现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协...现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明:相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。展开更多
文摘现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明:相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。
文摘为解决焊接缺陷图像分割的结果出现失真、分割效果差的问题,以轮辋生产过程中的裂纹和气孔焊接缺陷图像为研究对象,提出了一种基于模拟退火(simulated annealing,SA)策略改进粒子群算法(improved particle swarm optimization,IPSO)的焊接缺陷三阈值图像分割方法。首先通过灰度值、平均灰度值和中值灰度值建立图像的三维最大类间方差(Otsu)模型;其次引入自适应惯性权重和非对称学习因子并融入SA策略增强算法求解效率和跳出局部最优的能力;最后利用SA-IPSO算法优化三维Otsu模型求解得到最佳阈值对应的缺陷分割图像。采用不同算法和模型对焊接缺陷图像进行分割,结果表明:对于裂纹和气孔焊接缺陷图像,本文算法在峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)评价指标上均优于对比算法,在加快算法收敛的同时避免分割结果失真,提高了分割精度。
