遺傳算法優(yōu)化的案例
基于遺傳算法優(yōu)化阻尼器空間位置的結(jié)構(gòu)振動(dòng)控制
基于遺傳算法優(yōu)化阻尼器空間位置的結(jié)構(gòu)振動(dòng)控制
李宏男 董松員 李宏宇
大連理工大學(xué)海岸和近海工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，沈陽(yáng)建筑大學(xué)土木學(xué)院
摘要：通過(guò)對(duì)多層結(jié)構(gòu)在二維地震動(dòng)作用下的控制算法和控制機(jī)構(gòu)布置準(zhǔn)則的分析，建立了控制機(jī)構(gòu)的布置優(yōu)化模型，利用改進(jìn)的遺傳算法中二進(jìn)制單點(diǎn)交叉，避免了用懲罰函數(shù)。以一棟帶有阻尼器控制的結(jié)構(gòu)為例，進(jìn)行了數(shù)值計(jì)算和分析，結(jié)果與窮舉法比較表明，本文優(yōu)化算法是快速而有效的。
關(guān)鍵詞：主動(dòng)控制，遺傳算法，優(yōu)化布置，阻尼器，多維地震動(dòng)
內(nèi)容簡(jiǎn)介：
0 引言
1 運(yùn)動(dòng)方程及求解方法
2 控制機(jī)構(gòu)的最優(yōu)布置準(zhǔn)則
3 采用的遺傳優(yōu)化算法
3.1 編碼
3.2 適應(yīng)度函數(shù)
3.3 選擇
3.4 改進(jìn)的二進(jìn)制單點(diǎn)交叉
3.5 變異
3.6 收斂
3.7 懲罰函數(shù)
4 數(shù)值計(jì)算及分析
5 結(jié)語(yǔ)
基于遺傳算法優(yōu)化阻尼器空間位置的結(jié)構(gòu)振動(dòng)控制.pdf
展開(kāi) 21GA-ELM，遺傳算法優(yōu)化ELM預(yù)測(cè)，并和優(yōu)化前后以及真實(shí)數(shù)值進(jìn)行對(duì)比，確定結(jié)果 ￥18.8
GA-ELM，遺傳算法優(yōu)化ELM預(yù)測(cè)，并和優(yōu)化前后以及真實(shí)數(shù)值進(jìn)行對(duì)比，確定結(jié)果，基于MATLAB平臺(tái)，程序已經(jīng)調(diào)通，可以直接運(yùn)行，需要直接拍下。
21GA-ELM，遺傳算法優(yōu)化ELM預(yù)測(cè)，并和優(yōu)化前后以及真實(shí)數(shù)值進(jìn)行對(duì)比，確定結(jié)果。 ￥15.9
GA-ELM，遺傳算法優(yōu)化ELM預(yù)測(cè)，并和優(yōu)化前后以及真實(shí)數(shù)值進(jìn)行對(duì)比，確定結(jié)果。基于MATLAB平臺(tái)，程序已經(jīng)調(diào)通，可以直接運(yùn)行。
MATLAB遺傳算法優(yōu)化主函數(shù)
該程序?yàn)闃?biāo)準(zhǔn)遺傳算法優(yōu)化主函數(shù)，染色體為整數(shù)編碼，供初學(xué)者學(xué)習(xí)。
clear;
clc;
data=xlsread('data.xlsx');
maxgen=400;
sizepop=60;
pcross=0.7;
pmutation=0.2;
lenchrom=5;
bound=[1 2;1 5;1 3;1 3;1 4];
individuals=struct('fitness',zeros(1,sizepop),'chrom',[]);
for i=1:sizepop
individuals.chrom(i,:)=ceil(rand(5,1).
展開(kāi) 
多目標(biāo)優(yōu)化之非支配排序遺傳算法（NSGA-II） ￥39.99
遺傳算法GA ( Genetic Algorithms)是受生物學(xué)進(jìn)化學(xué)說(shuō)和遺傳學(xué)理論的啟發(fā)而發(fā)展起來(lái)的，是一類(lèi)模擬自然生物進(jìn)化過(guò)程與機(jī)制求解問(wèn)題的自組織與自適應(yīng)的人工智能技術(shù)，是一種借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)的搜索算法，由Holland教授于1975年提出。
經(jīng)過(guò)十幾年的努力，遺傳算法不論是在應(yīng)用研究上，算法設(shè)計(jì)上，還是在基礎(chǔ)理論上，均取得了長(zhǎng)足的發(fā)展，己經(jīng)成為信息科學(xué)、計(jì)算機(jī)科學(xué)、運(yùn)籌學(xué)和應(yīng)用科學(xué)等諸多學(xué)科所共同關(guān)注的熱點(diǎn)研究領(lǐng)域。
遺傳算法雖然在過(guò)去的20年中得到了廣泛的應(yīng)用，但研究人員己經(jīng)意識(shí)到，遺傳算法采用簡(jiǎn)單的、固定不變的進(jìn)化策略對(duì)復(fù)雜應(yīng)用場(chǎng)合的效果并不理想，傳統(tǒng)的遺傳算法逐漸暴露出一些缺點(diǎn)。所以，為了提高遺傳算法的性能，使其更好地應(yīng)用于實(shí)際問(wèn)題的解決中，研究者們開(kāi)始對(duì)基本遺傳算法進(jìn)行改進(jìn)，通過(guò)不同的遺傳基因表達(dá)方式，不同的交叉和變異算子的選擇，特殊算子的引用，以及不同的再生和選擇方法，產(chǎn)生了以基本遺傳算法為核心的各種算法。遺傳算法的這些擴(kuò)展和改進(jìn)給一般問(wèn)題特別是工業(yè)工程中的難以求解的優(yōu)化問(wèn)題帶來(lái)了新的希望和方向。
由于多目標(biāo)優(yōu)化問(wèn)題在科學(xué)和工程實(shí)踐中普遍存在，但又缺少確實(shí)有效的解決方法，研究人員把目光投向了具有多方向和全局搜索特點(diǎn)的遺傳算法。遺傳算法的這一基本特點(diǎn)可以確保帶有潛在解的種群能夠一代一代地維持下來(lái)，這種從種群到種群的方法對(duì)于搜索Pareto解非常有益，因此，利用遺傳算法解決多目標(biāo)優(yōu)化問(wèn)題極具研究意義。于是，遺傳算法應(yīng)用于單目標(biāo)問(wèn)題之后的20多年以后，多目標(biāo)遺傳算法逐漸成為研究熱點(diǎn)。
展開(kāi) 36基于matlab的對(duì)分解層數(shù)和懲罰因子進(jìn)行優(yōu)化。蟻獅優(yōu)化算法優(yōu)化VMD,算術(shù)優(yōu)化算法優(yōu)化VMD ￥25.9
基于matlab的對(duì)分解層數(shù)和懲罰因子進(jìn)行優(yōu)化。蟻獅優(yōu)化算法優(yōu)化VMD,算術(shù)優(yōu)化算法優(yōu)化VMD，遺傳優(yōu)化算法優(yōu)化VMD，灰狼優(yōu)化算法優(yōu)化VMD，海洋捕食者優(yōu)化算法優(yōu)化VMD，粒子群優(yōu)化VMD，麻雀優(yōu)化算法優(yōu)化VMD，鯨魚(yú)優(yōu)化算法優(yōu)化VMD。程序已調(diào)通，可直接運(yùn)行。
一本優(yōu)化方面的不錯(cuò)的書(shū)（有粒子群算法和遺傳算法）
第12章 二次規(guī)劃 178
12.1 拉格朗日法 178
12.2 起作用集算法 180
12.3 路徑跟蹤法 184
12.4 MATLAB優(yōu)化工具箱函數(shù)應(yīng)用實(shí)例 187
12.5 小結(jié) 190
第3篇 優(yōu)化計(jì)算高級(jí)篇 191
第13章 粒子群優(yōu)化算法 192
13.1粒子群算法概述 192
13.2 基本粒子群算法 193
13.3 帶壓縮因子的粒子群算法 197
13.4 權(quán)重改進(jìn)的粒子群算法 200
13.4.1線性遞減權(quán)重法 200
13.4.2自適應(yīng)權(quán)重法 203
13.4.3隨機(jī)權(quán)重法 206
13.5學(xué)習(xí)因子改進(jìn)的粒子群算法 208
13.5.1同步變化的學(xué)習(xí)因子 209
13.5.2異步變化的學(xué)習(xí)因子 211
13.6 二階粒子群算法 213
13.7 二階振蕩粒子群算法 216
13.8 混沌粒子群算法 218
13.9 混合粒子群算法 222
13.9.1基于選擇的粒子群算法 222
13.9.2基于交叉遺傳的粒子群算法 224
13.9.3基于模擬退火的粒子群算法 227
13.10 小結(jié) 230
第14章 遺傳優(yōu)化算法 231
14.1遺傳算法概述 231
14.2基本遺傳算法 232
14.3順序選擇遺傳算法 235
14.4適值函數(shù)標(biāo)定的遺傳算法 238
14.5大變異遺傳算法 242
14.6自適應(yīng)遺傳算法
展開(kāi) 常用參數(shù)自動(dòng)標(biāo)定算法總結(jié)（單純形，遺傳算法，貝葉斯優(yōu)化算法，粒子群算法等）
在本推文中介紹四類(lèi)常用參數(shù)自動(dòng)標(biāo)定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優(yōu)化ego方案。
單純形方案實(shí)現(xiàn)最簡(jiǎn)單，適用于少參數(shù)，更窄的初始區(qū)間
粒子群方案，遺傳算法方案適用于多參數(shù)更大的空間適合全局搜索
ego方案相比于其余三類(lèi)方案的優(yōu)勢(shì)體現(xiàn)為
EGO使用代理模型（如高斯過(guò)程回歸）來(lái)預(yù)測(cè)目標(biāo)函數(shù)，極大減少了實(shí)際函數(shù)評(píng)估次數(shù)。
EGO在每一步都智能選擇下一個(gè)最值得評(píng)估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動(dòng)態(tài)平衡比GA中盲目變異與交叉更具理論指導(dǎo)。
由于EGO最大化信息利用率，在樣本數(shù)量極少的情況下表現(xiàn)優(yōu)于GA。
當(dāng)樣本數(shù)量少，且有約束優(yōu)化時(shí)適合使用ego方法。例如在評(píng)估晶體塑性模型參數(shù)時(shí)
不過(guò)這些優(yōu)化算法經(jīng)常容易陷入局部最優(yōu)，即優(yōu)化算法在搜索過(guò)程中被某個(gè)“看起來(lái)很好”的解吸引，不斷圍繞它進(jìn)行微小改進(jìn)，最終卡在“局部低谷”而不是“全局最低點(diǎn)”。
一個(gè)更合理的做法是：使用粒子群和遺傳算法在全局進(jìn)行初始搜索，使用ego回歸分析進(jìn)行特定區(qū)間的優(yōu)化，最后使用NM方案進(jìn)行小區(qū)間尋找，如果陷入局部最優(yōu)解，引入全局?jǐn)_動(dòng)方案或者爆炸方法跳出局部區(qū)間重新搜索即可。
基于該思路編寫(xiě)對(duì)應(yīng)的程序，實(shí)現(xiàn)參數(shù)的自動(dòng)標(biāo)定過(guò)程：
這里實(shí)現(xiàn)對(duì)vpsc模型的復(fù)雜參數(shù)自動(dòng)標(biāo)定；
這里使用相對(duì)復(fù)雜的鎂合金為例，考慮3組滑移+一組孿晶，每個(gè)系統(tǒng)考慮tau_0,tau_s,h_0,一共12個(gè)待標(biāo)定參數(shù)給定參數(shù)區(qū)間如下
設(shè)置最大迭代次數(shù)為2000次，初始優(yōu)化來(lái)自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優(yōu)化算法。
展開(kāi) 模擬退火、遺傳算法和神經(jīng)網(wǎng)絡(luò)之比較
模擬退火和遺傳算法屬于優(yōu)化領(lǐng)域的，神經(jīng)元網(wǎng)絡(luò)屬于近似模型的國(guó)外叫做metamodel（模型的模型），是完全不同的東西，只所以?xún)烧呓?jīng)常出現(xiàn)是因?yàn)樵?em>優(yōu)化問(wèn)題里神經(jīng)元網(wǎng)絡(luò)扮演著重要角色．一般的有數(shù)學(xué)表達(dá)式的優(yōu)化問(wèn)題是最簡(jiǎn)單的了這中問(wèn)題是不會(huì)出現(xiàn)神經(jīng)元網(wǎng)絡(luò)的，在工程實(shí)際優(yōu)化過(guò)程中，目標(biāo)函數(shù)和優(yōu)化設(shè)計(jì)變量之間是隱函數(shù)的關(guān)系而且可能高度的非線形，并且這種問(wèn)題一次的計(jì)算機(jī)仿真時(shí)間可能就很長(zhǎng)，如果用遺傳算法或者模擬退火的話直接優(yōu)化是相當(dāng)?shù)南臅r(shí)間的，所以很多人引入近似模型的概念，神經(jīng)元網(wǎng)絡(luò)是屬于其中一種，而且可以近似逼近高度非線性的問(wèn)題．還有就是遺傳算法用到神經(jīng)元網(wǎng)絡(luò)訓(xùn)練方面，不知道大家對(duì)神經(jīng)元網(wǎng)絡(luò)了解多少，其實(shí)神經(jīng)元網(wǎng)絡(luò)沒(méi)有那么玄，是有數(shù)學(xué)基礎(chǔ)的，有一種網(wǎng)絡(luò)叫誤差反饋網(wǎng)絡(luò)，這種網(wǎng)絡(luò)在訓(xùn)練過(guò)程中是用剃度法不斷調(diào)整權(quán)值直到達(dá)到滿(mǎn)足誤差才算收斂剃度法有個(gè)問(wèn)題就是求解得到的是局部最優(yōu)．所以就有人在網(wǎng)絡(luò)訓(xùn)練中引入了遺傳算法來(lái)訓(xùn)練網(wǎng)絡(luò)權(quán)值．綜上可以看到遺傳算法和神經(jīng)元網(wǎng)絡(luò)的關(guān)系是如此的緊密．
展開(kāi) 孟錦豪等：基于NSGA-II遺傳算法的鋰電池均衡指標(biāo)優(yōu)化
求解多目標(biāo)問(wèn)題目前常見(jiàn)的算法有帕累托差分進(jìn)化算法(Pareto-based differential evolution，PDE)、多目標(biāo)差分進(jìn)化算法(multi-objective differential evolution，MODEA)、多目標(biāo)粒子群優(yōu)化算法(multi-objective particle swarm optimization，MOPSO)及多目標(biāo)遺傳算法(multi-objective genetic algorithm，MOGA)等。MOGA的優(yōu)勢(shì)在于其搜索范圍不受限制，能動(dòng)態(tài)地優(yōu)化多個(gè)目標(biāo)，能夠協(xié)調(diào)目標(biāo)函數(shù)之間的關(guān)系，確定最優(yōu)解集，使目標(biāo)函數(shù)盡可能達(dá)到一個(gè)相對(duì)大(小)的值。非支配排序遺傳算法(non-dominated sorting genetic algorithm，NSGA)是一種基于Pareto最優(yōu)概念的遺傳算法，該算法有利于決策者根據(jù)不同偏好進(jìn)行決策。NSGA-II則是一種在NSGA的基礎(chǔ)上進(jìn)行改進(jìn)的帶有精英策略的算法，有效提高了算法的運(yùn)算速度和魯棒性，并保證了非劣最優(yōu)解的均勻分布。Gu等分析了電池儲(chǔ)能系統(tǒng)的布置和容量選擇與配電網(wǎng)功率損耗、線路電壓以及電壓波動(dòng)之間的關(guān)系，使用改進(jìn)的NSGA-II算法實(shí)現(xiàn)配電網(wǎng)功率損耗、電壓波動(dòng)以及電池儲(chǔ)能系統(tǒng)容量最小的目標(biāo)。陳楚昭等針對(duì)太陽(yáng)能光伏系統(tǒng)，以負(fù)載損失概率和能源成本最小為目標(biāo)，引用了NSGA-II算法進(jìn)行求解。
因此，為解決現(xiàn)有研究在需要權(quán)衡多個(gè)均衡指標(biāo)時(shí)選取均衡閾值缺乏理論基礎(chǔ)的問(wèn)題，本工作提出基于NSGA-II遺傳算法對(duì)多個(gè)均衡指標(biāo)進(jìn)行優(yōu)化，并在不同工況對(duì)所提方法的有效性進(jìn)行驗(yàn)證。本工作的主要?jiǎng)?chuàng)新點(diǎn)如下。
展開(kāi) 預(yù)應(yīng)力鋼結(jié)構(gòu)遺傳算法優(yōu)化研究
如題
基于AMESim的純電動(dòng)汽車(chē)熱管理系統(tǒng)的優(yōu)化設(shè)計(jì) 附AMESim優(yōu)化過(guò)程基礎(chǔ)操作及DOE&遺傳算法G
4．3爬坡工況下熱管理系統(tǒng)的優(yōu)化
在上文研究的基礎(chǔ)上，選擇具有一定坡度的路況進(jìn)行仿真．在NEDC循環(huán)工況下，環(huán)境溫度為40℃，道路坡度在3%～4%，部分路段達(dá)到5%左右，考察電動(dòng)汽車(chē)的動(dòng)力性能和冷卻效果．在外界環(huán)境溫度為40℃條件下，冷卻水全部經(jīng)過(guò)散熱器散熱．在此工況下，散熱器進(jìn)出口的冷卻水溫度如圖13所示。
從上圖可以看出，在高溫環(huán)境下，車(chē)輛在爬坡道路時(shí)，散熱器的最大溫差約為5℃左右．散熱器進(jìn)口溫度低于65℃，能滿(mǎn)足熱管理的要求．電池包內(nèi)部的平均溫度變化如圖14所示．由圖14可知，在外界環(huán)境為40℃時(shí)，車(chē)輛運(yùn)行NEDC工況并有爬坡道路時(shí)，電池包內(nèi)部的平均溫度約升高10℃，最高溫度接近50℃．此時(shí)對(duì)電池的性能有較大的影響，長(zhǎng)時(shí)間運(yùn)行在高溫狀態(tài)下，會(huì)對(duì)鋰離子電池的壽命產(chǎn)生嚴(yán)重影響，并存在安全隱患．這說(shuō)明高溫爬坡工況下，風(fēng)冷系統(tǒng)已不太適合電池包的熱管理，不能很好地冷卻電池包，應(yīng)該采用水冷方式或者其他冷卻方式來(lái)設(shè)計(jì)電池包的熱管理系統(tǒng)。
5總結(jié)
本文基于AMESim軟件，建立了完整的純電動(dòng)汽車(chē)的熱管理系統(tǒng)模型，并通過(guò)整車(chē)實(shí)驗(yàn)采集溫度數(shù)據(jù)對(duì)仿真結(jié)果進(jìn)行驗(yàn)證，結(jié)果證實(shí)實(shí)驗(yàn)結(jié)果與仿真結(jié)果基本一致，表明該仿真模型對(duì)于整車(chē)的仿真和冷卻系統(tǒng)的熱量管理具有較高的精度．其次，在此模型的基礎(chǔ)上，分別對(duì)水冷系統(tǒng)、高溫環(huán)境下熱管理系統(tǒng)及爬坡工況下熱管理系統(tǒng)進(jìn)行了優(yōu)化設(shè)計(jì)．與此同時(shí)，本文對(duì)熱管理系統(tǒng)的控制策略也進(jìn)行了優(yōu)化，使得熱管理系統(tǒng)能適應(yīng)不同的運(yùn)行工況和環(huán)境溫度．本文基于AMSim軟件對(duì)純電動(dòng)汽車(chē)的熱管理系統(tǒng)進(jìn)行優(yōu)化設(shè)計(jì)的方法為研究和開(kāi)發(fā)純電動(dòng)汽車(chē)的熱管理系統(tǒng)提供了思路和參考。
下載地址：AMESim優(yōu)化過(guò)程基礎(chǔ)操作及DOE&遺傳算法GA應(yīng)用
展開(kāi) 遺傳算法方面論文
遺傳算法方面論文 01<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2007-07-29 09:02:41被向陽(yáng)評(píng)為4星級(jí)，為發(fā)貼者加分80。</Font><BR><Font color=#FF0000><B>點(diǎn)評(píng):</B></Font>
SECTAM18.pdf
避免近親繁殖的遺傳算法.pdf
多目標(biāo)優(yōu)化遺傳算法的收斂性定義及實(shí)例研究.pdf
防止遺傳算法成熟前收斂的有效方法英.PDF
改進(jìn)遺傳算法在非線性熱傳導(dǎo)參數(shù)識(shí)別中的應(yīng)用.PDF
基于純數(shù)值函數(shù)優(yōu)化的一種混合遺傳算法.pdf
基于擴(kuò)展串的等價(jià)遺傳算法的收斂性.PDF
基于擴(kuò)展串的等價(jià)遺傳算法的收斂性.PDF
基于遺傳算法的微機(jī)電系統(tǒng)魯棒性優(yōu)化設(shè)計(jì).pdf
基于遺傳算法的支持向量機(jī)時(shí)間序列預(yù)測(cè)模型優(yōu)化.pdf
均勻設(shè)計(jì)法在GA欺騙問(wèn)題中的應(yīng)用研究.pdf
求解全局最優(yōu)化的遺傳 算法的研究.pdf
十進(jìn)制遺傳算法的收斂性分析.PDF
演化算法的收斂性分析及算法改進(jìn).PDF
一種全局優(yōu)化算法遺傳算法_單純形法.pdf
遺傳模擬退火算法在約束求解中的應(yīng)用.pdf
遺傳算法的早熟收斂.pdf
遺傳算法機(jī)理的研究.pdf
展開(kāi) 多目標(biāo)水資源系統(tǒng)運(yùn)行決策優(yōu)化的遺傳算法1
多目標(biāo)水資源系統(tǒng)運(yùn)行決策優(yōu)化的遺傳算法
方紅遠(yuǎn)1，鄧玉梅2，董增川3
(1.揚(yáng)州大學(xué)；2.國(guó)家防汛抗旱總指揮部辦公室；3.河海大學(xué))
摘 要：針對(duì)一多目標(biāo)水資源系統(tǒng)優(yōu)化運(yùn)行問(wèn)題，本文闡述了多目標(biāo)決策遺傳算法(MODGA)的應(yīng)用。按遺傳算法原理，采用浮點(diǎn)向量表達(dá)解的結(jié)構(gòu)；并依據(jù)多目標(biāo)決策協(xié)調(diào)規(guī)劃法定義適應(yīng)度為任一目標(biāo)點(diǎn)與理想點(diǎn)的距離。對(duì)構(gòu)建的模型，文中使用的計(jì)算方法的收斂過(guò)程相當(dāng)有效，計(jì)算結(jié)果合理。
關(guān)鍵詞：多目標(biāo)決策；水資源系統(tǒng)；遺傳算法
在過(guò)去的20多年中，基于計(jì)算機(jī)的各種智能算法已在許多領(lǐng)域得到應(yīng)用，其中遺傳算法(GA)是運(yùn)用較普遍的一種方法。這種搜索法借助于生物激勵(lì)機(jī)制，通過(guò)種群換代達(dá)到改善參與競(jìng)爭(zhēng)的染色體的特征［1，2］。GA法是一種隨機(jī)優(yōu)化技術(shù)，它是通過(guò)產(chǎn)生準(zhǔn)隨機(jī)數(shù)代替候硯以完成解空間的搜索，隨著種群的不斷換代，前代候硯的概率分布相應(yīng)地被后代更新。雖然由于生成各代種群中染色體的隨機(jī)性能否確保達(dá)到全局最優(yōu)搜索尚無(wú)定論，但GA法的高度魯棒性以及在許多領(lǐng)域的成功應(yīng)用，仍使它成為一種具有吸引力的尋優(yōu)方法。水資源系統(tǒng)規(guī)劃與管理中的許多問(wèn)題都屬于復(fù)雜的多狀態(tài)、多目標(biāo)離散化問(wèn)題。多目標(biāo)決策遺傳算法(MODGA)在每一代種群的更新過(guò)程中，都能產(chǎn)生大量滿(mǎn)足決策指標(biāo)的權(quán)衡解，故它能給出一個(gè)較廣范圍的非劣解［5］。本文以解決這一實(shí)際的多目標(biāo)水資源系統(tǒng)優(yōu)化運(yùn)行問(wèn)題為例，闡述GA法在水資源多目標(biāo)決策中的應(yīng)用。
1 系統(tǒng)概況
蘇北平原湖區(qū)水資源短缺現(xiàn)象普遍存在，供需矛盾十分突出，而已有的多級(jí)泵站提水調(diào)水成本較高，如何通過(guò)科學(xué)規(guī)劃和管理，使系統(tǒng)能有效利用天然徑流和已建工程調(diào)蓄能力，滿(mǎn)足工業(yè)、農(nóng)業(yè)、生活和航運(yùn)用水的需求，是該地區(qū)水資源合理利用的一個(gè)重要課題［7］。
展開(kāi) 汽車(chē)消聲器連結(jié)法蘭盤(pán)沖壓成形工藝參數(shù)優(yōu)化
摘 要：選取了某企業(yè)生產(chǎn)的汽車(chē)消聲器連結(jié)法蘭盤(pán)零件為參數(shù)優(yōu)化對(duì)象。利用Dynaform軟件對(duì)零件沖壓過(guò)程進(jìn)行有限元數(shù)值模擬并記錄27組實(shí)驗(yàn)數(shù)據(jù)。建立BP神經(jīng)網(wǎng)絡(luò)模型并完成神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練及測(cè)試，最后結(jié)合遺傳算法優(yōu)化工藝參數(shù)，得到最優(yōu)值的試驗(yàn)條件為：壓邊力68kN,凸模圓角半徑12mm,摩擦系數(shù)0.12,凸凹模間隙2.5mm。經(jīng)過(guò)沖壓試驗(yàn)，觀察該零件，成形質(zhì)量完好，孔口處未見(jiàn)明顯的開(kāi)裂。將神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合優(yōu)化法蘭盤(pán)沖壓成形工藝參數(shù)的方法尋優(yōu)范圍更大，獲取的最優(yōu)值也更加準(zhǔn)確。
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);遺傳算法;參數(shù)優(yōu)化;法蘭盤(pán);沖壓成形;
神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合可以解決很多參數(shù)優(yōu)化類(lèi)的問(wèn)題，在機(jī)械行業(yè)的應(yīng)用也越來(lái)越廣泛。利用有限元軟件Dynaform對(duì)汽車(chē)消聲器連結(jié)法蘭盤(pán)的圓孔翻邊過(guò)程進(jìn)行模擬分析，影響其成形質(zhì)量的因素主要有凸模圓角半徑、壓邊力、摩擦系數(shù)和凸凹模間隙[1]。從理論上建立起成形質(zhì)量影響因素與試驗(yàn)結(jié)果的對(duì)應(yīng)關(guān)系是非常復(fù)雜的，準(zhǔn)確描述兩者之間關(guān)系的數(shù)學(xué)模型是很難建立的。在這種情況下，利用人工神經(jīng)網(wǎng)絡(luò)可以逼近非線性函數(shù)的特點(diǎn)，首先進(jìn)行法蘭盤(pán)沖壓成形工藝參數(shù)對(duì)成形結(jié)果的預(yù)測(cè)，再結(jié)合遺傳算法尋找最優(yōu)的沖壓成形工藝參數(shù)。
工藝參數(shù)的優(yōu)化常采用的方法是對(duì)正交實(shí)驗(yàn)獲得數(shù)據(jù)進(jìn)行分析，選擇結(jié)果最好的實(shí)驗(yàn)數(shù)據(jù)作為最優(yōu)的工藝參數(shù)。但是這種方法需要做大量的實(shí)驗(yàn)，還要確保加工條件不能改變。目前關(guān)于沖壓工藝參數(shù)優(yōu)化的研究主要有：李雷等[2]利用人工神經(jīng)網(wǎng)絡(luò)，對(duì)封頭成形工藝參數(shù)進(jìn)行優(yōu)化，得到質(zhì)量?jī)?yōu)異的封頭構(gòu)件。王泌寶[3]依據(jù)Autoform有限元軟件得到實(shí)驗(yàn)值，基于BP神經(jīng)網(wǎng)絡(luò)擬合工藝參數(shù)與質(zhì)量參數(shù)之間的關(guān)系，并依據(jù)預(yù)測(cè)均方根誤差驗(yàn)證了擬合的精確性。
展開(kāi) 