結(jié)構(gòu)優(yōu)化結(jié)課論文

1、2016/2017學(xué)年秋季學(xué)期結(jié)構(gòu)優(yōu)化設(shè)計(jì)理論與方法讀書報(bào)告題目：基于人工智能技術(shù)的輪胎硫化優(yōu)化姓名：學(xué)號(hào)：院系：航天學(xué)院時(shí)間:2016.11.031、 遺傳算法的概念 遺傳算法（Genetic Algorithms，簡稱GA）起源于對(duì)生物系統(tǒng)所進(jìn)行的計(jì)算機(jī)模擬研究。它是模仿自然界生物進(jìn)化機(jī)制發(fā)展起來的隨機(jī)全局搜索和優(yōu)化方法，借鑒了達(dá)爾文和孟德爾的遺傳學(xué)說。其本質(zhì)是一種高效、并行、全局搜索的方法，能在搜索過程中自動(dòng)獲取和積累有關(guān)搜索空間的知識(shí)，并自適應(yīng)地控制搜索過程以求得最佳解。 遺傳算法操作使用適者生存的原則，在潛在的解決方案中逐次產(chǎn)生一個(gè)近似最優(yōu)的方案。在遺傳算法的每一代中，根據(jù)個(gè)體在問題

2、域中的適應(yīng)度值和從自然遺傳學(xué)中借鑒來的再造方法進(jìn)行個(gè)體選擇，產(chǎn)生一個(gè)新的近似解。這個(gè)過程導(dǎo)致種群中個(gè)體的進(jìn)化，得到新的個(gè)體比原來個(gè)體更能適應(yīng)環(huán)境，就像自然界中的改造一樣。2、 遺傳算法的特點(diǎn)及基本步驟2.1遺傳算法特點(diǎn)遺傳算法是一種借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)搜索法。它與傳統(tǒng)的算法不同，大多數(shù)古典的優(yōu)化算法是基于一個(gè)單一的度量函數(shù)的梯度或較高次統(tǒng)計(jì)，以產(chǎn)生一個(gè)確定性的實(shí)驗(yàn)解系列；遺傳算法不依賴于梯度信息，而是通過模擬自然進(jìn)化過程來搜索最優(yōu)解，它利用某種編碼技術(shù)，作用于稱為染色體的數(shù)字串，模擬由這些串組成的群體的進(jìn)化過程。2.2遺傳算法基本步驟假設(shè)有一個(gè)待優(yōu)化的問題 (1)式中x,y,

3、z是自變量，可以是數(shù)量，也可以是邏輯變量，甚至可以是任何符號(hào)。每一組構(gòu)成問題的一個(gè)可能解，所以D既可以看成x,y,z的定義域，也可以看成問題的約束條件，或所有滿足約束條件的解構(gòu)成的解空間。F是屬于實(shí)數(shù)域R的一個(gè)實(shí)數(shù)，也可以看成對(duì)每一組可能解得質(zhì)量優(yōu)劣的度量，函數(shù)f表示由解空間到實(shí)數(shù)域R的一個(gè)映射，對(duì)他的唯一要求就是它必須有定義，即給定一組解都可以算出一個(gè)對(duì)應(yīng)的F?？梢姳締栴}就是要找使。3、 輪胎硫化優(yōu)化3.1問題描述以提高輪胎硫化程度均勻性為目標(biāo)，運(yùn)用ABAQUS軟件對(duì)11. 00R22.5 載重子午線輪胎建立了硫化仿真有限元模型，結(jié)合輪胎硫化實(shí)際過程進(jìn)行了溫度場(chǎng)仿真分析。在溫度場(chǎng)分析基礎(chǔ)上，

4、利用阿累尼烏斯方程計(jì)算輪胎硫化程度。利用正交試驗(yàn)設(shè)計(jì)、神經(jīng)網(wǎng)絡(luò)和遺傳算法等優(yōu)化技術(shù)，建立了輪胎硫化數(shù)值優(yōu)化設(shè)計(jì)方法。對(duì)輪胎硫化過程中以外溫蒸汽邊界條件為設(shè)計(jì)變量對(duì)輪胎硫化程度均勻性進(jìn)行優(yōu)化，使輪胎硫化程度均勻性和硫化時(shí)間均得到改善。3.2 優(yōu)化模型的建立3.2.1設(shè)計(jì)變量的選取輪胎硫化后的性能與硫化程度有著直接的關(guān)系，硫化程度受外溫蒸汽的影響較大。選取外溫蒸汽變化歷程作為設(shè)計(jì)變量。3.2.2目標(biāo)函數(shù)的選取 根據(jù)硫化的實(shí)際情況，可以從膠料硫化程度的均勻性來評(píng)估，硫化程度均勻性可以用硫化程度的偏度值來表征，即 （2）式中為第i 個(gè)節(jié)點(diǎn)的硫化結(jié)束時(shí)的硫化程度(由三維有限元分析得出)；n為輪胎斷面節(jié)點(diǎn)

5、個(gè)數(shù)；為斷面所有節(jié)點(diǎn)的硫化程度的平均值。目前，輪胎企業(yè)為節(jié)約能源減少成本，提高生產(chǎn)效率，在硫化均勻性較好的情況下盡量減少硫化時(shí)間。故選取斷面硫化均勻程度作為優(yōu)化的目標(biāo)函數(shù)，盡可能縮短硫化時(shí)間。3.2.3 優(yōu)化數(shù)學(xué)模型圖1為硫化模具外部蒸汽的溫度歷程,T1，T2 為蒸汽溫度，t1，t2 為時(shí)間。圖1 外溫蒸汽歷程輪胎硫化優(yōu)化的數(shù)學(xué)模型為： （3）式中f(x)為硫化程度的偏度值；T1H，T1L是T1的上下邊界值；T2H，T2L是T2的上下邊界值；t1的上下邊界值為t1H，t1L ；t2的上下邊界值為t2H，t2L 。3.3 優(yōu)化過程3.3.1正交試驗(yàn)設(shè)計(jì) 利用正交試驗(yàn)設(shè)計(jì)方法選用正交表L9( 34

6、)安排試驗(yàn)方案。T1408. 15418.15 K 之間選取,T2在424.15434.15 K 之間選取，t1在9601160s之間選取，t2在24802680s之間選取將各因素的水平數(shù)取為3,將選定的范圍分為3等份，即可得到各因素的水平取值。3.3.2數(shù)值擬合徑向基函數(shù)( RBF) 網(wǎng)絡(luò)是以函數(shù)逼近理論為基礎(chǔ)而構(gòu)造的一類前向網(wǎng)絡(luò)，這類網(wǎng)絡(luò)的學(xué)習(xí)等價(jià)于在多維空間中尋找訓(xùn)練數(shù)據(jù)的最佳擬合平面。徑向基函數(shù)網(wǎng)絡(luò)的每個(gè)隱含層神經(jīng)元傳遞函數(shù)都構(gòu)成了擬合平面的一個(gè)基函數(shù)。徑向基函數(shù)網(wǎng)絡(luò)與BP 網(wǎng)絡(luò)相比規(guī)模通常較大，但學(xué)習(xí)速度較快，并且網(wǎng)絡(luò)的函數(shù)逼近能力優(yōu)于后者。故采用RBF 網(wǎng)絡(luò)來擬合外溫蒸汽歷程和硫化

7、程度的偏度值之間的映射關(guān)系。為了提高神經(jīng)網(wǎng)絡(luò)的泛化能力，將樣本數(shù)據(jù)分為訓(xùn)練集和測(cè)試集。訓(xùn)練集用于訓(xùn)練網(wǎng)絡(luò)，使網(wǎng)絡(luò)按照學(xué)習(xí)算法調(diào)節(jié)結(jié)構(gòu)參數(shù)，以達(dá)到學(xué)習(xí)的目的；測(cè)試集則是用于評(píng)價(jià)已訓(xùn)練好的網(wǎng)絡(luò)性能。提取9組樣本點(diǎn)中的任意8 組樣本點(diǎn)作為訓(xùn)練樣本，剩下的1組樣本點(diǎn)作為測(cè)試樣本。3.3.3優(yōu)化搜索遺傳算法是一種借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)搜索算法。它與傳統(tǒng)的算法不同，大多數(shù)古典的優(yōu)化算法是基于一個(gè)單一的度量函數(shù)(評(píng)估函數(shù)) 的梯度或較高次統(tǒng)計(jì)，以產(chǎn)生一個(gè)確定性的試驗(yàn)解序列；遺傳算法不依賴于梯度信息，而是通過模擬自然進(jìn)化過程來搜索最優(yōu)解。遺傳算法通過有組織、隨機(jī)的信息交換來重新組合適應(yīng)性好的串

8、，生成新的串的群體。根據(jù)建立的優(yōu)化模型，采用遺傳算法進(jìn)行優(yōu)化求解。取搜索精度為1×10 6，種群大小為50，交叉概率為0.25，變異概率為0. 09，遺傳代數(shù)為50搜索過程如圖3 所示，經(jīng)過50代進(jìn)化之后，可以確定輪胎硫化偏度值較小時(shí)對(duì)應(yīng)的1 組設(shè)計(jì)變量為： 408. 79，1 136. 10，431. 91，2 506. 70T 圖2 遺傳算法搜索過程4、 結(jié)果分析與討論采用搜尋出的最優(yōu)解對(duì)外溫蒸汽邊界條件進(jìn)行修改并進(jìn)行了有限元重分析，圖3為原始的蒸汽邊界和優(yōu)化了的蒸汽邊界對(duì)比。圖3 蒸汽邊界對(duì)比結(jié)果表明:原始外溫蒸汽條件下輪胎斷面硫化程度偏度值為0. 6994，優(yōu)化后的偏度值為0.4216，可見優(yōu)化后的硫化程度更加均勻，輪胎性能有所提高; 優(yōu)化后的輪胎沒有欠硫和嚴(yán)重過硫，