频率约束下的可展开天线多目标优化设计

针对太空索网桁架式可展开天线的结构特点和性能要求,对其结构初始设计进行了优化研究.以刚性周边桁架单元壁厚和柔性索单元半径为设计变量,结构质量和天线表面精度为目标函数,结构基频和单元应力为约束条件,建立了天线的多目标优化数学模型.采用序列二次规划法对这一包含有动力约束的非线性复杂模型进行求解,并进行实例计算,得到了不同权重值下对应的优化结果,提高了天线性能,同时证明了所提出的研究模型与方法的可行性和有效性.     

基于Kriging法的铁道车辆客室结构优化

为解决铁道车辆客室空间尺寸和内部部件接触刚度优化配置问题,实现客室结构多目标多参数优化设计,以座椅-桌子结构和座椅-座椅结构2种模型为例,基于Kriging算法构造了目标参数(乘员头部性能指标CHI15,CHI36和胸部性能指标CT3ms)关于设计变量(小桌高度h、小桌与座椅距离l1、座椅间距l2、桌子接触刚度k1和座椅接触刚度k2)的代理模型,分别得到目标参数随设计参数变化的响应曲面,并采用遗传算法对建立的目标参数代理模型进行整体寻优,得到2种结构模型的最优参数配置。分析结果表明:各代理模型的遗传算法寻优结果与数值计算的模拟结果吻合较好,误差范围为-5.94%~2.23%,说明基于Kriging代理模型和遗传算法的优化结果是可靠的。研究结果可用于指导铁道车辆客室结构的布置。     

“巨”型负磁导率材料的优化设计

针对单回路＂巨＂型负磁导率材料结构和设计要求,基于神经网络和遗传算法理论进行了结构优化设计.通过正交实验法选出了负磁导率材料结构参数样本;利用HFSS得到的仿真实验样本对BP神经网络进行训练,建立了结构参数和结构性能之间的映射关系;根据设计要求定出相应的适应度函数表达式,经过遗传进化得到了优化的负磁导率材料结构参数.     

基于NSGA-Ⅱ和BP算法的横置板簧悬架系统多目标优化

为了匹配汽车簧载质量和悬架刚度,文章建立整车悬架系统振动模型,基于多目标优化理论,以车身加速度均方根值最小、车身侧倾角最小为2个优化目标,将非支配排序遗传算法（non-dominated sorting genetic algorithm-II,NSGA-Ⅱ）和反向传播（back propagation,BP）神经网络结合进行多目标优化;根据车辆簧载质量变化和性能偏好,对悬架参数进行匹配,然后对悬架参数进行Sobol敏感度分析,得到各悬架参数对平顺性和操稳性的不同重要程度。仿真结果表明,匹配后的数据对平顺性和操稳性均有较好的优化效果,前阻尼值对平顺性影响最大,后刚度值对操稳性影响最大。     

基于遗传算法的桁架形状优化及最小质量设计

在工程结构的优化设计中,应用遗传算法的基本原理,研究了离散设计变量全局寻优等传统优化方法难于解决的特殊问题.以平面桁架梁作为解析例,选取桁架的节点坐标和杆件的截面特征为设计参数,模拟遗传操作过程中的生物进化机制,对桁架的构成和形状的优化问题进行了解析.得到桁架在不同情况下的形状优化解,并使桁架质量趋于最小.研究结果验证了遗传算法在桁架的形状最优化和最小质量设计中应用的可行性.     

基于微型多目标遗传算法的布料机臂架结构优化

针对目前用于散料输送的大跨度布料机布料臂架结构重大、设计冗余度严重过剩等问题,采用一种微型多目标遗传算法对布料臂架主梁结构尺寸进行多目标优化.以各节臂架主梁的截面尺寸为优化变量,以增强臂架刚度和轻量化为优化目标,结合微型多目标遗传算法和参数化有限元建模技术,建立了布料臂架的优化设计模型.此方法既能高效率地解决增强臂架刚度和臂架减重等优化问题,又能仅通过一次计算就提供多组方案以满足对布料机性能控制的不同需要.该优化结果已用于该系列布料机的定型设计.     

BP神经网络和遗传算法用于曲轴填充性能的优化设计

针对曲轴空间分模模具存在的深型腔难填充结构,提出了采用楔形飞边槽结构改善填充性能的方法。基于MATLAB平台,将BP 人工神经网络与遗传算法应用于楔形飞边槽结构参数优化设计。首先利用正交试验设计安排试验样本,对所得的样本进行有限元模拟,获得各方案坯料的最小未填充距离,作为BP神经网络训练的导师信号。再结合遗传算法,以最小未填充距离为目标,得到楔形飞边槽结构的最优参数。最后通过数值模拟验证并比较遗传算法预测结果与数值模拟结果的误差。结果表明,误差在5%以内。将优化参数应用于实际生产,坯料能够完全充满模具型腔     

基于BMO算法的损伤识别方法

基于自适应鸟类交配优化算法(BMO),提出了一种新的群智能优化算法,利用鸟类社会中的交配模式及其可以得到一个最优后代的特点,将其用于结构刚度损伤识别中经过迭代得到最优解;以简支梁和桁架作为算例,对两种结构的有限元模型进行了分析,并运用Matlab软件来进行了程序的设计和数值模拟计算。最后,与传统的遗传算法进行对比,验证了新算法的有效性。     

响应面模型与多目标遗传算法相结合的机床立柱参数优化

针对传统方法在复杂机械结构优化设计中的低效性和局限性,提出了一种将响应面模型与多目标遗传算法相结合的优化设计方法.采用拉丁超立方试验的设计方法,在设计空间抽取样本点并进行数值模拟,建立了由7个设计参数所决定的立柱最大变形、首阶固有频率及质量的初始二阶响应面模型.利用多目标遗传算法对响应面模型进行循环逼近优化,得到了Pareto最优解集.仿真结果表明,在质量不变的条件下,优化解可使立柱首阶固有频率增加15.9%,导轨处最大变形减小7.7%,可通过有限次数的数值模拟计算获得设计空间内的近似最优解,因此较适用于机床及类似复杂结构的多目标多参数的优化设计.     

桁架材料和结构组合多目标优化设计

同时为桁架的每个杆件确定最为合适的材料和结构尺寸属于桁架材料和结构组合优化问题．提出一种桁架材料和结构组合多目标优化的方法．为材料分配唯一的标识编码，把杆件所用材料直接作为设计变量，并且和杆件截面积一起构成设计变量空间．考虑结构重量、成本和节点位移3个目标以及应力约束，建立了桁架材料和结构组合优化问题的数学模型．应用多目标遗传算法进行求解．算例结果表明，采用多目标遗传算法可以为桁架设计参数的确定提供多种选择方案，决策者可以根据目标的重要程度确定最后设计方案．算例分析结果验证了该方法的有效性．     

动力总成悬置软垫结构参数优化系统开发

采用软件集成的方法,开发一套悬置软垫结构参数优化系统。该系统以MATLAB为平台,通过调用ABAQUS批处理程序采用有限元方法自动计算不同结构参数下的软垫刚度,用神经网络映射结构参数与刚度之间的非线性关系,建立起优化目标函数,用遗传算法优化结构参数并计算出优化结构参数后的软垫刚度与目标刚度之间的误差。实例验证表明,该系统可以根据所提出的三向刚度要求,快速、准确地确定悬置软垫的结构参数,具有可行性。     

基于遗传算法和BP神经网络的圆柱壳大开孔接管结构优化研究

应用神经网络模拟GB150-2011《压力容器》标准中圆柱壳径向接管开孔结构参数与强度关系,以开孔接管结构用材最省为优化目标,采用遗传算法对圆柱壳大开孔接管结构进行优化设计研究.经神经网络拟合后,标准算图数据信息归一于一个三层的BP网络并应用于遗传算法程序中,与反复查图和有限元优化算法相比,此优化算法更节省设计时间.经验证,优化后的结构符合强度要求,优化结果满足工程设计需要.     

基于MIVM神经网络模型对合金组元活度的预测

为了使用分子相互作用体积模型(molecular interaction volume model,MIVM)准确便捷预测出合金溶液中组元的活度,建立了活度预测的BP(back propagation)神经网络模型和算法,模型的输入层为合金溶液中组元的实验活度系数,输出层为分子对位能相互作用参数,隐含层设定为一层。采用遗传算法优化BP神经网络模型各结构参数,在遗传算法中使用合金溶液中组元的无限稀活度系数的实验值和理论值的偏差作为适应度函数,以偏差最小为目标进行优化以保证BP神经网络的有效性。最后以Pb-Bi,Sn-Bi,Sn-Pb,Fe-Cu二元合金溶液中组元活度预测为例对BP神经网络模型和算法进行验证。结果表明:组元活度预测值与实验值之间的平均相对误差均小于4%,绝对偏差小于0.78,能满足工程计算要求。     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

基于多目标遗传算法的拖拉机变速箱体优化设计

提出基于ANSYSWorkbench平台箱体结构的有限元模型建立方法,对其在最大载荷工况下进行静力分析。以保证结构刚度为约束奈件,以减轻结构重量和提高结构强度为目标,采用多目标遗传算法对箱体结构关键参数进行优化设计。结果表明,多目标遗传算法能在可行域内快速准确地获得箱体结构优化设计的Pareto最优解集,在满足结构刚度的前提下,实现箱体结构的优化设计。     

基于粒子群-蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

边坡弹性模量反分析的模拟退火BP网络方法

通过模拟退火算法,对BP网络进行优化并编写了模拟退火BP网络程序,应用该程序对三峡永久船闸高边坡岩体弹性模量进行了位移反分析.结果表明,根据模拟退火BP网络反分析得到的弹性模量计算出的位移值和监测位移值差别较小.因此,模拟退火BP网络方法可以用于边坡岩体力学参数的反分析.     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

铝型材挤压模具导流孔结构优化

基于MATLAB平台,将BP人工神经网络、遗传算法和数值模拟技术应用于铝型材挤压模具的导流孔形状优化设计。由正交实验法安排模拟实验组合,采用SuperForge软件对进行型材挤压过程进行数值模拟,并以挤压时金属流出模口平面的z向质点流速的均方差作为模型目标值;将模拟结果作为人工神经网络的输入样本对进行网络训练并建立网络知识源;通过遗传算法求得模型的全局优化解;最后通过有限体积法数值模拟技术验证并比较优化所得导流孔形状与经验法确定的导流孔形状对金属流动均匀性的影响。分析结果表明,通过调整导流孔形状能使金属流出模口的速度分布更均匀,表明对挤压模具导流孔形状的优化是有效的。     

应用遗传算法和LM优化的BP神经网络模型预测机场道面使用性能

分析了影响道面使用性能的各种参数,结合BP神经网络和遗传算法来预测机场道面使用性能.通过遗传算法全局寻优功能对神经网络的初始权值和阈值进行优化,然后采用LM(Levenberg-Marquardt)优化算法对神经网络训练速度进行加速,并且使训练避免陷入局部极小点.通过历年数据对神经网络进行训练,用所得神经网络模型对机场道面使用性能进行预测.训练结果表明,该方法具有足够的精度,能够应用到工程实际中.