二维协同设计

二维协同设计（精选三篇）

二维协同设计 篇1

建筑二维协同设计是指设计单位内设计部门间、设计各专业间或者一个项目的不同设计单位之间，在CAD的软件平台上，进行配合工作。实质上是基于计算机技术的协同工作，并在此基础上实现对工程全过程的管理。二维协同设计对加强管理、提高设计效率及设计质量，促成设计企业发展具有重要的作用。

1 二维协同设计产生的背景

1.1 建筑设计的三个历史阶段

1)手绘阶段:20世纪90年代中期以前，设计单位大都是利用图板人工绘制的传统制图模式。这种模式的工作量极大，出图效率低下。

2)单机阶段:20世纪90年代中期至2000年，伴随着计算机制图的普及，实现了单机绘图的制图模式，大大提高了作图速度与精度。

3)局域网阶段:从2000年后，引进局域网的联机模式，实现了简单的资源共享管理模式，提高了整体的工作效率。

1.2 建筑设计面临的新形式

1)中国加入世贸组织后，随着设计市场的开放，很多国外设计事务所以合作的方式进入中国市场，国内设计单位将面临国际化的挑战以及更加激烈的竞争，对设计单位设计效率提出了更高的要求。

2)伴随国内经济的高速发展，工程建设项目规模逐步扩大，功能更加复杂，设计周期越来越短，这些因素给设计和管理带来了严峻的挑战，传统的设计管理模式和设计人员“单兵作战”的方式已经到了极限。

1.3 二维协同设计的引进

1)二维协同设计概念:建筑二维协同设计是指设计单位内设计部门间、设计各专业间或者一个项目的不同设计单位之间，在CAD的软件平台上，进行配合工作。实质上是基于计算机技术的协同工作，并在此基础上实现对工程全过程的管理。

2)二维协同设计的优势:二维协同设计是更为科学、有效、先进的管理办法和措施，它强调的是过程管理。由于建设项目规模的不断扩大，要求项目团队内各部门、各专业之间、专业内部的配合更协调、紧密，进而高效、优质地完成建筑设计工作。

2 二维协同设计工作模式及特点

面对建筑市场如此巨大的变革，设计单位该怎样加强管理、提高工作效率及设计质量，成为设计单位改革的推动力。新的设计管理模式和管理系统成为立足市场的重要保障。

二维协同设计是以网络技术为基础，对设计及管理流程进行梳理、整合，并协助管理者与设计人员对设计与管理进行全面及全过程管理，并充分考虑设计人员在设计过程中的各种需求，利用多种网络通信技术和工具协助设计人员进行及时、便捷的沟通，设计人员可以灵活地管理技术资料并共享设计资源。

二维协同设计模式具有明显的优越性:

1)对工程项目进行过程管理，便于对工程设计的全过程有效控制。

2)建立更加科学的工作模式:由模型空间设计转为图纸空间设计及外部参照。通过数据文件与图纸文件的分离，实现所有设计数据的唯一性，避免由设计数据的重复创建和编辑带来的低效的重复劳动，从而杜绝因重复修改设计而产生的错误。

3)制定统一的设计标准:制定适合设计企业的设计及制图标准，实现设计数据的无障碍交流及设计图纸标准化。

4)专业内协同设计:各专业内部不再按照图纸目录分工，而是按照不同的设计内容进行分工，然后通过服务器对文件的管理，将每个人的设计内容进行整合，形成本专业完整的设计数据。

5)项目各专业间协同设计:通过服务器的设计文件管理系统，各专业的设计文件和资料由服务器的设计文件管理系统统一管理、存档，将各专业的设计内容形成完整的设计成果。

6)设计资料的统一管理:每个设计人员的设计文件均传至服务器，并集中储存在数据库服务器，由服务器实现设计过程数据及图纸的版本管理与控制，实现资源共享。

7)通过对设计过程的管理，清楚的记录设计人员的整个设计过程及每阶段的图纸版本、提资时间及内容，设计人员的整个设计过程处于受控状态，同时减少了专业内及专业间责任问题，最大限度的减少设计中错、漏、碰、缺的现象，而工程负责人对工程进度的管理更加把握有序。

3 二维协同设计在我院的实施应用

作为山西第一家综合甲级设计研究院，山西省建筑设计研究院在57年的企业发展史中，推广应用计算机技术已经有34年，推广CAD应用技术23年。1995年，我院在计算站原有基础上建立了自己的CAD企业网络。十几年来，我院从最初计算站的十几台电脑，到现在的每人一台，从最初的计算机辅助制图，到现在的计算机软件辅助设计，从最初的单机设计，到现在的网络链接，电脑配置及设计软件不断升级、完善，设计软件功能越来越强大，操作越来越简便，设计院告别了图板时代，进入计算机时代，工作效率有了很大提高。我院一直很重视信息化建设，投入信息化建设的资金逐年增加。虽然我院信息化建设的发展给我院的生产技术带来了质的飞跃，但是仍然存在诸多问题。首先，我院的信息化建设基本属于遇到问题解决问题，缺乏中长期的规划。其次，我院没有将管理纳入信息化建设。2007年，我院已完成质量管理体系的认证工作，但是涉及建筑设计的管理过程与建筑设计过程基本脱节，形同虚设。第三，我院的设计软件及技术已达到了网络工作水平，但网络支持的是各专业设计人员在虚拟的工作空间中进行交换设计文件，各专业之间的配合仍停留在人工协调的阶段，设计人员之间的配合和整体管理水平却没有得到相应的提升。由于每个设计人员的设计手法和习惯不同，有时一套图纸内出现不同字体、不同线形，图面布置出现差异，图纸大小不一等等，严重影响了施工图质量及我院的形象。针对这些现象，我院也出台了很多标准化的图例，如:设计说明、住宅设计导则等，由于设计人员在设计过程中获得的信息变化频繁，向其他专业设计人员传递时很难保证数据准确、全面，且成品图及设计资料也是由单人存储、打印，没有统一的管理。各阶段的信息流失，极易造成设计中出现错、漏、碰、缺，严重影响设计质量，另外设计项目没有统一管理，设计数据分散在设计人员手中，且各阶段设计数据混乱，不易查询且容易造成数据丢失，给项目后期修改及服务造成很大困难。

为了进一步提高我院的管理水平及设计质量，经院务会讨论决定，在我院实施二维协同设计。在对我院内部设计软件使用情况进行摸底调查后，院技术部通过学习调研，深入了解了协同设计工作的流程之后，制定了我院二维协同设计平台的实施步骤:

1)确定协同所需的平台。

自2010年年初开始，根据内部调查及外部调研的结果，进行资料汇总，与软件开发商多次沟通，制定了二维协同设计实施方案。2011年年初，成立了由院长为组长，主管技术和生产的副院长为副组长，各专业总工及技术骨干组成的二维协同设计推进小组，根据我院目前的实际情况，选择了适合我院生产模式的协同设计管理平台。

2)制定统一的制图标准。

标准化是实施协同设计的基础，标准包括制图标准、协同设计项目范围等。经过二维协同设计推进小组与专业软件公司协同平台研发人员多次讨论、沟通，向全院设计人员发放征求意见稿，并经二维协同设计推进小组反复修改，于2011年6月完成了《山西省建筑设计研究院制图标准》定制工作，内容包括标准指定的目的、依据及适用范围、文件格式、文件类型、文件命名规则、图纸管理、制图比例、字体、图线、专业制图等。

3)定制设计软件，搭建协同设计平台。

参考我院软件使用情况及对未来的预期发展，要求软件开发单位按照我院《制图标准》进行定制。设计软件定制完成后，工作重点放在了组建二维协同设计管理平台上。组建二维协同设计平台包含下面四个方面的内容:a．设计流程管理:以建筑专业为主专业，协同结构、水、暖、电等项目涉及专业共同完成项目设计过程;b．图纸校审管理:利用平台提供的便捷工具，准确的完成图纸的校对审核工作;c．图档管理:将企业所设计图纸的信息全部录入服务器，由院图档部门统一管理，实现高度的资源共享和再利用;d．融入质量管理体系:将我院质量管理体系中“设计咨询质量控制表”有机的融入协同设计平台，真正做到设计的过程化管理。

根据协同设计平台的上述特点及我院的实际情况，建立了具有我院特色的协同设计平台:以现代网络技术为基础，直接协助管理者与设计人员整合图纸设计与管理流程。并充分考虑设计人员在设计过程中的各种需求，配合便捷实用的协同设计工具，有效建立协同设计环境，使项目设计流程管理做到高效、精确、便捷、迅速。

2011年12月，结合我院实际情况研制开发的二维协同设计TPM平台安装、调试完成，并于2012年投入使用。

搭建完成的协同设计平台框架图见图1。

4 推广实施

制定制图标准及协同设计管理平台搭建完成，如何推广、实施协同设计，是摆在管理者面前的重要课题。实施协同设计的初期不仅无法实现协同设计的优点，可能还会降低设计效率。针对这一情况，我院制定了一系列推广措施:

1)强化领导作用。成立以院长为组长的协同领导小组，作为技术副院长，多次下到所队，了解协同平台及专版软件存在的问题及使用情况，及时与软件开发商进行沟通，并提出解决方案。解决了设计人员的后顾之忧。

2)全员培训。培训分为三个层次:a．对中层及以上干部进行培训;b．进行全员培训;c．组织全院设计人员进行集中培训。

3)针对各生产部门的项目小组进行一对一的培训，保证项目小组成员能完成在协同平台上的项目设计，并能指导其他设计人员正确使用协同设计平台。

4)分步实施。根据各部门的实际情况，选定几个生产及技术能力较强的设计部门，开始使用协同设计，根据使用情况，逐步向全院推广。

二维动画典型工具设计的研究 篇2

关键词：视觉暂留；诡盘；动画透台；动画软件

1 动画工具的形态设计来源于视觉暂留原理

动画是由一系列连续动态的画面按照一定的频率，将这些画面连续播放，我们所看到的就是运动的画面。动画是通过运动展现空间和时间的艺术。1824年彼得·罗杰出版了一本谈眼球构造的书《移动物体的视觉暂留现象》，书中提出观点：“形象刺激在最初显露后，能在视网膜上停留若干时间。这样，各种分开的刺激相当迅速地连续显现时，在视网膜上的刺激信号会重叠起来，‘形象就成为连续进行的了。”视觉暂留现象就是当一个物象出现在眼前，这个物象会在人的视网膜上停留0.1秒左右的时间。当第一个图像画面映入眼帘，然后消失，第二个图像画面在0.1秒以内的时间出现，那么第一个图像画面在视网膜中暂留的影像与第二个出现的图像画面相结合，人眼会将两个静止的画面处理成运动的影像，以此类推，不断连续播放连续动态的画面，就会使我们看到连续运动的影像，这就是视觉暂留原理。

在视觉暂留原理被提出之后，一些科学家运用这个原理发明出一些能够通过旋转而产生运动视觉效果的发明。1832年，比利时科学家约瑟夫·普拉托发明了“诡盘”。诡盘是一个圆形的硬纸板，圆盘中心点固定，后侧连接垂直的手柄，握住手柄，圆盘可以旋转。中间环形部分平均剪开12个长条形的小孔，外侧环形同样平均分成12份，每一部分分別绘制连续的动态画面，第一个画面和最后一个画面恰好可以首尾相连。诡盘的观看方法是面对镜子，一只手握住诡盘的手柄，将带有绘制好的连续动态画面的一侧面向镜子，另一只手按照连续动态的运动方向旋转圆盘，眼睛的位置与圆盘中的长条小孔相平行，透过小孔观看镜子中的连续动态画面，就会产生运动的效果。诡盘的设计是由三个部分组成，圆盘、轴心及手柄。手柄与轴心连接，当人握住手柄时，就是起到了固定旋转轴心的作用。圆盘是整个诡盘的主体部分，假如圆盘并不是圆形设计，而是多边形设计，在旋转的过程中，边缘线就会不停地闪动，或者看到两条圆环边缘线，这会分散观看者的注意力，不能够将全部精力集中到连续的动态画面上。圆盘的形状设计还有一个优点，就是将连续动态画面首尾相连，动作设计成连续循环的动作，在旋转时，任何一个动态都可以作为起点、终点。这里的12个长条形小孔以及相对应的12个画面是根据视觉暂留原理来进行设计的，圆盘旋转一圈的时间在1秒钟左右，每一个画面就是停留大概0.08秒左右的时间，刚好符合视觉暂留原理一个画面能在人的视网膜上停留0.1秒左右的时间。圆盘中环部分的小孔设计同样运用了视觉暂留原理。当圆盘在旋转的过程中，人眼首先是透过孔看见第一个画面，然后看到的是两个孔之间的纸板，接着是透过第二个孔看见第二个画面，不断地循环，使得本来都是静止的连续动态画面产生了运动的效果。

诡盘需要借助镜子的反射来观看运动效果的画面，在发明了诡盘2年之后，英国人霍尔纳发明了“走马盘”。走马盘的外观设计同样是由三个部分组成，上半部分是能够旋转的圆盘，下半部分是一个底座，中间由轴心连接。走马盘与诡盘的不同之处在于走马盘可以不用借助镜子就能够观看到运动效果的画面。走马盘的设计仿佛是在诡盘的圆盘上方添加了一圈“围栏”，通过旋转走马盘，透过“围栏”的12条长条形孔洞，观看放置在走马盘的“围栏”内部的连续动态画面纸条。观看走马盘的动态视觉效果与观看诡盘的效果基本一致。英国在18世纪60年代率先进入工业革命时期，在这一时期，对产品设计方面更多的关注是在具备功能的前提下，尽量的设计简洁以适应工业批量生产。在这一时期发明的走马盘外观设计没有任何装饰，人们就会把注意力集中在走马盘所运用的视觉暂留原理上。

2 动画工具的形态设计能够更好地配合人们的工作

“定位尺”是二维手绘动画制作过程中非常重要的工具，是长约25厘米宽约2厘米的长条形金属尺子，但它并没有刻度，在定位尺上有三个突起物，两端是两个条状突起、中间是一个圆柱形突起。也有将其尺的部分采用塑胶材质，而突起物使用钢、铁金属制作而成。在动画纸的一侧，有三个孔洞，两端有两个条状孔洞，中间有一个圆形孔洞，这与定位尺的突起完全吻合，定位尺是动画制作人员在绘制设计稿和原动画时用来固定动画纸的工具。在动画制作中，一个角色的动作是由好几个连续动态画面组成的，每一个动态画面都要分别绘制在不同的动画纸上，要保证每一个动态画面都能够准确地绘制在动画纸的相应位置上，如果其中某一个动态的位置产生位移偏差，那么整个动作的播放画面效果就会出现闪动或者混乱，而将打了孔的动画纸一张一张套在定位尺上，那么画面中的每一个动态位置就能确保不会产生位移偏差。

赛璐璐是一种由聚酯材料制成的透明胶片，表面光滑，全透明如薄纸状，它是针对动画制作的方法形式来进行设计的。赛璐璐的运用是在二维手绘动画的中期制作部分，动画师将连续的动态画面一张一张绘制完成后，将这些画面扫描到专门的仪器中，这个仪器能将扫描到画面中的线稿打印到赛璐璐片上，上色工作者再将赛璐璐片翻转，在线稿的背面进行上色。运用赛璐璐进行动画上色作为动画镜头中的前层，前层能与后层背景重叠在一起摄制，前层只有进行涂色的部分能够遮挡后层的画面部分，前层没有进行涂色的部分完全透明，可以映出后层的画面，可增强画面的层次和立体效果，同样还能使不同动作角色分别画在不同的胶片上进行多层拍摄。赛璐璐片在动画制作中的运用极大地减少了动画制作的工作量，提高了动画制作效率，也使动画的制作逐渐走向商业化、产业化。赛璐璐片的运用还是存在一些弊端，由于赛璐璐片的制作工艺非常复杂，对材质的要求相当高，如果赛璐璐片的制作质量不合格，就会影响整个动画的制作效果。赛璐璐片对上色的技术要求也相当高，上色师在上色之前要带上棉质手套，避免手部出汗将赛璐璐片浸湿而使赛璐璐片的形状发生改变，上色的颜料填涂厚度需要很好的掌控，如果颜色填涂太薄，拍摄时不能将底层的画面完全覆盖，如果颜色填涂太厚，拍摄时会在下层产生厚度的投影，无论颜色填涂过薄或者是过厚，都会影响动画的拍摄效果。赛璐璐片是运用具有高透明度的材质进行制作，但通过层次的过多叠加，还是会降低透明度，所以每个镜头中的分层都不能超过6层。

动画的工作台叫作“透台”，也被称作“透光桌”“拷贝桌”“透写台”。无论怎样的称呼，无论哪一个时期的动画工作台，都有着它的本质特点，就是具有“透”的功能。透台与一般的书桌很相似，它是由台面部分、台面上方的格子小柜，以及桌腿这三个部分组成的。它与一般书桌的不同之处是在台面的中心有一块玻璃，玻璃的表面是光滑的，但透光度要比一般的玻璃透光度要差一些。采用低透光度的玻璃，是由于在使用透台进行工作时，要将工作台面位于玻璃下方的光源打开，玻璃透光性过高会对人的视力造成一定的伤害。在具有透光性的玻璃台面上，能够看清多张叠加在一起的画稿，动画工作者可以进行画稿的拷贝以及中间动画的绘制。台面的设计呈倾斜状，这样设计者能够避免光线直射眼睛，也是对长期伏案的工作状态进行了调整。透台台面的倾斜角度有些是固定的，有些是可以根据自己的习惯进行适当的调整的。

3 科技的不断发展影响着动画工具的形态设计

随着时代的进步，计算机技术飞速发展，这也影响着动画工具的形态设计。赛璐璐片已走进动画的历史，电脑技术能够直接从画面当中提取线条，可以无限制地进行分层，不会由于层数太多而使背景画面的效果不清晰。在绘制角色原地运动时，角色与背景的关系，在后期处理软件当中能够轻松简便地进行调整。

有形的动画工具在向无形的动画工具发展。现在传统动画制作的整个流程，完全可以运用数字媒体设备进行制作。一部动画制作的前期部分，首先开端就是剧本（下转第页）（上接第页）写作，剧本写作可以运用文字处理软件工具；剧本完成后，就是进行美术设计，包括角色设计、场景设计、道具设计，这部分工作可以结合手绘板、手绘屏，运用平面图像处理软件进行设计；接着是分镜头脚本绘制，传统纸质的手绘脚本是根据镜头的文字、符号的标示，根据经验去想象每一个镜头与镜头的连接，以及运动镜头的动态效果。分镜头脚本運用数字媒体技术进行设计要优于纸质的手绘脚本，我们可以通过软件对每一个镜头进行简单的合成及动态效果展示，就可以直观地看到每一个镜头的时间长短，镜头的转接效果，以及镜头的推、拉、摇、移的效果，加强了在前期创作中对整部动画制作效果的掌控。一部动画的中期制作部分，场景的绘制与运动的角色或运动的物是分开来完成的，动作设计这项工作可以运用诸多动画软件来完成。动画软件的功能大致分为这样几个部分：软件的标题栏、工具栏、菜单栏以及画纸面板，绝大多数的软件都有“库”，动画中重复的动作可以在首次制作完成后，将这个动作放在“库”中，当其他镜头有相同的动作时，可以对动作进行调整，直接运用，提高了工作效率。动画的后期制作软件是对镜头的画面及声音进行合成、剪辑，以及一些特效的制作。

4 结语

人们首先是对充满神秘感的动画产生兴趣，然后通过不断的研究提出了视觉暂留的原理，根据视觉暂留原理发明了走马盘等玩具。随后动画制作逐渐走向产业化、商业化，二维动画制作也逐渐形成了独有的制作流程，分为三大部分：动画前期创作、动画中期制作以及动画后期合成。在动画前期创作部分这一流程中的主要工作是进行动画创作的故事构思，剧本编写，角色、场景、道具的设计，分镜头脚本的绘制。动画中期的制作是根据分镜头脚本，对每一个镜头进行制作。动画后期合成则是将每一个分镜头进行组接合成、视频剪辑。早期动画的制作是运用最传统的手绘方法来展现，中期的制作过程中，就会运用到透台、定位尺、赛璐璐片等动画工具。这些动画工具的外观及功能设计，都是根据动画的中期制作要求及工作性质进行设计的。随着科技的进步发展，二维动画制作工具结合了数字媒体技术，使得动画创作的整个制作流程更加直观快捷，也大大降低了制作成本。动画工具的设计首先是要遵循动画具有的视觉暂留原理，无论制作动画使用的工具如何发展变化，其职能都是要在动画制作的各个环节发挥其应有的作用。

参考文献：

[1]李涛.美、日百年动画形象研究[D].江苏：南京艺术学院，2011.

[2]程雅倩.当代数字动画前沿技术解析[D].山东：山东师范大学，2010.

巨量二维粒子群分组协同算法 篇3

粒子群算法(Particle Swarm Optimization,PSOzz[1])最早是由Eberhart和Kennedy于1995年提出,它基本思想源于对鸟群觅食行为的研究,是复杂适应系统(Complex Adaptive System,CAS)的一种,该算法具有搜索速度快、效率高,算法简单、简单易于实现的特点。它的出现为那些难以找到数据学模型的问题提供了一个解决方案,因此在多个领域得到了广泛关注与应用。但是传统的PSO算法在收敛速度和摆脱局部最优有一定的局限性,因此众多学者在传统的PSO算法的基础上进行了大量的研究,取得了丰硕的成果。其中大多数的研究大都以避免粒子陷入局部最优和提高粒子的全局搜索能力两个方法对算法进行了优化。部分研究[2,3,4]是针对PSO算法的参数进行改进从而提高了PSO算法的收敛速度。另外一个大的研究方向是从种群划分的角度对算法进行优化,文献[5]在PSO算法中引入了合作框架的概念,将种群分为子种群,再通过子种群间的协同以达到优化的目的;文献[6]基于动态邻居的多子群PSO算法,可以有效地避免算法陷入局部最优;另外还有基于学习策略的综合学习粒子群优化(CLPSO)算法[7]和使用Monte Carlo随机投点的方法[8]来确定粒子的具体位置进行协同进化更新。

对于巨量的粒子群中由于粒子的数量庞大导致收敛的速度慢,提出了一种新的分组协同粒子群算法(Group Collaborative Particle Swarm Optimization,GCPSO),将初始粒子群按坐标区块进行划分,然后每一块都分别进行粒子进化,进化过程中对偏离本区域的粒子重新划分到新的区块,然后在新的区块中进行进化;待所有区块进化到距离目标一定的范围内,所有区块组合为一个整体再进行进化。分组分别进化可以提高进化的速率,整合再进化可以有效地减少算法陷入局部最优的概率。

1粒子群算法

规模为N的粒子群对D维空间进行搜索(D也可以表示为每个粒子的维数)。每个粒子位置可以表示为:xi=(xi1,xi2,xi3,…,xid),每个粒子个速度可以表示为:vi=(vi1,vi2,vi3,…,vid),每个粒子在搜索过程中最优位置可以表示为pi=(pi1,pi2,pi3,…,pid),搜索过程中全局最优值表示为pg=(pg1,pg2,pg3,…,pgd),其中(1≤i≤N)。在每一次迭代中粒子通过公式(1)和公式(2)更新自己的速度和位置。

式中,vk+1id表示编号为id粒子的第k+1次迭代的速度。ω叫做惯性权重,是保持原来粒子速度的系数;c1是粒子跟踪自己本身历史最优值的权重系数,通常叫做“认知”;c2是粒子跟踪群体最优值的权重系数,通常叫做“社会”;ε1和ε2为[0,1]区间内的随机数;pkid表示编号为id的粒子迭代k次后自己搜索到的历史最优解;pkgd表示整个粒子群k次迭代后搜索到的历史最优解;xkid表示编号为id的粒子迭代k次后的位置。

1.1分组方法

如图1所示,以鸟觅食的为例,假设所有的鸟都分部在一个二维空间(不考虑鸟的位置的高低),设O为目标原点(食物所在地),在O附近的一个区间可以表示为C(Close Range),称临近区间。在坐标图中以角度(设可被360整除)对坐标平面进行划分,可以分n(n=360/)块大小相同的区域(Area),图1中A1表示以角度划分后的区域对F的补集(即在度划分区域中除去包含在F中的区域)。同样可以得到A2,A3,…,An区域,然后分别对包含在A1,…,An的鸟群进行分组。n组鸟群分别进行搜索,在搜索的过程中可能有鸟进入其它区域,此时组群进行重新划分,待所有的鸟群进入到F区域,再整合所有的鸟群进行搜索。

定义一:粒子属性Si=<xi,vi,p,angle,flag>

Si:表示第i个粒子。

xi,vi:分别表示粒子位置和速度(参考第二部分介绍)。

p:表示粒子搜索过程中最佳位置。

angle:表示粒子的角度。

flag:表示是否进入CloseRange(简写为C)区域(1表示进入C区域,0表示没有进入C区域)。

在传统的粒子搜索算法的过程可以更新自己的xi,vi,p的数据,在本文的模型中在此过程中添加对angle和flag状态的状态。

定义二:组群集合Ai=<Ti,Cr>

Ai:表示第i组粒子群。

Cr:表示Ai所包含的角度区间。

Ti:表示Si.angle属于Cr的所有粒子的集合。

算法一:初始化粒子群Initailize Particles()

算法二:组群划分Group Particles()

通用算法一和算法二可以对粒子群进行初始化的分组,在粒子群分组完成以后各组可以分别进行搜索,对于搜索过程中偏离所在组群的粒子可以统一分配到一个临时组群(Temp Group),对于搜索过程中进入临界区域的粒子从所在组群中去除。

算法三:重新分组Re Group()

1.2粒子搜索过程

图2为粒子搜索的过程,包括三个部分初始化部分、分组搜索部分、集中搜索。

首先按照算法一和算法二对粒子群进行初始化并分组,然后对各组分别进行搜索(参见图2中中间区域),在搜索的过程对偏离本区域的粒子依照算法三进行再分组,待所有区域的粒子都进入到临界区间,在临界区间将所有粒子组合到一起进行集中搜索直到得到目标解。

2模拟实验和结果分析

2.1测试函数

选择了4个测试函数其中f1,f2为单峰值函数,f3,f4为多峰值函数。函数的具体取值范围和设定最优解如表1所示。

2.2结果分析

本文将GCPSO算法与基本粒子群优化算法PSO进行对比,本文实验采用Visual Studio 2013进行数据仿真,采用MATLAB R2013a进行曲线生成,系统硬件环境为32G内存,Windows7操作系统。实验过程中惯性权重在0.4到0.9之间取值,学习因子c1=1.7,c2=2.05,最大迭代次数设置为1000次,粒子群规模100000个,维数为2维。GCPSO算法按90度角度进行分组共分为4组,临界区间设为[-1,1]。GCPSO算法的时间复杂度为O=N*D*F(其中,N为粒子个数,D为粒子维数,F为粒子群搜索迭代次数。

表2为两种算法分别在4个测试函数上的实验结果。

表2中PSO代表PSO基本算法,GCPSO-1、GCPSO-2、GCPSO-3、GCPSO-4分别为GCPSO算法的分组算法,GCPSO为最后进入到临界区域后进行搜索数据。在分组搜索的过程中各组和PSO算法性能相近,但分组并行搜索中各组迭代的次数相对于全部粒子进行搜索有更小迭代次数,另外在集中搜索过程,GCPSO可以较快的收敛。

图3-6分别为两种算法在4个测试函数中的迭代进化曲线对比(其中圆圈代表GCPSO分组搜索,三角形线代表PSO搜索,*号表示GCPSO整合搜索)。可以看出,本文提出的GCPSO算法在收敛速度上具有明显的优势,多组同时搜索再整合的方法明显加快了搜索的速度,同时可以有效地跳出局部最优。

3结束语

本文提出了分组搜索的粒子群优化算法,对分组后的粒子群分别进行搜索,分组可以对粒子群种群个数进行分流处理,避免一次搜索迭代次过多,从而提高搜索速度。最后对结果进行整合搜索,可以在第二次搜索过程中有更快的收敛速度。不过GCPSO算法也有较多局限性,比较在算法中目前只支持对二维的粒子群的搜索,分组的方法比较单一等,这些都是后续的研究方向。

摘要：针对传统粒子群算法对巨量粒子群收敛时间长且易于陷入局部收敛的现象,提出一种分组协同粒子群优化算法,在巨量粒子群搜索过程中对粒子群进行编组分别独立进化,并针对进化过程中新进的粒子群进行再编组参与进化。在搜索过程中各组的粒子动态的变化,有新加入的粒子也有进入临界区间的粒子,等待各组粒子都进入到临界区间后对所有粒子进行整合再搜索,粒子从分组再到整合可以有效地避免粒子陷入局部收敛,此外再搜索的过程中粒子分布比较集中,则会有较快的收敛速度。文中首先对粒子群模型进行了定义,然后具体描述了粒子群搜索过程中的分组算法,最后对算法进行了验证分析,证明了算法的有效性。

关键词：粒子群算法,分组协同,粒子群编组,巨量

参考文献

[1]Eberhart R.Particle Swarm Optimization[C].Proceedings of the IEEE conference on neural networks–ICNN,95,1995.

[2]Andrés C,Lozano S.A particle swarm optimization algorithm for part-machine grouping[J].Robotics and Computer-Integrated Manufacturing,2006,22:468-474.

[3]Bergh Fvd,Engelbrecht AP,editors.Effects of Swarm Size on Cooperative Particle Swarm Optimisers[C].Genetic and Evolutionary Computation Conference,2001.

[4]Eberhart RC,Shi Y.Comparing inertia weights and constriction factors in particle swarm optimization[C].Evolutionary Computation,2000 Proceedings of the 2000 Congress on.2000,1:84-88.

[5]van den Bergh F,Engelbrecht AP.A cooperative approach to particle swarm optimization[J].IEEE Trans Evol Comput.2004,8(3):225-239.

[6]Zhao SZ,Liang JJ,Suganthan PN,et al.Dynamic Multi-Swarm Particle Swarm Optimizer with Local Search for Large Scale Global Optimization[C].Evolutionary Computation,2008 CEC 2008(IEEE World Congress on Computational Intelligence)IEEE Congress on,2008.

[7]Liang AKQJJ.Comprehensive learning particle swarm optimizer for global optimization of multimodal functions[J].IEEE Transactions on Evolutionary Computation,2006,10(3):281-291.