CN111950204B - 一种铰链结构的优化方法、装置、计算机设备及存储介质 - Google Patents

一种铰链结构的优化方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111950204B
CN111950204B CN202010814004.9A CN202010814004A CN111950204B CN 111950204 B CN111950204 B CN 111950204B CN 202010814004 A CN202010814004 A CN 202010814004A CN 111950204 B CN111950204 B CN 111950204B
Authority
CN
China
Prior art keywords
opening
target
individual
current
population
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.)
Active
Application number
CN202010814004.9A
Other languages
English (en)
Other versions
CN111950204A (zh
Inventor
刘海龙
单鹏飞
蔡立阳
张晓晶
王思敏
牛锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Jiefang Automotive Co Ltd
Original Assignee
FAW Jiefang Automotive Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Jiefang Automotive Co Ltd filed Critical FAW Jiefang Automotive Co Ltd
Priority to CN202010814004.9A priority Critical patent/CN111950204B/zh
Publication of CN111950204A publication Critical patent/CN111950204A/zh
Application granted granted Critical
Publication of CN111950204B publication Critical patent/CN111950204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Computational Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明实施例公开了一种铰链结构的优化方法、装置、计算机设备及存储介质，包括：建立铰链以及开闭件的多体动力学模型；获取铰链中弹性部件的自变量与开闭件的因变量之间的对应关系；根据对应关系建立神经网络模型，并根据神经网络模型计算不同预变形量对应的开闭力；根据人机工程原理从任意大小的预变形量对应的开闭力中确定目标开闭力；根据铰链中弹性部件的自变量与开闭件的优化目标构建多目标优化遗传算法模型；根据多目标优化遗传算法模型的输出结果确定弹性部件的目标预变形量。本发明实施例的技术方案能够在保证铰链结构通用性的前提下，对铰链结构的应用操作力进行优化，从而提高铰链结构的操作舒适性。

Description

一种铰链结构的优化方法、装置、计算机设备及存储介质
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种铰链结构的优化方法、装置、计算机设备及存储介质。
背景技术
铰链又称合页，用来连接两个固体并允许两者之间做相对转动的机械装置，可以广泛应用于汽车配件及家具等活动件中。
为了提高铰链结构的通用性，使得铰链能够适用于更多的配件或家居中，需要对铰链结构进行通用性设计。例如将铰链的主体部件进行平台化处理，将连接部件进行通用性处理形成通用性连接部件，从而可根据不同应用部件的风格进行组合，如根据不同的车型组合，达到为不同车型组合不同铰链但组合成本较低、设计灵活的效果。或者，通过在铰链上增加不同直径的限位块来实现铰链不同开启角度，进而实现其在不同应用部件的通用。
发明人在实现本发明的过程中，发现现有技术存在如下缺陷：现有对铰链的通用性设计方案并没有考虑铰链通用性设计对操作舒适性的影响。实际上，对于不同的应用部件，铰链连接的活动件自重、操作力作用点与铰链固定点的距离，即操作力力臂不同，会导致新部件操作力难以满足人机工程要求，从而导致舒适度降低，进而降低产品品质。
发明内容
本发明实施例提供一种铰链结构的优化方法、装置、计算机设备及存储介质，实现在保证铰链结构通用性的前提下，对铰链结构的应用操作力进行优化，从而提高铰链结构的操作舒适性。
第一方面，本发明实施例提供了一种铰链结构的优化方法，包括：
建立铰链以及开闭件的多体动力学模型；
获取所述铰链中弹性部件的自变量与所述开闭件的因变量之间的对应关系；其中，所述自变量包括预变形量，所述因变量包括开闭力；
根据所述对应关系建立神经网络模型，并根据所述神经网络模型计算不同预变形量对应的开闭力；
根据人机工程原理从任意大小的预变形量对应的开闭力中确定所述目标开闭力；
根据所述铰链中弹性部件的自变量与所述开闭件的优化目标构建多目标优化遗传算法模型；其中，所述优化目标为所述开闭件的开闭力与所述目标开闭力之间的差值；
根据所述多目标优化遗传算法模型的输出结果确定所述弹性部件的目标预变形量。
第二方面，本发明实施例还提供了一种铰链结构的优化装置，包括：
多体动力学模型建立模块，用于建立铰链以及开闭件的多体动力学模型；
对应关系获取模块，用于获取所述铰链中弹性部件的自变量与所述开闭件的因变量之间的对应关系；其中，所述自变量包括预变形量，所述因变量包括开闭力；
开闭力计算模块，用于根据所述对应关系建立神经网络模型，并根据所述神经网络模型计算不同预变形量对应的开闭力；
目标开闭力确定模块，用于根据人机工程原理从任意大小的预变形量对应的开闭力中确定所述目标开闭力；
遗传算法模型构建模块，用于根据所述铰链中弹性部件的自变量与所述开闭件的优化目标构建多目标优化遗传算法模型；其中，所述优化目标为所述开闭件的开闭力与所述目标开闭力之间的差值；
目标预变形量确定模块，用于根据所述多目标优化遗传算法模型的输出结果确定所述弹性部件的目标预变形量。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的铰链结构的优化方法。
第四方面，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的铰链结构的优化方法。
本发明实施例通过建立铰链以及开闭件的多体动力学模型，以获取铰链中弹性部件的预变形量与所述开闭件的开闭力之间的对应关系，并根据对应关系建立神经网络模型，以计算不同预变形量对应的开闭力。然后，根据人机工程原理从任意大小的预变形量对应的开闭力中确定目标开闭力，以根据铰链中弹性部件的预变形量与开闭件的优化目标构建多目标优化遗传算法模型，从而根据多目标优化遗传算法模型的输出结果确定弹性部件的目标预变形量。目标预变形量也即最理想的预变形量，可以使得铰链中的弹性部件设置最优的预变形量，从而提高铰链结构的操作舒适性，解决了现有铰链结构通用性设计方案存在的无法满足铰链结构操作舒适性的问题，实现在保证铰链结构通用性的前提下，对铰链结构的应用操作力进行优化，从而提高铰链结构的操作舒适性。
附图说明
图1是本发明实施例一提供的一种铰链结构的优化方法的流程图；
图2是本发明实施例一提供的一种铰链及开闭件的连接效果示意图；
图3是本发明实施例二提供的一种铰链结构的优化方法的流程图；
图4是本发明实施例三提供的一种铰链结构的优化装置的示意图；
图5为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例的说明书和权利要求书及附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
实施例一
图1是本发明实施例一提供的一种铰链结构的优化方法的流程图，本实施例可适用于在保证铰链结构通用性的前提下提高铰链结构的操作舒适性的情况，该方法可以由铰链结构的优化装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在计算机设备中。相应的，如图1所示，该方法包括如下操作：
S110、建立铰链以及开闭件的多体动力学模型。
其中，开闭件可以是应用于各种设备或家居的组件，如汽车开闭件，包括但不限于发动机盖、车身的天窗、车门和行李箱盖等。或者，开闭件还可以是家具开闭件，包括但不限于门、窗和柜门等。本发明实施例并不对开闭件的具体类型进行限定。
由于铰链通常与开闭件组合使用，因此，本发明实施例中，可以建立铰链以及开闭件之间的多体动力学模型，从而利用开闭件的开闭力对铰链结构进行优化。
在本发明的一个可选实施例中，所述建立铰链以及开闭件的多体动力学模型，可以包括：建立所述铰链以及所述开闭件的开闭过程模型，作为所述多体动力学模型。
在一个具体的例子中，可以建立铰链与新车型连接件(如车门或箱盖)的开闭过程模型，从而利用铰链以及开闭件的开闭过程模型，实现对应用于新车型连接件的铰链结构进行优化。
S120、获取所述铰链中弹性部件的自变量与所述开闭件的因变量之间的对应关系；其中，所述自变量包括预变形量，所述因变量包括开闭力。
可选的，弹性部件可以是各种类型的弹簧。相应的，预变形量可以是弹簧的预压缩量。弹性部件的数量可以是一个也可以是多个，本发明实施例并不对铰链中弹性部件的数量进行限定。开闭力可以包括开启力和关闭力两种不同类型的力。
相应的，在建立了铰链以及开闭件的多体动力学模型之后，可以根据建立的多体动力学模型获取铰链中弹性部件的预变形量与开闭件的开闭力之间的对应关系。在该对应关系中，预变形量为自变量，开闭力为因变量。对应关系的数量可以根据实际需求设定，如100组对应关系等。可以理解的是，对应关系的数量越多，对于后续神经网络模型的训练结果越可靠，神经网络模型的准确率越高。
S130、根据所述对应关系建立神经网络模型，并根据所述神经网络模型计算不同预变形量对应的开闭力。
相应的，获取到多组预变形量与开闭力之间的对应关系后，可以根据获取的对应关系对神经网络模型训练。神经网络模型训练成功后，即可利用训练成功的神经网络模型计算不同预变形量对应的开闭力。
S140、根据人机工程原理从任意大小的预变形量对应的开闭力中确定目标开闭力。
其中，人机工程学是一门多学科的交叉学科，研究的核心问题是不同的作业中人、机器及环境三者间的协调。目标开闭力可以是最优开闭力。
在本发明实施例中，为了使得铰链结构能够满足人机工程条件，在通过神经网络模型计算得到任意大小的预变形量对应的开闭力后，可以进一步根据人机工程原理从任意大小的预变形量对应的开闭力中确定最优开闭力作为目标开闭力。
S150、根据所述铰链中弹性部件的自变量与所述开闭件的优化目标构建多目标优化遗传算法模型；其中，所述优化目标为所述开闭件的开闭力与所述目标开闭力之间的差值。
S160、根据所述多目标优化遗传算法模型的输出结果确定所述弹性部件的目标预变形量。
其中，目标预变形量也即最理想的预变形量。铰链结构中的弹性部件采用目标预变形量可以提高铰链结构的操作舒适性。
在本发明实施例中，根据人机工程原理确定了目标开闭力后，可以以开闭件的开闭力与目标开闭力之间的差值作为优化目标，并根据建立的优化目标与铰链中弹性部件的预变形量构建多目标优化遗传算法模型。该多目标优化遗传算法模型可以实现同时对开启力和关闭力的多目标优化。相应的，多目标优化遗传算法模型构建完成后，即可根据多目标优化遗传算法模型的输出结果确定弹性部件最理想的预变形量作为目标预变形量，以实现对铰链结构的优化。
图2是本发明实施例一提供的一种铰链及开闭件的连接效果示意图。在一个具体的例子中，如图2所示，铰链10可以包括第一个弹簧11和第二个弹簧12，并与箱盖20的开闭件相连接，铰链10可以固定于固定面30上。操作者操作箱盖20时，可以对箱盖20实施操作力F，以对箱盖20进行开启或关闭等操作。采用本发明实施例所提供的铰链结构的优化方法可以对铰链10确定两个弹簧最理想的预变形量作为目标预变形量，以实现对铰链结构的优化。
由此可见，上述铰链结构的优化方法无需改变铰链主体结构及弹性部件的规格，只需要调整铰链中弹性部件的预变形量，即可实现对铰链结构的应用操作力进行优化，不仅能够提高铰链结构的操作舒适性，而且还能降低铰链的应用成本。同时，上述铰链结构的优化方法得到的铰链结构还能够满足人机工程要求，可以同时保证铰链结构的通用性和操作舒适性。
本发明实施例通过建立铰链以及开闭件的多体动力学模型，以获取铰链中弹性部件的预变形量与所述开闭件的开闭力之间的对应关系，并根据对应关系建立神经网络模型，以计算不同预变形量对应的开闭力。然后，根据人机工程原理从任意大小的预变形量对应的开闭力中确定目标开闭力，以根据铰链中弹性部件的预变形量与开闭件的优化目标构建多目标优化遗传算法模型，从而根据多目标优化遗传算法模型的输出结果确定弹性部件的目标预变形量。目标预变形量也即最理想的预变形量，可以使得铰链中的弹性部件设置最优的预变形量，从而提高铰链结构的操作舒适性，解决了现有铰链结构通用性设计方案存在的无法满足铰链结构操作舒适性的问题，实现在保证铰链结构通用性的前提下，对铰链结构的应用操作力进行优化，从而提高铰链结构的操作舒适性。
实施例二
图3是本发明实施例二提供的一种铰链结构的优化方法的流程图，本实施例以上述实施例为基础进行具体化，在本实施例中，给出了根据所述铰链中弹性部件的自变量与所述开闭件的优化目标构建多目标优化遗传算法模型的具体实现方式。相应的，如图3所示，本实施例的方法可以包括：
S310、建立铰链以及开闭件的多体动力学模型。
S320、获取所述铰链中弹性部件的自变量与所述开闭件的因变量之间的对应关系。
S330、根据所述对应关系建立神经网络模型，并根据所述神经网络模型计算不同预变形量对应的开闭力。
S340、根据人机工程原理从任意大小的预变形量对应的开闭力中确定所述目标开闭力。
S350、根据所述铰链中弹性部件的自变量与所述开闭件的优化目标构建多目标优化遗传算法模型。
其中，S350具体可以包括下述操作：
S351、初始化所述多目标优化遗传算法模型的第一代种群及所述第一代种群的初始化参数。
在本发明的一个可选实施例中，所述初始化所述多目标优化遗传算法模型的第一代种群及所述第一代种群的初始化参数，可以包括：采用二进制编码，随机生成染色体长度为目标长度，个体数量为目标数量的第一代种群；所述第一代种群的染色体包括设定数量的基因，所述基因表征所述弹性部件的预变形量；计算所述第一代种群个体的平均距离；确定所述第一代种群的交叉概率和变异概率。
其中，目标长度可以根据基因的设定数量设定，基因的设定数量可以根据铰链结构中包括的弹性部件的数量确定，本发明实施例并不对目标长度和设定数量的具体数值进行限定。目标数量同样需求根据实际需求设定，为了保证算法的效果，可以选择目标数量在200-300之间。
在创建多目标优化遗传算法模型时，可以以铰链结构中的弹性部件的特征作为基因特征。种群中的每个个体可以代表一个铰链结构中包括的弹性部件的预压缩量。具体的，首先可以采用二进制编码，随机生成染色体长度为chromlength，个体数量为N的第一代种群。种群中各个体可以包括一个染色体，每个染色体可以包括一个或多个基因。示例性的，假设铰链结构中的弹簧的数量为2，则基因的数量可以为2，分别为第一个弹簧和第二个弹簧的预压缩量。也即，染色体的前二分之一表征第一个弹簧预压缩量的大小，染色体的后二分之一表征第二个弹簧预压缩量的大小。可选的，在计算第一代种群个体的平均距离时，可以计算个体之间欧氏距离的平均距离。可选的，确定第一代种群的交叉概率和变异概率时，可以设置交叉概率为pc，设置变异概率为pm。其中，pc和pm的取值可以根据实际需求设定，如pc＝0.6，pm＝0.005。本发明实施例并不对交叉概率和变异概率的具体数值进行限定。
S352、将所述第一代种群作为当前种群。
S353、计算所述当前种群的适应度。
相应的，在建立第一代种群后，可以开始针对种群进行迭代计算，直至获取最优的种群。具体的，可以将第一代种群作为当前种群，并计算当前种群的适应度。
在本发明的一个可选实施例中，所述计算所述当前种群的适应度，可以包括：根据所述神经网络模型计算所述当前种群中所有个体对应的个体目标值；其中，所述个体目标值为开闭力与目标开闭力的差值的绝对值；将所述个体目标值的倒数作为所述当前种群的适应度。
在本发明实施例中，为了使得开闭力与最优开闭力尽可能接近，可以根据训练好的神经网络模型计算当前种群中所有个体对应的开闭力与最优开闭力的差值的绝对值，开闭力与最优开闭力的差值的绝对值取倒数，作为当前种群的适应度。
示例性的，假设最优开闭力为10N，第一个开闭力为8N，第二个开闭力为9N。相应的，第一个开闭力与最优开闭力的差值的绝对值的倒数为1/2，第二个开闭力与最优开闭力的差值的绝对值的倒数为1。由此可见，由于第二个开闭力与最优开闭力最接近，所以第二个开闭力的适应度值比第一个开闭力的适应度值要大。由此可见，开闭力与最优开闭力越接近，其适应度值越大。
S354、根据所述适应度对所述当前种群进行选择和变异，并对所述当前种群进行交叉，得到更新种群。
其中，更新种群可以是对当前种群进行选择、变异和交叉等操作后得到的新的种群。
在获取到当前种群的适应度后，可以根据适应度开始对当前种群进行选择和变异，并述当前种群进行交叉，从而得到更新种群。
在本发明的一个可选实施例中，所述根据所述适应度对所述当前种群进行选择，可以包括：依次计算所述当前种群中当前个体与其他个体之间的欧式距离；依次选取当前个体在设定距离范围内的适应度值最大的个体作为目标个体；将所述目标个体以及所述目标个体对应的适应度存储在适应度矩阵中；如果所述目标个体为所述当前个体，则将所述当前个体标记其为优秀个体，并将所述优秀个体以及所述优秀个体对应的适应度存储在优秀个体矩阵中。
其中，设定距离范围可以根据实际需求设定，如k1倍平均距离范围，其中，k1的具体取值可以根据实际需求设定，如3等，本发明实施例对此并不进行限制。适应度矩阵可以用于存储选择的目标个体及其对应的适应度。优秀个体矩阵用于存储优秀个体及其适应度。
选择操作用于从当前种群中根据适应度值大小选取个体。经典遗传算法采用轮盘赌方法进行选择，可实现适应度值越大的个体被选择的概率越大。但对于多峰函数，容易陷于局部较优解，进而早熟，无法搜索到全局最优解。在本发明实施例中，采用小生境技术有效避免陷入局部较优解的问题，进而搜索到全局最优解。小生境技术是指将每一代个体划分为若干类，每个类中选出若干适应度较大的个体作为一个类的优秀代表组成一个群，再在种群中交叉，变异产生新一代个体，具体示例如下：
依次计算当前种群中当前个体与其他个体之间的欧式距离。当前个体完成计算后，将下一个个体更新为当前个体，返回执行依次计算当前种群中当前个体与其他个体之间的欧式距离的操作，直至完成对所有个体与其他个体的欧氏距离的计算。然后，同样对所有个体依次遍历计算，依次选取当前个体在其k1倍平均距离范围内的适应度值最大的个体作为目标个体，并将选择的目标个体以及目标个体对应的适应度存储在适应度矩阵中。若目标个体为当前个体本身，则将目标个体标记为优秀个体，并将优秀个体以及优秀个体对应的适应度存储在优秀个体矩阵中。
可以理解的是，种群每更新一次，当前种群对应的适应度矩阵和优秀个体矩阵也会随之更新一次。
在本发明的一个可选实施例中，所述根据所述适应度对所述当前种群进行变异，可以包括：依次计算所述当前种群中当前个体与其他个体之间的欧式距离；依次比较当前个体与设定距离范围内的其他个体的适应度值；如果所述设定距离范围内存在第一数量的个体的适应度超过所述当前个体的适应度，则对当前个体的变异概率增加第一倍数；如果所述设定距离范围内存在第二数量的后续个体与所述当前个体的位置重合，则对当前个体的变异概率增加第二倍数；所述当前个体的变异概率为初始变异概率与新增变异概率的和；如果随机函数的取值小于当前个体的变异概率，则对染色体中的随机基因位置进行变异，并对当前个体的变异概率进行减半，直至所述随机函数的取值大于或等于当前个体的变异概率。
其中，第一数量和第二数量可以根据实际需求设定，本发明实施例并不对第一数量和第二数量的具体数值进行限定。同理，第一倍数和第二倍数也可以根据实际需求设定，本发明实施例并不对第一倍数和第二倍数的具体数值进行限定。随机基因位置可以是染色体中随机选择的一个基因的位置。
在一个具体的实例中，在对当前种群进行变异操作时，可以依次计算当前种群中当前个体与其他个体之间的欧式距离。当前个体完成计算后，将下一个个体更新为当前个体，返回执行依次计算当前种群中当前个体与其他个体之间的欧式距离的操作，直至完成对所有个体与其他个体的欧氏距离的计算。然后，依次比较当前个体与其k1倍平均距离范围内的其他个体的适应度值。如果其k1倍平均距离范围内存在n个个体的适应度超过当前个体的适应度，则对当前个体的变异概率增加n*k2倍数。例如，假设当前种群为第一代种群，且当前个体的初始变异概率为pm，则可以在当前个体的初始变异概率pm的基础上增加n*k2*pm。如果其k1倍平均距离范围内存在m个后续个体(按照个体的排序顺序确定)与当前个体的位置重合，则对当前个体的变异概率增加m*k3倍。例如，假设当前种群为第一代种群，且当前个体的初始变异概率为pm，则可以在当前个体的初始变异概率pm的基础上增加m*k3*pm。其中，k2表示弱势变异系数，表征在特定范围内，若其适应度值小，即该个体处于竞争弱势的情况下，其变异概率增加的幅度。k3表示重合变异系数，表征当有m个次序在其之后的个体与该个体坐标重合的情况下，该个体变异概率增加的幅度。为避免所有重合个体全部增加变异概率，进而全部重合个体大概率发生变异，故规定只有次序在其之后的个体会增加该个体的变异概率，则次序为最末位个体不会增加重合变异概率。
在上述变异操作的基础上，如果随机函数rand的取值小于当前个体的变异概率，则可以对染色体中随机一个基因位置进行变异，并对当前个体的变异概率进行减半，直至随机函数rand的取值大于或等于当前个体的变异概率，跳出该当前个体的编译循环。
在本发明的一个可选实施例中，所述基因的数量为2；所述对所述当前种群进行交叉，可以包括：将第一个基因的末位设置为交叉点；如果随机函数的取值小于交叉概率，则对所述染色体中的基因进行交叉操作。
其中，交叉点可以是对染色体中各基因进行交叉的位置点。
在本发明实施例中，可选的，基因的数量可以为2，也即一条染色体可以包括两个基因。相应的，在对当前种群进行交叉操作时，可以将第一个基因的末位设置为交叉点，并在确定随机函数rand的取值小于交叉概率时，对染色体中的基因进行交叉操作。示例性的，假设个体1的染色体包括基因1和基因2，个体2的染色体包括基因3和基因4，则对个体1和个体2进行交叉操作时，可以是将基因2与基因4相互交叉，得到个体1的染色体包括基因1和基因4，个体2的染色体包括基因3和基因2。需要说明的是，对染色体中基因进行交叉可以是对随机选择的两个个体的染色体中基因进行交叉，也还可以是依次选择两个个体并对其染色体中基因进行交叉，本发明实施例对此并不进行限制。
S355、将在对所述当前种群进行选择时筛选出的优秀个体替换至所述更新种群中。
在本发明实施例中，在对当前种群完成选择、变异和交叉后，可以将在对当前种群进行选择时筛选出的优秀个体替换至更新种群中。也即，使用优秀个体矩阵中的优秀个体依次替换更新种群中适应度最小的个体。
S356、将所述更新种群作为当前种群。
S357、判断多目标优化遗传算法模型的迭代次数是否达到目标迭代次数，若是，则执行S358；否则，返回执行S353。
S358、结束迭代计算过程。
S360、根据所述多目标优化遗传算法模型的输出结果确定所述弹性部件的目标预变形量。
其中，目标迭代次数可以是针对多目标优化遗传算法模型设定的最大迭代次数。
相应的，在当前种群经过选择、变异交叉和优秀个体替换，得到更新种群后，可以将更新种群更新为当前种群，并返回执行计算所述当前种群的适应度的操作，直至多目标优化遗传算法模型的迭代次数达到最大迭代次数，也即得到最优的种群。多目标优化遗传算法模型迭代计算完成后，可以输出最优个体和该最优个体对应的开闭力。计算得到的开闭力接近最优开闭力，最优个体中染色体的基因特征也即弹性部件的最理想的预变形量。
本发明实施例通过建立铰链以及开闭件的多体动力学模型，以获取铰链中弹性部件的预变形量与所述开闭件的开闭力之间的对应关系，并根据对应关系建立神经网络模型，以计算不同预变形量对应的开闭力。然后，根据人机工程原理从任意大小的预变形量对应的开闭力中确定目标开闭力，以根据铰链中弹性部件的预变形量与开闭件的优化目标构建多目标优化遗传算法模型，从而根据多目标优化遗传算法模型的输出结果确定弹性部件的目标预变形量。目标预变形量也即最理想的预变形量，可以使得铰链中的弹性部件设置最优的预变形量，从而提高铰链结构的操作舒适性，解决了现有铰链结构通用性设计方案存在的无法满足铰链结构操作舒适性的问题，实现在保证铰链结构通用性的前提下，对铰链结构的应用操作力进行优化，从而提高铰链结构的操作舒适性。
需要说明的是，以上各实施例中各技术特征之间的任意排列组合也属于本发明的保护范围。
实施例三
图4是本发明实施例三提供的一种铰链结构的优化装置的示意图，如图4所示，所述装置包括：多体动力学模型建立模块410、对应关系获取模块420、开闭力计算模块430、目标开闭力确定模块440、遗传算法模型构建模块450以及目标预变形量确定模块460，其中：
多体动力学模型建立模块410，用于建立铰链以及开闭件的多体动力学模型；
对应关系获取模块420，用于获取所述铰链中弹性部件的自变量与所述开闭件的因变量之间的对应关系；其中，所述自变量包括预变形量，所述因变量包括开闭力；
开闭力计算模块430，用于根据所述对应关系建立神经网络模型，并根据所述神经网络模型计算不同预变形量对应的开闭力；
目标开闭力确定模块440，用于根据人机工程原理从任意大小的预变形量对应的开闭力中确定所述目标开闭力；
遗传算法模型构建模块450，用于根据所述铰链中弹性部件的自变量与所述开闭件的优化目标构建多目标优化遗传算法模型；其中，所述优化目标为所述开闭件的开闭力与所述目标开闭力之间的差值；
目标预变形量确定模块460，用于根据所述多目标优化遗传算法模型的输出结果确定所述弹性部件的目标预变形量。
本发明实施例通过建立铰链以及开闭件的多体动力学模型，以获取铰链中弹性部件的预变形量与所述开闭件的开闭力之间的对应关系，并根据对应关系建立神经网络模型，以计算不同预变形量对应的开闭力。然后，根据人机工程原理从任意大小的预变形量对应的开闭力中确定目标开闭力，以根据铰链中弹性部件的预变形量与开闭件的优化目标构建多目标优化遗传算法模型，从而根据多目标优化遗传算法模型的输出结果确定弹性部件的目标预变形量。目标预变形量也即最理想的预变形量，可以使得铰链中的弹性部件设置最优的预变形量，从而提高铰链结构的操作舒适性，解决了现有铰链结构通用性设计方案存在的无法满足铰链结构操作舒适性的问题，实现在保证铰链结构通用性的前提下，对铰链结构的应用操作力进行优化，从而提高铰链结构的操作舒适性。
可选的，遗传算法模型构建模块450，具体用于初始化所述多目标优化遗传算法模型的第一代种群及所述第一代种群的初始化参数；将所述第一代种群作为当前种群，并计算所述当前种群的适应度；根据所述适应度对所述当前种群进行选择和变异，并对所述当前种群进行交叉，得到更新种群；将在对所述当前种群进行选择时筛选出的优秀个体替换至所述更新种群中；将所述更新种群作为当前种群，返回执行计算所述当前种群的适应度的操作，直至所述多目标优化遗传算法模型的迭代次数达到目标迭代次数。
可选的，遗传算法模型构建模块450，具体用于采用二进制编码，随机生成染色体长度为目标长度，个体数量为目标数量的第一代种群；所述第一代种群的染色体包括设定数量的基因，所述基因表征所述弹性部件的预变形量；计算所述第一代种群个体的平均距离；确定所述第一代种群的交叉概率和变异概率。
可选的，遗传算法模型构建模块450，具体用于根据所述神经网络模型计算所述当前种群中所有个体对应的个体目标值；其中，所述个体目标值为开闭力与目标开闭力的差值的绝对值；将所述个体目标值的倒数作为所述当前种群的适应度。
可选的，遗传算法模型构建模块450，具体用于依次计算所述当前种群中当前个体与其他个体之间的欧式距离；依次选取当前个体在设定距离范围内的适应度值最大的个体作为目标个体；将所述目标个体以及所述目标个体对应的适应度存储在适应度矩阵中；如果所述目标个体为所述当前个体，则将所述当前个体标记其为优秀个体，并将所述优秀个体以及所述优秀个体对应的适应度存储在优秀个体矩阵中。
可选的，遗传算法模型构建模块450，具体用于依次计算所述当前种群中当前个体与其他个体之间的欧式距离；依次比较当前个体与设定距离范围内的其他个体的适应度值；如果所述设定距离范围内存在第一数量的个体的适应度超过所述当前个体的适应度，则对当前个体的变异概率增加第一倍数；如果所述设定距离范围内存在第二数量的后续个体与所述当前个体的位置重合，则对当前个体的变异概率增加第二倍数；所述当前个体的变异概率为初始变异概率与新增变异概率的和；如果随机函数的取值小于当前个体的变异概率，则对染色体中的随机基因位置进行变异，并对当前个体的变异概率进行减半，直至所述随机函数的取值大于或等于当前个体的变异概率。
可选的，所述基因的数量为2；遗传算法模型构建模块450，具体用于将第一个基因的末位设置为交叉点；如果随机函数的取值小于交叉概率，则对所述染色体中的基因进行交叉操作。
上述铰链结构的优化装置可执行本发明任意实施例所提供的铰链结构的优化方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的铰链结构的优化方法。
由于上述所介绍的铰链结构的优化装置为可以执行本发明实施例中的铰链结构的优化方法的装置，故而基于本发明实施例中所介绍的铰链结构的优化方法，本领域所属技术人员能够了解本实施例的铰链结构的优化装置的具体实施方式以及其各种变化形式，所以在此对于该铰链结构的优化装置如何实现本发明实施例中的铰链结构的优化方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中铰链结构的优化方法所采用的装置，都属于本申请所欲保护的范围。
实施例四
图5为本发明实施例四提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的计算机设备512的框图。图5显示的计算机设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于：一个或者多个处理器516，存储装置528，连接不同***组件(包括存储装置528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及***组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备512典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置528可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(Random Access Memory，RAM)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储装置528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块526的程序536，可以存储在例如存储装置528中，这样的程序模块526包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块526通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、摄像头、显示器524等)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output，I/O)接口522进行。并且，计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arraysof Independent Disks，RAID)***、磁带驱动器以及数据备份存储***等。
处理器516通过运行存储在存储装置528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的铰链结构的优化方法。
也即，所述处理单元执行所述程序时实现：建立铰链以及开闭件的多体动力学模型；获取所述铰链中弹性部件的自变量与所述开闭件的因变量之间的对应关系；其中，所述自变量包括预变形量，所述因变量包括开闭力；根据所述对应关系建立神经网络模型，并根据所述神经网络模型计算不同预变形量对应的开闭力；根据人机工程原理从任意大小的预变形量对应的开闭力中确定目标开闭力；根据所述铰链中弹性部件的自变量与所述开闭件的优化目标构建多目标优化遗传算法模型；其中，所述优化目标为所述开闭件的开闭力与所述目标开闭力之间的差值；根据所述多目标优化遗传算法模型的输出结果确定所述弹性部件的目标预变形量。
实施例五
本发明实施例五还提供一种存储计算机程序的计算机存储介质，所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的铰链结构的优化方法：建立铰链以及开闭件的多体动力学模型；获取所述铰链中弹性部件的自变量与所述开闭件的因变量之间的对应关系；其中，所述自变量包括预变形量，所述因变量包括开闭力；根据所述对应关系建立神经网络模型，并根据所述神经网络模型计算不同预变形量对应的开闭力；根据人机工程原理从任意大小的预变形量对应的开闭力中确定目标开闭力；根据所述铰链中弹性部件的自变量与所述开闭件的优化目标构建多目标优化遗传算法模型；其中，所述优化目标为所述开闭件的开闭力与所述目标开闭力之间的差值；根据所述多目标优化遗传算法模型的输出结果确定所述弹性部件的目标预变形量。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ReadOnly Memory，ROM)、可擦式可编程只读存储器((Erasable Programmable Read OnlyMemory，EPROM)或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种铰链结构的优化方法，其特征在于，包括：
建立铰链以及开闭件的多体动力学模型；
获取所述铰链中弹性部件的自变量与所述开闭件的因变量之间的对应关系；其中，所述自变量包括预变形量，所述因变量包括开闭力；
根据所述对应关系建立神经网络模型，并根据所述神经网络模型计算不同预变形量对应的开闭力；
根据人机工程原理从任意大小的预变形量对应的开闭力中确定目标开闭力；
根据所述铰链中弹性部件的自变量与所述开闭件的优化目标构建多目标优化遗传算法模型；其中，所述优化目标为所述开闭件的开闭力与所述目标开闭力之间的差值；
根据所述多目标优化遗传算法模型的输出结果确定所述弹性部件的目标预变形量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述铰链中弹性部件的自变量与所述开闭件的优化目标构建多目标优化遗传算法模型，包括：
初始化所述多目标优化遗传算法模型的第一代种群及所述第一代种群的初始化参数；
将所述第一代种群作为当前种群，并计算所述当前种群的适应度；
根据所述适应度对所述当前种群进行选择和变异，并对所述当前种群进行交叉，得到更新种群；
将在对所述当前种群进行选择时筛选出的优秀个体替换至所述更新种群中；
将所述更新种群作为当前种群，返回执行计算所述当前种群的适应度的操作，直至所述多目标优化遗传算法模型的迭代次数达到目标迭代次数。
3.根据权利要求2所述的方法，其特征在于，所述初始化所述多目标优化遗传算法模型的第一代种群及所述第一代种群的初始化参数，包括：
采用二进制编码，随机生成染色体长度为目标长度，个体数量为目标数量的第一代种群；所述第一代种群的染色体包括设定数量的基因，所述基因表征所述弹性部件的预变形量；
计算所述第一代种群个体的平均距离；
确定所述第一代种群的交叉概率和变异概率。
4.根据权利要求2所述的方法，其特征在于，所述计算所述当前种群的适应度，包括：
根据所述神经网络模型计算所述当前种群中所有个体对应的个体目标值；其中，所述个体目标值为开闭力与目标开闭力的差值的绝对值；
将所述个体目标值的倒数作为所述当前种群的适应度。
5.根据权利要求2所述的方法，其特征在于，所述根据所述适应度对所述当前种群进行选择，包括：
依次计算所述当前种群中当前个体与其他个体之间的欧式距离；
依次选取当前个体在设定距离范围内的适应度值最大的个体作为目标个体；
将所述目标个体以及所述目标个体对应的适应度存储在适应度矩阵中；
如果所述目标个体为所述当前个体，则将所述当前个体标记其为优秀个体，并将所述优秀个体以及所述优秀个体对应的适应度存储在优秀个体矩阵中。
6.根据权利要求2所述的方法，其特征在于，所述根据所述适应度对所述当前种群进行变异，包括：
依次计算所述当前种群中当前个体与其他个体之间的欧式距离；
依次比较当前个体与设定距离范围内的其他个体的适应度值；
如果所述设定距离范围内存在第一数量的个体的适应度超过所述当前个体的适应度，则对当前个体的变异概率增加第一倍数；
如果所述设定距离范围内存在第二数量的后续个体与所述当前个体的位置重合，则对当前个体的变异概率增加第二倍数；所述当前个体的变异概率为初始变异概率与新增变异概率的和；
如果随机函数的取值小于当前个体的变异概率，则对染色体中的随机基因位置进行变异，并对当前个体的变异概率进行减半，直至所述随机函数的取值大于或等于当前个体的变异概率。
7.根据权利要求3所述的方法，其特征在于，所述基因的数量为2；
所述对所述当前种群进行交叉，包括：
将第一个基因的末位设置为交叉点；
如果随机函数的取值小于交叉概率，则对所述染色体中的基因进行交叉操作。
8.一种铰链结构的优化装置，其特征在于，包括：
多体动力学模型建立模块，用于建立铰链以及开闭件的多体动力学模型；
对应关系获取模块，用于获取所述铰链中弹性部件的自变量与所述开闭件的因变量之间的对应关系；其中，所述自变量包括预变形量，所述因变量包括开闭力；
开闭力计算模块，用于根据所述对应关系建立神经网络模型，并根据所述神经网络模型计算不同预变形量对应的开闭力；
目标开闭力确定模块，用于根据人机工程原理从任意大小的预变形量对应的开闭力中确定所述目标开闭力；
遗传算法模型构建模块，用于根据所述铰链中弹性部件的自变量与所述开闭件的优化目标构建多目标优化遗传算法模型；其中，所述优化目标为所述开闭件的开闭力与所述目标开闭力之间的差值；
目标预变形量确定模块，用于根据所述多目标优化遗传算法模型的输出结果确定所述弹性部件的目标预变形量。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的铰链结构的优化方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的铰链结构的优化方法。
CN202010814004.9A 2020-08-13 2020-08-13 一种铰链结构的优化方法、装置、计算机设备及存储介质 Active CN111950204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010814004.9A CN111950204B (zh) 2020-08-13 2020-08-13 一种铰链结构的优化方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010814004.9A CN111950204B (zh) 2020-08-13 2020-08-13 一种铰链结构的优化方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111950204A CN111950204A (zh) 2020-11-17
CN111950204B true CN111950204B (zh) 2022-04-19

Family

ID=73343351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010814004.9A Active CN111950204B (zh) 2020-08-13 2020-08-13 一种铰链结构的优化方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111950204B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104765916A (zh) * 2015-03-31 2015-07-08 西南交通大学 一种高速列车动力学性能参数优化方法
CN105243172A (zh) * 2015-07-22 2016-01-13 湖南大学 一种考虑动态刚度和阻尼的发动机悬置***优化方法
CN106202755A (zh) * 2016-07-15 2016-12-07 西安交通大学 基于动力学模型和遗传算法的电主轴结构优化设计方法
CN108416178A (zh) * 2018-05-02 2018-08-17 南京航空航天大学 一种机械弹性车轮结构参数优化设计方法
CN109376493A (zh) * 2018-12-17 2019-02-22 武汉理工大学 一种粒子群优化的径向基神经网络车辆速度跟踪方法
CN110990961A (zh) * 2020-03-04 2020-04-10 江西昌河汽车有限责任公司 一种汽车尾门气弹簧开闭力的计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1552908A4 (en) * 2002-10-11 2008-10-15 Fujitsu Ltd DEVICE FOR CREATING A ROBOT CONTROL ALGORITHM, PROGRAM FOR CREATING A ROBOT CONTROL ALGORITHM, ROBOT CONTROL PROGRAM AND ROBOT

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104765916A (zh) * 2015-03-31 2015-07-08 西南交通大学 一种高速列车动力学性能参数优化方法
CN105243172A (zh) * 2015-07-22 2016-01-13 湖南大学 一种考虑动态刚度和阻尼的发动机悬置***优化方法
CN106202755A (zh) * 2016-07-15 2016-12-07 西安交通大学 基于动力学模型和遗传算法的电主轴结构优化设计方法
CN108416178A (zh) * 2018-05-02 2018-08-17 南京航空航天大学 一种机械弹性车轮结构参数优化设计方法
CN109376493A (zh) * 2018-12-17 2019-02-22 武汉理工大学 一种粒子群优化的径向基神经网络车辆速度跟踪方法
CN110990961A (zh) * 2020-03-04 2020-04-10 江西昌河汽车有限责任公司 一种汽车尾门气弹簧开闭力的计算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"A comparative study between artificial neural network and linear regression for optimizing a hinged blade cross axis turbine";Arvin H. Fernando 等;《2015 International Conference on Humanoid, Nanotechnology, Information Technology,Communication and Control, Environment and Management (HNICEM)》;20160128;第1-4页 *
"基于Excel的行李箱盖扭杆弹簧计算研究";李超帅 等;《汽车实用技术》;20180415(第7期);第94-97,107页 *
"考虑多个铰链间隙的开环机构动力学特性研究";杨丽新;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20190115;第C029-3页 *

Also Published As

Publication number Publication date
CN111950204A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
Bai et al. A model-based reinforcement learning with adversarial training for online recommendation
US10971142B2 (en) Systems and methods for robust speech recognition using generative adversarial networks
CN110366734B (zh) 优化神经网络架构
Weisz et al. Sample efficient deep reinforcement learning for dialogue systems with large action spaces
US20180260714A1 (en) Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics
Shukla Neuro-genetic prediction of software development effort
US11610108B2 (en) Training of student neural network with switched teacher neural networks
WO2019177951A1 (en) Hybrid quantum-classical generative modes for learning data distributions
CN110766044A (zh) 一种基于高斯过程先验指导的神经网络训练方法
Muratore et al. Neural posterior domain randomization
JPWO2018062265A1 (ja) 音響モデル学習装置、その方法、及びプログラム
CN111506814A (zh) 一种基于变分自注意力网络的序列推荐方法
CN113240155A (zh) 预测碳排放量的方法、装置及终端
CN114219360A (zh) 基于模型优化的监控安全预测方法及***
CN115293227A (zh) 一种模型训练方法及相关设备
Xavier-Júnior et al. A novel evolutionary algorithm for automated machine learning focusing on classifier ensembles
WO2024120504A1 (zh) 一种数据处理方法及相关设备
CN114386580A (zh) 决策模型训练、决策方法、装置、电子设备及存储介质
CN111950204B (zh) 一种铰链结构的优化方法、装置、计算机设备及存储介质
McDermott et al. A derivation of minimum classification error from the theoretical classification risk using Parzen estimation
US11797769B1 (en) Artificial intelligence system using hybrid technique for task-oriented dialog management
CN112580885A (zh) 一种配件合格率的预测方法、装置、设备及存储介质
Fernández et al. VQQL. Applying vector quantization to reinforcement learning
US20230385611A1 (en) Apparatus and method for training parametric policy
Yu et al. Hidden Markov models and the variants

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
GR01 Patent grant
GR01 Patent grant