基于并行遗传算法的矩形件排样优化

利用遗传算法对待排零件进行编码,将矩形件正交排样问题转化为排列问题。然后采用一种新的解码排样算法——基于最低水平线的改进算法,将每一个体编码转化为排样图,进行适应度评价,以驱动遗传进化,最终寻找出最优排样图。对遗传算法进行了并行性改进,较好地维持了种群的多样性,增强了算法的搜索效率。对文献中的两个算例进行了求解,结果表明该算法是有效的。

基于自适应蚁群算法的矩形件排样优化

蚁群算法是一种新型的进化算法,但它与其他进化算法一样也存在容易陷入局部搜索空间等缺陷。将蚁群算法引入到矩形零件的排样优化问题中,根据待排矩形零件面积和长宽比对每个蚂蚁节点赋予一定的初始信息量,同时对基本蚁群系统中的状态转移概率与信息素挥发因子做了适当改进,使其拥有自适应调节作用,从而有效的避免了蚂蚁长时间陷入局部搜索空间,使算法能在较短的时间内收敛到全局最优或近似最优解。最后两个实例表明,此算法用于求解矩形件排样问题是有效的。

基于Elman神经网络的橡胶介质复合胀形多通管坯料参数优化

探讨了运用人工神经网络技术进行复合胀形多通管坯料参数快速预测的方法。选择应用广泛的三通管件为例,以管坯长度、管坯壁厚和模具过渡圆角半径为网络输入参数,壁厚减薄不超过30%时的最大支管长度为输出参数,建立了人工神经网络的预测模型。结合正交设计和有限元数值模拟的思想获取训练、测试样本;在MATLAB软件平台上完成预测模型的训练、测试和管坯参数预测。预测结果和数值分析结果表明,利用Elman神经网络进行多通管的管坯参数优化的方法是可行的。