基于改进自适应遗传算法的冷连轧轧制规程优化设计

由于轧制过程中应力状况较为复杂,传统的轧制力数学模型难以达到冷连轧轧制精度的要求,通过分析应力状态系数的影响因素,确立径向基函数(Radial basis function, RBF)神经网络的输入层参数以及隐层节点数,从而建立轧制变形区的应力状态系数RBF神经网络模型预报模型,把预报值用于传统轧制力计算模型中计算轧制力,获得一种轧制压力修正模型.针对SRINVAS自适应遗传算法(SRINVAS's adaptive genetic algorithm,SAGA)容易陷入局部极小的缺点,设计出一种改进的自适应交叉和变异策略,以各机架轧制负载相对均衡为目标,对典型的两个钢种在1370五机架冷连轧机进轧制规程的优化,试验结果证明,改进的自适应遗传算法(Improved adaptive genetic algorithm,IAGA)具有比Srinvas自适应遗传算法收敛速度更快、精度更高等优点,前四机架负荷系数的标准差分别减小到0.010 8和0.009 0.     

基于Isomap和IGA-SVM的齿轮箱故障诊断研究

为了解决齿轮箱故障诊断模式识别过程中参数难以确定的问题,引入了一种基于等距特征映射(Isometric feature mapping,Isomap)和改进遗传算法(Improved genetic algorithm,IGA)优化支持向量机(Support vector machine,SVM)参数的方法。首先在自适应最优邻域参数下,对齿轮箱振动信号高维特征集数据进行等距特征映射,通过改进的遗传算法优化支持向量机的惩罚参数和核函数参数,最终实现对降维后数据的识别分类。将所提方法应用于齿轮箱故障诊断,结果表明,所提方法具有较高的诊断正确率,与传统的支持向量机方法相比有更好的诊断效果。     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模,提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子,改进了粒子群优化(PSO)算法,进而通过改进的PSO算法对BP神经网络进行优化,构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象,将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本,实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%,与未优化的BP神经网络等传统模型相比,预测精度最大提高了18.5%,计算时间可从1.5 h缩短至300 s,同时实现了回弹预测与补偿精度以及计算效率的显著提高。     

基于MGA-BP网络的航空轴承故障诊断

为了提高航空发动机轴承故障诊断的准确率,提出基于改进遗传算法优化(back propagation,简称BP)网络(modified genetic algorithm to optimize BP,简称MGA-BP)的故障诊断模型。针对传统遗传算法易早熟、易陷于局部最优解等缺陷,利用固定个体选择概率、引入三角函数和高斯变异操作对遗传算法进行改进,并用改进遗传算法优化BP网络的权值和阈值。利用优化的BP网络对滚动轴承正常、内圈故障、外圈故障和钢球故障4种工况进行诊断,并考虑到网络输出模式、诊断样本比例等对诊断精度的影响。为了验证MGA-BP在轴承故障诊断中的有效性,将其他改进遗传算法优化BP网络作为对比算法。分析表明:MGA-BP能够较好地适应网络不同的输出模式、不同的样本比例,其抗噪能力、诊断准确率、误差收敛速度和误差收敛值均优于文中其他对比算法。     

多层复合材料飞轮的应力分析与优化设计

修正多层复合材料飞轮转子因过盈装配产生的应力的计算方法,给出一种飞轮转子在纤维缠绕时产生的应力的计算方法;研究基于改进海明距离的种群初始化方法和基于进化代数的反馈变异方法,提出反馈自适应遗传算法(Feedback adaptive genetic algorithm,FAGA);利用FAGA算法,考虑应力约束、质量约束,以储质量储能密度(EPM)、成本储能密度(EPC)为目标,探讨多层复合材料飞轮优化问题.仿真分析验证了应力计算方法的合理性和FAGA算法的寻优能力,揭示了应力约束、质量约束及设计目标对内外径比、转速、EPM、EPC的影响规律.     

基于IGA和LS-SVM的航空发动机磨粒识别

针对磨粒识别中的LS-SVM分类器性能参数难以选择的问题,提出一种改进的遗传算法(IGA)对其进行优化选择。该算法将轮盘赌选择法与最优保留法相结合,采用一种随世代数增加而不断自动调整的交叉概率和变异概率,既提高了收敛速度,又易得到全局最优解。基于IGA的LS-SVM分类器磨粒识别方法为,利用主成分分析法(PCA)优选磨粒特征参数,并将结果作为样本训练LS-SVM分类器;通过改进遗传算法优化分类器参数,并通过测试样本测试分类器性能。仿真实验结果表明,此分类器的分类精度高,分类速度快。     

基于MFO-BPNN的螺旋钻机钻速预测研究

针对利用现有经验公式所建立的螺旋钻机钻速预测模型存在准确度不足的问题,提出了一种基于飞蛾扑火算法(MFO)的反向传播神经网络(BPNN)钻速预测模型。首先,对MFO算法的基本原理进行了研究,构建了MFO算法优化BPNN的具体流程;接着,采集了江苏无锡某施工现场钻探数据,并分析了钻速影响因素,运用小波阈值降噪、归一化和灰色关联度分析等系列方法对采集数据进行了预处理,得到了训练和测试集;然后,将MFO算法运用于神经网络的权值和阈值训练,以代替原有梯度下降法,建立了MFO-BPNN钻速预测模型;最后,对上述预测模型与BPNN模型、遗传算法优化反向传播神经网络(GA-BPNN)模型以及粒子群优化算法优化反向传播神经网络(PSO-BPNN)模型的预测结果和评价指标进行了详细的对比分析。研究结果表明：运用MFO-BPNN建立的钻速预测模型,其可靠性达到了91.65%,其决定系数(R²)优于其他3种预测模型,3项误差指标也是其中最低的,说明该模型的预测精度良好,适合于桩基础工程的实际应用,可为复杂因素影响下的钻速预测提供一种新思路。     

基于 IGA-BP 神经网络的智能电能计量 设备退化趋势研究

电能计量设备可靠运行与否影响着电网边缘测量与电量计量准确性,为此本文提出一种基于参数优化 BP 神经网络的 设备退化趋势分析方法。 结合国网新疆高干热试验基地,及其智能电能计量设备实时运行基本误差数据,利用 Spearman 相关 性分析方法,提取影响智能电能计量设备基本误差值的主要环境应力;采用函数拟合插值(FFI)方法消除原始数据中缺失值对 退化分析的影响,建立基于 BP 神经网络的智能电能计量设备退化研究模型;最后,引入改进遗传算法( IGA)优化 BP 神经网络 参数,实现智能电能计量设备退化趋势的向后预测与更新。 选取基地中不同型号的若干个智能电能计量设备进行多项实验,结 果表明本文模型具有较高的预测能力,预测结果的平均均方根误差为 0. 012 3,预测准确度最高可达 90. 2% 。     

一种求解车间调度的混合免疫遗传算法

为了克服传统免疫遗传算法(IGA)在车间调度问题上易陷入局部最优的缺点,将免疫遗传算法(IGA)与模拟退火算法(SA)进行了结合,提出一种应用于车间作业调度的混合免疫遗传算法。为了有效的提高免疫遗传算法收敛速度和避免算法陷入局部最优解,此算法设计了一种基于适应度和浓度的自适应精英保留策略且重新设置了变异算子,即将变尺度变异和自适应变异算子进行了融合。最后利用"Muth and Thompson"基准问题进行仿真实验,验证了该算法在JSP问题中的高效性和可行性。     

嵌入筛选操作的遗传算法及其在焊接路径规划中的应用

针对基本遗传算法(GA)中存在的局部搜索能力不足和未成熟收敛的问题,引入一种结合模拟退火算法的筛选操作对算法进行改进.改进遗传算法(IGA)一方面在优化后的解空间进行精细寻解,另一方面依靠基本GA算子开拓全局搜索空间,从而使算法达到全局最优与局部优化的良好平衡.由于改进算法中采用了模拟退火算法的Metropolis准则...     

基于混合的多目标遗传算法的多目标流水车间逆调度问题求解方法*

将逆优化理论与方法引入车间调度领域,探讨近年来车间调度领域出现的一种新方法“逆调度”。研究多目标流水车间逆调度问题,建立考虑调度效率和调度稳定性的数学模型,综合考虑了加工参数改变量、系统改变量以及完工时间和等目标。提出一种基于混合的多目标遗传算法(Hybrid multi-objective genetic algorithm, HMGA)的求解方法,将多种策略进行混合以提高算法性能,主要包括快速非支配排序遗传算法(Non-dominated sorting genetic algorithm II, NSGAII)中的快速非支配排序方法、两种多样性保持策略、混合的精英保留策略,以及改进的局部搜索策略等。通过实例测试与方差分析(Analysis of variance, ANOVA),验证了该算法的有效性。     

基于Pareto改进的混合算法求解多目标柔性车间调度问题

针对多目标柔性作业车间调度问题,该文建立优化目标为最大完工时间、机器平均相对空闲率以及机器总负荷最小化的数学模型,并设计一种基于Pareto改进的自适应混合算法(NGAPSO)。其算法采用分层结构相结合,底层采用基于隔离的小生境技术(Niche genetic algorithm,NGA),上层采用粒子群算法(Particle swarm optimization,PSO)。为提高算法的收敛效率和求解精度,提出了改进策略,采用适应度值分配策略作为种群选择的评价标准;设计动态的交叉变异概率,使算子在迭代过程自适应地对种群的寻优操作进行调整。最后,针对10个单目标基准案例与3个多目标典型案例进行仿真求解,通过与其他前沿算法进行对比验证NGA-PSO算法的优越性。     

基于GA_BP算法的化工设备设计人工时预测

针对目前人工估算人工时预测精度低的问题,提出基于遗传算法优化反向传播神经网络的算法建立人工时预测模型,对化工设备设计人工时进行定量预测.首先对化工设备设计项目的管理流程和设计特点进行分析;然后对用户数据库中的历史项目数据进行统计,并对统计数据进行参数的贡献度和相关性分析,同时结合参数在预测时获取的难易程度,选择出适当的人工时预测模型输入参数;再建立基于反向传播算法的预测模型,并针对反向传播算法的缺陷选择遗传算法优化反向传播神经网络和支持向量机算法进行建模,预测结果表明遗传算法优化反向传播神经网络算法更适合化工设备设计人工时预测.采用基于遗传算法优化反向传播神经网络算法的模型进行了实例预测.     

采用改进遗传算法优化神经网络的双目相机标定

针对传统BP神经网络在双目相机标定过程中存在的迭代时间长、精度低等问题,提出了基于改进遗传算法优化BP神经网络的方法来完成双目相机标定。使用融合多格算法的Trajkovic算子进行角点检测,利用点对点空间映射和网格运动统计相结合的方法完成同名角点匹配,在此基础上,提取同名角点的像素值并计算其实际的三维坐标值。对遗传算法的交叉和变异概率及选择算子进行改进,利用改进后的遗传算法对BP神经网络进行优化,将像素值和三维坐标值分别作为BP神经网络的输入和输出,进而完成双目相机的标定。实验结果表明：优化前后的平均标定预测精度分别为0.66 mm和0.08 mm,其平均标定预测精度提高了88%。优化前后的标定测试迭代次数分别为736和169,优化后迭代速度提高了3.4倍。改进遗传算法优化BP网络在双目相机标定过程中取得较好的效果,满足了双目相机标定的要求。     

遗传算法优化BP网络的锂电池剩余容量预测

为了有效地对锂电池剩余容量进行预测,在分析了BP神经网络对剩余容量模型非线性回归基础上,针对BP算法预测迭代速度慢且易出现局部最优的问题,提出了一种基于遗传算法(GA)优化BP神经网络的算法。遗传算法具有较强劲的全局搜索能力,将其应用到BP神经网络的参数寻优当中,可以寻找到BP网络的最优参数。将该模型应用于锂离子电池剩余容量的预测,并将生成的模型与单独使用BP神经网络的预测模型比较。仿真结果表明,基于遗传算法优化的BP神经网络剩余容量预测的精准度高于单独使用BP网络剩余容量预测的精准度,为锂离子电池容量预测提供了一种新方法。     

带准备时间的柔性流水车间多序列有限缓冲区排产优化问题

针对带准备时间的柔性流水车间多序列有限缓冲区排产优化问题,提出一种改进的紧致遗传算法（Improved compactgenetic algorithm,ICGA）与局部指派规则结合的方法来解决该问题。全局优化过程采用改进的紧致遗传算法,为了克服紧致遗传算法（Compact genetic algorithm,CGA）易早熟收敛的问题,提出一种基于高斯映射的概率模型更新方式,在保持紧致遗传算法快速收敛特性的前提下,扩展了种群中个体的多样性,增强了算法进化活力。为减少生产阻塞和降低准备时间对排产过程的影响,设计了多种局部启发式规则来指导工件进出多序列有限缓冲区的分配和选择过程。采用某客车制造企业中的实例数据进行测试,测试结果表明,改进的紧致遗传算法与局部指派规则配合使用,能够有效解决带准备时间的柔性流水车间多序列有限缓冲区排产优化问题。     

基于改进GA-BP神经网络的湿度传感器的温度补偿

针对自动气象站采用的HMP45D型湿度传感器测量精度易受温度影响的问题,通过对遗传算法中的编码方式、适应度函数和参数进行改进研究,利用改进的遗传算法(genetic algorithm,GA)对反向传播(back propagation,BP)神经网络的初始权值阈值进行优化,在较大的范围进行搜索,采用反向传播算法在较小范围内进行微调,优化网络结构和参数,提出了用改进遗传算法优化BP神经网络的方法,根据在多温度条件下湿度传感器的实测数据,对利用此方法建立的模型进行温度补偿研究,并结合一般BP神经网络方法进行分析比较.实验结果表明,该方法具有全局寻优能力,补偿精度高,收敛速度快,能够有效补偿温度对湿度传感器的影响,大大提高了湿度传感器的测量准确度.     

机载相控阵雷达探测参数优化

相控阵雷达(phased array radar,PAR)可通过合理配置工作参数优化其性能.针对机载相控阵雷达目标探测过程中的射频隐身需求,提出了一种雷达工作参数优化方法.首先建立了以评估发现目标能力的检测概率和评估射频隐身能力的截获概率为指标,以脉冲峰值功率和驻留时间为优化参数的雷达探测多目标优化模型;然后根据多目标优化理论,采用改进非支配遗传算法(improved non-dominated sorting genetic algorithm Ⅱ,NSGA-Ⅱ)求解Pareto最优解集,并由这些Pareto解构成决策矩阵;最后,利用熵权法对各个目标进行客观赋权,再运用逼近理想解的排序法(techninque for order preference by similarity to an ideal solution,TOPSIS)进行多属性决策(multi-attribute decision making,MADM),得到参数控制方案.结合具体实例进行仿真计算,结果表明,运用多目标优化理论可以有效地配置雷达工作参数,优化雷达工作性能.     

电动负载模拟器摩擦模型参数辨识方法

为实现电动负载模拟器的高精度控制,针对负载模拟器运行中受到的摩擦力影响问题,提出基于改进布谷鸟算法(improved cuckoo search algorithm,简称ICSA)的摩擦模型参数辨识方法。首先,搭建了电动负载模拟器试验样机,建立了动力学数学模型,并引入一种连续摩擦模型代替传统不连续摩擦模型;其次,将布谷鸟算法(cuckoo search algorithm,简称CSA)进行改进,在辨识中自动调整判定概率和步长的数值,提高了收敛速度和收敛精度;然后,通过逐点试验的方法得到了负载模拟器角速度范围为[-1,1]rad/s的摩擦力数据,并利用ICSA算法对摩擦力模型进行辨识;最后,进行了验证试验。试验结果表明:ICSA算法能准确快速地辨识出连续摩擦模型的6个参数,且收敛速度快、准确性高;当迭代达到最大迭代次数时,ICSA算法的目标函数值较CSA算法减小了45.2%。     

基于小波包-AR谱和GA-BP网络的轴承故障诊断研究

针对轴承振动信号具有非平稳、非线性特点,提出将小波包-AR谱和采用遗传算法(genetic algorithm,GA)优化的BP神经网络相结合的轴承故障诊断方法。该文对滚动轴承振动信号进行小波包分解和自回归(auto-regressive,AR)谱分析以得到不同频段的能量,然后将提取到的特征向量输入到BP神经网络进行模型训练和测试。鉴于BP神经网络的诊断效果并不是很好,因此应用遗传算法对BP神经网络的权值和阈值进行优化并再次进行诊断。对比实验结果表明,经遗传算法优化后的BP神经网络的仿真误差大大降低,相关故障诊断准确率达到了100%。