CN107871034A - 基于变尺度教与学算法的公差分配多目标优化设计方法 - Google Patents
基于变尺度教与学算法的公差分配多目标优化设计方法 Download PDFInfo
- Publication number
- CN107871034A CN107871034A CN201710867246.2A CN201710867246A CN107871034A CN 107871034 A CN107871034 A CN 107871034A CN 201710867246 A CN201710867246 A CN 201710867246A CN 107871034 A CN107871034 A CN 107871034A
- Authority
- CN
- China
- Prior art keywords
- tolerance
- function
- constraint
- learning
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000013461 design Methods 0.000 title claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000005265 energy consumption Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000003754 machining Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000007514 turning Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明所涉及的是一种基于变尺度教与学算法的公差分配多目标优化设计方法,通过分析,确定以制造成本、质量损失和加工过程能耗为目标函数,建立基于成本、质量和能耗的公差分配多目标优化函数模型;使用违背度函数法处理模型约束,对初始种群进行分组并计算组内最优解;在“教”阶段,采用DFP变尺度法对组内最优解加强局部搜索,保证学生解向教师学习;在“学”阶段,采用有向学习策略,引导学生向组内最优学生学习,使学习具有一定方向性;最后采用AHP层次分析法得到一组公差分配多目标解并偏好决策。
Description
技术领域
本发明涉及一种机械公差分配多目标优化设计方法,尤其涉及一种基于变尺度教与学算法的公差分配多目标优化设计方法。属于数字化测量与计算机应用领域。
背景技术
公差设计对产品和产品质量有着及其重要的影响。在传统公差设计中,公差值主要依靠设计者经验给出,难以保证产品精度和成本要求。公差分配是公差设计的重要组成部分,其主要是研究在满足装配目标的前提下,对尺寸链中各组成部分进行合理的分配。随着计算机辅助技术的发展,公差优化模型与优化算法已成为公差设计的重点。随着精密制造技术的发展,传统公差优化模型基于成本和质量作为目标已不能满足要求,在“节能减排”的大背景下,制造过程中的能耗优化问题越来越突出。
教与学算法(TLBO)是Rao等在2012年被提出的一种新型优化算法,具有参数少、求解速度快、精度高等特点。TLBO模拟教师给学生教学过程和学生的学习过程。该算法通过教师的“教”和学生之间的相互“学”来提高学习成绩。近期一些学者将TLBO用于多目标优化问题,取得了较好的结果。
DFP变尺度局部搜索法是牛顿法的一种改进算法,DFP法既克服了牛顿法的二阶导数矩阵及其逆矩阵的繁琐计算,又避免了梯度法在接近极值点时收敛速度慢的缺点;该算法可以快速获取全局最优解,是求解优化问题最有效算法之一。
发明内容
本发明是在现有技术基础上,提出基于变尺度教与学算法的公差分配多目标优化设计方法,建立公差分配的成本、质量与能耗目标数学模型,采用变尺度教与学智能优化算法求解,进一步进行公差优化分配。
本发明的技术方案为:基于变尺度教与学算法的公差分配多目标优化设计方法,包括以下步骤:
步骤1、公差分配多目标优化模型建模
基于变尺度教与学算法的公差分配多目标优化模型建模由成本模型、质量损失函数模型和加工能耗损失模型组成;其中,minf1为加工成本最小,minf2为最小质量损失,minf3为加工能耗最小损失,f1、f2和f3分别为因变量函数,ti、ki T0为自变量因子;
采用负平方模型建立成本公差函数,其中,Ai、Bi为已知参数,Ai>0,Bi>0,i=(1,2..n),ti为线性尺寸链中第i个组成环的公差,在零件加工过程中,包含n道工序,第i道工序的工序总成本为fi,根据第i道工序总成本和第i道工序尺寸公差为参数进行建模,其中,minf1为最小加工成本函数,Ai为固定制造成本,Bi为生产尺寸公差为Δi时的制造成本;函数体现每道工序成本与公差的关系,
采用田口质量损失模型建立质量损失函数,其中,ki为第i个组成环的质量损失常数,i=(1,2..n),ti为线性尺寸链中第i个组成环的公差;
零件加工过程会消耗能源,公差优化设计时零部件加工过程中能耗问题,全部n个组成环的加工能耗之和损失模型如公式(3),其中,Ai,Bi为已知参数,Ai>0,Bi>0,i=(1,2..n),Ri表示组成环i在加工过程中单位时间内的加工能耗,ti为线性尺寸链中第i个组成环的公差,λi为传递系数,T0为封闭环公差,ki为第i个组成环传递系数;
步骤2、建立模型约束
建立模型约束条件是为了满足函数自变量符合实际应用的范围,使得所求解为可行解;采用加工能力约束和尺寸链功能约束,加工能力约束对装配尺寸链进行公差分配时需考虑公差的取值限制,即各组成环的公差不能超过实际加工能力;尺寸链功能约束即在对装配公差优化分配时考虑的约束条件;
加工能力约束,其各组成环的公差不能超过实际加工能力,约束如(4)式,其中tmin为第i个组成环的最小加工能力公差,tmax为第i个组成环的最大加工能力公差,
tmin≤ti≤tmax (4)
尺寸链功能约束如(5)式,其中,t0为封闭环公差,ti为线性尺寸链中第i个组成环的公差,ki为第i个组成环传递系数,k0为封闭环传递系数;
步骤3、约束条件的违背度函数处理方法
约束条件的违背度函数处理方法是将约束中的等式及不等式约束条件,转换为目标优化函数,即由上述3目标优化问题转换为多目标优化问题,约束条件的违背度函数定义如下,其中gc(xt)为第c个不等式约束;hk(xt)为第k个等式约束;p为不等式约束个数;q为等式约束个数,
W的值越大表示xt的可行性越差,W=0表示当前点xt为可行解,因此处理约束(4)、(5),计算其违背度函数,并转换为目标函数;
步骤4、分组,将初始种群P分为M组,计算每小组适应度值最大的学生记为Xteacher;
步骤5、“教”阶段
每个学生根据教师位置与组内平均位置的差别进行学***均解,组内每个学生按照(8)式更新自己位置,形成新的种群;其中,为新解,为原解,ri为学习步长,为0-1的随机数,TFi为学习因子,数值为2;
TFi=round[1+rand(0,1)] (8)
步骤6、DFP变尺度局部搜索法,原始“教与学”算法缺乏教师学习机制,即没有对教师Xteacher所在空间加强局部搜索;DFP法是把牛顿法与梯度法相结合,将Hesse矩阵的逆矩阵[▽2f(xk)]-1由不含二阶导数的矩阵Hk取代,然后沿方向Sk=-Hkgk做一维搜索,具体如下:
(1)设初始点和计算精度ε=0.0001;
(2)设变尺度矩阵初值为n阶单位矩阵,另
(3)求搜索方向和最优步长
(4)求下一迭代点并进行搜索,
(5)判断是否满足精度若满足则停止迭代,输出结果;
(6)当k=n,转(2);
(7)当k<n,计算 令k=k+1,转(3);
步骤7、“学”阶段,区别于原始TLBO算法随机选择学生进行比较,我们在每个学生组内选择组内最优个体Xteacher作为学习对象,比较自己和其他学员差异,进行有向学习,使得小组内的学生不再随机学习,而是向组内适应度值最优的Xteacher学习,使得进化具有一定方向性,逐渐向最优值逼近,从而提高算法收敛速度和精度,如果f(Xi)优于f(Xteacher),则
否则
步骤8、判断终止条件,迭代次数是否满足最大迭代次数,如果满足,则计算终止,如果没有满足,则返回步骤5;设最大迭代次数Iter,当当前迭代次数没有到达Iter时,程序返回步骤5继续执行到步骤7,当当前迭代次数满足Iter时,程序跳出循环,向下一步步骤9运行;
步骤9、迭代终止后的适应度函数值为一组公差分配多目标Pareto解,算法流程如图1所示,算法Pareto解图如图2所示;
步骤10、AHP(层次分析法)决策,层次分析法采用逐级细化,层次比较的方式,确定权值,最后根据层次结构进行合成,形成各因素对于总目标的权值;将步骤9求出的解作为方案层,将目标函数所得值作为准则层,将确定的最后结果作为目标层,最后根据目标层层次总排序,得到权重最大组,即为最终结果。
有益效果:本发明建立公差分配的成本、质量与能耗目标数学模型,采用变尺度教与学智能优化算法求解,能有效优化公差分配,保证零件的精度,提高产品的质量,具有广阔的应用前景。
附图说明
图1是算法流程图。
图2是算法的Pareto解图。
具体实施方式
为了更加清晰具体的表达本发明的设计方案和优点,下述过程将结合附图对整个评定的方案流程进行详细的描述。
本发明一种基于变尺度教与学算法的公差分配多目标优化设计方法,包括以下步骤:
步骤1、公差分配多目标优化模型建模
采用负平方模型建立成本公差函数,其中,Ai,Bi为已知参数,Ai>0,Bi>0,i=(1,2..n),ti为线性尺寸链中第i个组成环的公差,
采用田口质量损失模型建立质量损失函数,其中,ki为第i个组成环的质量损失常数,i=(1,2..n),ti为线性尺寸链中第i个组成环的公差;
全部n个组成环的加工能耗之和损失模型如公式(3),其中,Ai,Bi为已知参数,Ai>0,Bi>0,i=(1,2..n),Ri表示组成环i在加工过程中单位时间内的加工能耗,ti为线性尺寸链中第i个组成环的公差,λi为传递系数,T0为封闭环公差,ki为第i个组成环传递系数;
步骤2、建立模型约束
加工能力约束,其各组成环的公差不能超过实际加工能力,约束如(4)式,其中tmin为第i个组成环的最小加工能力公差,tmax为第i个组成环的最大加工能力公差,
tmin≤ti≤tmax (4)
尺寸链功能约束如(5)式,其中,t0为封闭环公差,ti为线性尺寸链中第i个组成环的公差,ki为第i个组成环传递系数,k0为封闭环传递系数;
步骤3、约束条件的违背度函数处理方法。约束条件的违背度函数定义如下,其中gc(xt)为第c个不等式约束;hk(xt)为第k个等式约束;p为不等式约束个数;q为等式约束个数,
W的值越大表示xt的可行性越差,W=0表示当前点xt为可行解,因此处理约束(4),(5),计算其违背度函数,并转换为目标函数;
步骤4、分组,将初始种群P分为M组,计算每小组适应度值最大的学生记为Xteacher;
步骤5、“教”阶段
每个学生根据教师位置与组内平均位置的差别进行学***均解,组内每个学生按照(8)式更新自己位置,形成新的种群;
TFi=round[1+rand(0,1)] (8)
步骤6、DFP变尺度局部搜索法,原始“教与学”算法缺乏教师学习机制,即没有对教师Xteacher所在空间加强局部搜索;DFP法是把牛顿法与梯度法相结合,将Hesse矩阵的逆矩阵[▽2f(xk)]-1由不含二阶导数的矩阵Hk取代,然后沿方向Sk=-Hkgk做一维搜索,具体如下:
(1)设初始点和计算精度ε=0.0001;
(2)设变尺度矩阵初值为n阶单位矩阵,另
(3)求搜索方向和最优步长
(4)求下一迭代点并进行搜索,
(5)判断是否满足精度若满足则停止迭代,输出结果;
(6)当k=n,转(2);
(7)当k<n,计算 令k=k+1,转(3);
步骤7、“学”阶段,区别于原始TLBO算法随机选择学生进行比较,我们在每个学生组内选择组内最优个体Xteacher作为学习对象,比较自己和其他学员差异,进行有向学习,使得小组内的学生不再随机学习,而是向组内适应度值最优的Xteacher学习,使得进化具有一定方向性,逐渐向最优值逼近,从而提高算法收敛速度和精度,如果f(Xi)优于f(Xteacher),则
否则
步骤8、判断终止条件,迭代次数是否满足最大迭代次数,如果满足,则计算终止,如果没有满足,则返回步骤5;
步骤9、迭代终止后的适应度函数值为一组公差分配多目标Pareto解,算法流程如图1所示,算法Pareto解图如图2所示;图2为求解三目标函数成本公差函数f1,质量损数f2和加工能耗损失模型f3,图示圆点为所求解Pareto集合,表示为:其中F(x)为Pareto集合解集,x*为最优解,Xf为一组满足约束条件的可行解,为x支配x*;其中最优解可根据实际优化结果比较,进行最终偏好决策;
步骤10、AHP(层次分析法)决策,层次分析法采用逐级细化,层次比较的方式,确定权值,最后根据层次结构进行合成,形成各因素对于总目标的权值;将步骤9求出的解作为方案层,将目标函数所得值作为准则层,将确定的最后结果作为目标层,最后根据目标层层次总排序,得到权重最大组,即为最终结果。
以上所述,仅为本发明教优的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭示的技术范围内,可轻易想到的变化和替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (1)
1.基于变尺度教与学算法的公差分配多目标优化设计方法,包括以下步骤:
步骤1、公差分配多目标优化模型建模
基于变尺度教与学算法的公差分配多目标优化模型建模由成本模型、质量损失函数模型和加工能耗损失模型组成;其中,minf1为加工成本最小,minf2为最小质量损失,minf3为加工能耗最小损失,f1、f2和f3分别为因变量函数,ti、ki T0为自变量因子;
采用负平方模型建立成本公差函数,其中,Ai、Bi为已知参数,Ai>0,Bi>0,i=(1,2..n),ti为线性尺寸链中第i个组成环的公差,在零件加工过程中,包含n道工序,第i道工序的工序总成本为fi,根据第i道工序总成本和第i道工序尺寸公差为参数进行建模,其中,minf1为最小加工成本函数,Ai为固定制造成本,Bi为生产尺寸公差为Δi时的制造成本;函数体现每道工序成本与公差的关系,
<mrow>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<msup>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
采用田口质量损失模型建立质量损失函数,其中,ki为第i个组成环的质量损失常数,i=(1,2..n),ti为线性尺寸链中第i个组成环的公差;
<mrow>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<msup>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mn>4</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
零件加工过程会消耗能源,公差优化设计时零部件加工过程中能耗问题,全部n个组成环的加工能耗之和损失模型如公式(3),其中,Ai,Bi为已知参数,Ai>0,Bi>0,i=(1,2..n),Ri表示组成环i在加工过程中单位时间内的加工能耗,ti为线性尺寸链中第i个组成环的公差,λi为传递系数,T0为封闭环公差,ki为第i个组成环传递系数;
<mrow>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<msubsup>
<mi>k</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<msubsup>
<mi>k</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
<mo>&rsqb;</mo>
</mrow>
<msubsup>
<mi>T</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤2、建立模型约束
建立模型约束条件是为了满足函数自变量符合实际应用的范围,使得所求解为可行解;采用加工能力约束和尺寸链功能约束,加工能力约束对装配尺寸链进行公差分配时需考虑公差的取值限制,即各组成环的公差不能超过实际加工能力;尺寸链功能约束即在对装配公差优化分配时考虑的约束条件;
加工能力约束,其各组成环的公差不能超过实际加工能力,约束如(4)式,其中tmin为第i个组成环的最小加工能力公差,tmax为第i个组成环的最大加工能力公差,
tmin≤ti≤tmax (4)
尺寸链功能约束如(5)式,其中,t0为封闭环公差,ti为线性尺寸链中第i个组成环的公差,ki为第i个组成环传递系数,k0为封闭环传递系数;
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<msup>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>&le;</mo>
<msup>
<msub>
<mi>k</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
<msup>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤3、约束条件的违背度函数处理方法
约束条件的违背度函数处理方法是将约束中的等式及不等式约束条件,转换为目标优化函数,即由上述3目标优化问题转换为多目标优化问题,约束条件的违背度函数定义如下,其中gc(xt)为第c个不等式约束;hk(xt)为第k个等式约束;p为不等式约束个数;q为等式约束个数,
<mrow>
<mi>W</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>max</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>g</mi>
<mi>c</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>h</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
W的值越大表示xt的可行性越差,W=0表示当前点xt为可行解,因此处理约束(4)、(5),计算其违背度函数,并转换为目标函数;
步骤4、分组,将初始种群P分为M组,计算每小组适应度值最大的学生记为Xteacher;
步骤5、“教”阶段
每个学生根据教师位置与组内平均位置的差别进行学***均解,组内每个学生按照(8)式更新自己位置,形成新的种群;
其中,为新解,为原解,ri为学习步长,为0-1的随机数,TFi为学习因子,数值为2;
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&lsqb;</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>D</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>S</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mi>e</mi>
<mi>a</mi>
<mi>c</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>TF</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
TFi=round[1+rand(0,1)] (8)
步骤6、DFP变尺度局部搜索法,原始“教与学”算法缺乏教师学习机制,即没有对教师Xteacher所在空间加强局部搜索;DFP法是把牛顿法与梯度法相结合,将Hesse矩阵的逆矩阵[▽2f(xk)]-1由不含二阶导数的矩阵Hk取代,然后沿方向Sk=-Hkgk做一维搜索,具体如下:
(1)设初始点和计算精度ε=0.0001;
(2)设变尺度矩阵初值为n阶单位矩阵,另
(3)求搜索方向和最优步长
(4)求下一迭代点并进行搜索,
(5)判断是否满足精度若满足则停止迭代,输出结果;
(6)当k=n,转(2);
(7)当k<n,计算 令k=k+1,转(3);
步骤7、“学”阶段,区别于原始TLBO算法随机选择学生进行比较,我们在每个学生组内选择组内最优个体Xteacher作为学习对象,比较自己和其他学员差异,进行有向学习,使得小组内的学生不再随机学习,而是向组内适应度值最优的Xteacher学习,使得进化具有一定方向性,逐渐向最优值逼近,从而提高算法收敛速度和精度,如果
f(Xi)优于f(Xteacher),则
<mrow>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mrow>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mi>e</mi>
<mi>a</mi>
<mi>c</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
否则
<mrow>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mrow>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mi>e</mi>
<mi>a</mi>
<mi>c</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤8、判断终止条件,迭代次数是否满足最大迭代次数,如果满足,则计算终止,如果没有满足,则返回步骤5;设最大迭代次数Iter,当当前迭代次数没有到达Iter时,程序返回步骤5继续执行到步骤7,当前迭代次数满足Iter时,程序跳出循环,向下一步步骤9运行;
步骤9、迭代终止后的适应度函数值为一组公差分配多目标Pareto解,其中最优解可根据实际优化结果比较,进行最终偏好决策;
步骤10、AHP(层次分析法)决策,层次分析法采用逐级细化,层次比较的方式,确定权值,最后根据层次结构进行合成,形成各因素对于总目标的权值;将步骤9求出的解作为方案层,将目标函数所得值作为准则层,将确定的最后结果作为目标层,最后根据目标层层次总排序,得到权重最大组,即为最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710867246.2A CN107871034A (zh) | 2017-09-22 | 2017-09-22 | 基于变尺度教与学算法的公差分配多目标优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710867246.2A CN107871034A (zh) | 2017-09-22 | 2017-09-22 | 基于变尺度教与学算法的公差分配多目标优化设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107871034A true CN107871034A (zh) | 2018-04-03 |
Family
ID=61754902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710867246.2A Pending CN107871034A (zh) | 2017-09-22 | 2017-09-22 | 基于变尺度教与学算法的公差分配多目标优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107871034A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147888A (zh) * | 2018-10-25 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 基于教与学算法求解多目标优化问题的方法、装置和设备 |
CN113743012A (zh) * | 2021-09-06 | 2021-12-03 | 山东大学 | 一种多用户场景下的云-边缘协同模式任务卸载优化方法 |
CN114692562A (zh) * | 2022-03-16 | 2022-07-01 | 北京理工大学 | 一种高精度混合动态优先级多目标优化方法 |
CN115062413A (zh) * | 2022-06-20 | 2022-09-16 | 中国重汽集团济南动力有限公司 | 一种适用于整车装配质量控制的工艺方案优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6968527B2 (en) * | 2000-09-29 | 2005-11-22 | Synopsys Inc. | High yield reticle with proximity effect halos |
US20120059614A1 (en) * | 2008-03-25 | 2012-03-08 | Kazuhiro Kashiwakura | Apparatus, method and program for design validity verification of electronic circuit board with regard to power supply noise suppression |
CN102662356A (zh) * | 2012-03-30 | 2012-09-12 | 宁波腾工精密机械制造有限公司 | 一种送料机构公差优化方法 |
CN104008248A (zh) * | 2014-06-04 | 2014-08-27 | 广西大学 | 基于高斯过程的注塑成形工艺稳健设计与容差设计方法 |
CN106960101A (zh) * | 2017-03-28 | 2017-07-18 | 上海大学 | 一种基于质量损失和成本最小化的装配公差优化方法 |
-
2017
- 2017-09-22 CN CN201710867246.2A patent/CN107871034A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6968527B2 (en) * | 2000-09-29 | 2005-11-22 | Synopsys Inc. | High yield reticle with proximity effect halos |
KR100668192B1 (ko) * | 2000-09-29 | 2007-01-11 | 뉴메리컬 테크날러지즈 인코퍼레이티드 | 고수율의 레티클 형성 방법 |
US20120059614A1 (en) * | 2008-03-25 | 2012-03-08 | Kazuhiro Kashiwakura | Apparatus, method and program for design validity verification of electronic circuit board with regard to power supply noise suppression |
CN102662356A (zh) * | 2012-03-30 | 2012-09-12 | 宁波腾工精密机械制造有限公司 | 一种送料机构公差优化方法 |
CN104008248A (zh) * | 2014-06-04 | 2014-08-27 | 广西大学 | 基于高斯过程的注塑成形工艺稳健设计与容差设计方法 |
CN106960101A (zh) * | 2017-03-28 | 2017-07-18 | 上海大学 | 一种基于质量损失和成本最小化的装配公差优化方法 |
Non-Patent Citations (6)
Title |
---|
于涛 等: ""基于粒子群算法的公差分配优化方法"", 《工具技术》 * |
刘少岗 等: ""考虑制造过程资源环境特性的公差设计"", 《计算机集成制造***》 * |
王培崇 等: ""嵌入共轭梯度的二次学习教与学优化算法"", 《计算机科学与探索》 * |
王维刚 等: ""求解混合变量约束优化问题的改进粒子群算法"", 《***仿真学报》 * |
郑龙: ""集成加工作业选择与公差分配的智能优化方法及应用"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
陈伟峰: ""基于改进NSGA-II算法的车身公差分配研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147888A (zh) * | 2018-10-25 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 基于教与学算法求解多目标优化问题的方法、装置和设备 |
CN110147888B (zh) * | 2018-10-25 | 2023-06-20 | 腾讯科技(深圳)有限公司 | 基于教与学算法求解多目标优化问题的方法、装置和设备 |
CN113743012A (zh) * | 2021-09-06 | 2021-12-03 | 山东大学 | 一种多用户场景下的云-边缘协同模式任务卸载优化方法 |
CN113743012B (zh) * | 2021-09-06 | 2023-10-10 | 山东大学 | 一种多用户场景下的云-边缘协同模式任务卸载优化方法 |
CN114692562A (zh) * | 2022-03-16 | 2022-07-01 | 北京理工大学 | 一种高精度混合动态优先级多目标优化方法 |
CN114692562B (zh) * | 2022-03-16 | 2024-05-24 | 北京理工大学 | 一种高精度混合动态优先级多目标优化方法 |
CN115062413A (zh) * | 2022-06-20 | 2022-09-16 | 中国重汽集团济南动力有限公司 | 一种适用于整车装配质量控制的工艺方案优化方法 |
CN115062413B (zh) * | 2022-06-20 | 2024-07-16 | 中国重汽集团济南动力有限公司 | 一种适用于整车装配质量控制的工艺方案优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871034A (zh) | 基于变尺度教与学算法的公差分配多目标优化设计方法 | |
CN105427241B (zh) | 一种大视场显示设备的畸变校正方法 | |
CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN105893694A (zh) | 一种基于重采样粒子群优化算法的复杂***设计方法 | |
CN110110380B (zh) | 一种压电执行器迟滞非线性建模方法及应用 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及*** | |
CN113281993B (zh) | 一种贪心k-均值自组织神经网络多机器人路径规划方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN108805346A (zh) | 一种基于多隐层极限学习机的热连轧轧制力预报方法 | |
CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
CN111222799A (zh) | 一种基于改进粒子群算法的装配序列规划方法 | |
CN106960101A (zh) | 一种基于质量损失和成本最小化的装配公差优化方法 | |
CN108614889B (zh) | 基于混合高斯模型的移动对象连续k近邻查询方法及*** | |
CN106408082A (zh) | 一种基于区域分割的控制方法及*** | |
CN114091304B (zh) | 氢氧气体热源加工船体外板的智能决策方法 | |
CN109359671A (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN104552887B (zh) | 基于自适应粒子群算法的塑料片材机能耗优化方法 | |
CN113935556A (zh) | 一种基于dna遗传算法的温度传感器优化布置方法 | |
Yu-fei et al. | Partial disassembly sequence planning based on Pareto ant colony algorithm | |
CN112183843A (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
Cai et al. | Application of improved wavelet neural network in MBR flux prediction | |
Li et al. | Beijing-Tianjin-Hebei Energy Demand Combination Forecast Analysis | |
Wu et al. | An improved PSO algorithm for community detection | |
Jin-Yue et al. | Research on the non-linear function fitting of RBF neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180403 |
|
WD01 | Invention patent application deemed withdrawn after publication |