基于Ga-BP混合算法的激光工藝參數(shù)優(yōu)化及軟件開發(fā).pdf

1、隨著激光加工技術(shù)在實(shí)體制造業(yè)中的深入發(fā)展，激光加工方法和工藝參數(shù)的組合模式越來越復(fù)雜，最優(yōu)工藝參數(shù)的探索難度也越來越大。本文以如何能快速、準(zhǔn)確、經(jīng)濟(jì)地尋找最優(yōu)的激光工藝參數(shù)為目的，在研究反饋型神經(jīng)網(wǎng)絡(luò)(BackProragation，BP)和遺傳算法(Gentic Algorithm，GA)理論的基礎(chǔ)上，將二者改進(jìn)、結(jié)合，應(yīng)用于激光加工工藝參數(shù)的優(yōu)化中，并實(shí)現(xiàn)了改進(jìn)后形成的GA-BP混合算法計(jì)算機(jī)編程以及激光工藝參數(shù)優(yōu)化軟件開發(fā)。本課題

2、中，主要的研究工作有以下幾個(gè)方面:
　　第一，介紹了BP神經(jīng)網(wǎng)絡(luò)算法和傳統(tǒng)GA-BP算法的基本理論，并深入分析了它們?cè)谟?jì)算尋優(yōu)過程中存在的缺陷問題。然后，本文在傳統(tǒng)GA-BP算法的基礎(chǔ)上，分別對(duì)其BP神經(jīng)網(wǎng)絡(luò)算法模塊和遺傳算法模塊進(jìn)行了改進(jìn)，具體改進(jìn)為:
　　1) BP神經(jīng)網(wǎng)絡(luò)算法模塊
　　為了克服隱含層神經(jīng)元在訓(xùn)練過程中因過早飽和輸出而使整個(gè)訓(xùn)練過程失效，本文采用了一種新型的誤差函數(shù);本文還在輸出層神經(jīng)元的權(quán)值、閾值

3、調(diào)整公式的基礎(chǔ)上，添加了一個(gè)放大因子，目的是為了避免神經(jīng)網(wǎng)絡(luò)因訓(xùn)練停滯而導(dǎo)致權(quán)值、閾值不再調(diào)整;此外，相對(duì)與傳統(tǒng)的“單樣本訓(xùn)練”策略，本文采用的是“批量訓(xùn)練”的方法，因?yàn)檫@種方法更能客觀地反映出樣本數(shù)據(jù)間存在的關(guān)系。
　　2)遺傳算法模塊
　　傳統(tǒng)的輪盤賭選擇策略是基于染色體串適應(yīng)度比來進(jìn)行的，并不能體現(xiàn)被選中的染色體串機(jī)會(huì)均等的原則，因此本文采用了改進(jìn)后的基于非線性排序的輪盤賭選擇策略;為避免染色體串在交叉、變異操作過程中

4、因遺傳操作算過大或過小，而破壞原本良好的尋優(yōu)收斂趨勢，本文采用了自適應(yīng)交叉率和自適應(yīng)變異率;此外，為了進(jìn)一步提高遺傳算法的收斂速度，還在遺傳算法中添加了“最優(yōu)保存策略”和“爬山算法”。
　　第二，采用C語言編程實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)可以動(dòng)態(tài)調(diào)整的GA-BP算法和GA-BP混合算法，并通過溫度控制下的激光淬火實(shí)驗(yàn)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練來比較GA-BP算法和GA-BP混合算法的訓(xùn)練性能。經(jīng)對(duì)比得出:改進(jìn)的GA-BP混合算法的訓(xùn)練速

5、度要明顯優(yōu)于傳統(tǒng)的GA-BP算法，提高了約80％左右;并且，預(yù)測的激光工藝數(shù)據(jù)也較為精確，平均相對(duì)誤差為2.035％，滿足實(shí)際要求。這些，充分證明了改進(jìn)的GA-BP混合算法的合理性和有效性。
　　第三，為提高本課題研究成果的工程應(yīng)用價(jià)值，本文根據(jù)人工神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)的兩個(gè)步驟——訓(xùn)練和預(yù)測，利用Labwindows/Cvi軟件開發(fā)平臺(tái)分別開發(fā)了兩款配合使用的激光工藝神經(jīng)訓(xùn)練系統(tǒng)和激光工藝預(yù)測客戶端系統(tǒng)。并通過對(duì)兩款軟件的性能測試，