結(jié)構(gòu)優(yōu)化結(jié)課論文

1、2016/2017學年秋季學期結(jié)構(gòu)優(yōu)化設(shè)計理論與方法讀書報告題目：基于人工智能技術(shù)的輪胎硫化優(yōu)化姓名：學號：院系：航天學院時間:2016.11.031、 遺傳算法的概念 遺傳算法（Genetic Algorithms，簡稱GA）起源于對生物系統(tǒng)所進行的計算機模擬研究。它是模仿自然界生物進化機制發(fā)展起來的隨機全局搜索和優(yōu)化方法，借鑒了達爾文和孟德爾的遺傳學說。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獲取和積累有關(guān)搜索空間的知識，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)生一個近似最優(yōu)的方案。在遺傳算法的每一代中，根據(jù)個體在問題

2、域中的適應(yīng)度值和從自然遺傳學中借鑒來的再造方法進行個體選擇，產(chǎn)生一個新的近似解。這個過程導致種群中個體的進化，得到新的個體比原來個體更能適應(yīng)環(huán)境，就像自然界中的改造一樣。2、 遺傳算法的特點及基本步驟2.1遺傳算法特點遺傳算法是一種借鑒生物界自然選擇和自然遺傳機制的隨機搜索法。它與傳統(tǒng)的算法不同，大多數(shù)古典的優(yōu)化算法是基于一個單一的度量函數(shù)的梯度或較高次統(tǒng)計，以產(chǎn)生一個確定性的實驗解系列；遺傳算法不依賴于梯度信息，而是通過模擬自然進化過程來搜索最優(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化過程。2.2遺傳算法基本步驟假設(shè)有一個待優(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。每一組構(gòu)成問題的一個可能解，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是屬于實數(shù)域R的一個實數(shù)，也可以看成對每一組可能解得質(zhì)量優(yōu)劣的度量，函數(shù)f表示由解空間到實數(shù)域R的一個映射，對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對應(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，運用ABAQUS軟件對11. 00R22.5 載重子午線輪胎建立了硫化仿真有限元模型，結(jié)合輪胎硫化實際過程進行了溫度場仿真分析。在溫度場分析基礎(chǔ)上，

4、利用阿累尼烏斯方程計算輪胎硫化程度。利用正交試驗設(shè)計、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)計方法。對輪胎硫化過程中以外溫蒸汽邊界條件為設(shè)計變量對輪胎硫化程度均勻性進行優(yōu)化，使輪胎硫化程度均勻性和硫化時間均得到改善。3.2 優(yōu)化模型的建立3.2.1設(shè)計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)計變量。3.2.2目標函數(shù)的選取 根據(jù)硫化的實際情況，可以從膠料硫化程度的均勻性來評估，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 個節(jié)點的硫化結(jié)束時的硫化程度(由三維有限元分析得出)；n為輪胎斷面節(jié)點

5、個數(shù)；為斷面所有節(jié)點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間。故選取斷面硫化均勻程度作為優(yōu)化的目標函數(shù)，盡可能縮短硫化時間。3.2.3 優(yōu)化數(shù)學模型圖1為硫化模具外部蒸汽的溫度歷程,T1，T2 為蒸汽溫度，t1，t2 為時間。圖1 外溫蒸汽歷程輪胎硫化優(yōu)化的數(shù)學模型為： （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正交試驗設(shè)計 利用正交試驗設(shè)計方法選用正交表L9( 34

6、)安排試驗方案。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)的學習等價于在多維空間中尋找訓練數(shù)據(jù)的最佳擬合平面。徑向基函數(shù)網(wǎng)絡(luò)的每個隱含層神經(jīng)元傳遞函數(shù)都構(gòu)成了擬合平面的一個基函數(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，但學習速度較快，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)分為訓練集和測試集。訓練集用于訓練網(wǎng)絡(luò)，使網(wǎng)絡(luò)按照學習算法調(diào)節(jié)結(jié)構(gòu)參數(shù)，以達到學習的目的；測試集則是用于評價已訓練好的網(wǎng)絡(luò)性能。提取9組樣本點中的任意8 組樣本點作為訓練樣本，剩下的1組樣本點作為測試樣本。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制的隨機搜索算法。它與傳統(tǒng)的算法不同，大多數(shù)古典的優(yōu)化算法是基于一個單一的度量函數(shù)(評估函數(shù)) 的梯度或較高次統(tǒng)計，以產(chǎn)生一個確定性的試驗解序列；遺傳算法不依賴于梯度信息，而是通過模擬自然進化過程來搜索最優(yōu)解。遺傳算法通過有組織、隨機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代進化之后，可以確定輪胎硫化偏度值較小時對應(yīng)的1 組設(shè)計變量為： 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)解對外溫蒸汽邊界條件進行修改并進行了有限元重分析，圖3為原始的蒸汽邊界和優(yōu)化了的蒸汽邊界對比。圖3 蒸汽邊界對比結(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重過硫，