改进的MVO-GRNN神经网络岩爆预测模型研究

准确预测岩爆烈度等级能有效指导岩爆灾害的防控。根据影响岩爆发生及烈度等级的3个因素构建岩爆评价指标体系,提出一种基于改进多元宇宙算法(Improved Multi-Verse Optimizer,IMVO)优化广义回归神经网络(General Regression Neural Network,GRNN)的岩爆预测模型。在普通多元宇宙算法(MVO)的基础上,运用自适应平衡机制调节MVO算法中的虫洞存在概率(V_(WEP))和旅行距离率(V_(TDR))两个重要参数来改进该算法;再运用改进的多元宇宙算法优化广义回归神经网络的光滑度,通过训练数据优选出最佳光滑因子σ,得到IMVO-GRNN神经网络岩爆烈度预测模型;最后结合工程实例验证模型的性能。研究表明,该模型相比传统模型寻优能力更强,精度更高,为岩爆预测提供了一种新的思路。

基于改进多宇宙算法的大尺寸法兰平面度测量研究

基于圆周法的等角度-等间隔采样方案,运用圆平面的平面度误差的最小二乘法和最小区域法的评定模型,设置目标函数用以验证平面度误差;调整多元宇宙算法虫洞概率函数以提高算法的搜索性能;最后通过3D视觉和精密运动控制融合的尺寸法兰检测并验证平面度,自行研究排序算法进行高效平面度计算,验证基于改进多宇宙算法的大尺寸法兰平面度测量正确率达99.6%,并且检测速率比传统检测提升约1/3。

基于改进多元宇宙算法的零件平面度测量研究

为了提高零件平面度测量结果,采用改进多元宇宙算法。首先建立零件平面度测量模型,设置非线性最优化问题的目标函数;接着基于对数函数对多元宇宙算法虫洞概率调整,调整后的虫洞概率随着迭代次数的增加,物体穿越虫洞的机会增加,从而加速了宇宙物体的移动,提高了算法的搜索性能;然后基于指数函数对宇宙算法移动步长优化,在迭代初期具有较大值使得宇宙能够以较快速度进行全局探索,迭代后期具有较小值使得宇宙能够慢速进行局部开发,提升算法探索、开发能力;最后给出了算法流程。实例验证结果表明改进多元宇宙算法测量误差平均值为5.212μm,相比LSM、PSO、GA、DE、ANN算法分别减少了37.63%、33.61%、27.51%、19.41%、10.17%,测量所需时间为3.282 s,分别减少了36.95%、30.33%、26.11%、18.52%、12.74%,明显优于其它算法,测量效果较好。