没有合适的资源?快使用搜索试试~ 我知道了~
首页MOSCA算法:科学求解工程设计问题的高效混合策略
MOSCA算法:科学求解工程设计问题的高效混合策略
0 下载量 188 浏览量
更新于2024-06-17
收藏 2.52MB PDF 举报
本文主要探讨了在工程设计领域中的一个问题求解策略,即混合算法——多正交正弦余弦算法(MOSCA)。MOSCA由正弦余弦算法(SCA)和多正交搜索策略(MOSS)组成,旨在克服SCA在资源利用不均衡和易陷入局部最优等方面的局限。SIN-COS算法以其在搜索过程中的高效性和探索能力而著称,而MOSS则引入了更多的全局视角,通过扩展和深化搜索范围,有助于算法跳出局部最优区域,实现更稳健和高效的收敛。 MOSCA的工作流程分为两个阶段:首先,SCA阶段启动并强化搜索,利用其对复杂约束问题的适应性进行初步探索;然后,MOSS阶段从SCA的搜索结果出发,进一步推动搜索空间的开发,促使算法朝着全局最优方向发展。这种结合使得MOSCA能够在处理非线性约束优化问题(NCOPs)时展现出优越的性能,尤其是在面对混合连续-不连续性、不连续性和非凸区域等复杂性时。 为了验证MOSCA的有效性,作者进行了广泛的研究,包括对18个基准问题和4个实际工程设计问题的求解。实验结果显示,MOSCA在大多数情况下表现出优于其他传统算法的性能,显示出其在工程设计问题求解方面的巨大潜力。值得注意的是,本文发表在《计算设计与工程》杂志上,该杂志属于Elsevier出版集团,论文在CCBY-NC-ND许可证下可免费访问,这表明了学术界对这一创新算法的认可和支持。 多正交正弦余弦算法作为一种融合了数学规划和元启发式策略的新方法,为解决工程设计领域的复杂问题提供了有力工具,有望在未来的设计优化工作中发挥重要作用。
资源详情
资源推荐
R.M. Rizk-Allah
/
Journal of Computational Design and Engineering 5
(
2018
)
249
253
;
t
J
J
ÞÞ
1/1
P
1/1
1/1
P
n
F
¼
12
P
n
F
¼
13
P
n
F
¼
14
p
我
我
:
1/40 5 -
正弦
2
x
2
正弦
2
-0
:
5
半
-
;
]
i
¼
1
i
1
¼
1
p
i
F
5
¼
1
P
15
mmx
4
-16x
2
-5x
i
mm
15 ½-10;10] -78.332314
i
¼
1
i
1/1
j-1
j
1/1
þ
我
的宝
贝
i
¼
1
i
1
¼
1
p
i
0
i
-a
I
>
X
a
1/1
>
1/1
4000
2.2.
文献综述
在文献中,许多元启发式算法(MHA)已被提出来解决EDP。
Liu,Wu,Wu,and Wang(2015)的作者提出了一种差分搜索算法
来求解结构EDP,其中通过使用动态S型软阈值惩罚机制来处理约束。
在(Liu,Teo,Wang,Wu,2016)中,基于精确罚函数法的思想引
入 了 一 种 差 分 搜 索 算 法 , 用 于 解 决 约 束 优 化 问 题 。 在 ( Canayaz
Karci , 2016 ) 中 , 引 入 了 一 种 板 球 算 法 Cuevas 等 人 Cuevas 和
Cienfuegos(2014)开发了用于处理约束问题的社交蜘蛛优化(SSO-
C) 。Coello(2000),Deb( 1991,2000,1997),Dimopoulos
(2007)中的作者介绍了GA,
He and Wang(2007),He,Prempain,and Wu(2004),
Cagnina,
2.3.
正弦余弦算法
SCA
是一种基于种群的优化算法,它是基于数学正弦和余弦函数
建立的与其他
MHA
类似,
SCA
通过随机创建一组解决方案来启动搜
索过程然后,通过使用目标函数来评估这些解决方案。然后,算法存
储到目前为止获得的更好的解决方案,将其表示为目的地点,并且根
据正弦和余弦函数更新解决方案以创建新的解决方案(参见等式
10
)。(
3
))。最后,当满足最大迭代次数时,算法停止优化过程
8
>
x
j
;
t
r
1
×si
n
r
2
×
j
r
3
P
j
;
t
-
x
j
;
t
j
r
4
0
:
5
X
¼
X
P0
:
5
JR
- -
×cosmosr × jr
P
布
雷
尔
Esquivel和Coello(2008)提出了PSO算法来解决
的EDPs。In(Fesanghary,Mahdavi,Minary-Jolandan,
Alizadeh,
j
;
t
1
j;t 1
:
2 3j;t
j;t 4
ð
3
Þ
Mahdavi,Fesanghary,Damangir,2007)harmony search
算法应用于这些问题。Garg(2014)使用人工蜂群算法,而杜鹃搜索
算 法 ( Yang Deb , 2010 ) 用 于 求 解 EDP 。 Hwang 和 He
(Hwang&He,2006)提出了一种混合算法,称为模拟退火遗传算法
来求解EDP。在(Kaveh Talatahari,2010)中,提出了一种通过应
用 有 限 元 方 法 来 求 解 EDP 的 改 进 蚁 群 优 化 算 法 , 而 在 Kaveh 和
Talatahari(2009)中,提出了一种基于被动聚集粒子群优化、蚁群优
化和和声搜 索 的 混合 算 法来 求 解EDP。在 (Hedar&Fukushima,
2006)中,提出了一种滤波模拟退火(FSA)算法来处理约束问题。
Liu等人Liu, Cai,and Wang(2010)提出了一种基于粒子群优化
PSO和差分进化(DE)的集成算法,并将该混合算法用于求解EDP。
此外,有助于优化应用的更多研究工作可以在文献中找到(Wang等
人,2016; Zhang,Zhou,Jin,Wang,&Cicloviki,2014; Zhang等
人,2013,2016; Zhang等人,2017; Zhou,Zhao,Zhang,Adali,
&Cicloviki,2016)。
j1; 2;.. . ; n
其中n是维数,x
j
;
t
是当前解在
第
t
次
迭代时第
j
维中的位置,P
j
(目的地)是
第j次迭代时到目前为止最佳解的位置。
维数,
r1
;
r2
;
r3
;
r4
是随机数,并且:表示绝对值。 搜索代理的解决方案表
示为
x
i
¼x
i
;
1
; x
i
;
2
;.. . ; x
i
;
n
n n n; i 1; 2;.. . PS,PS是搜索代理的人口规模。
如图所示,
Eq
。(
3
)
SCA
包含四个参数。第一个参数是
r
1
,它
表示候选区域,无论是目标和候选解决方案之间的区域还是从候选解
决方案延伸的区域。第二个参数是
r
2
,它规定了向目的地或向目的地
外移动的距离第三个参数是
r3
,它随机分配目的地的权重,其中它负
责强调(
r3
>
1
)或不强调(
r3
1
)
<
目的地在确定距离。最后,参数
r4
负责在方程中的正弦项和余弦项之间切换(三)、此外,自适应地调
整参数
r1
,以
表2
基准功能。
好玩的
n
范围最佳
F
1
¼英寸4 -2:
1x
2
x
4
x
2
双甲氧基硅烷
-
4双
甲氧基硅烷
2
双甲氧基
硅烷
2
½-20;20]
-1.0316284
p
3
2
2019年00月01日星
期一x
2
星期二
2
2
2 20 20 1
F
3
¼
P
3
10x
2
-10cosmetic 2
p
x
i
cosmetic10x3
½-5;5] 0
F
4
¼
1
P
15
x2
-
Q
15
cos
.
15
½-
10
;
10
]
0
15
F
6
¼
n
1/1
我我
X
2
30 ½-100;100] 0
F
7
¼
P
n
8
j
x
i
jq
n
30 ½-10;10] 0
F
¼
P
n
伊斯
坦
堡
岛
x
102
30 ½-100;100] 0
f
9
½
max
i
fj
x
i
j ;
1
6
i
6
n
g
30
½-100;100]
0
F
10
¼
P
n
-
1
½
100
mm
x
i
1
-
x
22
x
i
-
102
]
30 ½-30;30] 0
ni
¼
1
1/1
联
系
我
们
30
½-
100
;
100
x
4
随机
1
/2
0
;
1
/
30
1/2 -
1
:
28
;
1
:
28
]
-x
i
sinjx
i
j
30 ½-500;500] -418.9829 5
12
x
2
-
10
co
s
2
p
x
i
10
]
30
12
-
5
:
12
;
5
:
12
]
0
F
15
¼
-
20ex
p-
0
:
2
q
1
P
n
x
2
-
exp
.
1
个
P
n
cosmetic 2
p
x
i
cosmetic
20xe
30
½-32;32]
0
F
16
¼
1
个
P
n
x
2
-
Q
n
cos
.
x
i
单位
1
30
½-
600
;
600
]
0
F
17
¼
p
f
10
si
n
p
y
i
P
n
-
1
y
i
-
1
2
½
1
10
sin
2
p
y
i
1
]
p
y
n
-
1
2
g
P
n
ux
i
;10; 100;4
30
½-50;50]
0
n
i
¼
1
8
K
x
y
1
x
i
1
u x a k m
a
m
x a
m
1/1
I
¼
þ
4
;
; ;
- <
我
<
F
18
¼
0
:
1
f
sin
2
3
p
x
1
P
n
k-x
i
-a
m
x
i
<-a
x
i
-
1
ux
i
;5; 100;400
30 ½-50;50] 0
我
P
F
¼
11
F
:
n
i
¼
1
i
n
1/1
4000
<
254
R.M. Rizk-Allah
/
Journal of Computational Design and Engineering 5
(
2018
)
249
F8
(
x
1
,
x
2
)
X
2.5
2
1.5
1
0.5
0
20
x 10
7
0
X
2
-20
-20
20
10
0
-10
X
1
1
0.8
0.6
0.4
0.2
0
20
0
x
2
-
20
20
10
0
-10
-20
1
100
80
60
40
20
0
5
0
X
2
5
0
-5
-5
x
1
3
2
1
0
10
0
x
2
- 10
-10
-50
X
1
5
10
4000
3000
2000
1000
0
-1000
10
0
X
-10
-5
-10
5
10
0
X
1
2
1.5
1
0.5
0
100
x 10
4
0
X
2
-100
-50
-100
50
100
0
X
1
15000
x 10
4
6
10000
4
5000
2
0
100
0
X
-100
-100
100
0
X
1
0
100
0
X
2
-100-100
-50
50
100
0
X
1
图四、基准函数(
F1
-F18
)的二维可视化
F3
(
x
1
,
x
2
)
F5
(
x
1
,
x
2
)
F1
(
x
1
,
x
2
)
F7
(
x
1
,
x
2
)
F2
(
x
1
,
x
2
)
F6
(
x
1
,
x
2
)
F4
(
x
1
,
x
2
)
2
2
剩余25页未读,继续阅读
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 十种常见电感线圈电感量计算公式详解
- 军用车辆:CAN总线的集成与优势
- CAN总线在汽车智能换档系统中的作用与实现
- CAN总线数据超载问题及解决策略
- 汽车车身系统CAN总线设计与应用
- SAP企业需求深度剖析:财务会计与供应链的关键流程与改进策略
- CAN总线在发动机电控系统中的通信设计实践
- Spring与iBATIS整合:快速开发与比较分析
- CAN总线驱动的整车管理系统硬件设计详解
- CAN总线通讯智能节点设计与实现
- DSP实现电动汽车CAN总线通讯技术
- CAN协议网关设计:自动位速率检测与互连
- Xcode免证书调试iPad程序开发指南
- 分布式数据库查询优化算法探讨
- Win7安装VC++6.0完全指南:解决兼容性与Office冲突
- MFC实现学生信息管理系统:登录与数据库操作
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功