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。