Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phương pháp ước lượng chi phí bảo trì trực tiếp của các thành phần máy bay dựa trên tối ưu hóa bầy đàn với thuật toán miễn dịch
Tóm tắt
Một thuật toán tối ưu hóa bầy đàn (PSO) được cải tiến bởi thuật toán miễn dịch (IA) đã được trình bày. Các cơ chế ghi nhớ và tự điều chỉnh của IA được sử dụng nhằm tránh PSO rơi vào các cực tiểu cục bộ. Các cơ chế tiêm chủng và lựa chọn miễn dịch được sử dụng để ngăn chặn hiện tượng dao động trong quá trình tiến hóa. Thuật toán được giới thiệu thông qua một ứng dụng trong việc ước lượng chi phí bảo trì trực tiếp (DMC) của các thành phần máy bay. Kết quả thí nghiệm cho thấy thuật toán có thể tính toán một cách đơn giản và chạy nhanh. Nó giải quyết vấn đề tối ưu hóa tổ hợp của việc ước lượng DMC thành phần với các thông số đơn giản và có sẵn. Hơn nữa, thuật toán này có độ chính xác cao hơn so với các phương pháp riêng lẻ như PLS, BP và v-SVM, và cũng có hiệu suất tốt hơn so với các phương pháp kết hợp khác, như PSO cơ bản và mạng nơ-ron BP.
Từ khóa
#tối ưu hóa bầy đàn #thuật toán miễn dịch #ước lượng chi phí bảo trì #máy bay #tối ưu hóa tổ hợpTài liệu tham khảo
CHEN Ju-hua, ZHANG Li-li, ZHANG Hong-cai. The study on the whole-life design of complex electromechanical system [J]. Journal of Jiamusi University (Natural Science Edition), 2004, 22(4):459–464. (in Chinese)
Hayes S. Reduced maintenance costs for the 737-600/-700/-800/-900 family of airplanes [J]. AERO Magazine, 2001, 3: 25–31.
AFAM. Understanding maintenance costs for new and existing aircraft [J]. Airline Fleet & Asset Management, 2001, 5: 56–62.
Poubeau J. Direct maintenance costs-art or science? [R]. France: Airbus Industric, 1989.
Cutler R. Maintenance Engineering [R]. Blagnac Cedex, France: Airbus Industric, 2003.
Thomas A M. Analysis of F/A-18 engine maintenance costs using the Boeing dependability cost model[R]. Montcroy CA: Naval Postgraduate School, 1994.
Eberhart R C, Shi Y H. Particle swarm optimization: developments, applications and resources [A]. Kim J H. Proc of the IEEE Congress on Evolutionary Computation 2001 (CEC’ 01) [C]. Korea: IEEE Press, 2001:81–86.
Fukuyama Y. Fundamentals of particle swarm techniques [A]. Lee K Y, El-Sharkawi M A. Modern Heuristic Optimization Techniques with Applications to Power Systems [C]. NJ: IEEE Press, 2002: 45–51.
de Castro L N, Timmis J. Artificial Immune Systems: A New Computational Intelligence Approach [M]. London: Springer, 2002.
Bates J M, Granger C W J. Combination Forecasts [J]. Operations Research Quarterly, 1969, 20 (4): 451–468.
Kennedy J, Eberhart R C. Particle swarm optimization [A]. Proceedings of IEEE International Conference on Neural Networks [C]. Perth: IEEE Press, 1995:1942–1948.
Trelea I C. The particle swarm optimization algorithm: Convergence analysis and parameter selection [J]. Information Processing Letters, 2003, 85:317–325.
van den Bergh F. Analysis of particle swarm optimizers [D]. South Africa: Department of Computer Science, University of Pretoria, 2002.
Clerc M. The swarm and the queen: towards a deterministic and adaptive particle swarm optimization [A]. Evolutionary Programming Society, Institution of Electrical Engineers. Proc of the IEEE Congress on Evolutionary Computation 1999 (CEC’ 99) [C]. Washington DC: IEEE Press, 1999:1951–1957.
LU Gang, TAN De-jian. Improvement on regulating definition of antibody density of immune algorithm [A]. WANG Li-po, Rajapakse J C, Fukushima K, et al. Proceedings of the 9th International Conference on Neural Information Processing (ICONIP’ 02) [C]. Singapore: Nanyang Technological University, 2002:2669–2672.
ZHANG Jiang-she, XU Zong-ben, LIANG Yi. The whole annealing genetic algorithms and their sufficient and necessary conditions of convergence [J]. Science in China (Series E), 1997, 27(2): 154–164. (in Chinese)