组合机床与自动化加工技术
組閤機床與自動化加工技術
조합궤상여자동화가공기술
MODULAR MACHINE TOOL & AUTOMATIC MANUFACTURING TECHNIQUE
2013年
9期
39-41
,共3页
付涛%王大镇%弓清忠%张文光
付濤%王大鎮%弓清忠%張文光
부도%왕대진%궁청충%장문광
BP神经网络%NSGA-Ⅱ遗传算法%多目标优化
BP神經網絡%NSGA-Ⅱ遺傳算法%多目標優化
BP신경망락%NSGA-Ⅱ유전산법%다목표우화
BP neural network%NSGA-Ⅱ genetic algorithm%Multi-objective optimization
文章针对传统的机械零件多目标优化算法的不足,提出了一种基于改进型BP神经网络和NSGA-Ⅱ遗传算法的机械零件多目标优化设计方法,该方法首先利用Workbench对零件进行分析得到实验数据,然后用改进型BP神经网络对实验数据进行训练并建立起多目标优化的模型,采用NSGA-Ⅱ遗传算法对模型进行多目标优化.结果表明,在满足优化零件使用条件的情况下,运用该方法求得质量的相对误差最大为11%,变形的相对误差最大为3.36%,验证了该方法的有效性和可靠性.并将该方法得出的结果与传统Workbench得出的多目标优化结果进行了比较,证明了该方法优于传统Workbench优化方法.
文章針對傳統的機械零件多目標優化算法的不足,提齣瞭一種基于改進型BP神經網絡和NSGA-Ⅱ遺傳算法的機械零件多目標優化設計方法,該方法首先利用Workbench對零件進行分析得到實驗數據,然後用改進型BP神經網絡對實驗數據進行訓練併建立起多目標優化的模型,採用NSGA-Ⅱ遺傳算法對模型進行多目標優化.結果錶明,在滿足優化零件使用條件的情況下,運用該方法求得質量的相對誤差最大為11%,變形的相對誤差最大為3.36%,驗證瞭該方法的有效性和可靠性.併將該方法得齣的結果與傳統Workbench得齣的多目標優化結果進行瞭比較,證明瞭該方法優于傳統Workbench優化方法.
문장침대전통적궤계령건다목표우화산법적불족,제출료일충기우개진형BP신경망락화NSGA-Ⅱ유전산법적궤계령건다목표우화설계방법,해방법수선이용Workbench대령건진행분석득도실험수거,연후용개진형BP신경망락대실험수거진행훈련병건립기다목표우화적모형,채용NSGA-Ⅱ유전산법대모형진행다목표우화.결과표명,재만족우화령건사용조건적정황하,운용해방법구득질량적상대오차최대위11%,변형적상대오차최대위3.36%,험증료해방법적유효성화가고성.병장해방법득출적결과여전통Workbench득출적다목표우화결과진행료비교,증명료해방법우우전통Workbench우화방법.