CN112380645A - 一种基于蚁群算法的螺旋输送机优化设计方法 - Google Patents

一种基于蚁群算法的螺旋输送机优化设计方法 Download PDF

Info

Publication number
CN112380645A
CN112380645A CN202011237568.7A CN202011237568A CN112380645A CN 112380645 A CN112380645 A CN 112380645A CN 202011237568 A CN202011237568 A CN 202011237568A CN 112380645 A CN112380645 A CN 112380645A
Authority
CN
China
Prior art keywords
ant colony
design
spiral conveyor
screw conveyor
optimal solution
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
Application number
CN202011237568.7A
Other languages
English (en)
Inventor
梅潇
薛玉坤
王康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202011237568.7A priority Critical patent/CN112380645A/zh
Publication of CN112380645A publication Critical patent/CN112380645A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Screw Conveyors (AREA)

Abstract

本发明公开了一种基于蚁群算法的螺旋输送机结构优化设计方法，本方法以螺旋输送机质量最轻和输送效率最大为优化目标，首先建立螺旋输送机结构优化数学模型，该数学模型以螺旋输送机质量最轻，输送效率最大作为约束条件；结合螺旋输送机的结构确定设计变量以及约束条件；采用蚁群算法来搜寻蚁群位置和信息素浓度的全局最优解；当满足结束条件后输出全局最优解；用得出的全局最优解对应螺旋输送机对应的设计参数，最后得出螺旋输送机的最优设计方案。本发明提供的方法操作简单，只需要输入初始参数、约束和边界条件，即可快速得出设计方案，适用于一线设计人员，对于螺旋输送机优化设计可以降低求解难度和提高求解的效率。

Description

一种基于蚁群算法的螺旋输送机优化设计方法
技术领域
本发明涉及螺旋输送机优化设计技术领域，具体涉及一种基于蚁群算法的螺旋输送机优化设计方法。
背景技术
螺旋输送机是一种用途广泛的运输机械,它是利用螺旋体与物料之间产生的相对运动进行输送，具有以下优点：(1)输送部分处于封闭状态，一定程度上避免了粉尘，改善了工作环境，其物料输送的优势更加明显；(2)整机结构与工艺布置较为简单，便于设计与施工； (3)工作效率高，操作简单，可以节约物料输送成本；(4)工作状态下的运动部件较少，使得易损耗部件较少，维修方便；(5)具有水平、倾斜和垂直输送段，更容易实现设备的机械化，自动化和智能化，不仅节能环保，而且省时高效。因此越来越多的制造商开始开发螺旋式输送机。
但是，螺旋输送机的设计准则是既要保证机器有足够的强度、刚度,同时还要保证有足够的输送量和消耗较小的动力，螺旋体是机器的核心,它需要设计的参数较多,且关系较复杂,相互制约影响,传统设计方法计算复杂且不一定能得出最佳设计方案。
蚁群算法源于对自然界中蚂蚁觅食行为过程的模拟，蚂蚁在运动过程中会在所经过的路径上留下一种称为信息素的物质,后面的蚂蚁可根据前面的蚂蚁所留下的信息素选择行进的路径,路径上走过的蚂蚁越多,留下的信息素就越强,后面蚂蚁选择它的概率就越大，蚂蚁群体的这种集体行为实际上构成了一种学习信息的正反馈现象, 蚂蚁之间通过这种信息,交流通向食物的最短路径，蚁群算法正是借鉴了这种优化机制，将问题的解表示为有序点列，蚂蚁在相邻节点间移走，释放信息素，并由此指导蚂蚁选择下一个相邻节点，通过个体之间的信息交流与相互协作最终找到最优解。
因此，需要提供针对上述现有技术不足的一种基于蚁群算法的螺旋输送机优化设计方法。
发明内容
本发明的目的在于提供一种基于蚁群算法的螺旋输送机优化设计方法，以至少解决螺旋输送机传统设计方法计算复杂且不一定能得出最佳设计方案的问题。
为了实现上述目的，本发明提供如下技术方案：
一种基于蚁群算法的螺旋输送机优化设计方法，步骤如下：
1)建立螺旋输送机结构优化数学模型，该蚁群算法以螺旋输送机结构的材料质量最轻为目标优化，以螺旋输送机空心轴外径、内径、螺旋叶片直径以及螺距为设计变量，并估计所述各设计变量的取值范围，以刚度、功率、转速、扭转强度、输送效率、变量的边界限制、空心轴壁厚要求、叶片长度要求为约束条件，初定螺旋输送机初始参数，包括螺旋长度、叶片厚度；
2)将用于确定螺旋输送机设计方案的对应参数组负载于蚁群上，使一群的位置和信息浓度由该参数组来表示，蚁群的位置与信息素浓度对应的不同参数组可以确定不同的设计方案，每个位置和信息素浓度对应一种螺旋输送机设计方案；
3)运用蚁群算法，通过对蚁群位置和信息素浓度的更新来达到在全局中搜寻最优解的目的；
4)搜寻结束后得出全局最优解，将该最优解对应参数转化为螺旋输送机的对应设计参数，进而确定螺旋输送机的设计方案。
进一步的，第3)步采用蚁群算法来搜寻蚁群的全局最优解，具体优化公式为：
Figure RE-GDA0002891944680000031
X＝[x1,x2,x3,x4]T＝[Dp,s,D,d]T
s.t.
li≤xi≤ui,i＝1,2...4
gj(x)≤aj,j＝1，2...7
其中，V为螺旋输送机结构的总质量；D为空心轴的外径；d为空心轴的内径；Dp为螺旋叶片的直径；S为螺距；L为长度；t为叶片厚度；；ui和li分别是第i个设计变量的上限、下限，gi为约束函数； aj为约束的上限；i，j为计数变量。
与最接近的现有技术相比，本发明提供的技术方案具有如下优异效果：
1、本发明运用蚁群算法，其具有方便处理约束条件，善于利用问题启发式信息等特点，采用两层搜索的连续空间蚁群优化求解方法，对于螺旋输送机优化设计可以降低求解难度和提高求解的效率。
2、本发明操作简单，只需要输入初始参数、约束和边界条件，即可快速得出设计方案，适用于一线设计人员。
附图说明
图1为本发明螺旋输送机的螺旋体结构示意图；
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。本发明中使用的术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间部件间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
一种基于蚁群算法的螺旋输送机优化设计方法，步骤如下：
1)建立螺旋输送机结构优化数学模型，该蚁群算法以螺旋输送机结构的材料质量最轻为目标优化，以螺旋输送机空心轴外径、内径、螺旋叶片直径以及螺距为设计变量，并估计所述各设计变量的取值范围，以刚度、功率、转速、扭转强度、输送效率、变量的边界限制、空心轴壁厚要求、叶片长度要求为约束条件，初定螺旋输送机初始参数，包括螺旋长度、叶片厚度；
2)将用于确定螺旋输送机设计方案的对应参数组负载于蚁群上，使蚁群的位置和信息浓度由该参数组来表示，蚁群的位置与信息素浓度对应的不同参数组可以确定不同的设计方案，每个位置和信息素浓度对应一种螺旋输送机设计方案；
3)运用蚁群算法，通过对蚁群位置和信息素浓度的更新来达到在全局中搜寻最优解的目的,具体优化公式为：
Figure RE-GDA0002891944680000051
X＝[x1,x2,x3,x4]T＝[Dp,s,D,d]T
s.t.
li≤xi≤ui,i＝1,2...4
gj(x)≤aj,j＝1，2...7
其中，V为螺旋输送机结构的总质量；D为空心轴的外径；d为空心轴的内径；Dp为螺旋叶片的直径；S为螺距；L为长度；t为叶片厚度；；ui和li分别是第i个设计变量的上限、下限，gi为约束函数； aj为约束的上限；i，j为计数变量；
4)搜寻结束后得出全局最优解，将该最优解对应参数转化为螺旋输送机的对应设计参数，进而确定螺旋输送机的设计方案。
第3)步采用蚁群算法来搜寻蚁群的全局最优解，涉及启发式函数和信息素调整两个概念，涉及如下概念：
1)启发式函数：
Figure RE-GDA0002891944680000052
表示在t时刻i节点至j节点的期望值，反映了环境中的信息素浓度对路径选择概率的影响，是蚂蚁群体协作紧密程度的一个表征；
2)信息素更新
τij(t+n)＝(1-ρ)·τij(t)+Δτij(t)
Figure RE-GDA0002891944680000053
其中ρ为挥发系数，表征环境中信息素衰减的速度，可认为选取(0，1)中的任何值；Δτij(t)为i-j路径信息素增量，
Figure RE-GDA0002891944680000061
为蚂蚁k 在i-j路径上的信息素增量。
第3)步采用蚁群算法来搜寻蚁群的全局最优解，所采用约束条件为刚度约束条件、功率约束条件、转速约束条件、扭转强度约束条件、输送效率约束条件、变量的边界限制约束条件、空心轴壁厚要求约束条件、叶片长度要求约束条件。
综上，本发明提供的一种基于蚁群算法的螺旋输送机优化设计方法，蚁群算法具有方便处理约束条件，善于利用问题启发式信息等特点，采用两层搜索的连续空间蚁群优化求解方法，对于螺旋输送机优化设计可以降低求解难度和提高求解的效率，本发明操作简单，只需要输入初始参数、约束和边界条件，即可快速得出设计方案，方便于一线设计人员。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于蚁群算法的螺旋输送机优化设计方法，其特征在于，步骤如下：
1)建立螺旋输送机结构优化数学模型，该蚁群算法以螺旋输送机结构的材料质量最轻为目标优化，以螺旋输送机空心轴外径、内径、螺旋叶片直径以及螺距为设计变量，并估计所述各设计变量的取值范围，以刚度、功率、转速、扭转强度、输送效率、变量的边界限制、空心轴壁厚要求、叶片长度要求为约束条件，初定螺旋输送机初始参数，包括螺旋长度、叶片厚度；
2)将用于确定螺旋输送机设计方案的对应参数组负载于蚁群上，使蚁群的位置和信息素浓度由该参数组来表示，蚁群的位置与信息素浓度对应的不同参数组可以确定不同的设计方案，每个位置和信息素浓度对应一种螺旋输送机设计方案；
3)运用蚁群算法，通过对蚁群位置和信息素浓度的更新来达到在全局中搜寻最优解的目的；
4)搜寻结束后得出全局最优解，将该最优解对应参数转化为螺旋输送机的对应设计参数，进而确定螺旋输送机的设计方案。
2.根据权利要求1所述的方法，其特征在于，所述第3)步采用蚁群算法来搜寻蚁群的全局最优解，具体优化公式为：
Figure FDA0002767242900000011
X＝[x1,x2,x3,x4]T＝[Dp,s,D,d]T
s.t.
li≤xi≤ui,i＝1,2...4
gj(x)≤aj,j＝1，2...7
其中，V为螺旋输送机结构的总质量；D为空心轴的外径；d为空心轴的内径；Dp为螺旋叶片的直径；S为螺距；L为长度；t为叶片厚度；；ui和li分别是第i个设计变量的上限、下限，gi为约束函数；aj为约束的上限；i，j为计数变量。
3.根据权利要求1所述的方法，其特征在于，所述第3)步采用蚁群蚁群算法来搜寻蚁群的全局最优解，涉及启发式函数和信息素更新两个概念，涉及如下概念：
1)启发式函数：
Figure FDA0002767242900000021
表示在t时刻i节点至j节点的期望值，反映了环境中的信息素浓度对路径选择概率的影响，是蚂蚁群体协作紧密程度的一个表征；
2)信息素更新
τij(t+n)＝(1-ρ)·τij(t)+Δτij(t)
Figure FDA0002767242900000022
其中ρ为挥发系数，表征环境中信息素衰减的速度，可认为选取(0，1)中的任何值；Δτij(t)为i-j路径信息素增量，
Figure FDA0002767242900000023
为蚂蚁k在i-j路径上的信息素增量。
CN202011237568.7A 2020-11-09 2020-11-09 一种基于蚁群算法的螺旋输送机优化设计方法 Pending CN112380645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011237568.7A CN112380645A (zh) 2020-11-09 2020-11-09 一种基于蚁群算法的螺旋输送机优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011237568.7A CN112380645A (zh) 2020-11-09 2020-11-09 一种基于蚁群算法的螺旋输送机优化设计方法

Publications (1)

Publication Number Publication Date
CN112380645A true CN112380645A (zh) 2021-02-19

Family

ID=74578528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011237568.7A Pending CN112380645A (zh) 2020-11-09 2020-11-09 一种基于蚁群算法的螺旋输送机优化设计方法

Country Status (1)

Country Link
CN (1) CN112380645A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920782A (zh) * 2018-09-30 2018-11-30 安徽华电工程咨询设计有限公司 一种基于蚁群算法的输电钢管塔结构优化设计方法
US20200201677A1 (en) * 2018-04-11 2020-06-25 Shenzhen University Cloud computing task allocation method and device, apparatus, and storage medium

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200201677A1 (en) * 2018-04-11 2020-06-25 Shenzhen University Cloud computing task allocation method and device, apparatus, and storage medium
CN108920782A (zh) * 2018-09-30 2018-11-30 安徽华电工程咨询设计有限公司 一种基于蚁群算法的输电钢管塔结构优化设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
舒服华: "基于蚁群算法的饲料螺旋输送机优化设计", 《饲料工业》, vol. 27, no. 15, pages 1 - 3 *

Similar Documents

Publication Publication Date Title
CN109164810B (zh) 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法
CN110794832B (zh) 一种基于强化学习的移动机器人路径规划方法
CN109764882B (zh) 一种基于自适应局部搜索链的多目标车辆路径规划方法
CN112596515B (zh) 一种多物流机器人移动控制方法及装置
CN114489059B (zh) 基于d3qn-per移动机器人路径规划方法
CN111982125A (zh) 一种基于改进蚁群算法的路径规划方法
CN108564163B (zh) 一种解决多目标多旅行商问题的改进蚁群方法
CN101118609A (zh) 一种解决大规模tsp的云模型小生境自适应蚁群优化方法
CN111917642B (zh) 分布式深度强化学习的sdn网络智慧路由数据传输方法
CN110287512B (zh) 一种求解制造约束下变厚度薄壁结构最优厚度分布的混合元胞自动机方法
CN112484732B (zh) 一种基于ib-abc算法的无人机飞行路径规划方法
CN106780058A (zh) 动态网络的社团划分方法及装置
CN113985888B (zh) 一种基于改进蚁群算法的叉车路径规划方法及系统
CN116448117A (zh) 一种融合深度神经网络和强化学习方法的路径规划方法
Raj et al. A survey on cluster head selection and cluster formation methods in wireless sensor networks
CN112380645A (zh) 一种基于蚁群算法的螺旋输送机优化设计方法
Bai et al. Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization.
CN110263970B (zh) 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法
CN109041073B (zh) 一种自供能无线传感器网络最优节点放置方法
CN113848911A (zh) 基于Q-learning和RRT*的移动机器人全局路径规划方法
CN112947457A (zh) 一种分拣机器人群动态无线供电路径规划方法
CN113507172A (zh) 基于移动充电车的无线传感器网络节点充电方法
CN115097793B (zh) 一种立体仓库的快速逼近迭代寻优路径规划方法及系统
Xu et al. Adaptive bees algorithm—bioinspiration from honeybee foraging to optimize fuel economy of a semi-track air-cushion vehicle
CN116149334A (zh) 一种电动拖拉机多节点路径规划方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210219