基于PSO-BPNN和NSGA的薄壁件定位布局优化

为提高装夹布局优化计算的效率,同时考虑加工过程中振动对变形的影响,提出了融合改进的反向传播神经网络(back propagation neural network, BPNN)与快速非支配排序遗传算法(nondominated sorting genetic algorithms, NSGA-Ⅱ)的优化模型。首先,基于“N-2-1”定位原理,以定位点坐标为设计变量,薄壁件装夹变形和主振型位移为优化目标,通过有限元仿真建立了神经网络训练样本集;其次,引入粒子群算法(particle swarm optimization, PSO)改进神经网络,通过对有限样本集训练,构建了定位布局与装夹变形和振动位移之间的代理模型。实例结果表明,改进后的神经网络对装夹变形的预测精度提高了93%,对振动变形的预测最大误差仅为1.8%;最后,通过遗传算法求解预测模型得到了定位布局帕累托解集,进一步提高了优化效率。