*(t),式中,D'=|X*(t)-X(t)|,表示第i个个体和最优个体位置之间的距离,b为限定对数螺旋形状的常数,l为[-1,1]之间的随机数。
上述的一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法,还包括高斯随机游走机制:在群体依据当前最优个体或随机个体更新位置后,引入高斯随机游走机制,群体中个体位置经过收缩包围机制或螺旋更新机制更新后再经过高斯随机游走机制更新,高斯随机游走机制更新后再进行适应度值求解得到最优个体位置;高斯随机游走机制位置更新公式如下:X(t+1)=X(t)+τ·Gaussian(X(t),|X*(t)|)-(r3·X*(t)-r4·X(t)),式中,t为迭代次数,r3和r4为[0,1]之间的随机数。
上述的一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法,还包括检查位置更新是否越界:由于高斯随机机制具有跳出局部搜索能力,其位置更新可能超过分离器参数设置的范围,需对更新后位置进行判断,若超出设置参数范围,则随机选取当前代个体位置,若未超出设置参数范围,则进行下一步骤。
本发明的优点及效果:本发明将WOA鲸鱼优化算法和高斯随机游走机制相结合形成新的GWOA优化算法,而后,GWOA算法与旋风分离器结构参数整定问题相结合,构成智能结构优化系统。本发明所涉及的设计系统在旋风分离器设计系统基础上加入智能控制算法,代替实验操作和人工模拟调试参数步骤,节省时间成本,有助于旋风分离器的结构设计,为工程师和研究人员提供了比实验操作和计算流体力学模拟设置参数更为有效的方法,同时也提高了分离性能与效果。
附图说明
图1是本发明的径向入口式旋风分离器整定结构图。
图2是本发明的径向入口式旋风分离器结构参数示意图。
图3是本发明的基于高斯随机游走机制的鲸鱼优化算法流程图。
图中:1-混合体入口,2-固体出口,3-气体出口,4-升气管直径,5-升气管插入深度,6-直筒段高度,7-锥体段高度,8-下降管高度,9-锥体底部直径,10-筒体直径,11-入口角度。
具体实施方式
实施例:
如图1、2所示的一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法,包括以下步骤:
步骤一、旋风分离器模型适应度函数的选取。
在径向入口旋风分离器参数整定文献模型中,各部分结构如图1所示,选取固体粒径为1μm,入口直径di保持不变,影响分离器性能的参数如下:升气管直径与筒体直径之比dv/D,升气管插入深度与筒体直径hs/D,直筒段高度与筒体直径之比H/D,锥体段高度与筒体直径之比Hc/D,锥体底部直径与筒体直径之比dc/D,下降管高度与筒体直径之比hc/D及入口角度α。由此七个参数(X1,X2,X3,X4,X5,X6,X7),利用响应曲面法中采用的二阶中心复合设计方法,建立分离器无因次压降欧拉数Eu和分离效率ηe回归方程:
其中,X1∈(0.25,0.5),X2∈(0.5,1),X3∈(1,2),X4∈(1,2),X5∈(0.12,0.2),X6∈(0.1667,0.6667),X7∈(0,π/3)。
在保障压降较小的基础上尽可能提高分离器的分离效率,故设定Eu的权重为0.3,ηe的权重为0.7。则优化目标函数为f(X1,X2,X3,X4,X5,X6,X7)=0.3Eu+0.7(100-ηe)。
步骤二、初始化鲸鱼优化算法基础参数:初始化鲸群P的种群数目,即寻优个体数量为N。初始化空间维数D,由于每个鲸群的位置矢量由旋风分离器7个结构参数构成,故空间维数D=7。对分离器结构参数(X1,X2,X3,X4,X5,X6,X7)的取值范围进行参数设置。设置最大迭代次数Max_iter。则鲸群P的矩阵表达式如下:
步骤三、鲸群P的矩阵中个体初始化,将初始化后的个体代入适应度函数计算每个个体的适应度值,并记录当代全局最优个体位置X*(0),以初始化矩阵为基础进行个体位置更新,得到第一次更新X(1)并求取适应度值,更新当代全局最优个体位置,若X(1)中有适应度值比X*(0)小的个体,将此个体定为当代全局最优位置X*(1);若没有,当代全局最优位置X*(1)设为X*(0),以X(1)为基础进行个体位置更新,得到第二次更新X(2)并求取适应度值,更新当代全局最优个体位置,若X(2)中有适应度值比X*(1)小的个体,将此个体定为当代全局最优位置X*(2);若没有,当代全局最优位置X*(2)设为X*(1),依次进行个体位置更新,群体中新个体位置以当前个体位置X(t)为基础,向当代全局最优个体X*(t)包围并更新为位置X(t+1),t为当前更新次数。为模拟鲸鱼的的泡泡网捕食行为,设计两种捕食方式,分别为收缩包围机制和螺旋更新机制,二者选择概率相同,给定随机数p选择,p∈[0,1],当p<0.5时,选择收缩包围机制;当p≥0.5时,选择螺旋更新机制。
收缩包围机制又分为捕食和搜寻阶段:
当|A|>1时,选择搜寻阶段,个体更新位置公式如下:
X(t+1)=Xrand(t)-A·|C·Xrand(t)-X(t)|。
式中,Xrand为当前群体中随机选取的个体位置向量。
当|A|≤1时,选择捕食阶段,个体更新位置公式如下:
X(t+1)=X*(t)-A·|C·X*(t)-X(t)|。
在螺旋更新机制中,个体位置更新公式如下:
X(t+1)=D'·ebl·cos(2πl)+X*(t)。
式中,D'=|X*(t)-X(t)|,表示第i个个体和目标之间的距离。b为限定对数螺旋形状的常数,常取值为b=1。l为[-1,1]之间的随机数。
步骤四、高斯随机游走机制:在群体依据当前最优个体或随机个体更新位置后,引入高斯随机游走机制,通过对当前最优个体的引导,使种群在最优个体附件产生新的个体,加速算法的快速收敛,提高跳出局部最优解的能力;同时,通过对高斯分布的方差即步长τ进行自适应控制,使其在搜索初期数值较大,利于全局搜索能力,随着迭代次数的增加,τ值逐渐减小,提高局部搜索能力。
高斯随机游走机制位置更新公式如下:
X(t+1)=X(t)+τ·Gaussian(X(t),|X*(t)|)-(r3·X*(t)-r4·X(t))
步骤五、检查位置更新是否越界:由于高斯随机机制具有跳出局部搜索能力,其位置更新可能超过分离器参数设置的范围,需对更新后位置进行判断,若超出设置参数范围,则随机选取当前代个体位置,若未超出设置参数范围,则进行下一步骤。
步骤六、更新全局最优解X*(t)。
步骤七、判断是否达到迭代次数:判断迭代次数,若满足终止条件则停止更新鲸鱼位置,否则转回步骤三。
步骤八、确定基于高斯随机游走的鲸鱼算法优化PID控制器输出可调参数:将当前适应度函数值最小的鲸鱼位置向量作为旋风分离器结构整定方法的7个可调参数X1,X2,X3,X4,X5,X6,X7,带入步骤一建立的回归方程,求取分离器无因次压降欧拉数Eu和分离效率ηe。
以上所述,仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质上对以上实施例的任何简单修改、等同变化和修饰,仍均属于本发明技术方案的范围内。
Claims (4)
1.一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法,其特征在于包括以下步骤:
步骤一、旋风分离器模型适应度函数的选取:影响旋风分离器性能的结构参数如下:升气管直径与筒体直径之比dv/D,升气管插入深度与筒体直径hs/D,直筒段高度与筒体直径之比H/D,锥体段高度与筒体直径之比Hc/D,锥体底部直径与筒体直径之比dc/D,下降管高度与筒体直径之比hc/D及入口角度α;由X1,X2,X3,X4,X5,X6,X7分别代表上述七个参数,由七个参数建立分离器无因次压降欧拉数Eu和分离效率ηe的回归方程,建立适应度函数f(X1,X2,X3,X4,X5,X6,X7)=xEu+y(100-ηe),x为压降欧拉数Eu的权重,y为分离效率ηe的权重;
步骤二、初始化鲸鱼优化算法基础参数:初始化鲸群P的种群数目,即寻优个体数量为N,初始化空间维数D,由于每个鲸群的位置矢量由旋风分离器7个结构参数构成,故空间维数D=7,对分离器结构参数的取值范围进行参数设置,设置最大迭代次数Max_iter,则鲸群P的矩阵表达式如下:
步骤三、鲸群P的矩阵中个体初始化,将初始化后的个体代入适应度函数计算每个个体的适应度值,并记录当代全局最优个体位置X*(0),以初始化矩阵为基础进行个体位置更新,得到第一次更新X(1)并求取适应度值,更新当代全局最优个体位置,若X(1)中有适应度值比X*(0)小的个体,将此个体定为当代全局最优位置X*(1);若没有,当代全局最优位置X*(1)设为X*(0),依次进行个体位置更新,群体中新个体位置以当前个体位置X(t)为基础,向当代全局最优个体X*(t)包围并更新为位置X(t+1),t为当前更新次数;
步骤四、判断是否达到迭代次数:判断迭代次数,若满足终止条件则停止更新鲸鱼位置,否则转回步骤三;
步骤五、确定优化后旋风分离器结构整定参数:将当前适应度函数值最小的鲸鱼位置向量作为旋风分离器结构整定方法的7个可调参数,带入步骤一建立的回归方程,求取分离器无因次压降欧拉数Eu和分离效率ηe。
2.根据权利要求1所述的一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法,其特征在于步骤三中个体更新采用收缩包围机制或螺旋更新机制,机制由给定随机数p选择,p∈[0,1],当p<0.5时,选择收缩包围机制;当p≥0.5时,选择螺旋更新机制;
收缩包围机制又分为捕食和搜寻阶段:
A和C为系数向量,其定义为:A=2ar1-a,C=2r2,式中,r1和r2为[0,1]之间的随机数,a称为控制参数,
当|A|>1时,选择搜寻阶段,个体更新位置公式如下:X(t+1)=Xrand(t)-A·|C·Xrand(t)-X(t)|,式中,Xrand为当前群体中随机选取的个体位置向量;当|A|≤1时,选择捕食阶段,个体更新位置公式如下:X(t+1)=X*(t)-A·|C·X*(t)-X(t)|;
在螺旋更新机制中,个体位置更新公式如下:X(t+1)=D'·ebl·cos(2πl)+X*(t),式中,D'=|X*(t)-X(t)|,表示第i个个体和最优个体位置之间的距离,b为限定对数螺旋形状的常数,l为[-1,1]之间的随机数。
4.根据权利要求3所述的一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法,其特征在于还包括检查位置更新是否越界:由于高斯随机机制具有跳出局部搜索能力,其位置更新可能超过分离器参数设置的范围,需对更新后位置进行判断,若超出设置参数范围,则随机选取当前代个体位置,若未超出设置参数范围,则进行下一步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910833594.7A CN110737951B (zh) | 2019-09-04 | 2019-09-04 | 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910833594.7A CN110737951B (zh) | 2019-09-04 | 2019-09-04 | 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110737951A true CN110737951A (zh) | 2020-01-31 |
CN110737951B CN110737951B (zh) | 2020-10-13 |
Family
ID=69267463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910833594.7A Active CN110737951B (zh) | 2019-09-04 | 2019-09-04 | 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110737951B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163884A (zh) * | 2020-09-29 | 2021-01-01 | 北京工商大学 | 基于改进的鲸鱼算法的电动汽车充电站选址建模方法 |
CN112783172A (zh) * | 2020-12-31 | 2021-05-11 | 重庆大学 | 基于离散鲸鱼优化算法的agv与机器集成调度方法 |
CN113411006A (zh) * | 2021-05-19 | 2021-09-17 | 南昌大学 | 一种基于鲸鱼算法的并网模式下储能双向变流器充放电控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008044184A1 (de) * | 2007-11-29 | 2009-06-04 | BSH Bosch und Siemens Hausgeräte GmbH | Wirbeltrennvorrichtung zur Verwendung in einem Staubsauger sowie Staubsauger mit dieser Vorrichtung |
RU2015150781A (ru) * | 2015-11-26 | 2017-06-02 | Открытое акционерное общество "Завод им. В.А. Дегтярева" | Ультразвуковая система обнаружения препятствий движению подвижного объекта |
CN108241288A (zh) * | 2016-12-23 | 2018-07-03 | 重庆邮电大学 | 一种基于改进tlbo算法的pid控制器参数整定方法 |
CN108983142A (zh) * | 2018-05-23 | 2018-12-11 | 哈尔滨工程大学 | 一种基于量子鲸鱼优化机制的近场源测向方法 |
CN109711631A (zh) * | 2018-12-29 | 2019-05-03 | 杭州电子科技大学 | 一种改进粒子群算法的智能微电网优化调度方法 |
CN109765893A (zh) * | 2019-01-17 | 2019-05-17 | 重庆邮电大学 | 基于鲸鱼优化算法的移动机器人路径规划方法 |
CN109902873A (zh) * | 2019-02-28 | 2019-06-18 | 长安大学 | 一种基于改进型鲸鱼算法的云制造资源配置的方法 |
-
2019
- 2019-09-04 CN CN201910833594.7A patent/CN110737951B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008044184A1 (de) * | 2007-11-29 | 2009-06-04 | BSH Bosch und Siemens Hausgeräte GmbH | Wirbeltrennvorrichtung zur Verwendung in einem Staubsauger sowie Staubsauger mit dieser Vorrichtung |
RU2015150781A (ru) * | 2015-11-26 | 2017-06-02 | Открытое акционерное общество "Завод им. В.А. Дегтярева" | Ультразвуковая система обнаружения препятствий движению подвижного объекта |
CN108241288A (zh) * | 2016-12-23 | 2018-07-03 | 重庆邮电大学 | 一种基于改进tlbo算法的pid控制器参数整定方法 |
CN108983142A (zh) * | 2018-05-23 | 2018-12-11 | 哈尔滨工程大学 | 一种基于量子鲸鱼优化机制的近场源测向方法 |
CN109711631A (zh) * | 2018-12-29 | 2019-05-03 | 杭州电子科技大学 | 一种改进粒子群算法的智能微电网优化调度方法 |
CN109765893A (zh) * | 2019-01-17 | 2019-05-17 | 重庆邮电大学 | 基于鲸鱼优化算法的移动机器人路径规划方法 |
CN109902873A (zh) * | 2019-02-28 | 2019-06-18 | 长安大学 | 一种基于改进型鲸鱼算法的云制造资源配置的方法 |
Non-Patent Citations (2)
Title |
---|
SEYED EHSANRAFIEE 等: "Experimental and 3D CFD analysis on optimization of geometrical parameters of parallel vortex tube cyclone separator", 《AEROSPACE SCIENCE AND TECHNOLOGY》 * |
毛磊: "旋风分离器关键参数的仿真与优化", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163884A (zh) * | 2020-09-29 | 2021-01-01 | 北京工商大学 | 基于改进的鲸鱼算法的电动汽车充电站选址建模方法 |
CN112783172A (zh) * | 2020-12-31 | 2021-05-11 | 重庆大学 | 基于离散鲸鱼优化算法的agv与机器集成调度方法 |
CN112783172B (zh) * | 2020-12-31 | 2023-03-31 | 重庆大学 | 基于离散鲸鱼优化算法的agv与机器集成调度方法 |
CN113411006A (zh) * | 2021-05-19 | 2021-09-17 | 南昌大学 | 一种基于鲸鱼算法的并网模式下储能双向变流器充放电控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110737951B (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110737951A (zh) | 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法 | |
Wang et al. | Statistical mechanical description and modelling of turbulent collision of inertial particles | |
Xiao et al. | Gene clustering using self-organizing maps and particle swarm optimization | |
Alata et al. | Optimizing of fuzzy c-means clustering algorithm using GA | |
Van Soest et al. | The merits of a parallel genetic algorithm in solving hard optimization problems | |
Lissovoi et al. | On the time complexity of algorithm selection hyper-heuristics for multimodal optimisation | |
EP1979725A2 (en) | Sector meshing and neighbor searching for object interaction simulation | |
JP2006190191A (ja) | 情報処理装置および方法、並びにプログラム | |
Venkatesh et al. | Optimization and experimental investigation in bottom inlet cyclone separator for performance analysis | |
CN115983130A (zh) | 一种基于改进粒子群优化算法的全局最优解搜索方法 | |
JP7221062B2 (ja) | 流体解析システム、流体解析方法、および流体解析プログラム | |
Zhang et al. | Simulation-based calibration of geotechnical parameters using parallel hybrid moving boundary particle swarm optimization | |
CN115952611A (zh) | 一种飞行时间质谱仪的参数设计方法 | |
CN115879181A (zh) | 基于三维感知模型的视频传感器覆盖优化方法及装置 | |
Pierret et al. | Designing turbomachinery blades with the function approximation concept and the navier-stokes equations | |
Xiao et al. | Fitness estimation based particle swarm optimization algorithm for layout design of truss structures | |
CN107315903B (zh) | 一种智能的电场分析系统 | |
Perko et al. | Weight function shape parameter optimization in meshless methods for non-uniform grids | |
Waltz et al. | A performance comparison of tree data structures for N-body simulation | |
Zehtabiyan-Rezaie et al. | Generalized heat transfer and entropy generation of stratified air-water flow in entrance of a mini-channel | |
CN114328922A (zh) | 一种基于谱图理论的选择性文本聚类集成方法 | |
Li et al. | Prediction of 3D Cluster Energy Based on CatBoost Regression Model and Genetic Algorithm | |
CN112529143A (zh) | 一种目标邻居学习粒子群优化方法 | |
Rowe et al. | Coarse graining selection and mutation | |
Azmi et al. | Simultaneous computation of model order and parameter estimation for system identification based on gravitational search algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |