遗传算法在UWB陷波天线设计中的应用

提出了一种用遗传算法和HFSS优化设计超宽带陷波天线的方法.在该方法中,反射系数的适应度函数被作为目标函数,在确定结构的前提上对天线的参数进行优化.根据遗传算法的优化结果设计出一款新型UWB陷波天线,并采用仿真软件对天线的电特性进行了仿真,从而证明该方法有效.     

滚动轴承设计参数的敏感性研究

对滚动轴承的几何结构、强度和动力条件进行分析,以基本额定动载荷、基本额定静载荷和最小油膜厚度同时最大化为目标函数,使用多目标优化算法NSGAⅡ(非主排序遗传算法)建立滚动轴承的优化数学模型,取得理想的优化结果.在此基础上对滚动轴承设计参数进行敏感性分析,结果表明轴承的基本额定动载荷和基本额定静载荷主要取决于内圈滚道曲率半径,而其他设计参数对承载能力影响很小.建议设计制造工程师对内圈滚道曲率半径使用精密公差.     

基于BP-HGA的起重机刚性支腿动态优化设计

针对门式起重机刚性支腿结构动态特性的复杂性和非线性,利用参数化有限元模型和BP神经网络,建立刚性支腿设计变量和最大动应力、弯曲动刚度及顶部最大动位移之间的映射关系.对于建立的神经网络模型,采用混合遗传算法(HGA)构造基于模糊动态罚函数的适应度函数引导遗传算法的搜索方向,寻求刚性支腿隔板、侧板的布置及尺寸最优化,并满足低应力、高固有频率及轻量化的要求.开发了某型号门式起重机刚性支腿多目标动态优化设计系统.应用结果表明,采用该优化方法能够有效地实现起重机刚性支腿的动态结构优化,显著提高了设计质量和效率.     

考虑堆垛机加减速的节能自动立库设计

以料箱式自动立库为研究对象,考虑堆垛机实际作业中存在的加减速过程,以能耗、平均吞吐时间和成本的计算模型为目标函数,以货架数量、货格数量和堆垛机的运行参数为决策变量,建立自动立库存储区多目标优化模型. 采用2种方法求解该多目标的混合整数非线性规划模型问题：使用经典遗传算法进行求解,得到不同权重下的解集;使用非支配排序遗传算法求取pareto解,得到非劣解的解集. 这些解集是优化后决策变量的集合,根据这些参数组合可以确定存储区的大小,并辅助货架与堆垛机的选购. 依据该模型的优化结果,可以设计出规划更合理的自动立库存储区,可为节能自动立库的建造提供有效参考.     

类SCARA机器人多目标性能优化

以类SCARA硅片搬运机器人为研究对象,在机器人运动学和动力学的基础上,分析其工作空间、全域条件数、固有频率、误差影响系数各项性能,并针对这4项性能指标进行多目标优化.将机器人机构杆长参数作为设计变量,以工作空间等4项指标作为优化目标,给出杆长约束和相对工作空间系数约束,利用基于BP神经网络算法的多目标遗传算法进行优化计算,采用遗传算法优化神经网络的结构,来提高BP神经网络的预测精度,减少运算时间,最终得到1组最优杆长.采用优化后的机器人机构杆长可以使机器人各项性能指标有较大提高.     

基于MATLAB遗传算法的离合器摩擦片优化设计

以湿式离合器摩擦片体积最小为优化目标函数,根据湿式离合器摩擦片的结构特点确定设计变量和约束条件,建立了湿式离合器摩擦片的数学模型.以某一湿式离合器摩擦片为例,运用MATLAB遗传算法对其结构参数进行了优化.优化结果表明:本文方法使摩擦片的整体体积减小了29.73%,可为摩擦片结构的参数优化提供理论参考.     

铝型材挤压导流模设计

传统的导流模设计主要建立在经验的基础上,具有主观性、不可靠性．本文通过正交法把由经验公式和工艺要求确定的初步模具参数设计成实验样本,基于此,以UG为平台进行模具CAD造型,然后导入软件SuperForge模拟,得到SDV值作为优化目标,最后用神经网络建立模具参数的数学模型,遗传算法优化模具参数,由此设计出的模具一次试模成功．本文为设计导流模提供了一种行之有效的方法．     

基于遗传算法的模糊神经网络PID控制器研究

研究对象是某类型贴片机的位置控制系统,运用基于遗传算法的模糊神经网络 PID控制器对其位置系统进行控制.着重介绍了基于联接机制的模糊神经网络的结构,以及遗传算法对模糊神经网络的网络结构和隶属度函数的优化.通过实例详细地给出了优化过程和优化结果,并通过仿真结果,充分地说明了模糊神经网络的优异性能以及遗传算法在多目标寻优中的强大优势.     

基于级联前向网络的翼型优化设计

针对应用遗传算法进行气动优化需要巨大计算量和计算时间的问题,采用将级联前向神经网络作为流场计算的代理模型的方法,能够减少计算量和计算时间.采用类别形状函数(CST)参数化方法,对翼型进行参数化,在限定的范围内随机生成翼型样本,应用样本对级联前向神经网络进行训练,用训练后精度达到要求的级联前向网络作为翼型流场数值计算的代理模型.采用单目标的遗传算法,将级联前向网络和流场数值计算的升阻比作为目标函数,将翼型的CST参数作为单位个体的所有基因,对标准翼型进行优化.数值试验表明,用级联前向网络计算出的升阻比可以达到进行气动优化所需要的精度要求,对于给定的优化目标可以节约大量的计算时间.     

杂交遗传算法在结构振动控制优化中的应用

为了减少结构振动控制所需能量,必须对所设计结构参数进行优化设计,传统的优化方法是很难获得结果的.为此,本文首先介绍了控制系统能量的计算公式,然后在杂交遗传算法和实代码遗传算法的基础上,开发了一种能够处理实变量的改进的杂交遗传算法,对于含不等式约束的优化问题,采用了Pareto处理方式.本文方法可以处理含约束的优化目标问题,通过一个一般优化问题和本文研究的具体问题的实例分析可知本文所提出的方法是有效的.     

双通带数字滤波器优化设计研究

提出了一种基于BP算法的正弦基函数神经网络模型及算法的收敛条件,研究了该神经网络算法与FIR线性相位滤波器幅频特性的关系,给出了高阶双通带滤波器的优化设计实例.计算机仿真结果表明,该神经网络算法不仅是有效的,而且是高效的.与传统的窗口函数法和雷米兹优化设计方法相比,其优化设计方法不需要计算矩阵的逆,因而克服了雷米兹优化设计方法求高阶矩阵逆的困难.     

基于遗传算法优化的神经网络PID控制器

提出了一种新的改进遗传算法优化的神经网络PID控制器。该方法设计了基于性能指标的适应度函数、自适应的交叉概率、变异概率,引入移民的遗传算法,从而有效地抑制了早熟和维持种群多样性,保证了得到的优化参数为最优参数。该方法为非线性被控对象的控制提供了一种最优参数控制器设计途径。仿真结果证明:利用改进遗传算法设计的控制紧闭环性能优越,鲁棒性强。     

液压系统中数字控制器的设计

本文系统地比较了多种控制器结构和目标函数,设计出了SUMT惩罚函数法与快速仿真相结合的控制器参数寻优程序。本文应用优化设计与数字仿真相结合的计算机辅助设计方法,确定数字控制器的最佳控制参数,提高了工作效率,避免了试凑的设计过程,增加了数字控制器参数设计的灵活性和实用性。由于本文对超调量,调整时间加以限制,故能设计出满足给定性能指标的控制系统。现有设计方法忽视了这一点。     

遗传算法在板翅式换热器芯体结构优化中的应用

基于遗传算法的板翅式换热器优化设计,以换热器重量为目标函数,应用遗传算法优化设计换热器的芯体结构。建立板翅式换热器设计与优化程序系统,并建立翅片数据库,其中包括翅片的几何参数、传热特性和阻力特性,可方便用于计算机程序的处理。与传统设计方法相比较,此优化方法能够快速并准确寻优,得到最轻换热器重量。     

基于GA的模糊神经网络控制

在详细论述模糊神经网络技术基础上,提出了基于GA的模糊神经网络控制器构造方法.选择MATLAB作为开发工具,使用所提供的神经网络和模糊逻辑工具箱,完成了基于GA的模糊神经网络控制器设计,并应用ActiveX技术在虚拟测控系统中实现了对其的调用.     

移动荷载下基于RBF神经网络的地基土参数识别

研究了移动荷载作用下径向基神经网络在地基土的参数识别中的应用。针对径向基神经网络的不足，采用压缩映射递阶遗传算法来确定网络参数（连接权、隐节点中心和宽度），改进算法的收敛性。基于频率响应，采用主元分析方法，有效减少了网络的输入节点。结果表明该方法是可行的。     

人工神经网络结合遗传算法反演岩体初始地应力的研究

提出综合应用实数编码的遗传算法与改进的BP神经网络的优化反演分析方法,并通过数值分析,探讨了该方法在应用于位移反演岩体初始应力与材料参数方面的有效性.在算例中,以Burgers模型的计算数据作为改进神经网络的训练样本,用遗传算法搜索待反演参数解向量.计算结果表明利用遗传算法优化神经网络权值能提高神经网络迭代算法的效率与可靠性.该方法应用于岩体初始应力场的反演具有迭代过程平稳、收敛快、结果准确等特点,能够有效地求得岩体初始应力与材料参数.     

RBF神经网络算法及其应用

在径向基神经网络学习算法的基础上,提出了一种新的RBF神经网络学习算法,该算法将变长度染色体遗传算法和最小二乘法相结合,能够同时确定径向基神经网络的结构和参数。用此方法建立热电厂热负荷预测模型,并与BP神经网络和增长型结构学习算法的RBF神经网络方法相比较,结果表明可以取得更好的效果。     

Optimization of Process Parameters for Cracking Prevention of UHSS in Hot Stamping Based on Hammersley Sequence Sampling andBack Propagation Neural Network-Genetic Algorithm Mixed Methods

In order to prevent cracking appeared in the work-piece during the hot stamping operation, this paper proposes a hybrid optimization method based on Hammersley sequence sampling (HSS), finite analysis, back-propagation (BP) neural network and genetic algorithm (GA). The mechanical properties of high strength boron steel are characterized on the basis of uniaxial tensile test at elevated temperatures. The samples of process parameters are chosen via the HSS that encourages the exploration throughout the design space and hence achieves better discovery of possible global optimum in the solution space. Meanwhile, numerical simulation is carried out to predict the forming quality for the optimized design. A BP neural network model is developed to obtain the mathematical relationship between optimization goal and design variables, and genetic algorithm is used to optimize the process parameters. Finally, the results of numerical simulation are compared with those of production experiment to demonstrate that the optimization strategy proposed in the paper is feasible.     

氧乐果合成反应温度的模糊神经网络控制方法

氧乐果合成反应温度控制过程具有参数时变、非线性、大滞后等特点,采用传统的控制方法难以达到预期的控制效果。针对此问题,文章设计了基于遗传算法的模糊神经网络控制器。首先确定与模糊系统结构等价的神经网络,从而将模糊控制规则和隶属函数的参数搜索优化问题转化成网络参数优化问题;其次利用改进的遗传算法实现网络参数快速全局寻优,从而提高控制器性能。仿真结果表明,优化后模糊神经网络控制器对一类具有参数时变、时滞、非线性的系统具有良好的控制性能。