用最小二乘法的孪生有界支持向量机分析出桥式起重机主梁截面各参数相对于主梁质量的灵敏度,筛选出灵敏度最大的6个参数,运用改进的蝙蝠算法以主梁质量为目标函数对其进行分析计算,结果显示,优化后的桥式起重机主梁的质量减少了13.8%。通过ANSYS软件对优化后的桥式起重机主梁进行有限元分析,结果证明了该方法的可靠性。

针对当前智能搬运机器人重叠路径删除过程中,普遍存在重删率较低,执行时间较长的问题,提出了智能搬运机器人重叠路径删除算法。利用人工势场法分别构建障碍物与目标点的斥力场和引力场模型,通过势场函数设计参数,计算其斥力场函数与引力负梯度,消除局部极小点,使智能搬运机器人能够快速到达目标地点。结合两点之间直线距离最短原理,引入橡皮筋拉紧算法,获取智能搬运机器人最短路径。利用极限学习机算法构建分类器,将最短路径选择精度作为目标函数,对其建立数学模型。采用蝙蝠算法求解,计算适应度函数,获取最优极限学习机分类器参数,实现智能搬运机器人重叠路径删除。实验结果表明,所提方法的重删率较高,能够有效缩短重叠路径删除执行时间。

超短期电力负荷具有随机性强、波动性大等特点,使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段,建立平均绝对百分比误差(MAPE)作为蝙蝠算法(BA)的目标函数,以优化变分模态分解(VMD)、最小二乘支持向量机(LSSVM)及输入数据点数。在测试阶段,应用设置最优参数的VMD分解负荷数据,并使用LSSVM处理各分量,以完成对电力负荷的高精度预测。数据分析结果表明,使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。

为提高数控车床主轴热误差的预测精度,以某型号数控车床主轴为研究对象,提出基于小波神经网络(WNN)的主轴热误差建模方法。利用K-means++聚类结合相关性分析理论,将温度测点从10个减小到2个。针对小波神经网络对初始值敏感的问题,采用蝙蝠算法(BA)将预测输出值与实验测量值之差的绝对值作为个体适应度函数,将蝙蝠个体的位置向量映射为小波神经网络的初始连接权值、尺度因子及平移因子,实现对小波神经网络初始值的优化。利用优化后的小波神经网络建立车床主轴热误差预测模型,与未优化的小波神经网络和BP神经网络预测模型对比。结果表明:BA-WNN对主轴轴向热误差的预测精度较高、残差较小、预测能力更强。

针对作业车间的物料配送调度问题,考虑到AGV在加工过程中只参与物料运输的特性,把整个生产车间的物料调度视为一个小型的车间物流系统,在此基础上提出一种实现AGV行走路径、运输时间和配送成本等多目标最优化的多AGV作业调度模型。采用单层整数分段编码和ROV编码转换方案,通过在基本蝙蝠算法中引入禁忌表、藐视准则和局部搜索寻优等策略,构建了一种混合禁忌蝙蝠算法来求解该调度模型。仿真结果表明该算法具有一定的可行性,可以获得比较好的效果,为多AGV在一定约束条件下的车间物料调度提供了一种切实有效的实践方案。

为解决柔性流水车间变工时排产优化问题（flow shop scheduling problem with variable processing times，FFSP—VPT），对变工时工序工时选择方式、次品检测和返工方式进行分析，建立了FFSP—VPT数学模型。针对FFSP—V阿特点，结合ROV编码设计了一种二段式编码。在蝙蝠算法的基础上，加入了基于汉明距离的最优个体集和自适应位置更新机制，提出了一种基于精英个体集的自适应蝙蝠算法（self—adaptive elite bat algorithm，SEBA）作为全局优化算法。设计交叉实验确定SEBA算法中的重要参数的最佳值。通过仿真测试，将测试结果与其它算法比较，验证了SEBA算法对于解决实际生产中FFSP—V阿类问题的有效性。

针对实际作业中部分产品采用双边拆卸,但已有拆卸线平衡问题研究中工作站均为单边布局的不足,建立了多目标双边拆卸线平衡问题模型。解码时,将任务优先分配至工作站较少的边、次优先分配至剩余时间较多的工作站,以缩短输送路径和工作站空闲时间。针对所建立模型,提出一种Pareto蝙蝠算法,引入Pareto思想以保证解的多样性;采用精英策略有效加速算法的收敛;通过拥挤距离筛选外部档案以提高算法运行效率。通过求解经典算例并对比分析,验证了所提出算法的有效性。将所建模型应用于拆卸线设计,能为决策者提供多种高质量的平衡方案。

在分析双边装配线第I类平衡问题(Two-sIded Assembly LIne BalancIng Problem of Type-I,TALBP-I)离散性、序列相关性等特点后,提出了一种改进离散蝙蝠算法(Improved DIscrete Bat AlgorIthm,IDBA)。为在总工位数相同情况下筛选出更优质的解,增加了启发式目标,引导种群向更优方向搜索。标准蝙蝠算法不能直接求解离散问题,针对TALBP-I,设计了基于任务拓扑排序矩阵的编码策略,利用双重编码映射机制,实现蝙蝠飞行的连续物理空间到TALBP-I离散解空间的映射。采用改进的“工位-操作”解码方法代替传统的“操作-工位”解码方法,减少工位的空闲时间。针对蝙蝠算法后期收敛速度慢,易陷入局部最优,设计了4种插入邻域算子,进行变邻域搜索。通过基准问题的数值实验验证了算法的有效性。

针对产品选择性拆卸序列规划问题,提出一种基于遗传蝙蝠算法的产品拆卸序列规划方法.利用Python语言对传统蝙蝠算法进行离散化处理,并在种群更新过程中引入遗传算法的交叉与变异机制,生成遗传蝙蝠算法,以增强解搜索的多样性;在构建适应度函数模型时以拆卸工具的变化次数与拆卸方向的重新定位次数作为评价指标,同时加入零部件的回收收益指标,使适应度函数更加完善.以工业机械臂为实例,利用所提方法进行产品拆卸序列规划求解,对比传统蝙蝠算法以及遗传算法的求解结果,发现在一定的种群数目下,所提方法收敛时间较短;在不同种群数目下,所提方法得到的适应度函数最优值质量较高,从而验证了遗传蝙蝠算法的搜索优越性.