基于动态遗传神经网络和灰色关联的板料成形多目标优化

针对板料成形优化中构造静态代理模型过度设计样本量、预测精度不易控制等问题,提出分步增补样本逐渐提高代理模型预测精度的动态遗传BP神经网络(GABP)建模方法。该方法依据模型精度按最大最小距离准则增添样本来提高全局精度,根据优化解精度将优化解增补为样本以改进局部精度,从而减少样本量,提高计算效率;基于灰色系统理论推导了灰色关联度的迭代计算新格式,将多目标问题转化为最大化关联度的单目标优化,并建立联合遗传算法与动态遗传BP神经网络模型的优化流程框架。通过函数算例表明,与静态遗传BP神经网络模型相比,动态遗传BP神经网络模型能减少约20%的样本量,且预测精度更好,关联度迭代新格式实现了迭代过程平稳收敛;采用该优化流程完成了NUMISHEET 93方盒件的成形工艺优化,与初始设计方案相比,优化方案的减薄指标和起皱指标分别降低了16.62%和8.26%,有效改善了方盒件的成形质量。

基于动态遗传神经网络的方盒件成形多目标优化

针对板料成形优化中采用传统静态代理模型存在全局近似精度不高、超量选取样本点等问题,提出了多重近似精度收敛、逐步增添样本点的动态遗传神经网络(Genetic Algorithm Back Propagation Neural Network,GABP)建模方法。样本点增补策略根据动态模型的全局近似精度和局部近似精度分别按最大最小距离增补和局部最优解增补。将动态代理模型应用于NUMISHEET 93方形盒冲压成形优化问题,结合灰色关联理论将多目标问题转化为单目标问题并构造用于优化的迭代格式,实现了方盒件成形的多目标优化,有效地提高了方盒件成形质量和优化计算效率。