用参数正交选优神经网络算法解货郎问题

本文发现了货郎问题(TSP)能量函数的参数空间中的吸引域与全局性优化解之间存在着确定的对应关系,并找到了许多参数空间中的吸引域。在此基础上提出了一种新算法——参数正交选优神经网络算法求解TSP,30城市,31城市(中国)和300城市TSP的求解结果都十分满意,表明这种新算法的有效性。

基于实验方案设计的卷积神经网络超参数优化方法

卷积神经网络是人工智能的重要组成部分,在自然语言处理、图像识别等领域表现优异。卷积神经网络模型超参数配置涉及训练策略,在卷积神经网络大模型优化方面起着至关重要的作用。现有超参数优化方法耗时耗力,遍历整个超参数空间,容易陷入局部最优解。首先,构建3个不同深度的自建卷积神经网络作为优化对象,以提高模型在验证集上的准确率为优化目标找到最佳的超参数配置。其次,考虑优化神经网络大模型的训练过程并提高模型性能的需求,提出一种基于实验方案设计的卷积神经网络超参数优化方法。最后,为了验证方法的有效性,依据均匀设计理念构建训练方案,生成超参数优化组合,进行主观经验生成训练方案的对比实验。结果表明:所提出的优化方法在收敛速度、准确率和计算效率上更具优势。该方法为实现卷积神经网络大模型的高效训练提供支持,具有良好的通用性,可以应用于不同规模的卷积神经网络训练任务。

基于BP神经网络的白云母超细磨工艺参数优化

为提高白云母超细磨的效率,采用皮尔森相关系数分析超细磨效率与各参数之间的敏感性,并建立BP神经网络模型对白云母的超细磨正交试验参数进行优化。研究结果表明:各参数对超细磨效率敏感程度由大到小依次为瓷球级配、搅拌速率、助磨剂种类、超细磨时间和助磨剂用量。利用BP神经网络优化后的工艺参数进行超细磨试验,可获得-13μm粒级质量分数为83.04%的白云母,与正交试验最佳点相比提高了2.19%,所建模型可提高白云母超细磨效率,且预测精度较高。研究结论为超细白云母粉体的高效制备提供参考。

基于正交试验-遗传神经网络的陶瓷球面精密磨削参数优化

针对陶瓷等难加工材料的精密加工要求与特点以及球面磨削传统加工模式,分析了氮化硅陶瓷材料球面廓形工件砂轮法向跟踪精密磨削的方法。采用正交试验法设计试验,运用极差法和方差法综合分析相关磨削工艺参数对工件加工质量与效率的影响规律。考虑到当前磨削加工工艺方案选择与优选的难点,利用遗传神经网络算法建立了工件加工质量与效率和相关磨削工艺参数之间的非线性映射关系,并基于正交试验法的分析结果对遗传神经网络算法进行了改进,实现了相关磨削工艺参数的优化,缩短了氮化硅陶瓷材料球面廓形工件数控磨削工艺制定与操作的时间,提高了磨削加工质量和效率。

基于BP神经网络的隧道围岩参数反演分析

以张家口市东太平山隧道工程项目为背景,基于MIDAS软件建立有限元模型,利用退火算法优化GA-BP神经网络,设计正交试验并构建GASA-BP神经网络,通过隧道拱顶沉降、水平收敛和仰拱隆起3个参数的模拟值对围岩的弹性模量、黏聚力、内摩擦角进行反演分析。结果表明:使用GASA-BP神经网络反演所得到隧道拱顶沉降、水平收敛和仰拱隆起的模拟值,与实测值的最大相差分别为6.60%、19.80%、2.16%;与BP神经网络相比,GASA-BP神经网络整体反演精度更高,反演所得围岩参数精度处于合理区间,在此参数下建立的有限元模型可以对工程实际进行较好地模拟。

基于SGD算法优化的BP神经网络围岩参数反演模型研究

为充分利用现场监测数据所反馈的围岩变形信息,对岩体力学参数进行反演,以贵州省剑河至黎平高速公路TJ-1标段牛练塘隧道为工程背景,选择围岩弹性模量、黏聚力、泊松比及内摩擦角为影响因素,通过设计正交试验及有限元模拟,获取25组围岩物理力学参数组合及其对应的拱顶沉降值和拱腰收敛模拟值。基于随机梯度下降算法(stochastic gradient descent algorithm,简称SGD算法)对传统BP神经网络模型进行改进,建立以拱顶沉降值和拱腰收敛值为输入参数,以围岩弹性模量、黏聚力、泊松比及内摩擦角为输出值的基于SGD算法优化的BP神经网络模型,实现围岩参数的反演分析。将反演所得的围岩参数代入有限元模型,验证优化BP神经网络模型的可行性和准确性。最后,分析围岩变形及初期支护受力特性并给出施工建议。结果表明:1)基于SGD算法优化的BP神经网络模型计算得出的拱顶沉降值、拱腰收敛值、拱肩收敛值与现场实测值的相对误差率在2.50%~24.01%,均低于传统BP神经网络模型计算得出的误差率(11.51%~93.71%),验证优化BP神经网络模型的可行性和优越性;2)上、下台阶拱脚处的喷层和锚杆有应力集中现象,有破坏风险,建议施工中加强拱脚支护,防止发生工程事故。

基于BP神经网络的凿岩爆破参数优选

为了得到合理的凿岩爆破参数,使用BP神经网络进行优选。经过简化,以炮孔间距和排距作为输入因子,以总炸药单耗作为综合输出因子;通过有限次的爆破正交试验,建立网络学习、训练样本,优选出最佳的网络模型;增加各输入因子水平,组合成预测、优选样本,从而搜索出最优的凿岩爆破参数。以新桥硫铁矿为例,优选出炮孔间距为1.30m,排距为1.10m;预测总炸药单耗为0.4597kg/t,比原炸药单耗(0.8288kg/t)降低44.53%。

基于正交试验和神经网络的新型充填胶凝材料配比优化

针对南洺河铁矿超细全尾砂,利用高炉矿渣、生石灰、芒硝和无机盐材料,进行了全尾砂充填胶凝材料优化配方正交试验。根据极差分析确定生石灰添加量6%的基础上,以试验数据为学习样本,建立了新胶凝材料配方的神经网络模型,开展激发材料掺量对充填体强度预测与影响规律研究。结果表明,对充填体28d强度影响最大因素是生石灰,其次是半水石膏,芒硝最小。综合考虑胶凝材料成本以及南洺河铁矿采矿方法对充填体强度要求,确定了南洺河全尾砂充填胶凝材料的优化配方是:生石灰6%,半水石膏18%,芒硝1.2%,NaCl 0.6%,CaCl_2 0.4%和矿渣微粉73.8%。采用优化配方进行验证试验,得到胶结充填体28 d的抗压强度达到2.873MPa,与正交试验中充填体强度试验的误差仅为5%,由此证明,南洺河铁矿全尾砂充填胶凝材料优化配方具有一定的可靠性。

神经网络与正交试验法结合优化板料成形工艺

结合人工神经网络所表现出来的良好特性,利用正交试验获得的数据作为神经网络的训练样本,建立输入为工艺参数、输出为回弹量ΔZ的神经网络模型。通过样本检验了ANN模型的准确性,从而缩短设定工艺参数的时间,在工艺参数取值范围内,采用ANN模型代替CAE软件模拟试验,结合正交试验法,对工艺参数进一步优化。结果表明,将神经网络与正交试验、数值模拟三者结合用于板料成形参数优化,可以缩短优化工艺参数的时间,提高工艺设计效率。

基于神经网络与正交试验的塑件翘曲变形优化

针对塑件在注塑成型过程中出现的翘曲变形过大的问题,采用了人工神经网络、正交试验和数值模拟三者结合的方法改进了注塑成型的工艺参数,优化塑件的翘曲变形。首先以正交试验得到的数据作为神经网络的训练样本,建立了输入、输出分别为成型工艺参数与塑件翘曲变形量的神经网络模型,并用样本验证模型的准确度,从而提高了成型工艺参数的选择效率。其次,采用验证过的神经网络模型代替CAE模拟仿真来获得塑件的翘曲变形量,结合正交试验法,改进了注塑成型工艺参数,得到了塑件的最佳成型工艺参数组合,使塑件的最大翘曲变形量降低了61%。最后,通过对塑件的实际制造证实了优化方案的正确性。

基于人工神经网络算法的自拟清瘟方制备工艺优化探索

目的优选自拟清瘟方制备工艺。方法以料液比(因素A)、提取时间(因素B)、提取次数(因素C)为考察因素,以绿原酸、木犀草苷、靛蓝、靛玉红含量,干膏得率及其综合评分为考察指标,采用L_(9)(3^(4))正交试验法优化制备工艺;再以正交试验中的三因素水平为输入,以6种考察指标为输出,使用多层感知器(MLP)神经网络、反向传播(BP)神经网络、径向基(RBF)神经网络、遗传算法(GA)-BP神经网络进一步优化制备工艺。结果正交试验得出2种最佳方案(A_(2)B_(1)C_(2)和A_(1)B_(1)C_(2)),料液比1∶10或1∶8(g/mL),提取时间30 min,提取次数2次。但不同指标的最佳方案不同。绿原酸为A_(1)B_(1)C_(2),木犀草苷为A_(2)B_(1)C_(2)。预测发现,使用MLP神经网络算法时,平均误差率较大;相较于RBF下神经网络,BP神经网络算法可获得更小的误差和更优的决定系数,但仍无法解决局部最优解的问题。因此,采用GA-BP神经网络算法优化,可使决定系数最大化,误差平方和最小化,最优参数为料液比0.099(g/mL),提取2次,每次29.97 min。结论通过使用优化后的GA-BP神经网络,并结合传统正交试验设计,能准确提高工艺参数的优化程度,解决正交试验易出现局部最优解的难题,并降低数据处理难度。

基于BP神经网络的镗削加工工艺参数优选研究

用BP神经网络对镗削加工工艺参数正交试验的结果进行了分析处理,并再次优选各工艺参数,取得了较为理想的效果。

正交试验法在刀具几何参数优化中的应用研究

首先,基于AdvantEdge金属切削有限元仿真软件建立三维铣削模型并设计三水平四因素正交试验方案,采用K系列硬质合金整体圆柱立铣刀对钛合金材料Ti6Al4V进行铣削仿真加工,得到不同刀具几何参数在设定加工条件下的接触面应力时间历程曲线。然后,利用综合平衡法,分析刀具几何参数在多因素条件下对铣削力和刀具切削温度的主次影响,初步选定最优铣削方案。最后,采用方差分析法对最优方案进行验证,并逐一分析刀具各因素在单一变化条件下对铣削力和刀具切削温度的影响。

基于遗传算法和神经网络的冷挤压工艺参数模糊优化设计

将模糊优化思想引入冷挤压工艺参数优化设计,以冷挤压模具的四个关键工艺参数为设计变量,以最终挤压件的各处材料的损伤值为目标函数,建立了冷挤压工艺参数模糊优化模型。提出了利用神经网络进行材料损伤近似计算的策略,从而形成了基于遗传算法和神经网络的冷挤压工艺参数模糊优化方法。对冷挤压工艺参数模糊优化模型进行了求解,优化结果表明模糊优化思想能提高冷挤压工艺设计质量。

地铁隧道土体参数优先级表和神经网络反分析

为获取准确的土体力学参数,保障隧道施工过程的安全可靠,提出一种优先级表和神经网络相结合的地铁隧道土体力学参数反分析方法。首先,采用优先级表的实时调度算法确定待反演土体力学参数;然后,采用正交试验设计方法,寻求反演参数取值的最优组合,正演获取训练和测试样本;其次,用混合遗传算法优化的BP神经网络,找出待反演参数与土体变形量的非线性映射关系;最后,将工程现场土体变形信息作为输入样本,对土体力学参数进行反演分析和灵敏度检查。结果表明,土体位移模拟值与实测值最大绝对误差为0.018 mm,最大相对误差为1.070%,符合安全规范及设计要求。

基于BP神经网络的薄壁外壳注塑工艺参数优化

以某薄壁壳体为研究对象,采用正交试验法设计试验方案,基于Moldflow进行数值模拟分析,并对结果进行均值分析和极差分析,得到了第一次优化后的注塑工艺参数组合。在第一次优化的基础上,重新设计正交试验方案,基于训练好的BP神经网络,得到模拟试验结果,经过均值分析确定最优注塑工艺参数组合。结果表明,最优注塑工艺参数组合的翘曲变形量最小,有效提高了塑件质量。

基于神经网络和遗传算法的高速铣削工艺参数优化的研究

基于高速铣削正交试验,利用神经网络高度的非线性映射能力和遗传算法的全局寻优能力,建立了铣削力、铣削温度和表面粗糙度的BP神经网络仿真模型,在对它们进行优化的基础上获得几个主要因素的最优搭配。

基于BP神经网络的压铸成型工艺参数的模拟与优化

利用数值模拟、BP神经网络和正交试验相结合的方法对压铸成型的工艺参数进行模拟和优化。并且通过一个简单的实例对该方法的可行性进行了验证。基于BP神经网络对压铸工艺参数及其相对应的铸件最低温度点样本进行训练,得到了工艺参数到铸件温度映射关系的神经网络模型,并验证该模型的准确性。结果表明,神经网络结合正交实验设计方法的优化算法,可以确定出最优的工艺参数组合,缩短了优化工艺参数的时间。

多输入Laguerre正交多项式前向神经网络权值与结构确定法

为克服BP神经网络模型及其学习算法中的固有缺陷,根据多项式插值和逼近理论,构造出一种以Laguerre正交多项式作为隐层神经元激励函数的多输入前向神经网络模型。针对该网络模型,提出了权值与结构确定法,以便快速、自动地确定该网络的最优权值和最优结构。计算机仿真与实验结果显示:该算法是有效的,并且通过该算法所得到的网络具有较优的逼近性能和良好的去噪能力。

基于遗传算法与神经网络微电阻点焊工艺参数优化

文摘微电阻点焊工艺参数的设置对焊点力学性能有着至关重要的作用,通过正交试验极差分析研究了工艺参数对0.05 mm厚TC1箔材焊点剪切力和剥离力的影响程度。通过赋予剪切力和剥离力相应的权值将双优化目标转化为单一的混合优化目标,结合神经网络与遗传算法,对工艺参数进行了优化,建立了基于BP神经网络的焊点力学性能预测模型。结果表明预测模型的误差小于4%,预测模型具有较高的精度和预测能力,可以准确地预测焊点的力学性能。同时通过gatool工具箱对各项工艺参数进行了优化,获得焊接参数的最优组合:焊接电流800 A、电极压力8.89 N、爬坡时间1.608 ms、焊接时间8 ms,混合优化目标为55.73 N。通过与正交试验优化结果对比,遗传算法寻优可以获得更好的综合力学性能。