一、遗传BP神经网络在正交试验最优化中的应用（论文文献综述）
李亚萍[1]（2021）在《模拟集成电路设计与优化方法研究》文中提出随着集成电路制造工艺的发展,器件特征尺寸不断减小,非理想效应逐渐凸显,设计难度不断增大。然而,目前市场上缺乏成熟、完备的模拟集成电路自动化设计工具,模拟集成电路的设计主要依靠手工完成,设计效率较低。本文对模拟集成电路的设计与优化方法展开研究,旨在提高模拟集成电路的设计效率,缩短设计周期。模拟集成电路的设计流程包括拓扑选择、电路参数设计、版图设计、制造和测试等步骤。本文针对前两个步骤展开研究。对于拓扑结构的确定,电路设计者一般从现有的拓扑结构库中选择合适的拓扑。目前模拟电路各个模块的拓扑结构种类较多,一般可以满足普通的设计要求。当电路的某些性能要求较高时,电路设计者一方面可以分析和改进电路拓扑结构,另一方面可以优化电路参数以达到设计指标。由于待调参数较多,电路性能和设计变量之间存在高度的非线性关系,加之电路性能指标之间相互影响、相互制衡,设计者需要在多个互相关联的电路指标中反复权衡,手工调试工作重复而繁琐,对于复杂电路更是如此。因此,研究模拟电路参数自动优化方法对于解放人力、降低时间成本具有重要意义。本文从复数带通滤波器的设计与优化入手,研究了复数带通滤波器的设计理论,分析了传统有源RC复数带通滤波器的通带纹波较大的原因,并据此改进了传统有源RC复数带通滤波器的拓扑结构。本文从参数优化的角度研究了模拟电路的自动优化方法。在搜索算法方面,本文研究了全局搜索和局部搜索常用算法的原理及实现;在电路性能评估方面,本文基于SPICE仿真、解析模型和机器学习模型探讨了模拟电路参数优化方法中的优化效率和优化精度问题,并提出了两种新的参数自动优化方法。本文的主要工作如下:（1）为解决传统结构的复数带通滤波器通带纹波较大的问题,推导了运放增益带宽积有限时低通滤波器向复数带通滤波器转化的频谱搬移公式,通过对交叉耦合电阻值进行修正,并引入与交叉耦合电阻并联的电容,实现了对传统有源RC复数带通滤波器的无源补偿,降低了运放有限的增益带宽积对频谱搬移的非线性影响,有效减小了有源RC复数带通滤波器的通带纹波。基于此补偿方法,采用TSMC 0.13μm CMOS工艺设计了一个中心频率为12.24 MHz,带宽为9 MHz,通带纹波小于1 dB的有源RC切比雪夫复数带通滤波器,其仿真及流片测试结果验证了此无源补偿新方法的有效性。（2）分析了基于SPICE仿真的全局搜索和局部搜索相结合的经典优化方法在优化精度和优化时间成本方面的优势与不足,针对其全局搜索阶段SPICE仿真时间成本大、设计空间覆盖率较低的问题,提出了一种解析模型-仿真混合辅助的模拟电路参数优化方法。该方法采用电路解析模型代替SPICE仿真进行全局优化阶段的电路性能评估,实现了对全局设计空间快速搜索;为弥补解析模型精度有限的不足,选取了全局搜索结果中的可能存在最优点的几个区域进行局部搜索以找到最优解。该方法兼具了解析模型的高效率和SPICE仿真的高精度的优势。为验证该方法的有效性和高效性,本文推导了传统拓扑结构五阶复数带通滤波器的解析模型,并采用该方法对五阶复数带通滤波器进行了参数优化,结果表明,该方法可以明显的速度优势获得与经典优化方法相近的优化结果。（3）针对传统的基于SPICE仿真的局部搜索方法需要大量串行仿真、优化效率较低的问题,提出了利用局部机器学习模型代替SPICE仿真进行电路性能评估的模拟电路参数优化方法。该方法包括基于SPICE仿真的遗传算法全局优化和基于机器学习模型的局部优化两部分。在全局优化阶段,该方法基于并行SPICE仿真进行全局搜索。在局部优化阶段,该方法利用并行SPICE仿真获得训练数据并训练机器学习模型,然后利用该机器学习模型代替SPICE仿真来评估电路性能,从而将局部搜索所需的串行仿真转化为并行仿真,使局部优化也能充分利用并行计算资源,减少了优化所需时间。（4）完成了二级轨到轨运放、五阶有源RC切比雪夫复数带通滤波器和三级运放的参数优化。在此过程中,对比了模拟电路参数优化领域两种常用优化方法和本论文提出的基于局部机器学习模型的优化方法在优化效率和优化结果方面的差异,得出如下结论:基于SPICE仿真的遗传算法全局优化方法的优化效率最高,但搜索能力弱于其他两种方法;基于SPICE仿真的全局和局部搜索相结合的经典优化方法可以获得最优的结果,但优化效率较低;本论文提出的结合基于SPICE仿真的遗传算法全局优化和基于机器学习模型局部优化的优化方法可以用少于三分之一的时间获得与经典方法相比拟的结果。本文的主要创新点如下:（1）提出了一种有源RC复数带通滤波器的无源补偿方法。通过引入与交叉耦合电阻并联的电容,并对交叉耦合电阻值进行修正,有效减小了有源RC复数带通滤波器的通带纹波。（2）提出了一种解析模型-仿真混合辅助的模拟电路参数优化方法。在全局优化基于解析模型穷举搜索,实现了对全局搜索空间速度较快、较为充分的搜索。全局搜索的输出选取几个较优区域基于SPICE仿真局部搜索,提高了解的精度。（3）提出了一种基于仿真的遗传算法全局优化和基于机器学习模型的局部优化相结合的模拟电路参数优化方法。在局部优化中采用并行仿真产生机器学习模型训练数据,并基于机器学习模型进行局部搜索,解决了基于仿真的局部优化方法需要大量串行仿真导致的耗时较长的问题。
张乔宇[2]（2020）在《代理模型在船舶阻力预报及优化中的应用》文中研究指明随着计算机和数据处理等技术的发展,许多学者开展了基于代理模型的船舶水动力性能预报及优化工作。然而,目前的大部分研究是采用船型性能数据集以及抽取设计空间内的大量船型样本点对单一形式的代理模型进行构建,关于模型形式选择和样本点数量对预报效果的影响研究相对匮乏。因此,本文围绕船舶阻力性能,分别以公开的船模试验数据集和通用船型为研究对象,采用代理模型开展船舶阻力性能预报及优化工作。首先,采用系列60船模试验数据样本,对多种常用单一代理模型的预报效果进行分析比较。针对单一模型进行性能预报所存在的问题,提出了一种基于遗传优化算法的组合代理模型构建方式。通过对组合代理模型进行测试,表明了该方法可在保证构建效率和稳定性的前提下提升预报精度。为进一步考察该方法的适用性,以相同测试过程对泰洛系列数据集进行模拟,同样取得了较好的预报效果。其次,以Wigley船型为研究对象,应用自由变形法在参数变化范围内对船体线型进行变化,分别采用常用的Sobol、正交试验和拉丁超立方抽样方式在设计空间中选取不同数量的船型样本,通过SHIPFLOW软件对这些样本进行设计航速下的兴波阻力计算,生成船型性能数据集。通过比较三种抽样结果的疏密度和所建模型的预报精度,提出一种基于敏感度分析的拉丁超立方船型小样本选取方式,该方法不仅稳定性得到改善,且可在选取少量船型样本点的条件下构建出满足精度要求的代理模型。最后,采用本文所提出的船型样本点选取方式和组合代理模型构建方法,结合CFD和遗传算法在约束条件下对KCS球艏部分进行设计航速下的总阻力优化,所得优化方案经CFD验算,总阻力系数降低了1.4%。相比单纯采用CFD进行阻力优化,该优化方法可大幅提升优化效率。以上结果表明,本文建立的样本点选取方式和组合代理模型构建方法可实现船舶的阻力性能快速预报与优化,为代理模型应用于船型优化提供了可行方案。
刘威[3]（2020）在《基于改进神经网络的真空灭弧室电磁场联合优化设计》文中提出真空断路器在中压电力系统中起到重要的保护作用,灭弧室作为断路器的核心部件,其内部电、磁、热特性以及材料性能直接影响断路器本体的绝缘性能和开断能力。本文以真空灭弧室结构参数设计为研究对象,进行电场与磁场有限元数值模拟;为满足绝缘性能要求,对真空灭弧室内部结构部件进行参数优化与设计;提出BP神经网络与遗传算法相结合的优化方法,并用于灭弧室电场和磁场的参数化优化设计中。为提高传统BP神经网络模型的预测准确性,采用遗传算法对初始权值、阈值进行前期优化;再进一步运用正交试验设计和归一化处理方法对样本进行采集和预处理;在上述基础上,采用遗传算法完成优化。通过对典型测试函数寻优,验证了所提出组合优化策略的可行性。为确定真空灭弧室组成部件的结构参数,分别对绝缘外壳、屏蔽罩、触头电极、波纹管、导电杆进行材料与结构的参数化分析;以8种不同技术参数的真空灭弧室为对象,比对分析结构参数对绝缘特性的影响规律;并给出12k V/1250A/31.5k A真空灭弧室总体结构参数群组。为实现真空灭弧室内部电场优化,以12k V/1250A/31.5k A真空灭弧室为对象,建立电场有限元分析模型,通过改进BP神经网络的方法得到真空灭弧室电场预测模型;采用遗传算法实现电场结构参数化优化设计,仿真对比分析优化前后场域电场分布;求得额定电压、工频电压以及雷电冲击电压下三相真空灭弧室相间电场分布,以实现相间绝缘分析。以上述电场优化后的绝缘结构参数为基础,进行灭弧室触头间隙磁场优化分析。建立磁场有限元模型;采用单因素分析方法,确定优化变量;建立磁场改进BP神经网络模型;采用遗传算法对磁场进行参数化优化;对比分析优化前后触头表面与断口中心平面磁场,以验证优化方案的可行性,进而提高开断性能。
孟松[4]（2019）在《基于改进粒子群算法的油船结构优化研究》文中研究指明随着船舶结构朝着大型化和复杂化方向发展,致使船舶结构优化设计变量数目增多,约束和目标函数的非线性程度增大,船舶结构优化问题呈现出多极值、高维度和高非线性的特点。粒子群算法（PSO）的全局探索能力和BP神经网络的局部开发能力相结合形成的PSO-BP神经网络代理模型,在保证一定精度下能够有效降低有限元分析次数,提高船舶结构优化效率,但PSO算法在迭代进化过程中种群多样性不能很好保持,算法存在早熟收敛的问题。本文采用一种分期变异粒子群算法（SMPSO）,用于优化BP神经网络参数,将优化后神经网络应用到油船结构优化设计中,取得良好效果。本文主要研究内容如下:（1）建立107600DWT油船的舱段结构有限元模型。通过ISIGHT软件对其进行灵敏度分析,得到用于油船结构优化的有效设计变量。利用正交试验获取BP神经网络训练与检测样本数据。（2）介绍BP神经网络和PSO算法的基本原理和参数设置,通过MATLAB软件完成BP和PSO-BP神经网络编程工作。采用训练样本数据分别对BP神经网络和PSO-BP神经网络进行训练,利用检测样本数据对它们的泛化能力进行检测和对比。（3）采用一种分期变异策略对粒子群算法进行改进,该策略为在算法迭代初期采用种群多区间的粒子初始位置生成法,迭代中后期采用混沌策略对群体最优解进行扰动,始终保持算法种群多样性持续变化。通过相同的训练和检测,SMPSO-BP神经网络的泛化能力更好更稳定。（4）将SMPSO-BP神经网络和有约束最小化函数fmincon用于油船舱段结构优化,效果明显。对优化后的舱段模型进行有限元分析,各项指标符合规范要求,说明将SMPSO-BP神经网络运用于船舶结构优化是可行的。
董一鸣[5]（2018）在《神经网络结合遗传算法在钢桁拱桥无应力合龙控制中的应用》文中进行了进一步梳理拱桥一直是我国桥梁建设中历史最为悠久的一种桥型,随着拱桥向着长、大化方向的发展,在拱桥理论、设计、施工、运营等各个方面仍旧有许多亟待解决的问题。目前国内对钢桁架拱桥的研究较为缺乏,对于采用缆索吊装斜拉扣挂法施工的钢桁拱桥,索结构作为关键构件,其值的计算与优化研究还比较少。本文以在建的香溪长江大桥为研究背景,基于无应力合龙目标,开展了大跨度钢箱桁架拱桥施工控制的索力优化分析研究,主要内容有:1.为了使悬臂拼装钢桁架拱桥合龙后的线形与一次落架的裸拱线形一致,提出基于无应力状态法的线形控制方法,该方法的核心是控制拱肋节段的无应力拼装。明确合龙段无应力合龙的目标为控制预留合龙口的几何尺寸,使其满足合龙段的无应力长度和无应力曲率的要求,为达到该目标,对索力进行优化控制。基于拱桥普遍使用的缆索吊装斜拉扣挂法,对扣锚索索力的优化计算进行介绍,根据斜拉桥的索力优化经验,提出了拱桥施工中的扣锚索索力优化方法;2.以香溪长江大桥工程为背景,采用Midas civil建立主拱、扣塔与扣锚索的有限元模型,通过设置完整的施工步骤进行模拟分析,根据分析结果提取索力组和对应的结构响应变化值,通过BP神经网络训练建立两者之间的非线性关系,此函数关系的拟合功能用以实现遗传算法个体适应度的评价,通过神经网络结合遗传算法,运用目标函数将索力优化问题转变为极小值求解问题。这种优化方法根据MATLAB编制优化计算程序,该程序在给定期望合龙口位移偏差、扣塔偏位容许值等约束条件下,利用神经网络自动建立索力与合龙口位移之间的映射关系,最后通过遗传算法寻找满足合龙口期望位移值的最优索力值;3.将最优的索力值代入有限元模型中进行施工阶段仿真分析,得到合龙后的成拱线形,并将该线形与一次落架的裸拱线形进行对比,结果表明,采用本文优化方法得到的成拱线形与一次落架的裸拱线形非常吻合。这表明采用本文提出的索力优化方法合理有效,不仅为该桥的施工控制提供了科学的方法,而且为其他悬臂拼装桥梁的索力优化分析提供了借鉴;4.根据以无应力合龙为目标进行计算得出的索力优化结果,进行无应力索长的计算,实现施工过程中拱肋节段的无应力状态量不变,从而保证合龙后的拱肋在扣锚索拆除后的线形与一次落架裸拱线形达到一致。
谭小红[6]（2013）在《细长杆多腔模注塑成型工艺多因素多目标集成优化》文中提出多腔模细长杆类零件产品质量品质的不一致是笔类企业难以克服的技术瓶颈,设计一种基于平衡布置的一模四腔圆珠笔笔弹模具,借鉴传统注塑成型中熔体充模流动理论的研究方法,引入合理的假设与必要的简化,构建了细长杆注塑成型中熔体充模流动的数学模型。在此基础上分析了平衡设计的流道中,引起不平衡填充的各种因素,尤其是剪切力导致熔体在平衡流道中不平衡流动的机理。基于数值模拟技术以Y向最大变形作为流动不平衡的评价目标,通过改变模具温度、熔体温度、注射时间、保压压力等工艺参数,使得流动达到可以接受的平衡,并通过实验验证了理论分析和优化设计的结果,提出通过优化工艺参数组合直接或间接地优化多腔模产品质量的思路。本文确定相关产品质量的两个冲突目标—最大体积收缩率R1和最大轴向变形R2作为优化对象,首先比较了普通正交设计和基于噪音比的噪音设计在通过极差和方差设计在寻求最优工艺参数水平组合和因素显着性的差异,通过实验证明,运用稳健技术的Taguchi方法在单目标问题上不论从AVONA分析显着性,还有工艺参数最优水平组合,都优于普通的正交实验。相互冲突的双目标运用直观分析折中后的方案依然是稳健技术的Taguchi方法较优。在分析精度和各因素之间的交互作用上,提出基于CCD中心组合设计通过细长杆的响应面（RSM）回归模型,建立起设计变量与设计响应之间的非线性关系,求出了连续空间的最优工艺参数组合,并基于加权进行双目标的优化。与基于噪音比的正交实验相比较,响应面的精度更高,通过对细长杆Y向最大变形考察填充不平衡,基于响应面的最优工艺参数的填充平衡性更好。发展了一种基于遗传算法和神经网络的集成优化设计方法,使用GA优化BP神经网络的权值和阈值,种群中的每个个体都包含了一个网络所有权值和阈值,个体通过适应度函数计算个体适应度值,个体对应的最优适应度值由GA算法通过选择、交叉和变异操作找到BP神经网络预测用GA所得最优个体对网络初始权值和阈值赋值,网络经训练后预测函数输出。优化结果表明：遗传算法和神经网络集成的优化设计收敛速度快,对全局最优解的逼近程度高,可以迅速给出塑料制件期望值的工艺参数组合,通过训练好的网络获得了多腔模细长杆选用不同成型材料时模具温度、熔体温度、保压时间和保压压力等工艺参数对最大体积收缩率和最大轴向变形的影响规律。最后,针对注塑成形优化普通存在的多目标特性,首次提出了基于灰色关联分析（GCA）的多腔模细长杆注塑成形多目标优化方法。针对望目、望大、望小特征的目标函数,提出了不同的目标数据预处理方法。为了得到最佳的优化参数组合,对多目标的灰色关联度进行方差分析,并建立了显着影响变量的响应函数,从而得到最佳值。改进了传统的多目标灰色关联度寻优方法,研究结果表明,利用灰关联和理想解法的注射工艺多目标优化的改进优化措施进行多目标优化,可以获得最佳效果。模拟和优化的结果经过企业的实验验证,与生产实际吻合。
田槐艳[7]（2012）在《非石棉垫片配方的分类及优化仿真》文中研究指明神经网络作为一种新的算法,广泛地运用于模式识别、优化等诸多领域。尤其在材料的性能预测、配方优化等方面,应用更为广泛。非石棉垫片作为一种新型材料的密封垫片,其配方往往影响其配方性能,且配方与性能之间的关系复杂,往往呈现非线性。如何通过神经网络对非石棉垫片进行性能预测与配方优化,是本文所要探讨的主要内容。本文从非石棉垫片的分类开始,对其分类进行了研究。采用“有监督”的概率神经网络（PNN网络）和学习矢量量化网络（LVQ网络）以及“无监督”的自组织映射网路（SOM网络）的分类方法,对非石棉垫片的分类进行了探讨,为未来非石棉垫片的分类起了一定的指导作用。非石棉垫片的性能一般是通过反复的实验将其测试出来,在实验测试中,由于一些原因,其测试出来的结果很有可能不准确,这时需要重新测试,这样就会浪费大量的时间。本文通过BP神经网络,将非石棉垫片的配方作为输入,性能参数作为输出,通过训练建立配方与性能之间的关系模型。由于BP网络预测的效果不理想,采用BP网络的改进算法对其性能进行预测,通过几种改进算法的比较,得出Levenberg-Marquart算法迭代次数较少,且结果很准确；共轭梯度算法中,Scaled算法和Poweii-Beale算法对非石棉垫片的预测比较准确。采用回归分析方法对非石棉垫片建立配方与密度、烧失量、强度之间的回归模型,为后续的非石棉垫片配方的优化奠定基础。最后通过MATLAB中的函数finincon和fgoalattain, LINGO软件、遗传算法分别对非石棉垫片的配方进行优化,找到了期望性能条件下的最优配方。其中,LINGO和遗传算法的误差很小。本文对非石棉垫片进行了仿真,通过对非石棉垫片进行性能预测和配方优化的研究,证实了设计的正确性,为非石棉垫片的分类、性能预测以及配方优化提供了相应的理论依据,为非石棉垫片的后续研究提供了相应的指导。
周小飞[8]（2011）在《基于遗传算法优化的BP网络对生物柴油制备工艺的优化》文中研究指明在生物柴油制备过程中,由于各种因素对生物柴油的转化率都有着不同程度的影响,使得在制备生物柴油的试验当中运用各种不同参数条件去尝试寻找最佳生产工艺条件,然后通过正交试验确定生物柴油制备工艺的最优条件。正交试验设计法是研究与处理多因素试验的一种科学方法,是根据数理统计学的原理,利用规格化的表格“正交表”从大量的试验点中科学地挑选试验条件,合理安排多因素试验的一种科学方法。与传统的试验方法相比,正交试验法虽然具有较高的试验效率,但这一过程中得花费不少时间和精力。利用神经网络对正交试验数据建立人工神经网络模型,可以模拟不同水平间距的正交试验,得到更加令人满意的试验结果。有了BP神经网络在生物柴油制备工艺中的应用,只需通过网络预测模型的建立就能较准确的预测生产工艺的最佳条件,可以有效的避免大量繁复的人工实验及数据分析,节约了人力,提高了效率在生物柴油制备的复杂过程中,由于反应条件对生物柴油制备的转化率有着不同程度的影响,利用传统的方法寻求影响转化率的准确数学模型非常困难,BP网络能够从实验数据中获取数学模型,它无需事先给出公式的形式,而是以实验数据为基础,经过“训练”后得到一个反应实验数据内部规律的数学模型,然后利用该模型进行推理。生物柴油的转化率取决于油醇比例、反应温度、催化剂用量等多个因素的影响。本研究选取小桐子油为原料,用KOH作为催化剂,采用酯交换反应制备生物柴油。通过单因素试验和正交试验得到最佳工艺条件为：催化剂用量为0.9%,反应温度为85℃,反应时间为1h,醇油比为6.5：1。以试验数据为样本,采用BP算法将人工神经网络技术用于建立生物柴油转化率预测模型,最后得到适合生物柴油转化率与反应温度、反应时间、催化剂用量,醇油比等参数有关的人工神经网络模型,较准确地预测生物柴油的转化率。由于BP算法有可能使得试验数据陷入局部最小值的缺陷等问题的存在,故在BP算法的基础上,采用遗传算法寻找生物柴油转化率的人工神经网络模型最优值,然后利用获取的最优工艺条件进行验证试验,得到了最优实验工艺条件：催化剂用量1.2%,反应温度为80℃,反应时间时间为1.5h,醇油摩尔比为6：1。在此基础上进行上再进行5次平行试验的验证,结果表明在该条件下转化率为98.82%,预测值为96.57%,其误差值为2.25%。试验结果表明,模拟结果和试验结果基本吻合,说明利用遗传算法优化BP神经网络用于生物柴油制备工艺的优化是可行并且实用。
杨艳子[9]（2010）在《基于BP网络和稳健性分析的机械扩径工艺参数优化》文中研究指明机械扩径是大直径焊管和其它筒形零件制造流程中非常重要的一道塑性成形工序。机械扩径可以改善制品的尺寸和形状精度、提高材料的屈服强度并有效的控制残余应力,所以在UOE、JCOE等大直径直缝埋弧焊管的生产流程中,这一方法都被安排在最后一道成形工序。机械扩径工艺还可以用于锻造厚壁筒强化、旋压筒形件整形、大直径螺旋焊管端部扩径以及其它大直径管筒形零件的最终成形。目前,在大直径直缝埋弧焊管的生产实践中,无论是管坯的材质、尺寸和形状发生了改变,还是最终制品的成形精度要求发生了改变,为了满足用户的要求,企业都不得不在经验设计的基础上,为寻求一组稳健的工艺参数在生产线上反复做一些成形试验,并为此而付出大量的试验费用。针对上述问题,本文以大直径管线钢管的机械扩径成形过程为分析对象,将最终制品的横断面尺寸和几何形状作为目标响应、变形参数和模具结构参数作为设计变量,从效率、精度和稳健性等方面对其工艺参数的优化方法进行了研究,提出了一种基于BP神经网络和遗传算法、且对优化结果给予稳健性分析的机械扩径工艺参数优化方法。采用正交设计的思想,通过有限元方法对影响机械扩径制品横断面尺寸和形状精度的材料、工艺和模具结构参数的权重进行了定量分析,包括材料的机械性能参数、摩擦条件、扩径率、相对凸模半径、模具边缘圆角半径、模具分瓣数目和管坯椭圆度,筛选出了对成形精度影响显着的参数,确定了优化模型的设计变量。给出了基于BP神经网络的机械扩径工艺参数遗传优化方法。基于BP神经网络的非线性映射功能,建立了尺寸和形状精度参数与设计变量之间的对应关系,得到机械扩径的参数预测模型。该模型提高了遗传算法优化过程中适应度函数值的计算效率。基于稳健设计理论,在优化方法中应用了稳健性分析手段。通过对优化得到的多个Pareto解的稳健性分析,使机械扩径工艺参数优化方法的最终输出结果为稳健性最强的偏好解。本文借助MATLAB的GUI开发工具,开发了机械扩径制品成形质量参数BP神经网络预测模型和工艺参数优化系统的界面。针对不同的管坯椭圆度,分别采用三组不同的模具,应用经过优化和未经优化的参数,对109.2×5×120 mm的钢管进行了机械扩径模拟实验。通过实验结果对比研究,验证了本文提出的机械扩径工艺参数优化方法的有效性。
卫炜[10]（2009）在《注塑成型工艺参数多目标优化设计》文中提出注塑成型又称注射成型。注塑成型过程中工艺参数对成型质量的影响情况存在诸多非线性动态和不确定因素,使得该过程的工艺参数优化和质量控制一直是该领域的一大难点问题。传统的试模方法不仅费时、成本高,而且过于依赖经验和以往案例,准确度不高,尤其难以胜任新产品投产周期短的要求。数值仿真虽然可以降低试模的成本,仿真结果也可对工艺调整作出定性指导,但这种指导缺乏定量的精度。试验设计方法在一定程度上可以减少反复试凑的盲目性,能以较少的试验次数得到试验范围内较优的工艺参数组合。但由于试验考察的因素水平有限,所以难以实现工艺参数对成型质量的多目标全局优化。本文作者分析了聚合物熔体在流动和传热过程中流变行为,以及热塑性塑料注塑成型数值仿真理论,根据现有的研究水平和研究方法,将智能优化技术引入注塑成型工艺参数优化中,用数值仿真正交试验获得的样本数据,建立神经网络集、并将遗传算法和模糊加权综合评分相结合,提出多目标优化的方法和模型。以一薄壳型零件为研究对象,实例结果验证了该方法的可行性。本文进行了以下的研究及相应的结论如下：1.深入探讨注塑成型流变理论和工艺参数对成型质量的影响关系,在注塑模CAE软件分析的基础上研究了注塑成型仿真理论。根据制品结构设计和使用要求,确定了制品的质量指标及相应的工艺条件。2.用正交试验和CAE仿真软件获得的数据样本,进行极差分析和模糊加权综合质量评分分析,结果表明：1)对于体积收缩变化量来说,熔体温度的影响最大,保压压力的影响次之,模具温度的影响较小；2)对于平均体积收缩率来说,保压压力的影响最大,模具温度、熔体温度和填充时间对其也都有比较大的影响；3)对于缩痕指数,熔体温度、保压压力都有较大的影响,填充时间的影响次之；4)对于翘曲变形量,保压压力的影响最大,熔体温度、填充时间和冷却时间也有较大的影响；5)通过模糊加权综合评分将多目标问题转化为单目标问题,可以有效解决多质量指标冲突和综合寻优的问题。3.建立了用于预测制品质量的神经网络集近似计算代理模型,得到了工艺参数对制品各质量指标的非线性映射关系,为工艺参数的优化提供了数学模型。采纳遗传算法的自然进化思想,以制品质量模糊综合评分函数作为适应度函数,以6个工艺参数为设计变量,对神经网络集近似计算代理模型进行全局寻优,得到试验范围内的最优工艺参数组合,实现了制品质量指标的多目标优化。结果表明：该多目标优化方法是合理的、可行的。利用CAE仿真软件,以及试验设计和智能优化算法的应用,可以在设计阶段考虑到产品各种可能的缺陷,并对工艺参数进行综合优化,缩短设计周期,提供制品质量。本文提出的智能优化思想不仅适用于注塑成型,对其它多因素、尤其是多指标约束、非线性和不确定系统的优化问题也同样适用。
二、遗传BP神经网络在正交试验最优化中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、遗传BP神经网络在正交试验最优化中的应用（论文提纲范文）
（1）模拟集成电路设计与优化方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于知识的模拟电路设计与优化方法 |
| 1.2.2 基于优化的模拟电路设计与优化方法 |
| 1.3 论文内容及结构 |
| 1.3.1 存在的问题 |
| 1.3.2 论文主要内容安排 |
| 第二章 复数带通滤波器改进拓扑结构的设计与优化 |
| 2.1 复数带通滤波器的研究与设计 |
| 2.1.1 复数带通滤波器的应用背景 |
| 2.1.2 复数带通滤波器的实现原理 |
| 2.1.3 传统五阶有源RC复数带通滤波器的设计 |
| 2.2 五阶有源RC复数带通滤波器拓扑结构的改进 |
| 2.3 实验与分析 |
| 2.4 本章小节 |
| 第三章 解析模型-SPICE仿真混合辅助的模拟电路参数优化 |
| 3.1 常用的全局搜索算法 |
| 3.1.1 遗传算法 |
| 3.1.2 模拟退火算法 |
| 3.1.3 粒子群优化算法 |
| 3.1.4 其他常用的全局优化算法 |
| 3.2 常用的局部搜索算法 |
| 3.2.1 坐标轮换法 |
| 3.2.2 最速下降法 |
| 3.2.3 单纯形法 |
| 3.2.4 其他常用的局部搜索算法 |
| 3.3 基于仿真的结合全局和局部搜索的模拟电路参数优化方法 |
| 3.3.1 遗传算法初始种群的产生 |
| 3.3.2 遗传算法适应度函数的确定 |
| 3.3.3 遗传算法的基本操作 |
| 3.3.4 基于仿真的局部搜索 |
| 3.3.5 基于仿真的全局搜索方法存在的问题 |
| 3.4 解析模型-SPICE仿真混合辅助的模拟电路参数优化方法 |
| 3.4.1 基于解析模型的全局搜索 |
| 3.4.2 基于仿真的局部搜索 |
| 3.4.3 优化实例及结果分析 |
| 3.5 本章小结 |
| 第四章 基于遗传算法和机器学习的模拟电路参数优化 |
| 4.1 机器学习技术概述 |
| 4.1.1 机器学习技术分类 |
| 4.1.2 模拟电路参数优化常用的机器学习技术 |
| 4.1.3 影响机器学习模型精度的因素 |
| 4.2 人工神经网络概述 |
| 4.2.1 人工神经网络简介 |
| 4.2.2 BP神经网络简介 |
| 4.2.3 BP神经网络在模拟电路参数优化中的应用 |
| 4.3 基于遗传算法和机器学习的模拟电路参数优化方法 |
| 4.3.1 基于遗传算法和机器学习的模拟电路参数优化方法概述 |
| 4.3.2 基于遗传算法和机器学习的模拟电路参数优化方法实现 |
| 4.4 本章小结 |
| 第五章 模拟电路参数优化方法的案例分析 |
| 5.1 电路优化中ANN模型的构建 |
| 5.1.1 ANN模型的配置 |
| 5.1.2 ANN模型与其他机器学习模型的性能比较 |
| 5.2 二级轨到轨运放的参数优化 |
| 5.3 五阶有源RC复数带通滤波器的参数优化 |
| 5.4 三级运放的设计与参数优化 |
| 5.4.1 三级运放的设计 |
| 5.4.2 三级运放的参数优化 |
| 5.5 关于数据平坦度对模型精度影响的讨论 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的的学术成果及奖励 |
| 附件 |
| 学位论文评阅及答辩情况表 |
（2）代理模型在船舶阻力预报及优化中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 船舶阻力概述 |
| 1.2.1 船舶阻力成因 |
| 1.2.2 船舶阻力分类 |
| 1.2.3 船舶阻力研究方法 |
| 1.3 机器学习算法简介 |
| 1.3.1 机器学习基本术语 |
| 1.3.2 机器学习建模基本过程 |
| 1.3.3 机器学习语言平台 |
| 1.4 结合机器学习算法的船型设计研究现状 |
| 1.4.1 国外研究现状 |
| 1.4.2 国内研究现状 |
| 1.5 本文研究内容 |
| 第2章 基于单一代理模型的船舶阻力预报 |
| 2.1 引言 |
| 2.2 数据样本及处理 |
| 2.3 单一代理模型设计 |
| 2.3.1 支持向量机 |
| 2.3.2 回归树 |
| 2.3.3 响应面 |
| 2.3.4 K近邻回归 |
| 2.3.5 Kriging模型 |
| 2.3.6 岭回归和Lasso回归 |
| 2.3.7 BP与广义回归神经网络 |
| 2.4 模型比较 |
| 2.5 小结 |
| 第3章 一种基于遗传优化算法的组合代理模型构建新方法 |
| 3.1 引言 |
| 3.2 组合代理模型的构建 |
| 3.2.1 遗传算法 |
| 3.2.2 训练和预测过程 |
| 3.2.3 组合模型个数分析 |
| 3.3 组合代理模型的应用验证 |
| 3.4 小结 |
| 第4章 基于SHIPFLOW的船舶阻力计算 |
| 4.1 引言 |
| 4.2 船舶阻力计算原理与方法 |
| 4.2.1 兴波阻力计算方法 |
| 4.2.2 粘性阻力计算方法 |
| 4.3 SHIPFLOW在船舶阻力计算中的应用验证 |
| 4.3.1 Wigley船型兴波阻力计算 |
| 4.3.2 KCS船型总阻力计算 |
| 4.4 小结 |
| 第5章 一种基于敏感度分析的拉丁超立方抽样方法 |
| 5.1 引言 |
| 5.2 FFD变形法 |
| 5.3 样本点选取方法的基本原理 |
| 5.3.1 Sobol设计 |
| 5.3.2 正交试验设计 |
| 5.3.3 拉丁超立方设计 |
| 5.4 不同样本点选取方案的预报精度对比分析 |
| 5.5 一种基于敏感度分析的拉丁超立方抽样方法 |
| 5.6 小结 |
| 第6章 船型小样本结合代理模型的球艏阻力性能优化 |
| 6.1 引言 |
| 6.2 球艏变形 |
| 6.3 设计航速下的总阻力优化 |
| 6.4 小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 论文创新点 |
| 7.3 展望 |
| 附表 |
| 附表1 |
| 附表2 |
| 附表3 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间学术成果 |
（3）基于改进神经网络的真空灭弧室电磁场联合优化设计（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 真空灭弧室的研究现状与发展趋势 |
| 1.2.1 真空灭弧室研究进程 |
| 1.2.2 真空灭弧室的关键问题研究 |
| 1.3 BP神经网络研究现状 |
| 1.3.1 人工神经网络研究历程 |
| 1.3.2 BP神经网络应用现状 |
| 1.4 本文主要研究工作 |
| 第二章 基于改进神经网络的优化方法 |
| 2.1 组合优化基本原理 |
| 2.1.1 BP神经网络原理 |
| 2.1.2 BP神经网络模型的构建 |
| 2.1.3 遗传算法原理 |
| 2.2 基于遗传算法的改进BP神经网络模型 |
| 2.2.1 基于正交试验设计的样本选取与预处理 |
| 2.2.2 BP神经网络模型的优化 |
| 2.2.3 典型测试函数的改进BP神经网络建模与分析 |
| 2.3 采用遗传算法的寻优实现 |
| 2.4 本章小结 |
| 第三章 真空灭弧室结构参数化设计 |
| 3.1 绝缘壳体参数化设计 |
| 3.2 屏蔽罩参数化设计 |
| 3.3 触头基本结构的参数化设计 |
| 3.3.1 触头材料组成与配比 |
| 3.3.2 触头几何结构参数化设计 |
| 3.4 波纹管参数化设计 |
| 3.5 导电杆参数化设计 |
| 3.6 本章小结 |
| 第四章 真空灭弧室电场优化设计与实现 |
| 4.1 真空灭弧室静态电场建模与有限元分析 |
| 4.2 改进BP神经网络的电场优化模型建立 |
| 4.2.1 输入和输出变量的选择 |
| 4.2.2 基于正交试验的样本设计 |
| 4.2.3 改进BP神经网络电场模型的构建 |
| 4.3 采用遗传算法的真空灭弧室电场优化 |
| 4.3.1 灭弧室电场优化目标的确定 |
| 4.3.2 灭弧室电场优化变量的设置 |
| 4.3.3 真空灭弧室结构参数寻优实现与结果分析 |
| 4.4 真空灭弧室的相间绝缘 |
| 4.4.1 额定电压下电场计算与分析 |
| 4.4.2 工频电压下电场计算与分析 |
| 4.4.3 雷电冲击电压下电场计算与分析 |
| 4.4.4 相间距优化与分析 |
| 4.5 本章小结 |
| 第五章 真空灭弧室磁场优化设计与实现 |
| 5.1 真空灭弧室触头结构建模与有限元分析 |
| 5.2 真空灭弧室触头结构影响因素分析 |
| 5.2.1 触头结构参数的选取 |
| 5.2.2 单因素分析 |
| 5.3 改进BP神经网络的磁场优化模型建立 |
| 5.3.1 输入和输出变量的选择 |
| 5.3.2 基于正交试验的样本设计 |
| 5.3.3 改进BP神经网络磁场模型的构建 |
| 5.4 基于遗传算法的触头间磁场优化 |
| 5.4.1 触头间磁场优化目标的确定 |
| 5.4.2 触头间磁场优化变量的设置 |
| 5.4.3 触头结构参数寻优实现与结果分析 |
| 5.5 横磁触头磁场对比分析 |
| 5.5.1 螺旋槽横磁触头结构仿真与分析 |
| 5.5.2 万字形横磁触头结构仿真与分析 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 致谢 |
（4）基于改进粒子群算法的油船结构优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 船舶结构优化方法研究现状 |
| 1.2.1 传统优化算法 |
| 1.2.2 进化优化算法 |
| 1.2.3 直接计算法 |
| 1.3 粒子群算法改进的研究现状 |
| 1.4 论文主要研究内容 |
| 2 油船舱段结构有限元分析 |
| 2.1 船型参数说明 |
| 2.2 舱段有限元分析模型 |
| 2.2.1 舱段模型坐标系 |
| 2.2.2 舱段模型范围 |
| 2.2.3 划分网格 |
| 2.2.4 设置材料属性 |
| 2.2.5 舱段模型的建立 |
| 2.3 载荷计算 |
| 2.4 边界条件施加 |
| 2.5 计算工况 |
| 2.6 舱段强度计算结果 |
| 2.7 本章小结 |
| 3 舱段结构灵敏度分析与样本获取 |
| 3.1 灵敏度分析理论 |
| 3.2 ISIGHT软件DOE方法 |
| 3.3 舱段结构灵敏度分析 |
| 3.3.1 设计变量 |
| 3.3.2 质量灵敏度 |
| 3.3.3 最大等效应力灵敏度 |
| 3.3.4 剪应力灵敏度 |
| 3.4 获取样本数据 |
| 3.4.1 正交设计法 |
| 3.4.2 试验方案 |
| 3.5 本章小结 |
| 4 粒子群优化BP神经网络算法 |
| 4.1 BP神经网络 |
| 4.1.1 BP算法 |
| 4.1.2 BP神经网络参数选取 |
| 4.1.3 BP神经网络训练与检测 |
| 4.1.4 BP神经网络的缺点 |
| 4.2 粒子群算法 |
| 4.2.1 粒子群算法概述 |
| 4.2.2 标准粒子群算法的数学模型 |
| 4.2.3 标准粒子群算法的计算流程 |
| 4.2.4 粒子群算法的参数选择 |
| 4.3 粒子群算法的多样性研究 |
| 4.3.1 粒子群算法多样性概述 |
| 4.3.2 种群多样性测量方法 |
| 4.4 粒子群优化BP神经网络算法 |
| 4.4.1 概述 |
| 4.4.2 PSO-BP神经网络基本原理 |
| 4.4.3 PSO-BP神经网络算法仿真分析 |
| 4.4.4 PSO-BP神经网络算法的局限性 |
| 4.5 本章小结 |
| 5 粒子群优化BP神经网络算法的改进及应用 |
| 5.1 PSO优化BP神经网络算法的改进策略 |
| 5.1.1 基于多区间的粒子位置初始化 |
| 5.1.2 混沌扰动策略 |
| 5.1.3 SMPSO-BP神经网络算法步骤 |
| 5.1.4 SMPSO-BP神经网络算法仿真分析 |
| 5.2 舱段结构优化 |
| 5.2.1 船舶结构优化设计的概念 |
| 5.2.2 优化方案 |
| 5.2.3 优化结果及分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（5）神经网络结合遗传算法在钢桁拱桥无应力合龙控制中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文的选题、研究意义和目的 |
| 1.2 钢桁拱桥的发展概况 |
| 1.2.1 国外钢桁拱桥的发展概况 |
| 1.2.2 国内钢桁拱桥的发展概况 |
| 1.3 主拱架设技术发展 |
| 1.4 拱桥施工控制计算方法研究 |
| 1.5 本文课题来源及主要研究内容 |
| 2 以无应力合龙为目标的成拱索力优化研究 |
| 2.1 无应力状态控制法 |
| 2.2 无应力状态合龙研究 |
| 2.2.1 强制合龙 |
| 2.2.2 自然合龙 |
| 2.2.3 无应力合龙的实现 |
| 2.3 扣锚索索力优化理论 |
| 2.3.1 解析法 |
| 2.3.2 数值法 |
| 2.3.3 优化分析法 |
| 2.3.4 各种索力计算方法的比较 |
| 2.4 基于神经网络和遗传算法的索力优化方法 |
| 2.4.1 神经网络 |
| 2.4.2 遗传算法 |
| 2.5 本章小结 |
| 3 基于神经网络与遗传算法结合的合龙控制方法 |
| 3.1 神经网络 |
| 3.1.1 神经网络理论 |
| 3.1.2 BP神经网络建立 |
| 3.1.3 BP神经网络存在的问题 |
| 3.1.4 BP神经网络在索力优化中的应用 |
| 3.2 遗传算法 |
| 3.2.1 遗传算法理论 |
| 3.2.2 遗传算法建立 |
| 3.2.3 遗传算法在索力优化中的应用 |
| 3.3 神经网络与遗传算法相结合的索力优化方法 |
| 3.4 本章小结 |
| 4 香溪长江大桥无应力合龙控制研究 |
| 4.1 香溪长江大桥工程概况 |
| 4.1.1 拱桁结构 |
| 4.1.2 缆索吊机设计 |
| 4.1.3 扣锚索体系设计概况 |
| 4.1.4 主拱安装方案 |
| 4.1.4 Midas civil有限元建模 |
| 4.2 影响无应力合龙目标的因素分析 |
| 4.2.1 温度 |
| 4.2.2 临时荷载 |
| 4.2.3 索力 |
| 4.3 神经网络结合遗传算法优化扣索索力 |
| 4.3.1 神经网络样本采集要求 |
| 4.3.3 正交表设计 |
| 4.3.4 BP神经网络训练 |
| 4.3.5 遗传算法的目标函数设计 |
| 4.4 优化结果 |
| 4.5 改进后计算结果 |
| 4.5.1 方案一计算结果 |
| 4.5.2 方案二计算结果 |
| 4.6 主拱无应力状态量计算 |
| 4.6.1 无应力索长计算理论 |
| 4.6.2 无应力索长的确定 |
| 4.6.2 无应力构形的确定 |
| 4.7 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（6）细长杆多腔模注塑成型工艺多因素多目标集成优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 注塑成型优化技术的国内外研究综述 |
| 1.2.1 注塑成型流道平衡优化 |
| 1.2.2 注塑成型工艺参数的优化 |
| 1.3 论文的主要内容 |
| 第二章 细长杆多腔模非平衡流动机理及平衡优化 |
| 2.1 多腔模平衡设计问题 |
| 2.2 熔体充模过程的理论基础 |
| 2.2.1 粘性流体力学的基本方程 |
| 2.2.2 圆管熔体流动行为的数学模型 |
| 2.3 造成平衡流道多腔模填充不平衡的因素 |
| 2.3.1 流道拐角诱导多腔模不平衡 |
| 2.3.2 模温梯度导致的不平衡 |
| 2.3.3 剪切诱导的不平衡(Shear-induced imbalance) |
| 2.4 细长杆平衡流道的不平衡造成产品变形分析 |
| 2.4.1 优化浇口位置确定最佳流道方案 |
| 2.4.2 影响细长杆流动不平衡的工艺因素 |
| 2.5 小结 |
| 第三章 Taguchi-CAE的集成在细长杆注塑工艺优化中应用 |
| 3.1 引言 |
| 3.2 噪音比S/N的含义 |
| 3.3 基于正交设计的注塑成型工艺参数优化 |
| 3.3.1 实验安排 |
| 3.3.2 PP注塑成型工艺参数优化 |
| 3.3.3 PC注塑成型工艺参数优化 |
| 3.3.4 PC+ABS注塑成型工艺参数优化 |
| 3.3.5 PP PC PC+ABS成型特性小结 |
| 3.4 基于噪音比S/N的PP注塑成型工艺参数优化 |
| 3.5 正交设计和Taguchi正交试验优化结果分析 |
| 3.6 小结 |
| 第四章 Taguchi-RSM-CAE的集成在细长杆注塑成型工艺优化中应用 |
| 4.1 引言 |
| 4.2 RSM研究方法 |
| 4.2.1 RSM方法简介 |
| 4.2.2 响应面的各因素(变量)之间的交互作用 |
| 4.2.3 响应面试验设计方法 |
| 4.2.4 响应面的构造及检验过程 |
| 4.3 RSM-CAE的集成在PP细长杆注塑成型工艺参数多目标优化的应用 |
| 4.3.1 细长杆注塑响应面研究概述 |
| 4.3.2 实验设计 |
| 4.3.3 响应面模型 |
| 4.4 RSM-CAE的集成在PC细长杆注塑成型工艺参数多目标优化的应用 |
| 4.4.1 PC体积收缩率实验模型及响应面分析 |
| 4.4.2 PC最大轴向变形实验模型及响应面分析 |
| 4.4.3 PP、PC的成型工艺对收缩变形的影响比较 |
| 4.5 正交实验、基于噪音比的正交实验和响应面优化结果比较 |
| 4.6 小结 |
| 第五章 遗传算法和神经网络的集成在细长杆注塑指标精度预测研究 |
| 5.1 引言 |
| 5.2 人工神经网络介绍 |
| 5.2.1 人工神经网络原理 |
| 5.2.2 BP网络 |
| 5.2.3 BP网络的设计和训练 |
| 5.3 遗传算法介绍 |
| 5.3.1 遗传算法的基本原理 |
| 5.3.2 遗传算法在神经网络中的应用 |
| 5.3.3 基于遗传算法的神经网络训练 |
| 5.4 GA-BP-Taguchi的集成在PP细长杆体积收缩率注塑工艺优化中的应用 |
| 5.4.1 GA-BP神经网络训练和精度检验 |
| 5.4.2 Taguchi正交实验和GA-BP的结合寻优和预测 |
| 5.5 GA-BP-RSM的集成在PC轴向变形优化和预测中的应用 |
| 5.5.1 GA-BP神经网络训练和预测精度检验 |
| 5.5.2 RSM和GA-BP联合寻优和预测 |
| 5.5.3 GA-BP组合预测模型应用 |
| 5.6 小结 |
| 第六章 Taguchi-RSM-GRA的集成在细长杆注塑工艺多目标优化的应用 |
| 6.1 引言 |
| 6.2 灰色关联分析的方法与步骤 |
| 6.3 灰色关联系数的讨论 |
| 6.4 Taguchi设计和灰关联分析的集成在细长杆注塑成型品质多目标优化应用 |
| 6.4.1 基于Taguchi和灰关联分析集成的注塑成形工艺优化 |
| 6.4.2 多目标的灰色关联度计算 |
| 6.4.3 灰色关联度的极差与方差分析 |
| 6.4.4 连续空间的预测模型 |
| 6.4.5 多种优化方法比较 |
| 6.5 RSM和灰关联的集成在细长杆注塑成型品质多目标优化应用 |
| 6.5.1 基于CCD实验的灰关联度计算 |
| 6.5.2 基于响应面的参数显着性分析和预测模型 |
| 6.6 基于灰关联和理想解法的注射工艺多目标优化 |
| 6.7 小结 |
| 第七章 细长杆多腔模注塑成型工艺实证研究 |
| 7.1 引言 |
| 7.2 模具设计 |
| 7.3 实验部分 |
| 7.3.1 实验材料 |
| 7.3.2 实验设备 |
| 7.3.3 优化参数的试验验证 |
| 7.3.4 实际值与GA-BP误差比较 |
| 7.4 小结 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文及参与课题 |
（7）非石棉垫片配方的分类及优化仿真（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 非石棉垫片的基本成分、制备工艺和性能表征 |
| 1.2.1 非石棉垫片材料的基本成分 |
| 1.2.2 非石棉垫片制备的工艺方法 |
| 1.2.3 非石棉垫片的性能表征 |
| 1.3 人工神经网络的发展现状 |
| 1.4 配方优化方法的研究现状 |
| 1.4.1 正交实验设计法简介 |
| 1.4.2 均匀实验设计法简介 |
| 1.4.3 回归实验设计法简介 |
| 1.4.4 遗传算法 |
| 1.4.5 神经网络 |
| 1.5 神经网络在材料配方中的研究现状 |
| 1.6 本文的研究意义和内容 |
| 1.6.1 课题的研究意义 |
| 1.6.2 研究内容 |
| 第二章 神经网络对非石棉垫片配方的分类 |
| 2.1 分类方法 |
| 2.1.1 PNN神经网络 |
| 2.1.2 LVQ神经网络 |
| 2.1.3 SOM神经网络 |
| 2.2 神经网络的分类结果 |
| 2.2.1 PNN神经网络对非石棉垫片配方数据的仿真结果 |
| 2.2.2 LVQ神经网络对非石棉垫片配方数据的仿真结果 |
| 2.2.3 SOM神经网络对非石棉垫片配方数据的仿真结果 |
| 2.3 本章小结 |
| 第三章 BP神经网络对非石棉垫片的性能仿真 |
| 3.1 BP神经网络 |
| 3.1.1 BP网络的结构形式和基本原理 |
| 3.1.1.1 BP网络的结构形式 |
| 3.1.1.2 BP网络的基本原理 |
| 3.2 BP神经网络的仿真结果 |
| 3.2.1 BP神经网络的参数设计 |
| 3.2.2 BP神经网络对非石棉垫片性能的仿真结果 |
| 3.3 BP神经网络的改进算法 |
| 3.3.1 Levenberg-Marquart算法 |
| 3.3.2 共轭梯度BP网络的算法 |
| 3.3.3 附加动量的BP算法 |
| 3.4 BP改进算法对非石棉垫片性能的仿真结果 |
| 3.4.1 Levenberg-Marquart算法的仿真结果 |
| 3.4.2 共轭梯度BP算法的仿真结果 |
| 3.4.2.1 Fletcher-Reeves共轭梯度算法的仿真结果 |
| 3.4.2.2 Scaled共轭梯度算法的仿真结果 |
| 3.4.2.3 Polak-Ribiere共轭梯度算法的仿真结果 |
| 3.4.2.4 Poweii-Beale重置共轭梯度算法 |
| 3.4.3 附加动量BP算法的仿真结果 |
| 3.5 本章小结 |
| 第四章 非石棉垫片配方与性能的回归分析模型 |
| 4.1 回归分析 |
| 4.2 非石棉垫片的回归分析模型 |
| 4.3 本章小结 |
| 第五章 非石棉垫片配方的优化设计 |
| 5.1 MATLAB优化工具箱对非石棉垫片的配方优化 |
| 5.1.1 MATLAB优化工具箱简介 |
| 5.1.1.1 fmincon函数介绍 |
| 5.1.1.2 fgoalattain函数介绍 |
| 5.1.2 MATLAB优化工具箱对非石棉垫片配方的仿真与优化 |
| 5.1.2.1 fmincon函数对非石棉垫片配方的优化结果 |
| 5.1.2.2 龟oalattain函数对非石棉垫片配方的优化结果. |
| 5.2 LINGO对非石棉垫片配方的优化仿真结果 |
| 5.2.1 LINGO软件简介 |
| 5.2.2 LINGO软件的仿真结果 |
| 5.3 多目标优化的传统方法简介 |
| 5.3.1 线性加权法 |
| 5.3.2 理想点法 |
| 5.4 多目标问题的遗传算法 |
| 5.4.1 遗传算法的基本理论 |
| 5.4.2 遗传算法工具箱简介 |
| 5.4.3 惩罚函数法 |
| 5.4.4 遗传算法的配方优化结果 |
| 5.4.4.1 遗传算法的参数设计 |
| 5.4.4.2 遗传算法的仿真结果 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 硕士期间发表的论文 |
| 附录B 15种非石棉垫片的配方分类数据 |
| 附录C 18种非石棉垫片配方预测数据 |
| 附录D 18种非石棉垫片性能数据 |
| 附录E 18种非石棉垫片密度、烧失量、强度性能数据 |
（8）基于遗传算法优化的BP网络对生物柴油制备工艺的优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 生物柴油研究的意义 |
| 1.2 生物柴油在国内外的研究现状 |
| 1.2.1 国外生物柴油的研究现状 |
| 1.2.2 国内生物柴油的研究现状 |
| 1.3 生物柴油的制备方法 |
| 1.3.1 酯交换法 |
| 1.3.2 酯化法 |
| 1.4 本课题的研究现状及进展 |
| 1.5 本课题的提出 |
| 1.5.1 研究背景及意义 |
| 1.5.2 研究内容 |
| 1.5.3 研究方案的设计 |
| 第二章 人工神经网络 |
| 2.1 概述 |
| 2.2 神经网络模型及学习方式与规则 |
| 2.3 BP网络的工作原理与方法 |
| 2.4 BP网络的设计 |
| 2.4.1 训练样本的获取 |
| 2.4.2 网络的层数 |
| 2.4.3 隐含层的神经元数 |
| 2.4.4 初始权值的选取 |
| 2.4.5 学习速率 |
| 2.5 BP网络的缺陷及改进 |
| 2.6 MATLAB中BP神经网络的工具箱函数 |
| 第三章 小桐子油制备生物柴油的研究 |
| 3.1 材料与方法 |
| 3.1.1 材料 |
| 3.1.2 试验装置 |
| 3.1.3 方法 |
| 3.2 结果与分析 |
| 3.2.1 单因素试验 |
| 3.2.2 正交试验 |
| 3.3 结论 |
| 第四章 生物柴油制备工艺的BP网络预测模型 |
| 4.1 生物柴油制备试验样本的数据的处理 |
| 4.2 生物柴油网络预测模型网络层次的确立 |
| 4.3 生物柴油网络预测模型的隐含层节点数的确定 |
| 4.4 生物柴油网络预测模型网络模型的确定 |
| 4.5 生物柴油网络预测模型BP网络模型的应用 |
| 第五章 遗传算法优化的神经网络对生物柴油的优化处理 |
| 5.1 遗传算法的基本思想 |
| 5.2 遗传算法的实现 |
| 5.2.1 编码方法 |
| 5.2.2 适应度函数 |
| 5.2.3 遗传算法的基本运算 |
| 5.2.4 遗传算法的基本流程 |
| 5.2.5 遗传算法的运行参数 |
| 5.3 遗传算法对BP网络的优化 |
| 5.4 遗传算法优化的BP网络的应用 |
| 5.5 遗传算法优化后BP网络的实验验证 |
| 5.6 结论 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）基于BP网络和稳健性分析的机械扩径工艺参数优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 机械扩径工艺的应用及特点 |
| 1.2 机械扩径文献综述 |
| 1.2.1 机械扩径设备研究 |
| 1.2.2 机械扩径工艺研究 |
| 1.2.3 机械扩径对焊管力学性能影响的研究 |
| 1.3 机械扩径研究存在的问题 |
| 1.3.1 研究现状 |
| 1.3.2 机械扩径工艺参数优化亟待解决的问题 |
| 1.4 正交设计及其在塑性成形领域中的应用 |
| 1.4.1 正交设计及其统计模型 |
| 1.4.2 正交设计的发展及其在塑性成形领域中的应用 |
| 1.5 BP 神经网络及其在塑性成形领域中的应用 |
| 1.5.1 BP 神经网络非线性映射功能 |
| 1.5.2 BP 神经网络在塑性成形领域中的应用 |
| 1.6 遗传算法及其在塑性成形领域的应用 |
| 1.6.1 遗传算法的函数优化功能 |
| 1.6.2 遗传算法在塑性成形领域的应用 |
| 1.7 稳健设计及其在塑性成形领域的应用 |
| 1.7.1 信噪比 |
| 1.7.2 稳健设计在塑性成形领域的应用 |
| 1.8 本文的研究内容和技术路线 |
| 第2章 机械扩径工艺参数影响度的定量分析 |
| 2.1 机械扩径制品成形质量参数和工艺参数 |
| 2.1.1 评价机械扩径制品成形质量的参数 |
| 2.1.2 影响机械扩径制品成形质量的参数 |
| 2.2 机械扩径数值模拟模型 |
| 2.2.1 材料模型 |
| 2.2.2 机械扩径的有限元模型 |
| 2.3 机械扩径工艺参数的影响特征 |
| 2.4 参数影响度的定量分析 |
| 2.4.1 正交设计 |
| 2.4.2 机械扩径参数正交设计 |
| 2.5 本章小结 |
| 第3章 机械扩径制品成形质量参数BP 神经网络 预测模型 |
| 3.1 BP 神经网络结构及学习算法 |
| 3.2 机械扩径BP 神经网络模型 |
| 3.2.1 样本设计 |
| 3.2.2 网络结构设计 |
| 3.2.3 网络训练 |
| 3.2.4 网络性能测试 |
| 3.3 机械扩径预测模型可视化设计 |
| 3.3.1 人机交互界面设计 |
| 3.3.2 机械扩径预测系统界面 |
| 3.4 本章小结 |
| 第4章 机械扩径工艺参数优化 |
| 4.1 遗传算法理论 |
| 4.1.1 遗传算法基本实现技术 |
| 4.1.2 遗传算法的应用步骤 |
| 4.2 多目标优化问题 |
| 4.2.1 多目标优化模型及求解方法 |
| 4.2.2 多目标优化问题的 Pareto 解 |
| 4.2.3 并列选择遗传算法 |
| 4.3 遗传算法优化机械扩径工艺参数 |
| 4.3.1 机械扩径工艺参数优化模型 |
| 4.3.2 遗传算法优化 |
| 4.3.3 遗传算法优化机械扩径系统的可视化设计 |
| 4.4 本章小结 |
| 第5章 机械扩径多目标优化解的稳健性分析 |
| 5.1 稳健设计方法 |
| 5.2 多目标问题稳健性度量 |
| 5.2.1 典型的处理方法 |
| 5.2.2 权系数确定方法 |
| 5.3 塑性成形领域中稳健设计的应用 |
| 5.4 机械扩径 PARETO 解的稳健性分析 |
| 5.4.1 参数分析 |
| 5.4.2 数值模拟方案设计 |
| 5.4.3 数据处理 |
| 5.5 本章小结 |
| 第6章 实验研究 |
| 6.1 实验目的 |
| 6.2 实验内容和测试数据 |
| 6.2.1 实验内容 |
| 6.2.2 实验装置与扩径模具 |
| 6.2.3 实验结果 |
| 6.3 实验结果分析 |
| 6.3.1 管坯椭圆度 |
| 6.3.2 模具分瓣数目 |
| 6.3.3 稳健性对比分析 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
| 作者简介 |
（10）注塑成型工艺参数多目标优化设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究的目的和意义 |
| 1.3 注塑成型过程数值模拟、工艺参数优化和控制的重要性 |
| 1.4 注塑成型工艺参数优化设计进展 |
| 1.5 论文的主要工作 |
| 2 注塑成型的流动数值仿真理论分析 |
| 2.1 注塑成型CAE理论分析 |
| 2.1.1 熔体充模过程数值仿真理论 |
| 2.1.2 熔体保压过程数值仿真理论 |
| 2.1.3 熔体冷却过程数值仿真理论 |
| 2.1.4 制品翘曲变形数值仿真理论 |
| 2.2 注塑成型CAE分析软件功能简介 |
| 2.3 本章小结 |
| 3 注塑成型CAE建模 |
| 3.1 注塑产品有限元模型的建立 |
| 3.1.1 制品3D模型的前处理 |
| 3.1.2 制品有限元网格的划分与修复 |
| 3.2 Moldflow分析模型的建立 |
| 3.2.1 模具浇注系统的有限元建模 |
| 3.2.2 模具冷却系统的有限元建模 |
| 3.2.3 制品材料和成型工艺参数的设定 |
| 3.3 本章小结 |
| 4 基于正交试验的注塑成型仿真试验 |
| 4.1 成型工艺影响因素 |
| 4.2 注塑成型质量指标的确定 |
| 4.3 数值仿真正交试验设计 |
| 4.3.1 正交试验简介 |
| 4.3.2 基于模糊映射的质量指标加权综合评分 |
| 4.3.3 基于正交表的仿真试验方案 |
| 4.3.4 试验结果的计算与分析 |
| 4.4 本章小结 |
| 5 注塑制品质量的神经网络模型 |
| 5.1 人工神经网络 |
| 5.1.1 BP网络模型 |
| 5.1.2 BP算法 |
| 5.2 BP网络的设计 |
| 5.2.1 BP网络的结构设计 |
| 5.2.2 参数设计 |
| 5.3 改进BP算法 |
| 5.4 注塑制品质量预测的神经网络模型建立 |
| 5.4.1 神经网络模型建立前处理 |
| 5.4.2 神经网络模型对比实验设计 |
| 5.4.3 神经网络实验结果比较 |
| 5.5 神经网络集的建立 |
| 5.6 本章小结 |
| 6 基于遗传算法的注塑成型工艺参数优化 |
| 6.1 最优化问题的提出 |
| 6.2 遗传算法概述 |
| 6.3 注塑成型工艺参数多目标优化方法 |
| 6.3.1 遗传算法的实施 |
| 6.3.2 注塑成型工艺参数多目标优化的遗传算法实现 |
| 6.4 采用Moldflow验证遗传算法所得的最优工艺参数 |
| 6.5 质量指标结果的比较与分析 |
| 6.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 附录A |
| 附录B(攻读学位期间的主要学术成果) |
| 致谢 |
四、遗传BP神经网络在正交试验最优化中的应用（论文参考文献）
- [1]模拟集成电路设计与优化方法研究[D]. 李亚萍. 山东大学, 2021(10)
- [2]代理模型在船舶阻力预报及优化中的应用[D]. 张乔宇. 中国舰船研究院, 2020(02)
- [3]基于改进神经网络的真空灭弧室电磁场联合优化设计[D]. 刘威. 天津工业大学, 2020(02)
- [4]基于改进粒子群算法的油船结构优化研究[D]. 孟松. 大连海事大学, 2019(06)
- [5]神经网络结合遗传算法在钢桁拱桥无应力合龙控制中的应用[D]. 董一鸣. 武汉轻工大学, 2018(01)
- [6]细长杆多腔模注塑成型工艺多因素多目标集成优化[D]. 谭小红. 江苏大学, 2013(05)
- [7]非石棉垫片配方的分类及优化仿真[D]. 田槐艳. 昆明理工大学, 2012(03)
- [8]基于遗传算法优化的BP网络对生物柴油制备工艺的优化[D]. 周小飞. 昆明理工大学, 2011(06)
- [9]基于BP网络和稳健性分析的机械扩径工艺参数优化[D]. 杨艳子. 燕山大学, 2010(08)
- [10]注塑成型工艺参数多目标优化设计[D]. 卫炜. 中南林业科技大学, 2009(02)