纳米粒子范文第1篇
然高分子包裹在Fe3O4磁性粒子的表面, 可形成具有多种优良性能的复合微粒。它们既具有磁响应功能, 可方便简单地进行分离和磁性导向, 又因其表面含有大量官能团, 具有生物相容性和可降解性, 因此磁性Fe3O4复合粒子在磁性免疫细胞的分离、酶的固定化、靶向药物的控制释放等领域有广泛的应用前景。
1 实验部分
1.1 试剂
SIGMA公司的明胶、葡聚糖 (dextran T-70) ;市场销售的Na OH、Fe Cl3·6H2O、Fe Cl2·4H2O, KBr。
1.2 制备改性明胶高分子共价物
将明胶用去离子水中配成20 mg/m L的明胶溶液, 将葡聚糖以4:1的质量比配制成与明胶的混合溶液。搅拌混合溶液, 使用PH计将溶液的p H值调节到8.0, 然后将混合溶液冷冻干燥。将冷冻干燥的固体放在装有饱和KBr溶液的密闭容器中, 置于60°C下进行Maillard反应24h, 得到葡聚糖-明胶共价物[1]。
1.3 共沉淀法制备Fe3O4磁流体
在制备磁性Fe3O4纳米粒子的时候使用的是化学共沉淀法, 利用2:1的摩尔比来分别量取一定量的Fe Cl3·6H2O和Fe Cl2·4H2O固体, 用蒸馏水进行溶解, 过滤之后进行混合搅拌, 然后利用蒸馏水对溶液进行一定溶度的稀释, 适当加入分散剂。在搅拌的过程中, 加入6mol/L的Na OH溶液, 完成反应以后持续搅拌, 并且需要进行80℃的情况下获得Fe3O4纳米粒子的相应悬浮液, 再强迫把悬浮液进行磁性沉降, 利用虹吸方式来有效处理上层液体, 利用超声分散下层液体, 然后在使用蒸馏水进行洗涤, 重复以上操作, 一直到具备澄清的上层液体, 在合理应用分离技术来静止一段时间磁铁上的悬浮液, 在除去上层液体, 也就是得到了磁流体[2]。
1.4 制备磁性改性明胶Fe3O4纳米粒子
准确称取一定量的改性明胶于圆底烧瓶中, 加入去离子水在50℃的热水浴中进行溶解和搅拌, 搅拌冷却一直到室温。再加入一定规定的磁流体, 利用超声分散技术对其实施5min, 在速度为180r/min的摇床中记性搅拌, 将磁流体均匀的分散于改性明胶溶液中。均匀分散的磁性明胶纳米颗粒的悬浮液体, 在烘箱温度为40℃的情况下进行干燥, 最终可以获得改性明胶Fe3O4纳米粒子[3]。
2 讨论和结果
2.1 改性明胶磁性Fe3O4纳米粒子的分布、大小
在稀释完磁性明胶Fe3O4纳米粒子以后利用英国Malvern公司生产的Zetasizer 3000HS纳米粒度分析仪测啦观察磁性明胶Fe3O4纳米粒子的分布、大小、形态。结果发现, 磁性Fe3O4纳米粒子的粒径分布在20nm-l50nm之间, 平均粒径尺寸约为70nm;而改性明胶修饰后的80 nm-220 nm之间, 平均粒径尺寸约为120 nm, 由此可见, 此次修饰后的四氧化三铁磁性纳米粒子由于表面包裹了改性明胶导致粒径变大, 但是粒径分布变窄, 分散性较好。改性明胶浓度的大小也对磁性复合粒子有较大的影响, 粒径随明胶浓度的增大而增大。当明胶浓度为2%时, 粒子粒径的大小为120nm左右[4]。
2.2 改性明胶磁性Fe3O4纳米粒子的形态
日本JEOL公司生产的JEM-1200EX型透射电子显微镜来有效观察颗粒的形状和大小[3]。利用蒸馏水把磁性明胶粒子和磁流体进行一定倍数稀释以后, 进行几分钟超声分散, 观察磁性明胶Fe3O4纳米粒子样貌的时候使用透射电子显微镜[5]。结果发现, 磁性明胶Fe3O4纳米粒子的分布, 基本上是均匀分布的, 并且粒子属形貌呈现不规则球状。较Fe3O4纳米粒子相比较, 存在少量的团聚, 这是因为葡聚糖-明胶共价物能够包裹于Fe3O4磁性纳米粒子表面, 降低Fe3O4磁性纳米粒子的疏水作用力和表面自由能, 并且形成了一定的空间位阻, 进而减少了Fe3O4磁性纳米粒子的团聚。此外, 改性明胶Fe3O4纳米粒子附近具备一定的半透明薄膜, 也就是说磁性明胶Fe3O4纳米粒子的核心就是Fe3O4纳米粒子, 并且外面存在一定高分子的复合结构[6]。
2.3 改性明胶磁性Fe3O4纳米粒子的分散稳定性
依据静置或者磁分离的方式来合理观察不同浓度情况下明胶体积以及植被磁性明胶磁流体固含量的稳定性, 可以发现, 降低明胶浓度, 可以在一定程度上更加趋于稳定的磁性明胶Fe3O4纳米粒子, 能够明显提高磁性明胶Fe3O4纳米粒子的粒径, 以便于可以有效降低溶液的稳定性7]。
2.4 改性明胶磁性Fe3O4纳米粒子的潜在靶向性
葡聚糖有较好的生物相容性、生物降解性和血液相容性, 另外, 它表面连有
丰富轻基, 易与其它生物分子连接, 所以, 在生物学领域内有较广泛的应用[8]。因此, 葡聚糖是一种很好的磁载体。由于共沉淀法是在水相中进行反应, 所以制备的改性明胶磁性纳米粒子在表面会带有裸露的羟基, 这样很容易与其他化合物进一步反应, 从而更容易对磁性纳米粒子进行表面改性[9]。
3 结语
总而言之, 本文采用化学共沉淀方式制备磁性Fe3O4纳米粒子, 用亲水性葡聚糖-明胶高分子化合物对其进行表面修饰来制备磁性Fe3O4纳米粒子, 这种复合微粒分散性好, 稳定性强, 并且因表面含有大量官能团, 具有生物相容性和可降解性。接下来可以利用葡聚糖-明胶高分子化合物的生物活性, 让其进一步与DNA、蛋白质、抗体等作用, 以赋予复合材料在细胞分离、靶向治疗等新的活性。
摘要：随着社会的发展, 在研究和分析磁响应性新型药物载体的时候, 已经广泛应用磁性微球, 但磁性Fe3O4纳米粒子比表面积较大, 具有强烈的聚集倾向, 这大大限制了磁性纳米粒子的应用, 因此有必要对其进行表面修饰。本文采取化学共沉淀方式制备磁性Fe3O4纳米粒子, 用亲水性葡聚糖-明胶高分子化合物对其进行表面修饰来制备磁性Fe3O4纳米粒子, 这种复合微粒分散性好, 稳定性强, 并且因表面含有大量官能团, 具有生物相容性和可降解性。
关键词：明胶,磁性Fe3O4,纳米粒子,制备
参考文献
[1] 邹涛, 郭灿雄, 段雪等.强磁性Fe3O4纳米粒子的制备及其性能表征[J].精细化工, 2012, 19 (12) :707-710.
[2] 邢娟, 刘军锋, 李金莲等.外加磁场作用下磁性Fe3O4纳米粒子对肝癌细胞增殖和凋亡的影响[J].现代生物医学进展, 2012, 12 (31) :6055-6059, 6028.
[3] 赵原壁, 邱祖民, 黄佳英等.磁性Fe3O4纳米粒子用作靶向药物载体的制备及分析[J].中国化学工程学报 (英文版) , 2010, 16 (3) :451-455.
[4] 徐飞霞, 徐立新, 程飞等.聚环戊烯包覆Fe3O4磁性纳米粒子的原位诱导结晶法制备及其结构表征[J].科技通报, 2014 (3) :1-5.
[5] 陈丽娜, 周光明, 薛莲等.O-羧甲基化壳聚糖修饰磁性Fe3O4纳米粒子及其生物应用[J].功能材料, 2011, 39 (7) :1199-1201.
[6] 程昌敬, 刘东, 张嫦等.赖氨酸修饰磁性Fe3O4纳米粒子的制备及其对Cu (Ⅱ) 的吸附性能[J].材料导报, 2011, 25 (24) :77-79, 98.
[7] 郑永杰, 尚明慧, 田景芝等.改性Fe3O4纳米粒子的定性及对功能菌固定化与脱氮特性[J].化工进展, 2015 (7) :2080-2085, 2096.
[8] 孙杰, 赵东林, 刘辉等.碳包覆空心Fe3O4纳米粒子作为锂离子电池负极材料的电化学性能研究[J].功能材料, 2012, 43 (15) :2027-203
纳米粒子范文第2篇
1.1 单列扩散
单列扩散问题是一维的扩散问题。如人的红血球在毛细血管中流动就是一个单列扩散。由于在一维系统中, 粒子不能相互超过, 因此单列扩散的速度要慢于在高维空间中的扩散[1～2]。扩散速度正比于时间的开方。
1.2 光钳
光钳是一种光势阱, 可以约束粒子。当粒子偏离平衡位置时, 粒子就会受到一个指向平衡点的回复力。这个回复力可以是与偏离距离的平方成正比, 也可以正比于偏离距离一次方。
1.3 水动力学
由于液体具有粘滞性, 任何在液体中运动的物体, 都会引起物体附近液体的流动。相反, 任何流动的液体也都会产生一个力作用于其中相对静止的物体。
一个在原点以速度v运动的物体, 在r处引起的水流速度为:
其中a为粒子的半径。
相反的, 一个速度为v的流, 可以给其中的粒子一个力F。
其中ζ为摩擦系数。
2 实验环境
将两胶体粒子放入水中, 并用光钳将其钳制在坐标 (0, 0, 0) 和 (0, 0, z) 的两点。粒子只能在z轴方向运动。每个粒子受到水分子的随机力, 由于偏离平衡位置产生的回复力和另一个粒子运动产生水动力。计算粒子的。其中r1, z (t) 表示粒子1在时刻t偏离平衡位置的坐标。尖括号表示系综平均。由于水动力和光钳的存在, 两粒子并不再是相互独立的。
3 实验结果 (如图1图2)
通过模拟实验观察到, 粒子会有随时间的正的自相关和负的相互关联。自相关会随着时间逐步衰减;粒子之间的关联会呈现出负相关, 这种负相关在一定时间内会达到最大, 而后逐渐衰减。粒子间关联负相关的最大值和粒子之间的距离有关:距离越大, 负相关越小, 负相关衰减所需要的时间也越长。
4 程序说明
Direction类, 定义了方向。
Particle类, 定义了粒子, 其中包括粒子的坐标, 运动动量, 和平衡态位置, 还有一个随机数。
Times为系综平均次数。
Range为测量的时间长度。
运行结果输出至data.txt中, 结果第一列为粒子相互关联, 第二列为自相关。
摘要：胶体系统是一种介观系统, 它处在微观系统和宏观系统之间。这种系统的尺度常常在10nm～1μm之间, 系统的性质主要由布朗力和粒子间相互作用决定, 并且量子效应并不显。很多日常生活用品都是胶体系统, 如油漆。同时, 动物的血清也是胶体系统, 因此研究胶程序研究了在液体中两个相互靠近的受限布朗粒子的关联行为。
关键词：胶体,水动力学,布朗粒子,关联行为
参考文献
[1] Hydrodynamic Interactions in Colloi-dal and Biological Systems, MichaelReichert.
纳米粒子范文第3篇
随着数据挖掘的兴起与发展, 数据中的噪声点越来越多, 对于数据的特征提取和聚类分析变的越来越复杂, 如何做到高效地处理数据变的至关重要。DBSCAN算法是最具有代表性的基于密度的聚类算法, 该算法根据样本数据分布的紧密程度的不同决定目标样本的归属类别, 同一个类别的样本, 他们之间是紧密相连的, 而非一个类别的样本之间是有隔阂的, 所以目标样本周围不远处一定有同类别的样本存在[1,2]。粒子群算法, 是近年来发展起来的进化算法, 它采用群体解的合作机制来迭代产生最优解。[3]。
二、算法流程方法
传统的DBSCAN算法在有噪点的情况下, 会得到不合理的结论。对于DBSCAN聚类算法来说, 算法是否可以达到高准确性和高效性, 和样本邻域参数两个参数Eps, MinPts, 密切相关。
为了解决传统DBSCAN算法的局限性, 本文提出改进的DBSCAN算法, 叫基于粒子群算法的DBSCAN聚类 (PSO-DBSCAN) , 利用遗传算法中粒子群思想进行自动化确认参数的DBSCAN算法[4]。其思想是先确定对聚类结果影响相对较小的每个样本集的样本个数阈值MinPts, 根据项目需求确认需要聚类成几个类别簇, 然后通过粒子群算法自动搜索确定最合适的Eps, 最终利用DBSCAN密度聚类思想完成聚类的聚合划分。
PSO-DBSCAN的算法步骤如下:
(1) 确定对聚类结果影响相对较小的样本个数阈值MinPts, 可以通过前期项目调查和需求分析多次试验确认。
(2) 初始化粒子群算法所需要的粒子点, 先将数据样本中的每个样本随机指派为某一类别簇, 作为最开始的聚类分类, 并计算每个类别簇的聚类核心, 作为初始粒子点的位置, 计算粒子的适应度, 并给粒子的一个初始速度。反复进行n遍, 从而生成n个初始粒子群。其中粒子的适应度为f (S) = (n-k) /k, 其中n为聚类最终生成的类别簇个数, k是期望生成的类别簇个数。
(3) 对每个粒子, 计算每个粒子的当前适应度结果, 并与历史中最好位置的适应度结果进行判断, 如果当前适应度比历史中最好位置的适应度值好, 则将当前粒子位置点最为最好位置点。
(4) 对每个粒子, 选择目前最优秀的粒子的适应度值, 将该适应度值, 与之前所有群体中最优秀的位置的适应度值进行比较, 如果该适应度值比其还要优秀, 则将该适应度值对应的粒子位置点最为群体最优位置点。
(5) 检查每个粒子的最佳位置和群体的最优位置是否满足最优条件或者达到了迭代次数, 若是则执行步骤7, 否则返回步骤3。
(6) 此时粒子群中每个粒子的最终位置便为最优秀的初始聚类核心点。
(7) 随机选取一个聚类核心点, 计算其与其他聚类核心点的距离, 选取最小的距离作为Eps, 其他核心点的Eps也是如此规律得出。
(8) 从数据样本集合中选择一个点, 如果该点为聚类核心点则找出所有与该点密度可达的数据对象点, 且数据对象个数不小于MinPts, 则形成一个类别簇。
(9) 如果该点不是聚类核心点且未被处理货标记, 则继续步骤9, 直到所有点都被处理, 最终得到的类别簇则为该改进算法的最终聚类结果。
三、实验结果
本文选用Iris、Wine和Balance三个含有噪声点的样本集作为实验数据, 分别对比传统的DBSCAN算法以及改进的PSO-DBSCAN算法。
在不同的数据集实验结果比较中, 发现改进的PSO-DB-SCAN算法的聚类准确性和抗噪能力要远远优于传统的DBSCAN算法, 这是由于改进算法采用了粒子群优化搜索确定参数的方法来优化初始参数, 使得算法不易受噪声数据的影响, 同时再加上粒子群算法的全局搜索能力使得算法的聚类能力大大提升。
四、结束语
本文提出的基于粒子群算法进行优化的DBSCAN聚类算法同时结合了粒子群算法与DBSCAN聚类算法的优点, 对于存在噪声点的数据聚类而言, 聚类的准确率要明显高于传统DBSCAN算法, 而且不易受噪声数据影响, 从而做到高效地处理数据。
摘要：聚类算法是数据挖掘中一种重要的挖掘任务和方法。聚类算法在大数据的特征提取中起到了至关的重要作用。本文介绍了以粒子群算法为基础的DBSCAN聚类算法, 通过与传统的DBSCAN算法比较分析得出改进后的算法不仅能够获得最佳的分类结果, 还能在很大的程度上提高算法收敛运行的速度。
关键词：聚类算法,粒子群算法,DBSCAN聚类算法,全局优化
参考文献
[1] 冯少荣, 肖文俊.基于密度的DBSCAN聚类算法的研究与应用.计算机工程与应用, 2007, 43 (20) :216-222.
[2] 孙吉贵, 刘杰, 赵连宇.聚类算法研究[J].软件学报.2008 (1)
[3] 李峻金, 向阳, 芦英明, 等.粒子群聚类算法综述[J].计算机应用研究, 2009, 26 (12) :4423-4427.
纳米粒子范文第4篇
1 原始PSO算法
PSO算法描述。PSO算法的数学描述可以是:假设在一个D维的目标搜索空间中, 有m个代表潜在问题解的粒子组成的一个种群, 其中第i个粒子表示为一个D维的向量xω= (xt1, xt2, ∧, xtn) , i=1, 2, ∧, m, 即第i个粒子在D维的搜索空间中的位置是xtω。第i个粒子的“飞翔”速度也是一个D维的向量, 记为xtω= (vt1, vt2, ∧, viD) 。记第i个粒子迄今为止搜索到的最优位置为ptω= (pt1, pt2, ∧, ptD) , 整个粒子群迄今为止搜索到的最优位置为pgω= (pg1, pg2, ∧, pgD) 。Kennedy和Eberhart最早提出的PSO算法采用下列公式对粒子操作:
式中:d—迭代次数;xd—d次迭代时的粒子空间位置;vd—d次迭代时的粒子速度;ф1, ф2—学习因子;rand () —介于 (0, 1) 之间的随机数;vd∈[-vmax, vmax];vmax—常数, 由用户设定。迭代终止条件根据具体问题一般选为最大迭代次数或 (和) 粒子群迄今为止搜索到的最优位置满足预定最小适应阈值。公式 (1) 主要通过三部分来计算粒子i新的速度:粒子i前一时刻的速度, 粒子i当前位置与自己最好位置之间的距离, 粒子i当前位置与群体最好位置之间的距离。粒子i通过公式 (2) 计算新位置的坐标。通过式 (1) 、 (2) 粒子决定下一步的运动位置。因为pgω是整个粒子群的最优位置, 因此上述PSO算法也被称为全局版PSO。也可以把第i个粒子的邻居们搜索到的最优位置作为pgω, 则上述方法又被称为局部版PSO。全局版PSO收敛速度快, 但有时会陷入局部最优。局部版PSO收敛速度慢一点, 但相对地不易陷入局部最优。
2 粒子群优化算法在电力系统中的应用
2.1 电力系统经济负荷分配
电力系统经济负荷分配是指当给定某运行时段机组的开停机计划后, 在满足各种约束的条件下在运行机组间分配负荷, 使电力系统的总运行费用最小。研究ELD问题对于提高系统运行的经济性和可靠性具有重要的意义, 但由于电力系统本质上具有高维、非线性、且约束条件多的特点, 因此计算较为复杂。经典数学方法解决ELD问题有诸多不足, 近年来, 由于人工智能技术的发展以及多学科的交叉融合, 一些新兴计算方法例如:神经网络模型法、混沌优化方法、模糊算法、粒子群优化法、人工免疫法等, 克服了经典方法的缺点, 提高了求解效率。张凌杰和张国辉提出了基于PSO算法的约束优化混合算法HPSO, 并给出了适合HPSO的约束处理机制。应用此方法对实例进行计算, 其结果表明该算法有效。将其与无局部搜索的PSO算法、基于传统约束处理策略的PSO算法、模拟退火及进化规划等方法进行比较, 更凸显其优势。结合约束处理与局部搜索, HISO算法可作为通用的非线性约束优化方法, 应用于其他可抽象为非线性规划模型的工程优化问题, 如切削参数优化、布局优化问题等。
2.2 电力系统无功优化
无功优化 (VAR optimization) 是指在给定的系统 (系统的结构参数及负荷情况给定时) 运行方式下, 通过对某些控制变量 (发电机节点电压的理想配合, 无功补偿地点和补偿容量的优化配置以及变压器变比的合理选择等措施) 的优化, 在满足所有指定约束条件的前提下, 所能找到的使系统的某一个或多个性能指标达到最优时的无功调节手段。无功优化作为提高电能质量的重要途径在电力系统综合调控中占据着重要的地位。电压是电能质量的主要指标之一, 目前在我国的各级电网中均安装了相当数量的无功补偿装置和不同调压方式的变压器等设备以确保供电质量和电网安全经济运行。伴随着供电负荷的增加, 电网规模的扩大, 电网电压质量的提高和电能损耗的降低仍是亟待解决的一个问题。赵国波和刘天琪提出了应用粒子群优化算法 (PSO) 求解电力系统无功优化问题, 将粒子群优化算法与混沌搜索相结合, 以克服PSO算法容易早熟而陷入局部最优解的缺点。此算法利用混沌运动的便利性、随机性和规律性等特性, 先对当前粒子群体中的最优粒子进行混沌寻优, 然后把混沌寻优的结果随机替换群体中的一个粒子, 从而避免了算法陷入早熟, 提高了PSO的寻优特性。通过对IEEE14、IEEE30、IEEE118等标准测试系统进行无功优化, 并与遗传算法、标准PSO进行比较, 表明该算法具有更高的搜索效率和更好的全局优化能力。
2.3 最优潮流计算
电力系统最优潮流, 简称OPF (Optimal Power Flow) , 是当系统的结构参数及负荷给定时, 通过控制变量的优选, 找到能满足所有指定的约束条件, 并使系统的一个或多个性能指标达到最优时的潮流分布。最优潮流在约束条件的处理上具有很强的能力, 它能够在模型中引入各种不等式约束, 能够平衡电力系统对于经济性、安全性以及电能质量三方面的要求, 目前已在电力系统的安全运行、经济调度、电网规划、可靠性分析、阻塞管理和能量管理系统等方面得到了广泛的应用。俞俊霞和赵波应用PSO优化算法及动态调整罚函求解最优潮流问题, 将其转化成一个无约束求极值问题, 有效提高了PSO算法的全局收敛能力和计算精度。应用此算法对标准IEEE30节点系统进行潮流计算, 结果表明该算法能够较好地获得全局最优解。
3 结语
PSO算法具有并行处理、鲁棒性好等特点, 其算法简单易实现、收敛速度快, 能以较大概率找到问题的全局最优解, 且计算效率比传统随机方法更高, 已成功地应用于求解各种复杂的优化问题。PSO算法在电力系统优化领域的应用研究虽然已取得了一些研究成果, 但研究工作大部分还处于理论研究阶段, 有很多问题需要结合电力系统实际运行情况进行进一步探讨, 仍需针对各项具体问题提出合理有效的计算方法。
摘要：粒子群优化算法是一种新兴的群体智能优化技术, 适用于目前科学领域、工程领域和经济领域中很多复杂的、非线性的甚至非凸形式的最优化问题。本文介绍了PSO算法的基本原理及其在负荷经济分配、无功优化、最优潮流计算等方面的应用。
关键词：粒子群优化,群体智能,电力系统
参考文献
[1] 郭文忠, 陈国龙.粒子群优化算法的研究进展.福建电脑, 2005 (4) ;
[2] 俞俊霞, 赵波.基于改进粒子群优化算法的最优潮流计算.电力系统及其自动化学报, 2005, 17 (4) ;
[3] 赵国波, 刘天琪.基于混合粒子群优化算法的电力系统无功优化.电力系统及其自动化学报, 2007, 19 (6) ;
[4] 唐巍, 李殿璞.电力系统经济负荷分配的混沌优化方法[J].中国电机工程学报, 2000, 20 (1O) ;
纳米粒子范文第5篇
目前, 定位点优化的主要方法有:粒子群算法 (Particle Swarm Optimiza-tion, PSO) 和改进的PSO。PSO的进化速度很快, 并且需要修改的参数较少, 但问题是如果要处理高维问题, 则会出现还没有搜素点最优点, 种群就已经聚集在某些极值点不能进一步优化。针对PSO的不足, 很多研究学者提出了改进的PSO。例如在群体适应度方差的基础上进行的PSO算法等等。CAMELIO等提出了在有限元的基础上, 应用非线性规划算法优化薄板零件的定位点。LI等是利用夹具定位的特点, 建立了夹具定位方案, 他是在多项式函数基础上的两阶段响应面模型。本文采用蚁群算法 (Ant Colony Optimization, ACO) 和PSO的混合算法进行优化选择最优值, 使最终优化的定位点能够减少对装配偏差的累积。
一、夹具定位策略及评价函数
本文采用N-2-1夹具定位策略对薄板件进行装配。它的定位原理是, 薄板件的第一基准面应由至少3个定位点来限制它的变形, 第二和第三个基准面分别由2、1个定位点来限制它的钢体运动。对于尺寸不大的薄板件来说, N可以取4.
本文使用金属薄板件进行有限元分析, 薄板件尺寸为150mm x 150mm x 1mm, 杨氏模量为2.07x, 泊松比为0.3。在零件表面施加均匀的分布力, 比较不同方案下夹持点处在主平面上的法向位移。为了评价夹具策略, 取测点法向位移的绝对值作为评价函数。即
式中:F (x) 是目标函数;N为关键测点的数目;iω为第i个测点的挠度。
二、夹具定位策略优化
本文采用粒子群—蚁群混合算法对夹具的定位点进行优化, 粒子群算法 (PSO) 是一种往复循环、迭代的优化算法, 在每次优化后所产生的解都成为一个“粒子”, 系统的初始化是一组随机值, 通过每个粒子的适应度值函数选择和更新粒子, 最终得到最优解。
(一) 粒子编码
本文的编码方式为实数编码, 所谓编码即是给网格节点进行编号, 四个节点组成一个粒子。主平面内的4个定位点的节点号分别为109、151、182、240, 组成的粒子编码为 (109、151、182、240) 。在得到节点编号以后, 利用inp文件中的内容确定定位点的坐标, 最终确定定位点位置。
(二) 产生新粒子群
PSO算法是通过更新每一个粒子的位置来产生新粒子群的。通过以下步骤来产生新的定位策略:
步骤1计算粒子速度, 粒子的速度和个体最优值有关, 可通过下面式子进行计算:
其中:参数设置为0.9, 参数和在区间, 设置为2, k为进化代数。个体最优值更新为:
步骤2更新粒子位置, 粒子的位置为当前粒子的速度和位置之和:
(三) 粒子群—蚁群混合算法流程
粒子群算法是一种解决优化问题的方法, 它需要控制一群粒子。每次迭代都要通过全局最优解和个体最优解来更新粒子的速度和位置, 已获得更优解。假设在D维空间中, 粒子种群数量为N, PSO算法如下:
步骤1:参数初始化。将初始迭代代数设置为k=0, 每个粒子的初始速度随机地设置为, 初始位置为。
步骤2:评价及更新信息素。计算信息素的目标值, 目标值越小、方案越优。计算当代最优个体记为, 更新信息素。
步骤3:判断是否停止。如果满足终止条件, 结束优化, 输出最优值;否则, 进行步骤4。
步骤4:产生新信息素。概率选择移动方向, 且k=k+1。
步骤5:重复步骤2到步骤4各步。
三、结束语
本文提出了一种PSO-ACO混合算法的金属薄板零件的定位策略优化, 该方法处理高维复杂问题时, 能够解决PSO的缺陷, 即避免种群还没有搜索到全局最优点时, 就已经聚集在某些局部极值点不能进一步优化。通过翼子板为例, 比较分析三种优化算法的结果, 证明本文提出的PSO-ACO混合算法优化结果更好。
摘要：为提高车身的尺寸质量, 通过夹具定位点优化来减少整车装配偏差的累积。以尺寸质量为目标函数, 提出了粒子群—蚁群算法进行定位点优化的方案。以车身的翼子板为例将本文的混合算法与单纯使用粒子群算法相比较, 结果表明了方法的有效性。
关键词：金属薄板,定位策略优化,粒子群算法,粒子群—蚁群算法
参考文献
[1] 张恒, 邢彦锋.基于改进粒子群的薄板件定位策略优化[J].河北科技大学学报, 2015, 36 (3) :301-304.