基于遗传算法的四杆机构可视化优化设计论文-毕设论文

合集下载

基于遗传算法的PID参数优化毕业设计(论文)

本科生毕业设计(论文)论文题目：基于遗传算法的PID参数优化毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。

尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。

对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。

作者签名：日期：指导教师签名：日期：使用授权说明本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。

作者签名：日期：学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。

除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。

对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。

本人完全意识到本声明的法律后果由本人承担。

作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。

本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。

涉密论文按学校规定处理。

作者签名：日期：年月日导师签名：日期：年月日注意事项1.设计（论文）的内容包括：1）封面（按教务处制定的标准封面格式制作）2）原创性声明3）中文摘要（300字左右）、关键词4）外文摘要、关键词5）目次页（附件不统一编入）6）论文主体部分：引言（或绪论）、正文、结论7）参考文献8）致谢9）附录（对论文支持必要时）2.论文字数要求：理工类设计（论文）正文字数不少于1万字（不包括图纸、程序清单等），文科类论文正文字数不少于1.2万字。

遗传算法在曲柄摇杆机构优化设计中的应用

收稿日期:2002-11-12基金项目:国家自然科学基金(50145007),河北省自然科学基金(502383)和河北省博士科研资助资金(B200213)资助特约专稿作者简介:崔炜(1979-),男,内蒙古敖汉旗人,硕士,从事多体系统动力学研究。

文章编号:1007-6743(2002)04-0030-04遗传算法在曲柄摇杆机构优化设计中的应用崔炜,张京军,宋德玉(河北建筑科技学院,河北邯郸 056038)摘要:本文采用遗传算法,对曲柄摇杆机构再现已知运动规律问题进行了优化设计。

文中对优化问题的数学模型和遗传算法在解决此问题时的计算过程进行了比较全面的描述。

通过与传统的惩罚函数法在同一问题中应用结果的对比,表明了该算法的有效性。

关键词:曲柄摇杆;遗传算法;优化设计中图分类号:TH112 文献标识码:A0引言许多机械优化设计问题,具有设计变量繁多,优化目标要求精确和约束条件复杂等特征,很难用传统的优化方法求解。

曲柄摇杆机构再现已知运动规律优化设计问题具有以上特征。

该问题是机械优化设计中的经典问题之一,前人已经做了大量的相关研究,并获得了一些结果[1-2]。

但是,在计算结果的精确度上仍存在问题。

近几年发展起来的遗传算法,是一种模拟生物在自然环境中遗传和进化的自适应,全局优化概率搜索算法。

已经被应用到诸多领域。

本文将其应用到机械优化设计中来,以获取良好收效。

1数学模型曲柄摇杆机构再现已知运动规律,是指当主动件的运动规律已定时,要求从动件按给定的规律运动[2]。

如图1所示,要求设计的曲柄摇杆机构满足:当曲柄l 1由其极限角 0转到 = 0+/2时,摇杆l 3由其极限角 0开始按下列规律运动, = 0+23 ( - 0)2,并且其传动角(连杆l 2与从动件l 3之间的夹角)在其许用值范围之内。

1.1设计变量机构中各杆长度l i (i =1,2,3,4),以及机构处于极限位置时的极限角 0和 0应该为设计变量。

基于遗传算法的优化设计论文[5篇]

基于遗传算法的优化设计论文[5篇]第一篇：基于遗传算法的优化设计论文1数学模型的建立影响抄板落料特性的主要因素有:抄板的几何尺寸a和b、圆筒半径Ｒ、圆筒的转速n、抄板安装角β以及折弯抄板间的夹角θ等［4，9］。

在不同的参数a、β、θ下，抄板的安装会出现如图1所示的情况。

图1描述了不同参数组合下抄板的落料特性横截面示意图。

其中，图1(a)与图1(b)、图1(c)、图1(d)的区别在于其安装角为钝角。

当安装角不为钝角且OB与OC的夹角σ不小于OD与OC夹角ψ时(即σ≥ψ)，会出现图1(b)所示的安装情况;当σ＜ψ时，又会出现图1(c)与图1(d)所示的情况，而两者区别在于，η+θ是否超过180°，若不超过，则为图1(c)情况，反之则为图1(d)情况。

其中，点A为抄板上物料表面与筒壁的接触点或为物料表面与抄板横向长度b边的交点;点B为抄板的顶点;点C为抄板折弯点;点D为抄板边与筒壁的交点;点E为OB连线与圆筒内壁面的交点;点F为OC连线与圆筒内壁面的交点。

1．1动力学休止角(γ)［4，10］抄板上的物料表面在初始状态时保持稳定，直到物料表面与水平面的夹角大于物料的休止角(最大稳定角)时才发生落料情况。

随着转筒的转动，抄板上物料的坡度会一直发生改变。

当物料的坡度大于最大稳定角时，物料开始掉落。

此时，由于物料的下落，物料表面重新达到最大稳定角开始停止掉落。

然而，抄板一直随着转筒转动，使得抄板内物料的坡度一直发生改变，物料坡度又超过最大休止角。

这个过程一直持续到抄板转动到一定位置(即抄板位置处于最大落料角δL时)，此时抄板内的物料落空。

通常，在计算抄板持有量时，会采用动力学休止角来作为物料发生掉落的依据，即抄板内的物料坡度超过γ时，物料开始掉落。

该角主要与抄板在滚筒中的位置δ、动摩擦因数μ和弗劳德数Fr等有关。

1．2抄板持有量的计算随着抄板的转动，一般可以将落料过程划分为3部分(Ｒ－1，Ｒ－2，Ｒ－3)，如图1(a)所示。

基于遗传算法的卷绕机旋臂四杆机构优化设计

收稿日期：０６０ —４２０ —４２
卷绕机工作时，求旋臂准确地将卷绕轴输送要到工作位置和准备位置，摇杆在两个极限位置的即角位移要精确。此外，要求旋臂具有良好的传动还
性能和传动效率，机构的传动角应尽可能大。故即本文以从动件在极限位置时的输出角位移与理想角 Nhomakorabea≯
一
嚣
一０ ≯０＿０；０蓦０
舒服华
量０ ≤ ；
（汉理工大学机电工程学院，北武汉４０７）武湖３００
摘要：介绍了为了克服卷绕机旋臂四杆机构不能准确将卷绕轴输送到工作位置和准备位置而发生卷布和落布故障，以及机构运转性能差的缺点，建立的旋臂四杆机优化数学模型。以从动件在极所
限位置时的输出角位移与理想角位移的误差平方和最小和四杆机构的最小传动角最大为双优化目标，合理搭配各构件的几何尺寸，利用遗传算法求解优化问题。并
关键词：卷绕机；旋臂机构；遗传算法；化设计优
中图分类号：Ｔ２文献标识码：Ｈ１２Ａ文章编号：０５２５（０６０ —０３０１０ —０４２０）３０３ —４
大为双优化目标。公式（）目标函数。１为
，（Ｘ）＝１Ｘ）＋（（Ｘ） … … … … … （）１
化目标。

遗传算法新论文【精品毕业设计】(完整版)

学校代码 10126 学号 00708037 分类号密级本科毕业论文基于遗传算法的图像阈值分割学院、系数学科学学院计算数学系专业名称信息与计算科学年级 2007级学生姓名刘家祥指导教师曹军2011年 5月 20 日内容摘要图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。

图像的分割是以灰度值作为分割的依据,通过各个像素的灰度值和事先确定的阈值的比较来分割图像。

如何确定最合适的阈值是处理好图像分割的关键,这自然成为一直以来分割算法研究的焦点。

遗传算法是对生物进化论中自然选择和遗传学机理中生物进化过程的模拟来计算最优解的方法。

遗传算法具有众多的优点,如鲁棒性、并行性、自适应性和快速收敛,可以应用在图像处理技术领域中图像分割技术来确定分割阈值。

本文主要介绍基于遗传算法的最小误差阈值法、最大类间方差法（Otsu法）以及最佳直方图熵法(KSW熵法)等三种方法分割图像。

关键词：图像分割，遗传算法，阈值分割AbstractImage segmentation refers to the image into regions each with characteristics and goals of the technology to extract and process of interest. Segmentation is a segmentation based on gray value, gray value of each pixel through the predetermined threshold value and comparing the image segmentation. How to determine the most appropriate threshold is the key to handling image segmentation, which has naturally become the focus of segmentation algorithms.Genetic algorithm is a biological theory of evolution and genetic mechanism of natural selection in biological evolution simulation method to calculate the optimal solution. Genetic algorithm has many advantages, such as robustness, parallel, adaptive, and fast convergence, can be used in the field of image processing image segmentation technique to determine the split threshold.In this paper, genetic algorithm based on minimum error threshold, the largest class variance (Otsu method) and the best histogram entropy (KSW entropy method) are three ways to split the image.Keywords : Image segmentation, genetic algorithms, threshold目录第一章绪论 .................................................. - 1 - 第二章遗传算法概述 ........................................ . - 2 -2.1遗传算法的研究历史....................................... - 2 -2.2生物背景................................................. - 2 -2.3遗传算法的基本思想....................................... - 3 -2.4遗传算法的几个概念....................................... - 4 -2.4.1适应度函数......................................... - 4 -2.4.2遗传算法最常用的算子............................... - 4 -2.5遗传算法运算的基本流程................................... - 5 - 第三章图像分割的现状 ........................................ - 7 -3.1图像分割简介............................................. - 7 -3.2图像分割方法............................................. - 8 -3.2.1基于边缘检测的分割................................. - 8 -3.2.2基于区域的分割..................................... - 8 -3.2.3边缘与区域相结合的分割............................. - 9 -3.3阈值选取................................................. - 9 - 第四章基于遗传算法的图像阈值分割 ........................... - 10 -4.1图像阈值................................................ - 10 -4.2阈值分割的原理.......................................... - 10 -4.3最小误差阈值法.......................................... - 11 -4.3.1最小误差法图像阈值分割............................ - 11 -4.3.2 利用遗传算法来改进最小误差法...................... - 12 -4.4 最大类间方差法（Otsu法）............................... - 13 -4.4.1最大类间方差法（Otsu法）阈值分割.................. - 13 -4.4.2 Otsu阈值分割的遗传算法设计........................ - 15 -4.5 KSW熵法................................................ - 17 -4.5.1 KSW熵阈值分割................................... - 17 -4.5.2 KSW单阈值分割的遗传算法设计..................... - 18 -4.5.3 KSW双阈值分割的遗传算法设计..................... - 19 - 第五章基于新的遗传算法的图像分割 ........................... - 25 -5.1混沌遗传算法............................................ - 25 -5.2量子遗传算法............................................ - 25 -5.3免疫遗传算法............................................ - 25 - 结论 .......................................................... - 26 - 致谢 .......................................................... - 27 - 参考文献: ..................................................... - 28 -内蒙古大学本科学年论文第- 1 - 页基于遗传算法的图像阈值分割第一章绪论图像分割是图像处理与计算机视觉的基本问题之一，是图像处理到图像分析的关键步骤。

基于蜜蜂进化型遗传算法的四杆机构优化设计

ＤＩＧｒｎＳＩＧｅａＮＢｉｏｇ，Ｈｙ
Ａｂｔａｔｎｔｅｓｇｎｐｒｃｓｆｐａｅｆａｅｈａｉｍ，ｂｅａｓｈｅｔａｔｏｌｍｅｈｏｏｕｌｅｒｔｏｗｃｕｒｃｄｓｒｃ：Ｉｈｅｄｉｏｅｓｏｌｎｏｕｒｂｒｍｃｎｓｃｕｅｔｒｄｉｉｎａｔｄｃｄｇｎｅａｅｌａｃａｙａｎｌｏｗｆｉｉｎｃｅｆｃｅｙ，ｗｅｕｅＢｅｏｕｉｎａｙＧｅｔｃＡｌｒｔＯｔｋｈｅｐｌｃｒｄｉｉａｒｐｃｌｍｅｈｏｎａｙｔｃｍｅｈｏｓｅＥｖｌｔｏｒｎｅｉｇｏｉｈｍｔａｅｔａｅｏｆｔａｔｏｎｌｇａｈｉａｔｄｏｒａｌｉｔｄ．ＴｈｅＥｖｕｔｏｒｎｅｉｇｉｈｍｉｐｉｉｓｔｏｃｓｕｌｉｌａｇｅｉｉａｉｎｓ，ａｐｒａｃｓｇｏｌｙｏｐｉａｏｌｅＢｅｏｌｉｎａｙＧｅｔｃＡｌｏｒｔｓｍｌｆｅｈｅｐｒｅｓｏｆｍｔｐｅｔｒｔｏｐｔｍｚｔｏｐｏｈｅｌｂａｌｔｍｌｓｕ— ｔｏｎｆｓｅｎｄｐｒｖｎｔｅｃｎｖｒｎｃｉａｔｒａｅｅｓｐｒ — ｏｅｇｅｅ，ｅｎｈａｃｈｒｖｅｒｏｍａｅｏｆｐｌｎｅｆｕｒｂａｅｈｎｉｍ．Ｏｐｔｍｉａｉｎｅｆｃｉｅｓｎｅｔｅｄｉｅｐｆｒｎｃａｏｒｍｃａｓｉｚｔｏｆｅｔｖｎｅｓｉｉｎｉｉａ．ｓｓｇｆｃｎｔＫｅｙｗｏｒｓ：ｏｕａｅｈｎｉｍ，ｔｍｉａｔｏｄｆｒｂｒｍｃａｓｏｐｉｚｉｎ，ＢｅｏｌｔｏｎｙＧｅｔｃＡｌｒｔｅＥｖｕｉａｒｎｅｉｇｏｉｈｍ（ＢＥＧＡ）

毕业设计(论文)遗传算法

摘要优化设计的方法有多种，一般的就只是单纯的计算，运用数学方程式对弹簧的各个参数加以优化，后来人们有了更多更新的方法对其进行优化，例如，蚁群算法、Matlab、遗传算法等等。

在不同的机构或零件优化设计中，参数的性质也对优化设计有着至关重大的影响。

其中变量参数有些是实数，还有些是整数，这就影响了在设计中用到的变量有着不同的选择，可以是实数变量或者整数变量甚至是混合变量。

此次论文对压缩弹簧进行优化设计。

首先,要确定目标函数与设计变量；其次，确定约束函数；最后，建立数学模型，利用计算机求出优化结果。

此次设计运用了vb编程，并且根据弹簧参数特性运用了实数变量进行优化设计。

与经验设计方法相比较，采用优化设计方法可节约原材料，并且有效实用。

因此，优化设计方法在机械设计行业具有广阔的发展前景。

关键词：压缩弹簧；优化设计；遗传算法；整数变量；VB编程AbstractThere are many optimization design methods ,which are generally to optimize all the parameters of a spring by using the pure caculation and mathematic equation and there are more and newer methods to do it such as Matlab genetic algorithm and so on since then . In the optimization design of the various machinery and components ,the character of the parameter takes a great effect on the design .There are some real number ,some integer of all the variable parameters ,which decide the choice of the parameters used including real variable or integeral variable and even mixed variable in the design The paper dissertates the optimation design of the compressing sping.First,ascertain the object function and the design variable ;Second ,ascertain the restriction function ;At last ,build the mathematic model and get the optimation result by computer.The author does the optimation design by utilizing the VB weave and by utilizing the real variable accoding to the character of the variable of the sping. Compared with the experiential design ,using the optimization design can cut down the cost and is efficient and practical.So the optimization design owns the wide view in the machining design .Key words :compressing spring ; optimization design ; genetic algorithm ;integeral variable ; VB weave.目录摘要 (I)A BSTRACT (II)目录 (III)第1章绪论 (1)1.1课题研究的背景和意义及其研究现状 (1)1.2论文主要研究内容 (2)第2章遗传算法的原理及改进 (2)2.1遗传算法概述 (2)2.2算法的基本步骤 (4)2.3遗传算法的基本要点 (5)2.4遗传算法的约束问题处理方式 (9)2.5遗传算法的发展前景 (12)第3章传动优化数学模型的建立 (13)3.1 弹簧相关参数的选择确定........................................................................3.2 弹簧优化设计数学模型的建立..................................................................第4章齿轮传动优化设计的遗传算法实现方法 . (19)4.1设计变量的编码 (19)4.2群体规模的选择 (21)4.3初始解的产生 (21)4.4目标函数和适应函数的产生 (22)4.5选择复制操作 (24)4.6交叉操作 (25)4.7变异运算 (26)4.8终止规则 (29)4.9优化算例 (29)4.10优化设计程序代码 (29)结论 (42)参考文献 (43)致谢 (45)附录1英文参考资料附录2 英文参考资料的中文翻译第1章绪论课题研究的背景和意义及其研究现状1.1.1 课题研究的背景和意义遗传算法(Genetic Algorithm, GA)是近年来迅速发展起来的一种全新的随机搜索与优化算法,其基本思想是基于Darw in的进化论和Mendel的遗传学说。

基于遗传算法的组合优化问题研究-毕业设计答辩

随机生成城市
各个模块的具体实现
顺序近邻表示
矩阵表示
整数编码
各个模块的具体实现
步骤三
城市编码
整数编码： n个城市分别用 0到n-1之间不同的整数表示，n个数的一个排列就代表旅行商问题的一个可能解，同时亦是染色体的一种构成。
自然，简单和符合逻辑满足TSP问题的约束条件
保证了每个城市经过且只经过一次，并且保证任何一个城市子集中不形成回路。

遗传算法的优点
遗传算法作为一种模拟生物进化的一种算法，提供了一种求解复杂系统优化问题的通用框架。它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，具有自组织、自适应和自学习性。这种自组织、自适应特性不需要事先描述问题的全部特点，所以可解决那些复杂的非结构化问题。
设计的基本流程
圆形地图：当用户选择圆形地图时，程序接收一个圆形地图菜单响应消息，调用圆形坐标地图类，然后调用函数在屏幕上画一个圆形地图。
直角坐标地图
圆形地图
各个模块的具体实现
步骤二
城市生成
用户可以点击鼠标左键产生城市，也可以选择菜单栏的设置城市选项，通过输入城市数目来随机生成城市。还可以按指定的城市坐标，设置指定的城市。当然，如果用户选择错了城市，可以在该城市上点击鼠标右键来清除城市。如果用户要清除所有的城市，可以双击鼠标右键或选择菜单栏的结束选项，都可以清除所有的城市。
设计中所做的改进
二
改进循环交叉算法
通过认真分析循环交叉算法的原理，根据具体的编程实现，对原循环交叉算法作了改进。对原循环交叉中子代初始位设为定值的情况，在本设计中我改为了随机值。这样，种群的结果会多样化，从而避免了“早熟收敛”现象。最后，对两种算法进行了仿真实验，并且对实验结果进行了比较，详细情况见论文 5.4节。

遗传算法毕业论文[管理资料]

遗传算法毕业论文【摘要】遗传算法(Genetic Algorithm, GA)是近年来迅速发展起来的一种全新的随机搜索与优化算法,其基本思想基于Darwin的进化论和Mendel的遗传学。

遗传算法的广泛应用和发展潜能使很多学者深入研究遗传算法，并出版了很多关于它的书籍。

TSP问题是古老的经典的问题，有关的研究有几百年的时间。

TSP旅行商问题是一类典型的NP完全问题，遗传算法是解决NP问题的一种较理想的方法。

论文首先介绍了遗传算法的基本原理、遗传算法的特点,遗传算法的发展方向和它的主要应用领域；接着针对TSP 问题论述了遗传算法在编码表示和遗传算子（包括选择算子，交叉算子，变异算子这三种算子）等方面的应用情况，简单讨论几种编码方法，并改进了交叉算子。

接着对改进的遗传算法做了实验，得出结果并分析了数据。

最后我做了一个TSP 简单应用。

【关键词】遗传算法；TSP；遗传算子；编码【Abstract】Genetic Algorithm (Genetic Algorithm, GA) is a new random search and optimization algorithm ，develop rapidly in recent years, the basic idea of the theory is Darwin and Mendel's genetics. Extensive use of genetic algorithms and development potential make many scholars in-depth study of genetic algorithms, and published many books about it.TSP problem is the old classic question and about its research have hundreds of years of time. "TSP" Traveling Salesman Problem is a kind of a typical NP-complete problem, genetic algorithms to solve NP problems is a more desirable method.Paper first introduces the characteristics, development direction and major applications of basic genetic algorithms, and then discussed for the TSP problem of genetic algorithms and genetic coding that operator (including the selection operator, crossover operator, mutation operator of these three operator) and other aspects of the application, make a brief discussion about several coding methods, and improved crossover operator. Then use improved genetic algorithm to do the experiment, get the outcome and analyze the data. Finally, I do a simple suing about TSP.【Keywords】genetic algorithm; TSP; genetic operator; coding目录第一章遗传算法理论 (4) (4) (6)遗传算法的原理 (7) (8) (9) (10) (11) (13)第二章．遗传算法的基本原理和实现技术 (15)模式定理 (15)编码技术 (16)群体设定 (16) (17)遗传操作 (17) (19)第三章TSP问题描述与实算 (20)旅行商问题描述 (20) (21) (21)适应函数度 (21)选择算子的设计 (21)交叉算子的设计 (22) (23)对TSP遗传算法的改进： (25)TSP遗传算法参数实验 (25)改进的交叉算子：产生多个个体的部分映射与顺序交叉结合的算子. (28)TSP算法实例 (38)附录（求51个城市最短距离算法） (42)总结 (54)参考文献 (55)致谢 (55)第一章遗传算法理论当前科学技术正进入多学科互相交叉、互相渗透、互相影响的时代，生命科学与工程科学的交叉、渗透和相互促进是其中一个典型例子，也是近代科学技术发展的一个显著特点。

遗传算法的研究及应用毕业设计

毕业设计遗传算法的研究及应用摘要本文分为三部分：第一部分：遗传算法的概述。

主要介绍了遗传算法的基本思想、遗传算法的构成要素、遗传算法的特点、遗传算法的基本模型、遗传算法的应用情况及今后的研究方向等等的内容。

第二部分：基于Matlab 7.0下的遗传算法求解函数最值问题。

遗传算法作为一种新的优化方法，广泛地用于计算科学、模式识别和智能故障诊断等方面，它适用于解决复杂的非线性和多维空间寻优问题，近年来也得到了较为广阔的应用。

本人选择了函数优化这个应用领域，按照遗传算法的步骤，即编码、解码、计算适应度（函数值）、选择复制运算、交叉运算和变异运算，对函数进行求解最值。

第三部分：对遗传算法求函数最值问题的改进。

这部分主要针对本文第二部分进行改进，通过改变基本遗传算法运行参数值，如改变交叉概率Pc值和变异概率Pm值，从而使最优值更加接近相对标准下函数的最值。

关键词：遗传算法适应度交叉概率变异概率目录1 前言 (1)2 遗传算法概述 (1)2.1生物进化理论和遗传学的基本知识 (1)2.2遗传算法的基本思想 (3)2.3遗传算法的构成要素 (3)2.3.1 染色体编码方法 (3)2.3.2 适应度函数 (4)2.3.3 遗传算子 (4)2.3.4 基本遗传算法运行参数 (5)2.4遗传算法的特点 (6)2.5遗传算法的基本模型 (7)2.6遗传算法的应用 (8)2.7遗传算法今后的研究方向 (10)3 基于MATLAB 7.0下的遗传算法求解函数最值问题 (11)3.1遗传算法的标准函数 (11)3.2解题步骤说明 (12)3.2.1 编码问题 (12)3.2.2 选择运算 (12)3.2.3 交叉运算 (13)3.2.4 变异运算 (13)3.3运行参数说明 (14)3.4对遗传算法求得的最值的分析 (14)3.5运行程序以及对其解释 (14)3.6从数学的角度求解函数最优值 (18)3.6.1 自变量x以0.2为步进单位 (18)3.6.2 自变量x以0.1为步进单位 (19)3.6.3 自变量x以更精确的数为步进单位 (21)4 对遗传算法求解函数最值问题的改进 (21)4.1寻找求得最优解的运行参数值 (22)4.1.1 当Pc=0.9和Pm=0.0001 (22)4.1.2 当Pc=0.9和Pm=0.001 (23)4.1.3 当Pc=0.9和Pm=0.01 (24)4.1.4 当Pc=0.9和Pm=0.1 (26)4.1.5 当Pc=0.4和Pm=0.1 (27)5 结论 (29)参考文献 (30)ABSTRACT (31)附录 (32)致谢 (38)仲恺农业工程学院毕业论文(设计)成绩评定表 (39)1 前言生命科学与工程科学的相互交叉、相互渗透和相互促进是近代科学技术发展的一个显著特点，而遗传算法的蓬勃发展正体现了科学发展的这一特征和趋势。

基于遗传算法优化液压支架的四连杆机构

图１液压支架
收稿日期：２０１６－０８－２６作者简介：许姣（１９８６一），女，山西运城人，助理工程师，从事液压支架的设计工作。
３７
２０１６年１１月
许
姣：基于遗传算法优化液压支架的四连杆机构
第２５卷第１１期
液压支架四连杆机构在设计中应遵循的几何特
性如下：
第二，数据群体初始化。计算机系统在设计变量区间内，随机生成５０个初始数据群体。
第一，当液压支架由最高点向最低点下降时，为
了保持支架梁端距的稳定，顶梁端点在运动中的最
第三，选择操作。利用轮盘赌法，可以加强操作精度。根据群体的总适应度、个体数据的累积适应度来构建轮盘，每转动５０次，将获得一个［０，１］之间的数，通过比较个体数据的累积适应度，最终选择出一个个体。
第四，交叉操作。使用单点交叉方法来实现群体之间的交叉操作，遍历群体个体进而随机获得一个［０，１］之间的数，若该数比０．８的交叉概率要
济性
据组合不但能够体现初代数据的特性，还交叉呈现出各代数据个体的特征。
第五，串结构数据的变异。通过随机挑选，在数据群体中挑选出一部分单独的个体，使它们按照一定的概率被安排为变串结构中的某一个数值，将变异率控制在０．００１到０．０１的范围内，使串结构数据

基于遗传算法的四连杆变幅机构多目标模糊优化

基于遗传算法的四连杆变幅机构多目标模糊优化
王启平;孙季华;谢能刚
【期刊名称】《安徽工业大学学报（自然科学版）》
【年(卷),期】2004(021)003
【摘要】传统的四连杆变幅机构设计制造参数是基于单目标优化方法和优化数值解法选取的,在同时满足设计的经济性与稳定性以及优化解的精度方面存在不足.基于此,本文采用综合机构稳定性和经济性的多目标优化模型,利用模糊理论建立综合评价函数,应用求解精度高的遗传算法求解.具体算例的优化结果显示,经济性与稳定性等项技术指标都获得了改善.
【总页数】4页(P204-207)
【作者】王启平;孙季华;谢能刚
【作者单位】安徽工业大学,机械工程学院,安徽,马鞍山,243002;马鞍山泰尔重工制造有限公司,安徽,马鞍山,243005;安徽工业大学,机械工程学院,安徽,马鞍山,243002【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于遗传算法掘进机截割头多目标模糊可靠性优化 [J], 张强;毛君;田大丰
2.基于自适应遗传算法的分布式电源多目标功率优化与模糊决策 [J], 曾强;谢善益;袁澎;曾联想;李豪天;朱旭坤;艾芊;
3.基于遗传算法的风力发电行星传动系统多目标模糊优化 [J], 李武;聂松辉;陈方述
4.基于自适应遗传算法的分布式电源多目标功率优化与模糊决策 [J], 曾强;谢善益;
袁澎;曾联想;李豪天;朱旭坤;艾芊
5.基于遗传算法的补偿滑轮组变幅机构多目标模糊优化 [J], 谢能刚;王启平
因版权原因，仅展示原文概要，查看原文内容请购买。

基于遗传算法的常规机四杆机构优化设计

基于遗传算法的常规机四杆机构优化设计
骆华锋;万家瑰;栾庆德
【期刊名称】《科学技术与工程》
【年(卷),期】2008(008)017
【摘要】提出对常规抽油机的四杆机构进行节能改造的设计方案,并建立优化数学模型,采用遗传算法对四杆机构进行优化.模拟实际工况对CYJ8-3-48HB型抽油机
四杆机构进行优化,程序简单,易于实现.通过改造前后的结果对比表明:改造机的运动、动力性能得到了明显的改善,有功功率下降21.08%,节能效果好.
【总页数】4页(P4793-4795,4801)
【作者】骆华锋;万家瑰;栾庆德
【作者单位】大庆石油学院机械科学与工程学院,大庆,163318;大庆石油学院机械
科学与工程学院,大庆,163318;大庆石油学院机械科学与工程学院,大庆,163318【正文语种】中文
【中图分类】TG933.2
【相关文献】
1.基于遗传算法的卷绕机旋臂四杆机构优化设计 [J], 舒服华
2.基于遗传算法的卷绕机旋臂四杆机构优化设计 [J], 舒服华
3.基于蜜蜂进化型遗传算法的四杆机构优化设计 [J], 丁必荣;石鸽娅
4.IC 粘片机焊头四杆机构实现预定轨迹的遗传算法优化设计 [J], 覃金昌;孙惠玲
5.IC粘片机焊头四杆机构实现预定轨迹的遗传算法优化设计 [J], 覃金昌;孙惠玲;
因版权原因，仅展示原文概要，查看原文内容请购买。

基于遗传算法的设计结构矩阵优化方法研究（论文资料）

动 i 所需时间; n: 设计活动总数;
若 wn < w cn, 则表示交叉点个数比信息反馈个
数对适应度函数的影响更大;
在寻优过程中, 优先考虑交叉点个数;
若 wn > w cn, 则表示信息反馈个数比交叉点个
数对适应度函数的影响更大; 在寻优过程中, 优先考虑信息反馈个数; 若 wt im e < w cost , 则表示耦合设计活动总费用
表 1 各个设计活动所花的时间及费用
A
B
C
D
E
F
G
时间 9
8
10
5
6
8
4
费用 6
11
8
6
5
7
10
则总设计时间为:
n
n
TO T time = wt ime !
( DSM ij !
i= 1, i< j j = 2
j
5
6
ti mei ) = DS M 15 ! ti mei + DS M 16 timei +
信息。这一方法后来又加入了遗传算法来进行分
解、综合分析。对于重新排序问题, 目标函数如下,
可以明显减少信息反馈的程度:
n i- 1
Obj ect iv e =
DM (i, j ) (i - j ) 上式虽然
i= 2 j- 1
减少了信息反馈, 目标函数中却没有涉及到时间、费
用的优化。文献[ 11] 以 DSM 为基础估计了产品研
新优化方法主要解决设计活动的排序问题, 任
意一个工作顺序设计方案均可认为是一个解。本文
假设设计活动总数为 n, 可采用 n 进制编码, 每个编

相关主题

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

1前言本次毕业设计是在学完大学四年的基础知识和专业知识，进行了一系列的生产实习和以前各次课程设计的基础上进行的一次综合性的大总结。

旨在培养我们综合运用所学的基础知识、专业知识去分析和解决生产实际问题的能力及培养正确的设计思想，并通过运用设计软件、计算软件、和查阅有关技术资料去进行理论结构思考、编写软件、写相关说明性材料，培养我们机械设计的基本技能和工程设计工作者的基本素质，为我们走上工作岗位打下坚实的基础。

1.1 2四杆机构概述连杆机构构件运动形式多样，如可实现转动、摆动、移动和平面或空间复杂运动，从而可用于实现已知运动规律和已知轨迹。

此外，低副面接触的结构使连杆机构具有以下一些优点：运动副单位面积所受压力较小，且面接触便于润滑，故磨损减小；制造方便，易获得较高的精度；两构件之间的接触是靠本身的几何封闭来维系的，它不象凸轮机构有时需利用弹簧等力封闭来保持接触。

因此，平面连杆机构广泛应用于各种机械、仪表和机电产品中。

平面连杆机构的缺点是：一般情况下，只能近似实现给定的运动规律或运动轨迹，且设计较为复杂；当给定的运动要求较多或较复杂时，需要的构件数和运动副数往往较多，这样就使机构结构复杂，工作效率降低，不仅发生自锁的可能性增加，而且机构运动规律对制造、安装误差的敏感性增加；机构中作复杂运动和作往复运动的构件所产生的惯性力难以平衡，在高速时将引起较大的振动和动载荷，故连杆机构常用于速度较低的场合。

近年来，随着连杆机构设计方法的发展，电子计算机的普及应用以及有关设计软件的开发，连杆机构的设计速度和设计精度有了较大的提高，而且在满足运动学要求的同时，还可考虑到动力学特性。

尤其是微电子技术及自动控制技术的引入，多自由度连杆机构的采用，使连杆机构的结构和设计大为简化，使用范围更为广泛。

2.1连杆机构的组成和分类连杆机构是用转动副和移动副将构件相互连接而成的机构,以实现运动变换和动力传递。

按构件间相对运动的性质不同可分为：的大小淘汰劣质后代，选择部分优良品质(特征)后代得以保留和组合，使整个种群向优化的方向发展，经过若干代进化后最终得出武汉理jr大学硕士学位论文条件最优的个体作为算法的收敛条件。

因此，遗传算法是以一种群体中的所有个体作为对象，并且利用随机化技术指导对一个被编码的参数空间进行高效搜索。

其中，交叉或变异构成了遗传算法的遗传运算，它模拟了基因在每一代中创造新一代的繁殖过程；选择是遗传算法的进化运算，反映了种群逐代更新的过程；而参数编码、初始种群的设定、适应度函数的设计、遗传操作设计和参数控制的设定等五个要素组成了遗传算法的核心内容。

4.1.2遗传算法的基本内容和步骤（1）编码遗传算法先将解空间的解数据表示成遗传空间的基因型串结构数据，它们的不同组合就构成了不同的点。

编码采用二进制向量形式，也可以根据具体优化问题选择浮点向量编码，编码的长度由优化计算所要求的精度来确定。

（2）生成初始种群它的原理是采用随机方法产生若干个初始串结构数据，每个串结构数据代表一个个体，全体初始串结构数据构成了初始种群。

初始种群的大小一般是20～100，这样既可以提高遗传算法的稳定性，又能够保证种群的多样性，容易（3）适应度评估对于不同的优化问题，采用不同的适应度函数来评价个体的优劣性。

（4）选择按照适者生存的目的，从当前的种群中选择出适应度强的优良个体，使它们有机会作为父代繁殖下一代，为下一代贡献一个或多个后代的概率大。

（5）交叉交叉算子根据交叉率将种群中两个个体随机地交换某些基因，从而产生新一代个体。

新个体组合了父辈个体的特性，交叉体现了信息交换的思想。

交叉率的选择是根据具体问题确定的，一般取0.25～0.75，这样既可以得到高适应度的结构，又可以保证搜索效率。

（6）变异变异算子根据变异率随机地在当前种群中选择一个个体，对其以一定的概率随机地改变串结构数据中某个串的数值，从而产生新一代个体。

由于生物界产生变异的概率很低，因此变异率一般取0．01～0．20。

交叉和变异是遗传运算的重要内容。

交叉是最主要的遗传运算，它在很大程度上决定了遗传算法的性能。

交叉是同时对两个染色体进行操作，组合两者的特性产生新的后代。

对于采用二进制向量形式编码的种群，交叉运算的最简单方法是在双亲的染色体上随机地选择一个断点，将断点处的右段互相交换，从而产生两个新的后代。

变异是基本的遗传运算，它在染色体上自发地产生随机变化。

一种简单的变异方法是替换一个或多个基因，从而产生一个新的后代。

图 4.1.1 遗传算法的基本流程图遗传算法的基本流程如4.1.1图所示。

从图4.1.1可见，遗传算法的基本步骤是：首先对可行域中的点进行编码，然后从中随机选择一些编码组作为进化起点的第一代编码组，并计算每一个解(编码)的目标函数值(编码的适应度)。

按照选择机制(能够较多地保留适应度较高的编码，较少地保留或淘汰适应度较低的编码)，从编码组中挑选一些编码作为繁殖过程前的编码样本。

使用遗传算法提供的交叉和变异算子对挑选出的样本进行运算，交叉算子随机交换两个编码的某些位，变异算子则对某个编码的某一位进行反转，因而，产生新一代编码组。

重复上述选择和繁殖过程，直至进化的代数超过预先的给定值(一般是100—600)，输出最后一代的编码组作为问题的最优解。

2. 铰链四杆机构的可视化二．本次设计vb的主要作用是实现可视化，也即四杆机构的运动，实现此功能可以使用timer控件，也可采用for语句循环的方法，本次采用了for语句循环的方法。

将各杆各端点的坐标，用数学表达式的方式写出来，如下图左下方的A点：其坐标值为（0,0），AB为摇杆，则B点可如下方式表示Picture1.Line (0, 0)-(l1 * Cos(fi1(i) * 3.1415926 / 180), l1 * Sin(fi1(i) * 3.1415926 / 180))，Cos(fi1(i)即为前述输入角的数组，其中i即为循环变量，按照设计方法B点运动了360次，四杆机构每个运动的点，以及需要表达的点都可按此方式给出，相应的对应角可按照数学公式给出。

二．如下语句lmax = l2If lmax < l3 Thenlmax = l3ElseIf lmax < l4 Thenlmax = l4End IfPicture1.Scale (-lmax * 2, -lmax * 2)-(lmax * 2, lmax * 2)上述语句找到了L1.L2.L3.L4.中的最长杆，并以此重新定义了坐标系，左上方为负，右下方为正，则x轴水平向右，y轴竖直向下，原点在屏幕中央，切坐标轴长短是动态的，总是最长杆的四倍，picture控件总能装下整个图形。

3.5vb工作的总流程如上图所示，为最终界面雏形，由20个对应的text控件输入对应角的信息，当点击计算时，vb按照文件操作的方法，修改m文件中的对应角信息，然后把matlab 作为一个自动化服务器端使用，调用遗传算法函数，得出各杆相对长度以及初始角信息，并传递给vb，vb计算出各杆长度，待用。

当点击画图时，vb根据各杆长度以及初始角信息，按照循环方法，使各杆按一定规律运动起来。

可简单提炼为以下过程：点击计算→修改m文件→在matlab中执行命令→计算得出结果→返回给vb→计算出结果待定。

点击画图→运用结果画图。

3. 铰链四杆机构的优化建模及设计3.1 数学模型的建立如何建立数学模型？目标函数、设计变量、约束条件哪？3.2 优化求解具体求解的步骤哪？3.3 基于Matlab的优化计算MATLAB (Matrix Laboratory)为美国Mathworks公司1983年首次推出的一套高性能的数值分析和计算软件，其功能不断扩充，版本不断升级，1992年推出划时代的4.0版，1993年推出了可以配合Microsoft Windous使用的微机版，95年4.2版，97年5.0版，99年5.3版，5.X版无论是界面还是内容都有长足的进展，其帮助信息采用超文本格式和PDF格式，可以方便的浏览。

至2001年6月推出6.1版，2002年6月推出6.5版，继而推出6.5.1版, 2004年7月MATLAB7和Simulink6.0被推出。

MATLAB将矩阵运算、数值分析、图形处理、编程技术结合在一起，为用户提供了一个强有力的科学及工程问题的分析计算和程序设计工具，它还提供了专业水平的符号计算、文字处理、可视化建模仿真和实时控制等功能，是具有全部语言功能和特征的新一代软件开发平台。

MATLAB 已发展成为适合众多学科，多种工作平台、功能强大的大型软件。

在欧美等国家的高校，MATLAB已成为线性代数、自动控制理论、数理统计、数字信号处理、时间序列分析、动态系统仿真等高级课程的基本教学工具。

成为攻读学位的本科、硕士、博士生必须掌握的基本技能。

在设计研究单位和工业开发部门，MATLAB 被广泛的应用于研究和解决各种具体问题。

在中国，MATLAB也已日益受到重视，短时间内就将盛行起来，因为无论哪个学科或工程领域都可以从MATLAB中找到合适的功能。

4.2.1搜索函数ga，以及本次编程的应用。

一．遗传优化算法工具箱中搜索函数ga的调用格式为:[xf,endPop,bPop,trace]=ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps,selectF N,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)输出参数:xf:优化解;endPop:最终种群;bPop:最终种群的一个轨迹;trace:每一代种群中的最好个体和平均结果矩阵.输入参数:bounds:变量上下限矩阵;evalFN:适应度函数;evalOps:适应度函数的输入选项,默认为[];startPop:初始种群;opts:向量[epsilon prob_ops display],其中epsilon表示两代之间的差距,prob_ops取0时为二进制编码,取1时为浮点编码(计算精度较高),display表示运行时是否显示当前个体和最好结果.默认值为[1e-6 1 0];termFN:终止函数,默认值为['maxGenterm'];termOps:向终止函数输入的参数,默认值为[100];selectFN:选择函数;selectOps:选择参数;xOverFNs:一个包含空格字符串的xOver.m文件;xOverOps:xOver.m文件的输入参数矩阵;mutFNs:一个包含空格字符串的mutation.m文件;mutOps:mutation.m文件的输入参数矩阵.应当指出，遗传算法搜索函数ga求的是函数的极大值，因此，在求函数的极小值问题时需要将极大值问题转换为极小值问题。