動態(tài)粒子群算法的茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化設(shè)計(jì)

摘要：為了更好地提高茶葉理?xiàng)l機(jī)的傳動性能與茶葉的加工質(zhì)量，降低機(jī)器在工作過程中的噪聲與振動，文章提出了一種改進(jìn)的猴子跳躍機(jī)制粒子群算法，對茶葉理?xiàng)l機(jī)參數(shù)進(jìn)行優(yōu)化。仿真結(jié)果表明，優(yōu)化后的參數(shù)顯著降低了噪聲和未茶率，提高了成條率，且算法的收斂速度和優(yōu)化時(shí)間均優(yōu)于其他算法。因此，新改進(jìn)的優(yōu)化算法對提高茶葉理?xiàng)l機(jī)的工作性能與延長機(jī)器的使用壽命具有重要意義。

關(guān)鍵詞：茶葉理?xiàng)l機(jī)；參數(shù)優(yōu)化；粒子群算法；猴子跳躍機(jī)制

中圖分類號：TP391" "文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2025）16-0030-05

開放科學(xué)（資源服務(wù)） 標(biāo)識碼（OSID）

0 引言

茶葉理?xiàng)l機(jī)是制作綠茶成形的關(guān)鍵設(shè)備之一[1]。理?xiàng)l機(jī)操作工序?qū)τ谥谱骶G茶的外形品質(zhì)和內(nèi)在質(zhì)量都起著重要作用。茶葉被放在U型槽鍋中進(jìn)行制作，多次拋起的茶葉在多種內(nèi)外力的作用下發(fā)生相應(yīng)的物理及化學(xué)變化[2]，從而成功地進(jìn)行了理?xiàng)l。目前，茶葉理?xiàng)l機(jī)的傳動機(jī)構(gòu)主要以曲柄連桿機(jī)構(gòu)為主[3]。然而，曲柄連桿機(jī)構(gòu)在運(yùn)動過程中，傳動角不僅反映了驅(qū)動力對理?xiàng)l機(jī)槽鍋運(yùn)動的有效利用程度[4]，也是衡量理?xiàng)l機(jī)機(jī)構(gòu)傳動效率的重要參數(shù)。槽鍋?zhàn)笥一瑒拥倪\(yùn)動方式會對理?xiàng)l機(jī)造成較大的振動，因此傳動角對理?xiàng)l機(jī)的工作效率、工作噪聲以及機(jī)器振動有著較大的影響。傳統(tǒng)的優(yōu)化方法是通過該機(jī)器的行程來優(yōu)化設(shè)計(jì)傳動角，設(shè)計(jì)完畢后再通過茶葉理?xiàng)l機(jī)驗(yàn)證是否符合實(shí)際需求[5]。另一種優(yōu)化方法是通過幾何畫圖的方法設(shè)計(jì)優(yōu)化傳動角。然而，這幾種傳統(tǒng)優(yōu)化方法所得到的結(jié)果具有很大的不確定性，有時(shí)難以符合實(shí)際需要。

近年來，人們開始對智能優(yōu)化算法進(jìn)行研究，例如粒子群優(yōu)化算法、遺傳算法、蟻群算法等，它們都是一種非確定性優(yōu)化的群體智能算法[6]。這些算法不僅具有解決不同非線性問題的魯棒性和全局最優(yōu)性的特點(diǎn)，還具有不依賴所求問題模型的可并行性和高效率等特性。這些優(yōu)點(diǎn)引起了國內(nèi)外人們研究及廣泛應(yīng)用的熱潮[7]。李兵等[8]用蟻群算法解決理?xiàng)l機(jī)的工作性能及提高茶葉的成條質(zhì)量；王小勇等[9]把遺傳算法應(yīng)用于制作茶葉工序，其效果比傳統(tǒng)優(yōu)化算法優(yōu)越得多，主要原因在于茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化是一種多目標(biāo)復(fù)雜函數(shù)的優(yōu)化問題，啟發(fā)式智能優(yōu)化算法比較適合于該問題求解，因此它才成為當(dāng)前主要優(yōu)化研究的方向。這些算法相對于精確求解的算法，可以取得較好的結(jié)果[10]。但大量研究結(jié)果表明，這些算法有時(shí)會陷入局部極值，出現(xiàn)“早熟收斂”現(xiàn)象[11]，導(dǎo)致優(yōu)化結(jié)果精度不高、準(zhǔn)確性較差、搜索速度慢等缺陷，影響茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化速度，找到的最優(yōu)茶葉理?xiàng)l機(jī)參數(shù)不是最優(yōu)解。為此，本文提出了一種動態(tài)猴子跳躍機(jī)制粒子群優(yōu)化算法的茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化方法。首先對尋優(yōu)過程中粒子群體進(jìn)行動態(tài)分組，然后對不同分組采用不同的動態(tài)慣性權(quán)重非線性模糊函數(shù)，以加快其搜索速度和求解精度；對陷入早熟的群組介入猴子跳躍機(jī)制，使其跳出局部最優(yōu)。以此來平衡粒子群優(yōu)化算法的全局和局部之間的搜索能力，提高粒子群算法的優(yōu)化質(zhì)量。最后，本文將動態(tài)猴子跳躍機(jī)制的粒子群優(yōu)化算法應(yīng)用于茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化中，實(shí)驗(yàn)數(shù)據(jù)顯示，動態(tài)猴子跳躍機(jī)制的粒子群優(yōu)化算法可以迅速高效地找到茶葉理?xiàng)l機(jī)的最優(yōu)參數(shù)，提高其工作性能，延長機(jī)器的使用壽命，具有一定的應(yīng)用價(jià)值。

1 基本粒子群優(yōu)化算法

粒子群算法[12]是由J. Kennedy和R. C. Eberhart模擬鳥群覓食的一種群體智能優(yōu)化算法。具體描述如下：

假如粒子群優(yōu)化算法在一個(gè)[k]維幾何空間中，有一個(gè)確定的集合[S]，其表達(dá)式如式（1） 所示：

[S=s11...s1i...s1m" ?" " " " " ?" " " " "?" "sj1...sji...sjm?" " " " " ?" " " " " ?sk1...ski...skm]" "（1）

式中：[m]表示最大粒子數(shù)，第[i]個(gè)粒子個(gè)體在解區(qū)間的位置表示如式（2） 所示。

[Si=Si0Si1?Sik]" " " "（2）

通過在目標(biāo)函數(shù)中引入[Si] ，可以得到粒子的適應(yīng)度，Sij表示第i個(gè)粒子個(gè)體在第k維空間的位置。定義粒子在t時(shí)刻的瞬間速度如式（3） 所示：

[Vi=Vi0Vi1?Vik]" " " "（3）

當(dāng)粒子群每次迭代時(shí)，粒子的速度將由下面公式（4） 來更新：

[Vg+1ik=wVgik+σ1r1（Sgak-Sgik）+σ2r2（Sgbk-Sgik）] （4）

在公式（4）中，[σ1]和[σ2]是初始化加速度常數(shù)，g是粒子群更新代數(shù)。此外，[r1]和[r2]是兩個(gè)相互獨(dú)立隨機(jī)函數(shù)，[w]是權(quán)重因素變量，且[w=1.2=w0]，[Vgik]表示第i個(gè)粒子個(gè)體在第k維空間位置的速度，當(dāng)粒子群每次被迭代時(shí)，粒子群的位置由公式（5）進(jìn)行更新：

[Sg+1ik=Sgik+Vg+1ik]" " " （5）

2 動態(tài)猴子跳躍機(jī)制的粒子群優(yōu)化算法

動態(tài)猴子跳躍機(jī)制的粒子群優(yōu)化算法的原理是：針對粒子群算法在處理高維復(fù)雜非線性函數(shù)時(shí)出現(xiàn)的“早熟收斂”現(xiàn)象，以及由于基本粒子群優(yōu)化算法的慣性權(quán)重系數(shù)是固定常數(shù)等缺點(diǎn)，引入猴子跳躍機(jī)制，使陷入局部最優(yōu)的粒子群快速跳出并達(dá)到新的最優(yōu)點(diǎn)，從而使種群繼續(xù)進(jìn)化。其次，引入非線性動態(tài)權(quán)重系數(shù)能夠較好地協(xié)調(diào)和平衡粒子群的全局搜索能力和局部搜索能力，提高算法的收斂效率。

2.1 猴子跳躍的機(jī)制

為避免粒子群優(yōu)化算法在尋優(yōu)過程中易陷入“早熟收斂”狀態(tài)的現(xiàn)象，本文引入猴群算法的猴子跳躍過程。把陷入局部最優(yōu)的所有粒子個(gè)體的當(dāng)前位置賦值給同樣規(guī)模的猴子，并以當(dāng)前粒子群體的重心位置作為猴群跳躍的支點(diǎn)。每只猴子以一定的跳躍參數(shù)朝指定的方向或反方向跳躍，從而跳躍到一個(gè)新的搜索領(lǐng)域，以達(dá)到逃離局部最優(yōu)的目的。猴子跳躍機(jī)制跳出局部最優(yōu)的具體步驟如下：

設(shè)群體規(guī)模為N，K為實(shí)際函數(shù)的維數(shù)，第[i]只猴子跳躍過程如下：

1） 在實(shí)際問題區(qū)間[c，d]中隨機(jī)產(chǎn)生一個(gè)跳躍步長控制參數(shù)[σ]，其中區(qū)間[c，d]被稱為翻區(qū)間，c，d的大小根據(jù)實(shí)際問題的搜索空間而定；

2） 設(shè)[yj=xij+σ（ypj-xij）]，支點(diǎn)ypj為：

[ypj=1Ni=1Nxij，j∈[1，2，...，k]]" " " （6）

若隨機(jī)產(chǎn)生的[σ≥0]，則這只猴子朝指定的支點(diǎn)方向跳躍，即以[ypj]為支點(diǎn)， 以[yj] 來更新算法的位置。反之，[σlt;0]，如果朝相反的遠(yuǎn)離方向跳躍，則以[ypj']為支點(diǎn)， 以[yj=y'pj+σ（y'pj-xij）] 來更新跳躍算法的位置。

3） 在區(qū)間[c，d]中，若[y=（y1，y2，...，yn）]滿足[f（yi）lt;f（xi）]，則[xi=yi]，否則轉(zhuǎn)回步驟（1） 、（2） ，直到找到可行的[yi]。

注意：上式中[y'pj=1Ni=1Nxij-xij]。

2.2 動態(tài)權(quán)重參數(shù)的調(diào)整機(jī)制

在基本粒子群優(yōu)化算法中，權(quán)重參數(shù)[w]是一個(gè)定值，不能靈活地調(diào)整，這種優(yōu)化算法在全局和局部之間的搜索關(guān)系受到限制。為了提高在路徑優(yōu)化過程中的有效性，本文根據(jù)多目標(biāo)約束優(yōu)化的特性，在處理多維復(fù)雜分布優(yōu)化函數(shù)的過程中，改變了基本粒子群優(yōu)化算法的權(quán)重因子。

這是因?yàn)樵诘湫突緝?yōu)化算法的進(jìn)化前期，權(quán)重系數(shù)較大，有利于增大算法尋優(yōu)速度，使其快速找到最優(yōu)解，提高收斂效率。而在進(jìn)化后期，由于當(dāng)前粒子局部最優(yōu)解比較靠近全局理想解，如果權(quán)重系數(shù)仍然較大，粒子的速度將保持不變，導(dǎo)致可能的后果是：每個(gè)粒子在搜索過程中要么達(dá)不到最優(yōu)解位置；或者可能超過最優(yōu)解位置。

這將使粒子群處于徘徊狀態(tài)，從而導(dǎo)致算法無法收斂。如果在進(jìn)化后期，粒子速度變小，并且此時(shí)粒子距離最優(yōu)解較近，小的權(quán)重將使速度變小，這樣大大提高了粒子群個(gè)體恰好到達(dá)或更接近最優(yōu)解位置的概率，從而使粒子更有可能快速找到最優(yōu)解。

為此，本文將權(quán)重[w]變成一個(gè)隨著迭代次數(shù)增加而逐步縮小的動態(tài)可變非線性權(quán)重因子。本文權(quán)重系數(shù)因子的具體設(shè)置如下：

在算法優(yōu)化前期，需要較強(qiáng)的粒子個(gè)體的自我學(xué)習(xí)，即具有較強(qiáng)的全局搜索性能，因此權(quán)重因子要較大，以便于更快地搜索到群體最優(yōu)解，并提高算法收斂速度。一般情況下，權(quán)重因子在 （[0.8， 1.2]） 之間為最佳，此時(shí)算法權(quán)重應(yīng)使用公式（8） 計(jì)算。到了算法搜索后期，尤其是當(dāng)離目標(biāo)最佳值較近時(shí)，所需的搜索范圍相對較小，主要強(qiáng)調(diào)粒子群體的社會信息學(xué)習(xí)，即具有較強(qiáng)的局部搜索能力，因此這時(shí)需要較小的權(quán)重因子，并且逐漸減小，以便于更快更精確地找到全局最優(yōu)解，此時(shí)應(yīng)使用公式（9） 來提高算法的收斂精度。動態(tài)權(quán)重參數(shù)調(diào)整的依據(jù)見文獻(xiàn)[13]，文中有詳細(xì)的證明與論證。

借鑒文獻(xiàn)[14]的自適應(yīng)分組思想，將整個(gè)粒子群分為 3 部分，不同的分組采用不同的權(quán)重參數(shù)，具體操作步驟如下：

設(shè)粒子群[i]的適應(yīng)值為[yi]，群體最佳適應(yīng)值為[yg]，所有種群適應(yīng)值的平均值為[yp]，其公式表示如下：

[yp=1ni=1nxij]" " " " " "（7）

求出[yi≥yp]的粒子個(gè)體的平均適應(yīng)值[ysp]；依據(jù)[yi]，[yp]，[ysp]， 將優(yōu)化過程的粒子群分為3組。各組將按照不同的權(quán)重系數(shù)分別進(jìn)行優(yōu)化。

1） 將[yi≥ysp] 的粒子群體作為第一組，將使用式（8） 動態(tài)調(diào)整權(quán)重因子參數(shù)。

[w（n）=w（n）-（w（n）-wmin）×yi-yspyg-ysp]" " （8）

2） 若[yspgt;yi≥yp]，則為第二組，其權(quán)重因子參數(shù)保持不變，即[w（n）=w0]。

3） 若[ypgt;yi]，則為第三組，利用猴子跳躍行為過程代替粒子群速度和位置的更新過程，并采用以下公式（9） 、（10） 進(jìn)行自適應(yīng)調(diào)整權(quán)重因子參數(shù)。

[wn=wmin+（wmax-wmin）×δ（n）]" "（9）

[δn=δ0×ε×1e1nNmax-n]" "（10）

上式中，[n]為當(dāng)前迭代數(shù)， [Nmax]為總迭代數(shù)，[ δ0]為實(shí)際情況設(shè)定的常數(shù)，[δ0∈rand[0，1]]，且權(quán)重因子w隨著尋優(yōu)次數(shù)的增大而減少，可通過改變[ε]的大小來調(diào)整其變化速率，從而能夠更好地協(xié)調(diào)全局與局部之間的平衡優(yōu)化，[wmax=1.2]，[wmin=0.8]。

第一組粒子群[yi]的值較佳，幾乎接近全局最優(yōu)值，需要加強(qiáng)個(gè)體自我學(xué)習(xí)，所以需要有很小的權(quán)重因子；第二組粒子群的[yi]一般，用固定權(quán)重參數(shù)；第三組粒子群個(gè)體[yi]較差，算法先用猴子跳躍過程來尋優(yōu)，把搜索到的位置再用粒子群算法進(jìn)行優(yōu)化，并引入新的自適應(yīng)權(quán)重因子函數(shù)，從而跳出局部最優(yōu)值，提高算法的搜尋效率及精度。

3 動態(tài)粒子群的茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化

3.1 茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化數(shù)學(xué)模型

在理?xiàng)l機(jī)制作茶葉過程中，由文獻(xiàn)[14]可知，動件行程速度變化系數(shù)K在 1.02～1.30范圍時(shí)，茶葉制作效果較好。機(jī)器的傳動角越大，越有利于理?xiàng)l機(jī)的工作，其轉(zhuǎn)動結(jié)構(gòu)如圖2所示。

[a=Hsinβ+θ-sinβ2sinθ]" " " "（11）

[b=Hsinβ+θ+sinβ2sinθ]" " " " （12）

[e=Hsinβ+θsinβsinθ]" " " " （13）

[cosγmin=sinβ+θ-sinβ-cos2β+θ-cosθsinθ+β+sinβ]" （14）

[θ=πK-1K+1]，則[x=[a，b，e，H，k，β]T]

式中：a為曲柄長度（mm） ；b為連桿長度（mm） ；e為偏心距（mm） ；H為滑塊行程（mm） ；[θ]為極位夾角（rad） ；[β]為輔助角。本文依據(jù)文獻(xiàn)[14]中已經(jīng)論證和證明有效的目標(biāo)函數(shù)F（x）來設(shè)置，并求出其最大值，其具體設(shè)置如下：

設(shè)最小傳動角γ取最大值函數(shù)為：

[F（x）=maxγmin（x）]" " " "（15）

S.T： [g1=γmin-40≥0]，[g（2）=H-100gt;0]， [g（3）=130-Hgt;0]， [g（4）=K-1.02gt;0] ， [g（5）=1.30-Kgt;0]， [g（6）=βgt;0]， [g（7）=π2-θ-βgt;0] ， 根據(jù)前三個(gè)等式得出如下公式。

[g（8）=a-Hsin（β+θ）-sinβ2sinθgt;0]

[g（9）=Hsin（β+θ）-sinβ2sinθ-agt;0]

[g（10）=b-Hsin（β+θ）+sinβ2sinθgt;0]

[g12=e-Hsin （β+θ）×sinβsinθ]

[g13=Hsin （β+θ）×sinβsinθ-egt;0]

上述公式中，g（a）表示約束函數(shù)，具體參數(shù)說明及意義見文獻(xiàn)[15]。

3.2 評價(jià)茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化標(biāo)準(zhǔn)

1） 末茶率：它指茶葉加工過程后，由于揉捻工藝使部分茶葉變成碎末，需將這部分茶葉末篩去，然后求出茶葉末與鮮葉的百分比。末茶率的值越大，則茶葉獲得率越低。具體測量方法如下：將一定質(zhì)量的鮮茶樣品倒入已接好篩底的40目篩上，上蓋篩蓋，旋轉(zhuǎn)50圈后，取篩底粉末稱重，計(jì)算末茶率。末茶率的具體測定公式如式（16） ：

[g=τjτ×100]%" " "（16）

式（16） 中，[τj]做j次實(shí)驗(yàn)求出篩下茶葉碎末質(zhì)量的平均值，[τ]是鮮茶葉樣品的總質(zhì)量。

2） 成條率：它是茶葉加工過程后分離出成條葉質(zhì)量與鮮茶葉總質(zhì)量之間的比率。具體測量方法是將一定質(zhì)量的鮮茶樣品進(jìn)行加工后，在上述測量方法中分離出成條葉并稱量其質(zhì)量，求出n次平均值，其成條率的具體計(jì)算公式如式（17）：

[α=ρjρ（1-g）×100%]" " " " （17）

式（17） 中，[ρ]做j次實(shí)驗(yàn)求出成條葉質(zhì)量的平均值，[ρ]是做j次實(shí)驗(yàn)鮮茶葉樣品的總質(zhì)量。

3） 噪音的測定：它是按照GB/T3768-1996測量噪音國際標(biāo)準(zhǔn)的規(guī)定，采用文獻(xiàn)[15]中相同的方法進(jìn)行噪音平均值的測量。測量次數(shù)為50，最后得到噪音的平均值。其制茶噪聲的測定詳細(xì)步驟如下。

①樣品準(zhǔn)備。在制茶過程中，使用到揉捻機(jī)、烘干機(jī)、理?xiàng)l機(jī)等。首先需要對這些設(shè)備進(jìn)行噪音測試。其次，確保測試環(huán)境安靜，避免外界噪音干擾。

②設(shè)備校準(zhǔn)。校準(zhǔn)上述設(shè)備的噪音測試儀器：使用前需要對聲級計(jì)等噪音測試儀器進(jìn)行校準(zhǔn)，確保測量數(shù)據(jù)的準(zhǔn)確性。

③數(shù)據(jù)采集。設(shè)置測試點(diǎn)：在制茶車間的不同位置設(shè)置測試點(diǎn)，以全面評估噪音分布。記錄噪音水平：使用聲級計(jì)等專業(yè)儀器，記錄不同工作狀態(tài)下的噪音水平。例如，可以分別記錄揉捻機(jī)、烘干機(jī)等設(shè)備在運(yùn)行時(shí)的噪聲值。

④結(jié)果分析。整理數(shù)據(jù)：將采集到的噪音數(shù)據(jù)進(jìn)行整理，計(jì)算平均值、最大值等關(guān)鍵指標(biāo)。通過以上步驟，可以有效評估和控制制茶過程中的噪音，提高工作環(huán)境的質(zhì)量，以此作為噪音的評價(jià)。

3.3 算法實(shí)現(xiàn)

改進(jìn)粒子群優(yōu)化算法的主要思路是：根據(jù)種群搜索結(jié)果劃分為3組，適應(yīng)值最差的那組采用猴子跳躍尋優(yōu)取代早熟粒子群個(gè)體，從而實(shí)現(xiàn)算法的快速尋優(yōu)，其具體算法實(shí)現(xiàn)如下：

1） 算法初始化。初始化群體規(guī)模為N，維數(shù)為K，最大迭代次數(shù)為Tmax，權(quán)重因子參數(shù)為wmax，wmin。

2） 根據(jù)前面的動態(tài)分組方案對粒子群進(jìn)行分組。適應(yīng)值優(yōu)于ysp的為第1組，適應(yīng)值處于ysp和yp之間的為第2組，適應(yīng)值次于yp的為第3組。

3） 第一組的粒子群體利用權(quán)重參數(shù)公式（10）計(jì)算，第二組粒子群體用固定值計(jì)算，隨后根據(jù)公式（4）和（5）更新自己的位置。

4） 針對第三組粒子群體，采用猴子跳躍過程幫助粒子群體跳出局部最優(yōu)，并用[yj=xij+σ（ypj-xij）]或[yj=y'pj+σ（y'pj-xij）]進(jìn)行位置更新，然后將得到最優(yōu)位置賦值給粒子群，并用公式（4） 、（5） 和式（7） 動態(tài)調(diào)整跳躍權(quán)重參數(shù)以進(jìn)行尋優(yōu)。

5） 判斷收斂條件是否滿足，若滿足則輸出結(jié)果，不滿足則從步驟（2） 重新開始。

3.4 仿真實(shí)驗(yàn)及驗(yàn)證

本文用VC++6.0編程，處理器為Intel Core i5-4590 CPU@3.30 GHz，內(nèi)存為4 GB，運(yùn)行在Windows 7.0的操作系統(tǒng)環(huán)境下進(jìn)行驗(yàn)證。算法參數(shù)設(shè)計(jì)如下：[σ1=σ2=1.5]，慣性權(quán)重系數(shù)設(shè)置為[w0=1.2]，種群規(guī)模為20，Tmax= 100，[ωmax=（c-d）/4]，[wmin=0.001]，[ε=10]。

為了檢驗(yàn)實(shí)驗(yàn)的正確性，在河南省信陽市雀山茶廠進(jìn)行了驗(yàn)證試驗(yàn)，原料為采自信陽地區(qū)的炒青揉捻葉。為了對比與其他算法的優(yōu)劣，本文分別以公式（15）、（16）、（17）作為測試該算法性能優(yōu)劣的適應(yīng)度函數(shù)，并求出該理?xiàng)l機(jī)最小傳動角的最大值、成條率、未茶率，同時(shí)還進(jìn)行了理?xiàng)l機(jī)的噪音測量，并將優(yōu)化結(jié)果與文獻(xiàn)[15]中的三種負(fù)荷預(yù)測模型的結(jié)果進(jìn)行對比，本文算法對理?xiàng)l機(jī)相關(guān)參數(shù)優(yōu)化結(jié)果見表1。

從表1的數(shù)據(jù)可以看出，本文改進(jìn)的粒子群優(yōu)化算法的未茶率為4.2%，傳統(tǒng)優(yōu)化算法的未茶率為8.1%，而遺傳優(yōu)化算法的未茶率為7.2%。可見，本文算法的制茶性能得到了大幅度提高。從工作環(huán)境來看，本文算法的制茶噪音大大降低，成條率上升至97.5%。這說明茶葉理?xiàng)l機(jī)的傳動機(jī)構(gòu)直接影響了理?xiàng)l機(jī)的工作性能和茶葉品質(zhì)。

上述優(yōu)化數(shù)據(jù)結(jié)果顯示，理?xiàng)l機(jī)的最小旋轉(zhuǎn)角度的最大值由原來的71.1度優(yōu)化為75.2度，最小傳動角和工作行程的增大使極位夾角減小，這符合物理學(xué)規(guī)律。最小傳動角的增大顯著提高了理?xiàng)l機(jī)從動件運(yùn)動力的有效利用程度和傳動質(zhì)量，有利于提高機(jī)構(gòu)在運(yùn)動過程中的平穩(wěn)性，并減小理?xiàng)l機(jī)在運(yùn)動過程中的振動與噪音。因此，在工作性能的優(yōu)化同時(shí)也促進(jìn)了成條率的提高。此外，極位夾角的減小則會削弱理?xiàng)l機(jī)的急回特性，使從動件在正反兩個(gè)行程過程中有效避免速度的快速突變，從而減少茶葉加工中的碎葉，降低未茶率，進(jìn)一步提高茶葉成條率。

為了測試改進(jìn)粒子群算法（IPSO） 的優(yōu)越性，采用粒子群算法（PSO） 、遺傳算法（GA） 和蟻群算法（ACO） 與其進(jìn)行對比仿真。每個(gè)種群算法均運(yùn)行100次，取其平均值作為最終結(jié)果。所有算法的仿真測試結(jié)果如表2和圖3所示。

從表2和圖3可知，改進(jìn)的粒子群算法在茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化的尋優(yōu)成功率達(dá)97%，高于蟻群算法的收斂成功率95%。并且，本文改進(jìn)算法的尋找最佳茶葉理?xiàng)l機(jī)參數(shù)的平均尋優(yōu)時(shí)間最少。對比結(jié)果表明，改進(jìn)粒子群算法不僅提高了茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化的成功率，還縮短了尋優(yōu)時(shí)間。

通過實(shí)驗(yàn)得知，改進(jìn)粒子群算法在搜索性能和茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化能力方面優(yōu)于其他算法，主要原因在于改進(jìn)的粒子群算法將慣性權(quán)重因子由原來的靜態(tài)固定常數(shù)改為非線性隨機(jī)變化的因子。該因子能夠隨群體動態(tài)分組自適應(yīng)地發(fā)生變化，最初有利于速度的增大，隨著迭代次數(shù)的增加而變小，這有助于平衡局部搜索和全局搜索之間的關(guān)系，加快搜索速度。此外，引入猴子的跳躍機(jī)制能夠克服“早熟收斂”現(xiàn)象，并能及時(shí)擺脫粒子群優(yōu)化算法陷入局部最優(yōu)位置的困境，找到新的最優(yōu)解，從而提高了算法的收斂精度，增強(qiáng)了茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化的搜索效率。因此，本文算法能夠更快地找到茶葉理?xiàng)l機(jī)的最佳優(yōu)化參數(shù)，改進(jìn)粒子群算法可以幫助企業(yè)更好地設(shè)計(jì)下一代理?xiàng)l機(jī)，以進(jìn)一步提高茶葉質(zhì)量。

4 結(jié)論

本文利用猴子跳躍機(jī)制的粒子群優(yōu)化算法建立了茶葉理?xiàng)l機(jī)的參數(shù)優(yōu)化數(shù)學(xué)模型，通過最大化最小傳動角適應(yīng)度函數(shù)的求解，能夠高效快速地求出理?xiàng)l機(jī)工作性能的最佳參數(shù)。仿真數(shù)據(jù)顯示，對理?xiàng)l機(jī)的結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)是可行的，基于猴子跳躍機(jī)制的粒子群算法的理?xiàng)l機(jī)參數(shù)優(yōu)化模型為新一代理?xiàng)l機(jī)的未來設(shè)計(jì)提供了理論參考，具有延長理?xiàng)l機(jī)使用壽命和提高加工茶葉質(zhì)量的積極意義。然而，本文算法的改進(jìn)僅針對粒子群算法的結(jié)構(gòu)方面，沒有增加其他策略或算法的融合，這樣更有利于算法性能的提升，因此這是未來研究的方向。

參考文獻(xiàn)：

[1] 趙華富，申東，高秀兵，等.貴州卷曲形茶機(jī)械做形提毫效果評價(jià)[J].貴州農(nóng)業(yè)科學(xué)，2016，44（5）：144-147，151.

[2] 王彬.加工工藝對綠茶丙烯酰胺生成的影響[J].食品科學(xué)，2017（8）：220-224.

[3] 王慧.制茶工藝英語的翻譯難點(diǎn)及策略[J].福建茶葉，2017，39（3）：252-253.

[4] 項(xiàng)余建，湯世松，周智偉，等.基于遺傳算法的雙曲柄伺服壓力機(jī)桿系的優(yōu)化設(shè)計(jì)[J].鍛壓裝備與制造技術(shù)，2017，52（3）：17-19.

[5] 陳海文，王忠，趙斐.基于最小傳動角最大的曲柄搖桿機(jī)構(gòu)設(shè)計(jì)方法[J].機(jī)械傳動，2015，39（6）：131-134，155.

[6] 蘇有良.基于最優(yōu)傳動性能設(shè)計(jì)偏置曲柄滑塊機(jī)構(gòu)的研究[J].機(jī)械傳動，2014，38（3）：50-53.

[7] 邵曉根，姜代紅，王雷.基于遺傳算法的建筑結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法研究[J].江蘇科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，31（6）：821-824.

[8] 李兵，夏濤，李尚慶.基于蟻群算法的茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化設(shè)計(jì)[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（10）：79-82.

[9] 王小勇，李兵，曾晨，等.基于模糊算法的茶葉理?xiàng)l機(jī)溫度控制設(shè)計(jì)[J].茶葉科學(xué)，2015，35（4）：363-369.

[10] 張敬堯，潘雅清，陳彥瑞，等.基于Matlab遺傳算法工具箱的同心式磁力齒輪優(yōu)化設(shè)計(jì)[J].機(jī)械傳動，2015，39（6）：135-138.

[11] MI N，HOU J W，MI W B，et al.Optimal spatial land-use allocation for limited development ecological zones based on the geographic information system and a genetic ant colony algorithm[J].International Journal of Geographical bInformation Science，2015，29（12）：2174-2193.

[12] 李志平，王勇，張呈志.云模型的布谷鳥搜索算法[J].計(jì)算機(jī)應(yīng)用研究，2016，33（1）：92-97.

[13] HOLLAND J H，REITMAN J S.Cognitive systems based on adaptive algorithms[M]// Pattern-Directed Inference Systems.Amsterdam：Elsevier，1978：313-329.

[14] 張亞楠，劉升.一種基于混沌云模型的人工螢火蟲優(yōu)化算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2015，36（11）：2609-2613.

[15] 王小勇，李兵，曾晨，等.基于遺傳算法的茶葉理?xiàng)l機(jī)參數(shù)優(yōu)化設(shè)計(jì)[J].茶葉科學(xué)，2016，36（4）：440-444.

【通聯(lián)編輯：唐一東】