粒子群优化算法在工程中的应用

优化设计在工程设计中，可以从大量可行的设计方案中寻找到最优的方案，因而提高设计质量。本文研究了粒子群优化算法的基本原理，分析了其特点，充分利用粒子群算法的全局搜索和局部搜索相结合的优点，将其应用于盖板的优化设计，以盖板轻量化为研究目标，以满足强度、刚度、稳定性等为约束条件，建立盖板优化的数学模型，用粒子群算法对变量进行求解。最后将粒子群优化的结果和其他几种优化方法相比较，基于粒子群优化的盖板设计得到了最好的优化方案。 *通讯作者。

优化设计方法不同于传统的设计方法， 优化设计是从多种可行的设计中进行最佳选择， 自动选择最佳方案的设计方法。优化设计根据设计所追求的性能目标，以计算机为手段进行迭代，寻求最优的设计方案。经典的优化设计方法如最速下降法、复合形法、惩罚函数法、单纯形法等等，已经在资源配置、生产管理以及工程界都得到了较好的应用， 但是这些优化方法也存在一定的问题， 如它们许多都是沿着某一方向进行搜索， 开始优化速度较快， 在趋近最优点时优化速度变得较慢， 另外， 由于一些实际问题中的目标函数和约束函数形式比较复杂，最速下降法等是沿着某一方向进行探索，容易陷入局部最优点，而探寻不到全局最优点。

而粒子群优化算法是一种现代智能优化算法，可以克服上述缺点，它是一种全局搜索算法，通过粒子间的竞争和协作，在复杂的搜索空间中以启发式实现全局最优点的寻找[1] [2] [3]。该算法易理解、易实现、全局搜索能力强。

文献[1]利用粒子群算法改进了神经网络， 将焊点特征信息输入改进后神经网络， 实现了对正常、多锡、少锡、漏焊四种不同类型的焊点进行识别，提高了检测效率。文献[2] [3]采用粒子群算法对非线性系统进行优化，对整个参数空间进行搜索，得到了系统参数的最优估计。文献[4]利用支持向量机建立风险预警分类器，然后使用粒子群优化对预警分类器的参数进行了优化，提高了预警的准确率。文献[5]利用粒子群优化神经网络，估算动力电池SOC，以单体电池电压、电流作为神经网络模型的输入，电池SOC 作为输出，采用粒子群优化神经网络的权值和阈值，解决了普通神经网络容易陷入局部极小值的问题。文献[6]采用粒子群优化算法实现了对行星齿轮参数的体积目标优化设计，其结果与传统设计相比，获得了较小的体积。

本文研究了粒子群优化算法，分析了其特点，介绍了粒子群优化算法的基本原理，充分利用粒子群算法的全局搜索和局部搜索相结合的优点，将其应用于约束优化的工程实例，以盖板设计为例，在满足设计所要求的强度刚度稳定性的条件下，以重量最轻为研究目标，对设计过程中的设计变量进行优化， 得到了较好的优化方案。

2. 粒子群优化算法理论 粒子群优化算法PSO (Particle Swarm Optimization)是由Eberhart 博士和Kennedy 博士提出的一种自适应搜索技术。源于对鸟群捕食行为的研究，其基本思想是通过个体之间信息传递和信息共享进行最优解的搜寻。在粒子群优化算法中，每个优化问题的潜在解都是搜索空间中的一个粒子。假设优化问题是d 维优化，在d 维空间中，M 个粒子组成一个种群，其中第i 个粒子表示为： ()T12, 1,2, , iiiidxxxxiM== (1) 每个粒子都有一个飞行速度，第i 个粒子的飞行速度为： ()T12, 1,2, , iiiidvvvviM== (2)