基于蚁群算法的茶叶抖筛机参数优化

８４

第２５卷第３期２００９年３月

农业工程学报

ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣＳＡＥ

、，０１．２５Ｎｏ．３

Ｍａｒ．２００９

基于蚁群算法的茶叶抖筛机参数优化

李兵１，夏涛蜮，宛晓春２，李尚庆２

（１．安徽农业大学工学院，合肥２３００３６：

２．安徽农业大学茶与食品科技学院，合肥２３００３６）

摘要：针对茶叶抖筛机的主要设计参数，建立了茶叶抖筛机优化设计数学模型，运用蚁群算法和Ｍａｔｌａｂ语言，编制了茶叶抖筛机的关键参数的优化程序，运用该程序对茶叶抖筛机的筛床倾斜角、振动方向角、曲柄半径、振动圆频率等参数进行优化仿真计算和验证试验。结果表明：筛床倾斜角ａ为２．８０；振动方向角卢为５２．８。；曲柄半径，为０．０２５ｍ；曲柄圆频率∞为２１．５ｒａｄ／ｓ时，筛净率提高１４％，单位有效筛分面积生产率提高２８ｋｇ／（ｍ２．ｈ）。关键词：茶叶抖筛机，蚁群算法，优化，设计中图分类号：￥２２６．５

文献标识码：Ａ

，

文章编号：１００２—６８１９（２００９）－３—００８４—０４

李兵，夏涛，宛晓春，等．基于蚁群算法的茶叶抖筛机参数优化阴．农业工程学报，２００９，２５（３）：８４—８７．ＬｉＢｉｎｇ，ＸｉａＴａｏ，ＷａｎＸｉａｏｃｈｕｎ，ｃｔａ１．Ｏｐｔｉｍｉｚｅｄｄｅｓｉｇｎｏｆｔｅａｖｉｂｒａｔｉｎｇ－ｓｈｉｆｔｉｎｇｍａｃｈｉｎｅｐａｒａｍｅｔｅｒｓｂａｓｅｄｏｎａｎｔａｌｇｏｒｉｔｈｍ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓｏｆ也ｅＣＳＡＥ，２００９，２５（３）：８４—８７．（ｉｎＣｈｉｎｅｓｅｗｉｔｈＥｎｇｌｉｓｈａｂｓｔｒａｃｔ）

ｃｏｌｏｎｙ

０引言

抖筛机是毛茶精制加工的关键设备，抖筛机的作用是筛分茶叶的粗细，利用筛床的往复运动和抖动作用，使筛床中的茶叶产牛惯性力，与筛面发生相对运动，又由于抖动作用而使叶条呈斜立或矗立状态穿过筛孔，使粗细不同茶叶得以分离。人工蚁群算法是人们受到自然界中真实的蚂蚁群体行为的启发而提出的一种基于种群的模拟进化算法，属于随机搜索算法的一种。蚁群算法与遗传算法、模拟退火算法等模拟进化算法一样，通过候选解组成的群体进化过程来寻求最优解。诸多研究表明，蚁群算法具有较强的寻优能力，它不仅利用正反馈原理，在一定程度上加快了进程的速度，而且是一种本质并行的算法【１捌，不同个体之间不断进行着信息的交流和传递，从而能够相互协作，有利于发现较优的解。蚁群算法可应用于交通分配问题［３１、车辆调度问题【４】、网络路由优化【５１、机械优化设计【６－９］等。本文通过蚁群算法对茶叶抖筛机的关键设计参数进行优化设计，以提高工艺性能与生产效率。

１

践上都证明这种算法模型对求解组合优化问题效果良好［１ｑ，研究表明，自然界蚂蚁寻找到从巢穴到食物源的最短路径是通过一种正反馈的机制实现的，单个蚂蚁在自己行走的路径下留下一种挥发性的分泌物，称为信息激素，用于提示自己回巢的路径，并为其他蚂蚁提示食物的方向，后来的蚂蚁将倾向于选择信息索比较浓的路径，在经过一个较长的过程后，蚂蚁越来越多地集中在信息激素量较大的路径上，从而找到了一条最短的路径。蚂蚁行为实际上是简单个体的自组织行为体现出来的群体行为，每个蚂蚁行为对环境产牛影响，环境的改变进而对蚁群行为产生控制压力，影响其他蚂蚁的行为。通过这种机制，简单的蚂蚁个体可以相互影响，相互协作完成一些复杂的任务。自组织使得蚂蚁群体的行为趋向结构化，其原因就在于包含了一个反馈的过程，这也是蚁群算法最重要的特征。正反馈是系统演化发展的原因，这个过程利用了全局信息作为反馈，使得问题的解向着全局最优解的方向不断进化，最终能有效地获得相对较优的解【Ⅲ。

１．２蚁群算法模型

Ｄｏｆｉｇｏ等人提出的蚂蚁群体优化的元启发式规则较好地描述了蚁群算法的实现过程，其过程如下。当没有达到结束条件时，执行以下活动：蚂蚁的行为，即蚂蚁在一定的限制条件下寻找一条路径；轨迹（即信息激素）浓度的挥发；后台程序，主要是完成单个蚂蚁无法完成的任务，比如根据全局信息对信息激素浓度进行更新。如达到条件，则结束。

由于最初的蚁群算法思想起源离散的网络路径问题，下面以一维搜索为例，引申到，ｌ维空间的函数求解。在函数优化问题上，假定优化函数为

ｍｉｎＺ＝，（工）

（工∈【ａ，６】）

蚁群算法

１．１蚁群算法原理

Ｄｏｒｉｇｏ等人提出了几类不同的蚂蚁算法的模型１０１，

根据蚂蚁群体总能找到从食物源到巢穴的最短路径这种情况而抽象建立的算法模型被称为蚂蚁系统。理论和实

收稿日期：２００８－０４—１５

修订日期：２００９－０３－０３

’

基金项目：国家科技支撑计划（２００６ＢＡＫ０２Ａ２６）：安徽省人才开发资金项目资助

作者简介：李兵（１９７１一），男。安徽明光人，副教授，博士生，主要从事农业机械化及自动化研究．合肥安徽农业大学工学院，２３００３６。Ｅｍａｉｌ：ｆｉｂｉｎｇ＠，ａｈａｕ．ｅｄｕ．ｃｎ

※通信作者：夏涛（１９６２一），男，安徽滁州人，教授，博士，博士生导师，主要从事制茶工程研究。合肥安徽农业大学茶与食品科技学院。

转移概率准则：设ｍ个人工蚂蚁刚开始时位于区间【ａ，ｂ】的ｍ等分处，对于优化类问题，蚂蚁的转移概率可表示为【１３】：

２３００３６。Ｅｍａｉｌ：】‘ｉ缸ａ０６２＠１２６．咖

万方数据　

第３期李兵等：基于蚁群算法的茶叶抖筛机参数优化

８５

Ｐｔ：÷生

（１）ｕ７

，２

ｒ

，＝１

毛ｆ一＃

Ｊ

Ｖ

式中Ｐ∥乙一第ｋ个蚂蚁从位置ｉ转移到／的概率；

弓——第七个蚂蚁－，的领域吸引强度；锄——目标函数差

异值。

强度更新方程为

ｔ－『ｎｅｗ－（１刊∥＋差。吩

（”

Ａｒｊ。Ｑ／Ｌｊ

式中觚——反映第ｋ个蚂蚁在本次循环中吸引强度的

增加量；Ｑ——正常数，Ｏ＜Ｑ＜１００００：白——本次循环

中似）增量，定义为ＬＦｊ（ｘ＋ｒ）－Ｊ（ｘ）：ｒ挥发系数。于

是触）的寻优就借助ｍ个蚂蚁的不断移动来进行；当锄

≥０时，蚂蚁ｋ按概率ＰⅣ从其邻域ｉ移至蚂蚁，的邻域；当叩ｆ，≤０时，蚂蚁ｋ做邻域搜索（搜索半径或步长为吩）。即每个蚂蚁要么转移到其他蚂蚁处，要么进行邻域搜索。由此可见，当蚂蚁的数量足够多，搜索半径足够小，这

种寻优方式相当于一群蚂蚁对定义区间ｈ刎做无穷的搜索，逐渐收敛到问题的全局最优解。

上述函数优化过程不受优化函数是否连续、是否可微等限制，与经典搜索方法相比具有明显的优越性和稳定性。

函数优化问题的蚁群算法过程为【１４】：

１）ｃｏｕｎｔ －－－Ｏ（ｃｏｕｎｔ是迭代步数或搜索次数）；各研和△钉的初始化。

２）将ｍ个蚂蚁置于各自的初始邻域；每个蚂蚁按概率Ｐ。移动或做邻域搜索。

３）计算各个蚂蚁的目标函数磊（扣１＇２…ｍ），记录当前最优解。

４）按强度更新方程修正轨迹强度。

５）△弓修正，ｃｏｕｎｔ．‘－－ｃｏｕｎｔ＋ｌ。

６）若ｃｏｕｎｔ小于预定的迭代次数，则转到步骤２ …… 此处隐藏：8002字，全部文档内容请下载后查看。喜欢就下载吧 ……