[發明專利]基于多算法融合的多目標工藝參數智能優化方法

有效

• 申請號: 202011090630.4
• 申請日: 2020-10-13
• 公開（公告）號: CN112380760B
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 王四寶;王澤華;王時龍;易力力;衡德超;曾令萬;楊勇;楊燦輝
• 申請（專利權）人: 重慶大學;重慶機床（集團）有限責任公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F111/06
• 代理公司: 重慶航圖知識產權代理事務所(普通合伙) 50247
• 代理人: 孫方

1.基于多算法融合的多目標工藝參數智能優化方法，其特征在于：包括以下步驟：

獲取加工零件表面形性數據；

建立預測模型，所示預測模型采用改進的廣義回歸神經網絡IGRNN算法，生成并輸出預測結果值；

建立優化模型，所述預測結果值輸入到優化模型中，利用所述優化模型計算隨機產生個體的目標值；

建立工藝參數決策模型，所述工藝參數決策模型采用基于帕累托前沿的候選解集，通過主成分分析法PCA確定最終用于實際加工的工藝參數；

所述預測模型是基于改進的廣義回歸神經網絡IGRNN算法而建立預測模型，所述改進的廣義回歸神經網絡IGRNN包括輸入層、模式層、求和層和輸出層；

輸入向量通過輸入層處理后，然后在進入到模式層，再通過求和層處理，最后通過輸出層將處理后的數據輸出；所述輸出的數據再通過改進的灰狼算法得到最優的平滑因子，并將最優的平滑因子輸入到模式層；

所述基于改進的灰狼算法的中判斷獵物與灰狼距離的準則如下：

其中，

t為當前迭代次數；

和X分別表示獵物和灰狼的位置向量；

是由隨機向量r2計算的系數向量；

是獵物和灰狼之間的距離；

所述改進的灰狼算法中的搜索范圍自適應調整步驟如下：

式中，表示第i只灰狼與目標獵物之間的距離；

表示第i只灰狼與目標獵物之間的系數向量；

表示目標獵物的位置向量；

表示灰狼的位置向量；

表示迭代后的灰狼位置向量；

表示距離系數向量；

表示距離向量；

表示搜索范圍系數；

表示取自[0，1]之間的隨機系數；

表示取自[0，1]之間的隨機系數；

t_max表示最大迭代次數；

所述優化模型采用改進的非支配排序遺傳算法INSGA-II進行的多目標優化，具體步驟如下：

產生種群，初始化種群gen＝0；

計算種群中個體目標值；

采用差分局部搜索改進種群分布計算非支配排序及擁擠度；

競爭選擇，交叉變異；

精英策略，種群合并；

判斷gen是否大于種群最大值,如果否，則返回繼續計算種群中個體目標值；

如果是，則計算pareto前沿；

結束；

所述差分局部搜索具體按照以下步驟進行：

獲得經過非支配排序和擁擠計算后的帕累托前沿；

按照以下公式計算空間中相鄰三個個體之間的面積s_k和pareto前沿的平均面積s_v：

其中，s_k表示第k個三角形面積；s_v表示所有三角形平均面積；s_triangle表示求p_a,p_b,p_c組成的三角形面積；

p_a表示第一個個體；p_b表示第二個個體；p_c表示第三個個體；

n_j表示pareto邊界上相鄰三個體組成的三角形數；

判斷sk＞sv是否成立，如果是，則使用局部差分搜索在兩個相鄰個體之間生成一個新的個體；所述局部差分搜索按以下公式計算：

其中，α、β、ω分別表示每個個體系數；

p_new表示新產生個體；

p_a表示pareto前面中隨機個體1；

p_b表示pareto前面中隨機個體2；

p_c表示pareto前面中隨機個體3。

2.如權利要求1所述的基于多算法融合的多目標工藝參數智能優化方法，其特征在于：所述改進的廣義回歸神經網絡IGRNN中的求和層包括算術求和單元和加權求和單元，所述算術求和單元用于所有輸出神經元的算術求和；所述加權求和單元用于對模式層中所有神經元的輸出進行加權求和。