基于遗传算法和神经网络算法的吊车结构优化设计与实现
基于神经网络和遗传算法的电子设备结构优化
基于神经网络和遗传算法的电子设备结构优化电子设备在现代社会中起着至关重要的作用，不断推动科技和工业的发展。
为了提高电子设备的性能和效能，结构优化成为了一个日益重要的研究方向。
本文将介绍一种基于神经网络和遗传算法的方法来优化电子设备的结构。
一、引言电子设备的结构优化是指通过改变电子组件的布局和连接方式来最大限度地提高设备的性能。
结构优化旨在实现更低的功耗、更高的速度和更小的尺寸。
然而，由于电子设备的结构庞大且复杂，传统的优化方法往往难以找到最佳解。
因此，采用基于神经网络和遗传算法的结构优化方法可以有效地解决这一问题。
二、神经网络的应用神经网络是一种模拟人类神经系统工作原理的数学模型。
在电子设备结构优化中，神经网络可以用来建立设备结构与性能之间的映射关系。
通过训练神经网络，我们可以得到一个近似于最优解的结构。
三、遗传算法的应用遗传算法是一种模拟自然选择和遗传机制的优化方法。
在电子设备结构优化中，遗传算法可以通过模拟生物进化过程来搜索最佳解。
通过不断进化和选择，我们能够找到较优的电子设备结构。
四、神经网络和遗传算法的结合将神经网络和遗传算法结合起来，可以充分利用两者的优势，提高电子设备结构优化的效果。
首先，通过神经网络的训练，我们可以得到一个初步优化的电子设备结构。
然后，通过遗传算法的演化过程，我们可以进一步优化电子设备的结构，并逐渐接近最佳解。
五、案例研究为了验证基于神经网络和遗传算法的电子设备结构优化方法的有效性，我们进行了一个实际案例研究。
我们选择了一款智能手机的电路板结构进行优化。
首先，我们使用神经网络对电路板结构进行初步优化，得到一个较优的初始解。
然后，我们使用遗传算法对初始解进行进一步优化。
通过多次迭代，我们得到了一个接近最佳解的电路板结构。
六、结论基于神经网络和遗传算法的电子设备结构优化方法能够有效提高电子设备的性能和效能。
通过充分利用神经网络和遗传算法的优势，我们能够找到接近最佳的电子设备结构。
基于遗传算法的轮式起重机变幅三铰点优化
F1 Fr ( X ) F M ( X ) 2 z F3 M b ( X ) F4 H ( X )
综上所述，变幅三铰点多目标优化数学模型为：
O2 处。
min Fi ( x ), i 1,2,3 max F4 ( x ) G ( x ) 0, j 1,2... j
max 10000 (bc ab ac),0 max 10000 ( ac ab bc),0 max 10000 ( ab ac bc),0 max 10000 (bc ab ac),0 max 10000 ( ac ab bc),0 max 10000 ( ab ac bc),0 max 10000 (1.75 bcmax / bcmin ),0 max 10000 (bcmax / bcmin 1.81),0 max 10000 ( n p Fr FK ),0 max 10000 (bcmax bcmin ) bcmin ( 1 2 ) min ,0 f ( c1 F1 c2 F2 / 1000 c3 F3 / 1000 c4 F4 10) / 1000000
表 2 和表 3 中的权重系数 c1、c2、c3、c4 分别 对应：油缸力、转台力、臂架力、起升高度。 表 2 中任取一组相同权重系数(c1=c2=c3=c4)， 比较三次不同的优化结果，从表中可以看出每次优 化的结果并不相同。这是由于遗传算法自身特性决 定的，它产生下一代的过程是靠交叉和变异实现 的，而交叉和变异具有随机性、不确定性，所以即 使在完全相同的条件下，经过遗传算法的优化，得 到的优化结果也不同。我们可以通过增加计算次 数，从多次计算的结果中选择更为理想的，使优化 结果达到更好。 表 3 中取不同的权重系数，对比优化结果：第 一组数据优化后油缸力、转台力、臂架力均减小， 但起升高度降低了；第二组数据，改变权重系数 c4 后，油缸力、转台力、臂架力均减小，起升高度得 到增加，但油缸力、臂架力减小的值不如第一组数 据。权重系数的选择由设计值给出，根据各个目标 函数的重要性，赋予各目标函数不同的权重系数， 从而使优化结果向更满意的方向靠拢。 5 结束语 应用多目标优化设计的数学模型和基于遗传
基于遗传算法的人工神经网络模型构建与优化研究
基于遗传算法的人工神经网络模型构建与优化研究人工神经网络（Artificial Neural Network，ANN）是一种模仿生物神经网络结构和功能的计算模型，通过模拟神经元之间的连接和信号传递，能够实现机器学习和模式识别任务。
而遗传算法（Genetic Algorithm，GA）是一种基于自然选择和遗传机制的优化算法，通过模拟生物进化过程来寻找最优解。
本文将探讨基于遗传算法的人工神经网络模型的构建与优化研究。
首先，构建人工神经网络模型是研究的首要任务。
人工神经网络由多个神经元和这些神经元之间的连接组成。
每个神经元接收来自其他神经元的输入，并通过激活函数对输入信号进行加权计算，最终输出结果。
遗传算法可以应用于优化神经元的连接权重和调整激活函数的参数，以获得更好的网络性能。
在构建人工神经网络模型时，首先需要确定网络的拓扑结构，包括输入层、隐藏层和输出层的神经元数量，以及它们之间的连接方式。
遗传算法可以通过进化过程搜索最佳的拓扑结构，以提高神经网络的性能。
遗传算法通过定义适应度函数来衡量每个个体的适应度，适应度高的个体将更有可能被选中下一代进化。
通过遗传算法的迭代过程，我们可以找到最佳的拓扑结构。
其次，优化神经元的连接权重是构建人工神经网络模型的关键一步。
连接权重决定了不同神经元之间的信号传递强度。
遗传算法可以通过进化过程调整连接权重，以找到最佳的权重组合。
在遗传算法的优化过程中，通过交叉和变异等操作，通过上一代个体中的优秀基因来生成新的个体，逐步优化连接权重，使神经网络的性能得到提高。
此外，还可以使用遗传算法来优化激活函数的参数。
激活函数决定了神经元输出的非线性特性，常用的激活函数包括Sigmoid、ReLU、Tanh等。
通过调整激活函数的参数，我们可以改变神经元的响应特性，从而使网络更好地拟合训练数据。
遗传算法可以在多个激活函数和参数组合中搜索最佳的选择，以提高神经网络的性能。
此外，在进行人工神经网络的训练和优化时，还可以使用遗传算法来选择最优的训练样本和参数初始化方法。
基于遗传算法的结构优化设计
基于遗传算法的结构优化设计背景介绍在现代工程设计中，结构优化设计是一个重要的环节。
通过优化设计，可以提高结构的载荷能力、降低材料的消耗、提高工程效益等。
而基于遗传算法的结构优化设计方法，正是一种有效的工具。
本文将从理论基础、算法原理、实际应用等方面，探讨基于遗传算法的结构优化设计的方法和意义。
理论基础基因是生物遗传信息的基本单位，而遗传算法正是通过模拟生物进化过程中的基因选择和交叉等操作，来搜索最优解的一种智能优化算法。
基于遗传算法的结构优化设计，依托于遗传算法的强大搜索能力，能够高效地寻找到较优的结构参数组合，从而实现结构的优化设计。
算法原理基于遗传算法的结构优化设计一般包括以下步骤：1. 初始化种群：随机生成一定数量的结构参数组合作为初始种群。
2. 适应度评估：根据设计需求，通过数学建模和有限元等方法，评估每个个体的适应度，即结构参数组合的优劣程度。
3. 选择操作：根据适应度的大小，选择适应度较高的个体作为下一代的父代。
4. 交叉操作：将选择出的父代个体进行杂交，生成新的个体。
5. 变异操作：对新生成的个体进行变异，引入一定的随机性。
6. 更新种群：用新的个体替代旧的个体，形成下一代种群。
7. 结束判断：根据预设的终止条件，判断是否达到迭代终止，如达到则结束；否则返回步骤2进行下一轮迭代。
实际应用基于遗传算法的结构优化设计已经在多个领域得到了广泛的应用，如航空航天、建筑工程、汽车制造等。
以航空航天为例，通过优化设计空间结构，可以减轻飞机的自重，提高载荷能力和机动性能。
而基于遗传算法的结构优化设计，可以快速搜索到满足设计要求的结构参数组合，大大缩短了设计周期，降低了设计的成本和风险。
结构优化设计实例以建筑工程领域的柱子设计为例，假设需要设计一个满足一定承载能力的柱子。
首先，通过遗传算法生成一定数量的柱子参数组合作为初始种群。
然后，通过有限元分析方法，对每个柱子进行载荷模拟，计算其承载能力。
根据承载能力大小，选择适应度较高的柱子作为下一代的父代，并进行杂交和变异操作。
基于整数编码遗传算法改进的起重机主梁优化
述假设 ，但设 计 变量 取 连 续 值 ，而 主梁 优 化 属 于 非线性 的离 散 变 量 约 束 的优 化 设 计 问题 【 ，还 须 。 Ｊ
国家 自然 科 学 基 金 （ ００ ０ ７ ，浙 江 省 科 技 计 划 重 大专 项 （０ ９ １１４） ５ ７５ ８ ） ２０ Ｃ １６
《 起重运输机械》 ２ １ （ ） ０ ２ ８
０ 引言
起 重机是 在 国 民 经济 中发 挥 重 要 作 用 的装 备 型产 品 ，它 需 要 消 耗 大量 的 钢 材 ，轻 量 化 是 其 发
展趋势 之一 。由 于 主梁 占起 重 机 总 质 量 的 ６ ％ 左 ０
对 结果 进 行 离 散 化 处 理 ，此 时不 能 保 证 最 后 的结
果 仍满 足 约束 条 件 ，另 外 ，正 应 力 约 束 条 件 和 刚
度 约束 条件 具体 公式 未描 述清楚 。 另 一方 面 ，各 种 优 化 算 法 如 神 经 网 络 ¨ 、遗 传算 法 ，＇ 、改 进 差 分 进 化 算 法 Ｊ 、粒 子 群 优 化 等 被用 于 主梁 优 化 求解 ，其 中 的遗 传 算 法 采 用二进 制 编码 ，需 要 不 断 地 编 码 和解 码 ，使 得 计
一 ４ １—
状 态 ２ ）取 整 数 ，不 能解 决 同时满 足设 计 变量 的 …
１ ）强 度约束 条件
＝
值 取整 数 、值 的取 值 范 围 不 同 、设 计 变 量 之 间 必
须 满足一 定 约束条 件 的情况 。 在 企业 与 市 场 的实 际 应 用 中 ，起 重 机 主 梁 通 常选用 Ｑ ３ ２ ５钢 板 ，其厚 度通 常 为 离散 的整 数 。为 此 ，针 对前 述 研 究 的 不 足 ，对 起 重 机 主 梁优 化模 型进行 补 充 和 完 善 ，对 传 统 整 数 编 码 的遗 传 算 法 进 行改 进并 应用 于起重 机 主梁 的优 化求 解 。
基于遗传算法和神经网络算法的吊车结构优化设计与实现
机 电产 品 开 崖 剀 新
Ｖｏ １ ． ２６ ， Ｎｏ ． １ Ｊ ａ ｎ． ， ２ ０１ ３
基 于遗传算法和神经 网络算法 的 吊车结构优化设计 与实现
薛加 海 ，于 晓 默 ，秦 爱玲 ，周 文景 ，叶俊 科
（ 广西 大学 机 械 工 程 学 院 ，广 西 南 宁 ５ ３ ０ ０ ０ ４ ）
Ａｂｓ ｔ ｒ ａ ｃ ｔ ：Ｔｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｂ ｙ ｕ ｓ ｉ ｎ ｇ ｔ ｈ ｅ ｉ ｆ ｎｉ ｔ ｅ ｅ ｌ ｅ ｍｅ ｎ ｔ ｍｅ ｔ ｈｏ ｄ ，ｏ ｒ ｔ ｈｏ ｇ ｏ ｎ ｌ ａ ｔ ｅ ｓ ｔ ｍｅ ｔ ｈ ｏｄ ，ＢＰ ｎｅ ｕ ｒ ａ ｌ ｎｅ ｔ ｗｏｒ ｋ ｎｄ ａ ｇ ｅ ｎｅ ｄｃ ｌｇ ａ ｏｒ ｉ ｔ ｈ ｍ ｔ Ｏ ｏ ｐｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ｏｆ ｃ ｒ ｎｅ ａ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｓ ｙｓ ｔ ｅ ｍ ．Ａｔ ｌ ａ ｓ ｔ ，ｔ ｈ ｅ ｎ ｅ ｕ ｒ ｌ ａ ｎ ｅ ｔ ｗ ｏｒ ｋ ｍｏ ｄ ｅ ｌ ｗｉ ｌ ｌ ｂｅ ｏｐ ｔ ｉ ｍｉ ｚ ｅ ｄ ｔ ｈｒ ｏ ｕｇ ｈ ｈｅ ｔ ｇ ｅ ｎ ｅ ｉｃ ｔ ｌｇ ａ ｏ ｒ ｉ ｔ ｈ ｍ ｎｄ ａ ｈｅ ｔ ｏ ｐ ｉｍａ ｔ ｌ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｓ ｒ ｏ ｆ ｈｅ ｔ ｓ ｔ ｒ ｕｃ ｔ ｕ ｒ ｅ ｄ ｙ ｎ ａ ｍｉ ｃ ｂ ｅ ｈａ ｖ ｉ ｏｒ ｗｉ ｌ ｌ ｂｅ ｏ ｂ￣ｉ ｎ ｅ ｄ ． Ｋｅ ｙ ｗｏｒ ｄｓ： ｆ ｉ ｎｉ ｔ ｅ ｅ ｌ ｅ ｍｅ ｎｔ ；ｏ ｒ ｔ ｈｏ ｇ ｏ ｎａ ｌ ｅ ｘ ｐｅ ｒ ｉ ｍｅ ｎ ｔ ｌ ａ ｍｅ ｔ ｈｏ ｄ；ＢＰ—ｎｅ ｕｒ ｌ ａ ｎ ｅ ｔ ｗｏ ｒ ｋ； ｇ ｅ ｎ ｅ ｉ ｔ ｃ ｌｇ ａ ｏ ｒ ｉ ｔ ｈｍ
基于遗传算法的神经网络结构优化及其应用
基于遗传算法的神经网络结构优化及其应用近年来，神经网络已经成为了深度学习领域发展的主流技术，它被广泛应用于图像处理、语音识别、自然语言处理等多个领域。
神经网络的性能往往受到网络结构和参数设置的影响，因此如何优化神经网络的结构和参数一直是深度学习领域的研究热点之一。
目前，基于遗传算法的神经网络结构优化已经成为了一种比较有效的方法。
遗传算法和神经网络具有天然的相似性：遗传算法中的种群和个体可以直接对应于神经网络中的层次结构和神经元。
而且，遗传算法具有并行性和全局搜索能力，可以在多个维度上搜索最优网络结构和参数。
遗传算法的基本思想是模拟生物进化过程中的遗传和选择过程，通过不断迭代产生新的个体，并筛选出最优的个体进行下一轮进化。
在神经网络结构优化中，我们可以用遗传算法来搜索每个层次的神经元数量、每个神经元的激活函数、不同层次之间的连接方式等，以获得最优的神经网络结构。
在神经网络结构优化中，遗传算法一般有以下几个步骤：1.表示方法的选择：选择适当的基因编码方式来表示神经网络结构和参数，例如二进制编码、实数编码、树形编码等。
2.个体的初始化：随机生成N个个体，每个个体包含神经网络的结构和参数信息。
3.适应度函数的定义：设计一个合适的适应度函数来评价每个个体的性能，一般使用神经网络在训练集上的准确率、误差等指标。
4.选择操作：根据适应度函数的大小选择部分个体用来产生下一代个体。
通常采用轮盘赌选择、锦标赛选择等方法。
5.交叉操作：对选中的父代个体进行染色体的交叉操作，得到新的子代个体。
6.变异操作：对子代个体进行随机的变异操作，以保持种群的多样性。
7.迭代循环：重复上述步骤，直到达到预设的停止条件。
通过遗传算法优化后得到的神经网络结构和参数，可以显著提高模型的性能和泛化能力，从而实现更准确、更稳定的预测和分类效果。
除了神经网络结构优化之外，遗传算法还可以应用于神经网络的参数优化、神经元剪枝、神经元蒸馏等领域。
应用遗传算法进行神经网络的参数优化，可以通过对权重、偏置等参数的搜索和调整，获得更优的模型性能和训练速度。
基于神经网络和遗传算法的在线优化软件设计与实现
近 年来 ， 化算 法得 到 了迅 速 的 发展 ， 多性 能 优 许
出数 据 进 行 辨 识 ， 立 起 符 合 实 际 生产 状 况 的辨 识 建
模 型 ～ 。
优 越 的算 法被 广 泛 地 应 用 于 工 业 过 程 的 在线 优 化 。
但 这 些 通用 算 法 的成 功 应 用 ， 前 提 在 于 有 一 个 好 其 的系统 模 型 。 由于某 些过 程涉 及 的设 备 和物 料 繁多 ， 工 艺 流程 复杂 ， 加 上对 象机 理 不甚 清 楚 ， 再 或者 物 性 参 数 难 以 获得 ， 给建 立 系统 的机 理 模 型 带来 了很 大 的困难 。 这种 情 况下 ， 在 只有 利用 实 际生 产过 程 的输 人 输 出数 据 ， 合 适 的算 法建 立 过程 的 辨识 模 型 。 用
遗传 算 法是 模仿 自然 界生 物进 化 思想 而 得 出的
一
种 全局 优 化方 法 。它 把 求解 问 题 的可能 解 看作 是
用 染 色体 串编码 的个 体 ， 量个 体 构成 种 群 ， 个 体 大 用
的适 应 度 函数 值 作 为 个 体 优 劣 的 评 价 指 标 ， 种 群 在
维普资讯
Ｖｏ ＿ ８ ＮＯ ４ 【２ ．
２ ０ ８ ０ ２０
华
东
理
工
大
学
学
报
４１ ９
Ｊ ｕ ｎ ｌｏ ｓ ｏ ｒ ａ ｆＥａ ｔＣｈｉ ａ Ｕ ｎ ｖ ｒ ｉｙ ｏ ｃ ｅ ｃ ｎ ｃ ｎｏ ｏ ｙ ｎ ｉ ｅ ｓ ｔ ｆＳ ｉ ｎ ｅ ａ ｄ Ｔｅ ｈ ｌ ｇ
Ａｂｓｒ ｃ ： ｓ ｄ ｏ ｕ ａ ｔ ｒ ｓ （ ｔ ａ ｔ Ｂａ ｅ ｎ ｎｅ ｒ ｌ ｎｅ ｗｏ ｋ ＮＮｓ）ａｎ ｅ ｔｃ ａ ｇｏ ｉｈｍｓ （ ｄ ｇ ｎｅ ｉ ｌ ｒｔ ＧＡ ｓ ），ｔ ｒ ｈｉｅ ｔ ｒ ｈｅ ａ ｃ ｔ ｃ ｕ ｅ，ｄ ｓｇｎ ｅｉ ａ ｍｐｌ ｍ ｅ ａ ｉ ｎｌｎｅｏｐ ｉ ｉａ ｉ ｏ ｔ ｒ ｒ ｓ ｕ ｓ ｄ．Ｉ ａ ｅ ｎ ａ ｎｄ ｉ ｅ ｎｔ ｔｏｎ ｏｆａｎ ｏ ｉ ｔｍ ｚ ｔｏｎ ｓ ｆｗａ ｅｗｅ ｅ ｄｉｃ ｓ ｅ ｔ ｈ ｓ ｂ ｅ ｐｐｌ ｄ ｔ ｔ ｎ ｙ ｉ ｏ ｍｅ ｈａ ｏｌｓ ｎ— ｅ
基于遗传算法和神经网络的复杂对象的建模与优化
图 １ 单 管放 大 电 路
Ｍ Ａ ｉ ＨＥ Ｚ — ｉ Ｋａ ， ｈｉｑ ｎ
（ ｌｃｒｃ ｌＥ ｇｎ ｅｉｇＣ ｌ ｇ Ｅ ｅ ｔ ａ ｎ ｉｅ ｒ ｏｌ ｅ，Ｇｕｚ ｏ ｉｅｓｔ ｉ ｎ ｅ ｉ ｕ Ｕｎｖ ｒｉ ｈ ｙ，Ｇｕｙ ｎ ５ ０ ３ ｈｎ ） ｉａ ｇ５ ０ ０ ，Ｃ ｉａ
Ａｂｔａ ｔ Ｔ ｅｅａｅｍａ ｙｇ ｂｌ ｐｉ ｚｔ ｎｒｓｌ ｏ ｏ ｌｘｏ ｊｃｓ Ｓ ａｄｔ ｓｌ ｔｈ ｅｔ ｓｒｃ ： ｈｒ ｒ ｎ ｌ ａ ｏ ｔ ａ ｏ ｅｕｔ ｆｒ ｍｐｅ ｂｅｔ， Ｏｉｉ ｈ ｒ ｅｅ ｅｂ ｓ ｏ ｍｉ ｉ ｓ ｃ ｔｓ ｏ ｃｔ
Ｋｅ ｏ ｄ ：ｆｎ ｓ ｆｎ ｔ ｎ ｏ ｌｘｏｊｃｓ ｇ ｎ ｒ ｌｏｉ ｍ；ｎｕａ ｎ ｔ ｒ ； ｏ ｕｔｅｓ ｙｗ ｒ ｓ ｉ ｅｓ ｕ ｃｉ ；ｃｍｐｅ ｂｅｔ； ｅ ｅｉ ａ ｒ ｈ ｔ ｏ ｃ ｇ ｔ ｅｒｌ ｅ ｗｏｋ ｒｂ ｓ ｓ ｎ
０ 引言
国内外在 简单对 象 的优 化 方 面 已有 很 多研 究 成 果 ， 对 于复 杂 对 象 的优 化 问题 却 没 有 成 熟 的解 决 但
ｏｉｉａ ｏｊｃ ｖ ｕ ｃ ｏ ．Ａｔ ｉ ｔ ｐ ｍｉｅ ｎ ｗ ｄｌｗ ｔ ｇ ｎｔ ｌｏｉ ｍ ｎ ｈ ｅ ｉ ｅｓ ｒ ｎｌ ｂｅｔ ｅｆｎｔ ｎ ｇ ｉ ｉ ｒ ｔ ｚｄｋ ｏ ｎ ｍｏ ｅ ｉ ｅ ｅ ｃａ ｒｈ ａｄ ｔｅｎｗ ｆｎ ｓ ｆｓｏ ｉ ｈ ｉ ｇ ｔ ｔ
基于神经网络的起重机臂架结构优化(1)
第８期２００８年８月机械设计与制造ＭａｃｈｉｎｅｒｙＤｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ一２３一文章编号：１００１—３９９７（２００８）０８－００２３－０２基于神经网络的起重机臂架结构优化计三有苏运波（武汉理工大学物流工程学院。
武汉４３００６３）Ｇａｎｔｒｙｃｒａｎｅ７ＳａｒｍｆｒａｍｅｓｔｒｕｃｔｕｒｅｐａｒａｍｅｔｅｒｓｏｐｔｉｍｉｚａｔｉｏｎｂａｓｅｄｏｎｎｅｕｒａＩｎｅｔｗｏｒｋＪＩＳａｎ－ｙｏｕ，ＳＵＹｕｎ－ｂｏ（ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＣｏｌｌｅｇｅｏｆＬｏｇｉｓｆｉｃＥｎｇｉｎｅｅｒｉｎｇ，Ｗｕｈａｎ４３００６３，Ｃｈｉｎａ）—ｍ岍铃州小锵神蝴惭龄泠球鼬竹剐惭婚淋瓜钓甜甜批岍婚州砒他蝴惭舱渊腻舯对蝴ｍ盼舱怜州鼬她川州：§【摘要】为尽量减轻起重机臂架结构的质量，改善结构应力状况，提出了人工神经网络与优化§§相结合应用于臂架结构参数优化的方法。
用臂架壁厚参数作为输入矢量，ＡＮＳＹＳ软件计算出的最大§ｉ静应力作为输出矢量。
在对网络进行训练的基础上，建立了起重机臂架壁厚与最大应力之闻的数学ｌｌ模型，以此作为优化问题的约束条件，并利用ＭＡＴＬＡＢ优化工具箱求得了臂架臂厚的最优解。
§§关键词：臂架结构；有限元；神经网络；优化§§【Ａｂｓｔｒａｃｔ】ｍｏｒｄｅｒｔｏｌｉｇｈｔｅｎａｒｍｆｒａｍｅｓｔｒｕｃｔｕｒｅ３ｍａｓｓａｎｄｉｍｐｒｏｖｅｓｔｒｕｃｔｕｒａｌｓｔｒｅｓｓｓｔａｔｕｓ，ｔｈｅ§§ｔｈｅｏｒｙｏｆａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｏｐｔｉｍｉｚａｔｉｏｎｗｅｒｅａｐｐｌ＆ｄｉｎｔｈｅｒｅｓｅａｒｃｈｏｆａｒｍ加ｓｔｒｕｃｔｕｒａｌｇ５ｐａｒａｍｅｔｅｒｓｏｐｔｉｍｉｚａｔｉｏｎＴｈｅｓｔｒｕｃｔｕｒａｌｐａｒａｍｅｔｅｒｓｏｆｔｈｉｃｋｎｅｓｓｗｅｒｅ，ｒｅｇａｒｄ岱ｉｎｐｕｔｖｅｃｔｏｒ．Ｔｈｅｂｉｇｇｅｓｔ§§ｓｔａｔｉｃｓｔｒｅｓｓｃａｌｃｕｌａｔｅｄｂｙＡＮＳＹＳｗｅｒｅｒｅｇａｒｄ∞ｏｕｔｐｕｔｖｅｃｔｏＬＴｈｅｍａｔｈｅｍａｔｉｃｓｍｏｄｅｌｂｅｔｗｅｅｎｔｈｅ§；ｔｈｉｃｋｎｅｓｓａｎｄｔｈｅｂｉｇｇｅｓｔｓｔａｔｉｃｓｔｒｅｓｓｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｂｙｎｅｔｗｏｒｋｔｒａｉｎｉｎｇ，ｗｈｉｃｈｗｅｒｅａｐｐｌ据ｄａｓ｜≮ｏｐｔｉｍｉｚａｔｉｏｎ＂ｓｃｏｎｓｔｒａｉｎｔｅｑｕａｔｉｏｎｓ，ａｎｄｇｅｔｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｏｆａｒｍｆｒｏａｅｂｙＭＡＴＬＡＢｏｐｔｉｃａｌｔｏｏｌｂｏｘ．≤≥Ｋｅｙｗｏｒｄｓ：Ａｒｍｆｒａｍｅｓｔｒｕｃｔｕｒｅ；Ｆｉｎｉｔｅｅｌｅｍｅｎｔ；Ｎｅｕｒａｌｎｅｔｗｏｒｋ；Ｏｐｔｉｍｉｚａｔｉｏｎ§中图分类号：ＴＨｌ２，ＴＨ２文献标识码：Ａ传统的结构设计方法是设计人员根据经验和判断提出设计方案，随后用力学理论对给定的方案进行分析，校核。
桥式吊车系统基于遗传算法的LQR控制
的或可线性化的系统 ,并且性能指标是状态变量和控制变 量的二次型函数的积分 。由于它的解的计算较易获得 ,工 程也较容易实现 ,并且有较好的控制效果 ,因此 LQR 得到 广泛应用 。在这里简要介绍具有普遍性的无限时间状态
调节器的设计 。设调节对象方程为 :
·
X ( t) = AX ( t) + BU ( t)
1 建立数学模型
实际的吊车要求将货物尽可能快地运送到目的地 ,并 要求在运送过程中不能有大的晃动 ,这就要求吊车在移动 过程中保持摆角平稳到达指定位置 ,这可通过电机控制小 车的速度和加速度来实现对整个系统的控制 。吊车系统 模型如图 1所示 。
图 1 桥式吊车模型
图 1中所标参数 : M 表示台车质量 , m 表示负载质量 ,
M ( b A b A2 b A3 b) = 3. 6 - 20. 6 50. 1
90. 7
0 10. 1 - 56. 8 - 321
10. 1 - 56. 8 - 321 2 838. 5 rank (M ) = 4,故系统可控 。
2 遗传算法优化 LQR 控制器
2. 1 LQR 控制器原理
LQR 控制器就是利用线 性二次型最优控 制原理设计 的控制器 。也就是对该控制器施加较小的控制量 U ( t) , 使系统的状态 X ( t)保持在零值附近 。在这里就是以尽可 能小的控制电压 u, 在指定位置尽可能快地摆角为零 , 摆 角加速度为零 。线性二次型最优控制研究的系统是线性
又由于 92 H / 9U2 = R 是正定的 ,所以最优调节器为 :
U 3 ( t) = - R - 1B Tλ( t)
通常总希望把调节作用 U ( t)表示成系统状态变量 X ( t)
基于遗传算法的塔式起重机起重臂优化设计
基于遗传算法的塔 式起 重机起重臂优化设计
西安 建筑科技 大学
摘
罗
丹
原 思聪
王晓 云
要 ：介绍 了塔式起重机起重臂优化设计 的数 学模型 以及起重 臂有 限元 模型 的建立 ，论述 了通过 遗传算
法结合 ａｓ 有 限元分析软件进行起重臂优化设计 的方法 ，结合模拟退火算 法思想 ，对 遗传算法作 了改进 ，以保 ｎｓ ｙ
机 （ 以下 简称塔 机 ）的工 作性 能 。在保证 有 足够 的 强度 、刚度 和稳 定性 的基 础上 降低 结构 的 自重 可 以
若臂架长度、塔帽高度 、腹杆布置形式和角度
（ ｉ ＝Fra bibliotek 以及 起重 量 已经给定 ，起 重 臂设 计需要 确定 臂架 整 体截 面尺 寸 、 吊点 位 置 、拉 杆 截 面尺 寸 、各 段 上 、
跨 、外 伸 段 各 段 的上 、下 弦 杆 和
体截面形式为正三角形 。内跨段 、外跨段和外伸段 的上、下弦杆以及腹杆型钢型号不相同 ，为 ３ 段变 截面结构 。臂架上弦、腹杆选用无缝圆钢管 ，下弦
为 等边 角钢拼 焊 ，拉杆 采用 圆钢 。
１ １ 设 计变量 ．
一
侧桁架腹杆及水
平 桁 架 直 腹 杆、
Ｋｅ ｗｏ ｄ ： ｇ ｎ ｔ ｇ ｒ ｈ ｙ ｒ ｓ ｅ ｅ ｃ ａ ｏ ｔｍ； ｔ ｅ ｒｎ ； ｂ ｏ ｉ ｌ ｉ ｏ ｒｃａ ｅ ｗ ｏ ｍ； ｆ ｔ ｌｍｅ ｔ ｄｓ ｒｔ ａｉｂ ｅ ｉ ｅｅｅ ｎ ； ｉ ｃｅ ｅｖ ｒ ｌ ｉ ｎ ａ
起重臂结构设计是否合理将直接影响塔式起重
２
，
ｍ
，
擂
，
１
基于遗传算法的BP神经网络在塔式起重机故障诊断中的应用
ｗ ｒ ｙｒｃ ｒｃｌ ｆ ｒ ｒ ｑ ａｅｓｍ，ａｄｗｔ ｉ ｒｖｄｎｔｏｋｗ ｉ ｔ ａｄｔｒｓｏ ａ ｅａ ｎｏｊｃ ｖ ｐｉ ｚｓ ｏｋｂ ｅｉ ｏａ ｏ ｅｒ ｕｒ ｕ ｐ ｏｓ ｎ ｉ ｈ ｍｐｏｅ ｅ ｒ ｅ ｈｓ ｎ ｈｅｈｌ ｖ ｕ ｓａ ｂ ｔ ｅｏ ｔ ｅ ｗ ｇ ｄ ｌ ｅｉ ｍｉ
故对 塔机 状 态 的 实 时监 控 及 故 障 的 准 确 识 别 显 得
非 常重要 。
遗 传算 法 是 一 种 基 于 生 物 自然 选 择 与 遗 传 机
理 的随机搜索算 法，其思想源于生物遗传 学和适 者生存 的 自然 规律 ，是具有 “ 生存 ＋ 检测 ” 的迭
代 过程 的搜 索 方 法 。其 基 本 操 作 是 选 择 、交 叉 和 变 异 ，核 心 内 容 是 参 数 编 码 、初 始 群 体 的 设 定 、
ｎ ｕ ａ ｅｗｏｋ ｓｒ ｃｕ ｅ ｉ ｒ ｅ ｏｍｏｅ ｅ ｅ ｔ ｅｙ ａ ｐ ｙｔ ｅ ｉ ｒ ｖ ｄ ｎ ｔ ｏ ｋ ｆ ｒｐ ｅ ｉｔ ｎ ａ ｄ ｉ ｅ ｔ ｉ ａｉｎ ｅ ｒ ｎ ｔ ｒ ｔ ｔ ｒ ｎ ｏ ｄ ｒｔ ｒ ｆ ｃｉ ｌ ｐ ｌ ｈ ｍｐ ｏ ｅ ｅｗ ｒ ｏ ｒ ｄ ｃｉ ｎ ｄ ｎ ｉ ｃ ｔ ．Ｗ ｈ ｎ ａ — ｌ ｕ ｖ ｏ ｆ ｏ ｅ ｐ ｐ ｙｎ ｏ ｓａｅ ｒ ｃ ｇ ｉ ｏ ｆｔ ｗ ｒｃ ａ ｅ ｔｃ ｎ ｅ ｆｃｉｅ ｙ ｐ ｒｏｍ ｉｇ ｏ ｉ ｏ ｔｗｅ ｒ ｎ ． ｌｉ ｇ ｔ ｔ ｔ ｅ ｏ ｎ ｔ ｎ ｏ ｏ ｅ ｒ ｎ ，ｉ ａ ｆ ｔ ｌ ｅ ｆｒ ｄ ａ ｎ ｓｓｔ ｏ ｒｃ ａ ｅ ｉ ｅ ｖ Ｋｅ ｗｏ ｄ ： ｔｗｅ ｒ ｎ ；ＢＰ ｎ ｕ ａ ｅ ｗ ｒ ｙ ｒ ｓ ｏ ｒｃ ａ ｅ ｅ ｒ ｌｎ ｔ ｏ ｋ；ｇ ｎ ｔ ｇ ｒ ｈ ；ｏ ｔ ｚ ｔ ｎ；ｄ ａ ｎ ｓｓ ｅ ｅｉ ａ ｏ ｉ ｍ ｃｌ ｔ ｐ ｉ ａｉ ｍｉ ｏ ｉｇ ｏ ｉ
基于遗传算法的交通网络优化设计
基于遗传算法的交通网络优化设计在当今社会，交通网络的高效运行对于城市的发展和居民的生活质量至关重要。
随着城市化进程的加速，交通拥堵、出行效率低下等问题日益凸显，如何优化交通网络设计成为了一个亟待解决的重要课题。
遗传算法作为一种强大的优化工具，为解决交通网络优化问题提供了新的思路和方法。
一、交通网络优化的重要性一个合理优化的交通网络能够带来诸多好处。
首先，它可以减少交通拥堵，提高道路的通行能力，使车辆能够更快速、顺畅地行驶。
这不仅节省了人们的出行时间，还降低了车辆的燃油消耗和尾气排放，对环境也有积极的影响。
其次，优化的交通网络能够提升交通运输的效率和安全性。
合理的道路布局和交通信号设置可以减少交通事故的发生概率，保障行人和车辆的生命财产安全。
此外，良好的交通网络有助于促进城市的经济发展。
它能够方便人员和物资的流动，加强区域之间的联系与合作，为企业的发展创造有利条件。
二、遗传算法的基本原理遗传算法是一种基于自然选择和遗传变异原理的优化算法。
它模拟了生物进化的过程，通过不断地迭代和优化，寻找最优解。
在遗传算法中，问题的解被编码为染色体，通常是一组数字或字符串。
初始时，随机生成一组染色体作为种群。
然后，通过适应度函数评估每个染色体的优劣，适应度高的染色体更有可能被选择进行遗传操作。
遗传操作包括选择、交叉和变异。
选择操作根据染色体的适应度，从当前种群中选择一部分优秀的染色体作为父代。
交叉操作将父代染色体的部分基因进行交换，产生新的子代染色体。
变异操作则对染色体的某些基因进行随机改变，以增加种群的多样性。
经过多次迭代，种群逐渐进化，适应度不断提高，最终收敛到最优解或近似最优解。
三、交通网络优化中的关键因素在交通网络优化中，需要考虑多个关键因素。
道路容量是一个重要的因素。
不同道路的宽度、车道数量等决定了其能够容纳的车流量。
合理规划道路容量，避免某些路段出现过度拥堵，而其他路段闲置的情况。
交通流量分布也是需要重点关注的。
基于神经网络和遗传算法的优化方法
基于神经网络和遗传算法的优化方法第一章神经网络优化方法神经网络是一种基于大量神经元相互连接的数学模型，它模拟了人类和动物神经系统的工作原理。
神经网络具有非线性和自适应性，可以用于模式识别、分类、回归和优化等多种任务。
神经网络优化方法是指通过调整神经网络的参数和结构，提高神经网络性能的方法。
常用的神经网络优化方法包括梯度下降、动量法、自适应学习率法和二阶优化方法等。
梯度下降法是最基本的神经网络优化方法，它通过计算损失函数对神经网络参数的偏导数，来确定神经网络参数的调整方向。
动量法是在梯度下降法的基础上，加入了动量项，以加速神经网络的收敛速度。
自适应学习率法根据神经网络参数的更新情况，自适应地调整学习率，以平衡精度和收敛速度。
二阶优化方法是近年来出现的一种高级的神经网络优化方法，它基于牛顿法和拟牛顿法，更准确地估计损失函数的曲率，以加快神经网络的收敛速度。
第二章遗传算法优化方法遗传算法是一种模拟生物进化过程的优化方法，它通过基因组的重组、突变和选择等操作，模拟生物的进化过程，来寻找最优解。
遗传算法具有全局优化能力和适应性，可以应用于许多优化问题，如函数优化、组合优化和机器学习等。
遗传算法的优化过程通常包括如下几个步骤：（1）初始化种群：随机生成一组初始个体，作为种群的起点。
（2）适应度评估：计算每个个体在目标函数下的适应度值，以评估其优劣程度。
（3）选择操作：选择适应度较高的个体，作为下一代种群的基础。
（4）重组操作：将所选个体的基因组进行重组，产生新的个体。
（5）变异操作：对新产生的个体进行随机变异，增加种群的多样性。
（6）更新种群：根据新产生的个体，更新种群，进入下一代演化。
（7）终止条件：达到预设的终止条件，如达到一定代数、目标函数收敛、达到一定精度等。
第三章基于神经网络和遗传算法的优化方法神经网络和遗传算法是两种常用的优化方法，它们的优缺点互补，可以相互结合，构建出更加强大的优化模型，提高优化性能。
神经网络与遗传算法在优化设计中的结合运用
总第169期2008年第7期 舰船电子工程S hi p E lectronic Engineering V ol .28N o .7 127 神经网络与遗传算法在优化设计中的结合运用3刘瑞斋(解放军电子工程学院信息系 合肥 230037)摘 要 讨论在优化设计中利用H opfie l d 网络的简单、快速、规范的优点和并行遗传算法的全局搜索能力进行网络参数选取的优点相接合运用的方法,来优化样本空间,经过仿真实验计算验证,解决实际问题,取得较好的整体优化效果。
关键词 H o pf ield 网络;并行遗传算法;算法结合中图分类号 T P183App liaction of N eu tral Net w ork Technology Co m bined w ithGenetic A lgorithm in Op ti m ization D esignL iu R u izh ai(E l ec tronic Engineering Institut e of PLA ,H efe i 230037)A b s tra c t The appli ca tion of si mp le,rap id,standard H opfield net w o rk co m bined w ith pa rallel gene tic algorit hm w ith t he a 2bility of overall search to se lect net w ork pa ram ete rs is discussed .In this m anner,the samp le space i s to be op ti m ized .A nd the si m ulation result sho w s that the application is ava ilable to solve the problem and obtains high integra l o p ti m ization effic iency .Ke y w o rd s ho pf ield ne t w ork,pa rallel genetic algorith m,a lgorith m co m bination C l a s s N um be r TP1831 引言在优化问题规模越来越大,搜索空间的复杂度越来越高的条件下,串行遗传算法在优化效率和优化质量上往往难以满足实际需要。
基于神经网络与遗传算法的结构优化设计方法
第２ ７卷 第 １期
２０ ０
Ｊ ｕ ｎ ｌ ｆＧｕｌ ｉｅ ｓｔ ｆ ｅ ｈ ｏｏ ｙ ｏ ｒ ａ ｉ ｎ Ｕｎｖ ｒｉ ｏ ｃ ｎ ｌｇ ｏ ｉ ｙ Ｔ
Ｖ ｌ２ ｏ １ ｏ＿ ７ Ｎ ．
计法确 定 的训练样 本足 够大 的基础 上得 出 的 ，具有较 强 的可靠 性．
关键词 ：神经 网络 ；遗传 算法 ；结构 优化
中图分 类号 ：Ｔ １ ３ Ｐ８ 文献标 志码 ：Ａ
长 期 以来 ，人 们 在 结 构 优 化 设 计 中发 展 了许 传算法解决 了焊 接梁 的结构优化 问题 ；Ｈ ｊ ｅ ａｌ ｅ 多有效 的 算 法 … ，这 些 算 法 的一 个 主 要 特 点 是 需 等人利用遗传算法解决 了结构多准则优化设计 问
解 上述 优化 问题 ，包 括 如下过 程 ．
将神经网络与遗传算法结合进行结 构优化设
计 的基本思 想 为 ：
（ ）按 一 定 的概 率 密 度 遍 历 结 构 设 计 变 量 的 １ 整个 空间 ，选择 一 定 数 量 的样 本 点 ，并 对 上 述 样
（ ）一次性进行若干具有不同设计参数 的有 本 点 中的输 出值 按一 定 的 比例 因子进 行 归一化 ； １ （ ）输入样本集 ，设置神经 网络初始参数 ； ２ 限元分 析 ，得 到 结 构 设 计 参 数 与重 量 、位 移 、应
得往往要耗费大量的人力 与物力． 因此 ，寻求 更 当数量的染色体组成集 团，进行 大量的 目标 函数
为简便 有效 的结 构 优 化 设 计 方 法 一 直是 人 们 关 注 值 计算 ，就 结构 优 化 分 析 而 言 ，每 个 函数 值 的 获
的课题 ．
取 需要 进 行 一 次有 限 元 分 析 ，世 代 繁 殖 搜 索 优 化
遗传算法优化BP神经网络港口起重机故障诊断
遗传算法优化BP神经网络港口起重机故障诊断钱志远【摘要】针对港口起重机故障诊断问题,提出了一种基于遗传算法优化BP神经网络的故障诊断方法.规避传统BP神经网络算法的不足,同时建立起所对应的优化神经网络算法模型.采用Matlab中的NNTool工具箱,以港口起重机其中一个支腿液压阀故障为实例,分析该诊断方法的理论原理和具体实施过程.结果表明遗传算法优化的BP神经网络比传统的BP神经网络在港口起重机故障诊断问题中具有更好的诊断效率和准确度.【期刊名称】《机械制造与自动化》【年(卷),期】2019(000)001【总页数】4页(P172-175)【关键词】港口起重机;智能诊断;BP神经网络模型;遗传算法【作者】钱志远【作者单位】南京理工大学机械工程学院,江苏南京210094【正文语种】中文【中图分类】TH218;TH165+.30 引言港口起重机作为机电液于一体的复杂机构，故障表现经常是各种各样故障相互重叠的结果，究其故障发生的原因可能也是各种各样的。
所以必须快速且精准地确定港口起重机故障发生原因。
目前，可以采用神经网络算法对港口起重机进行故障诊断。
由于神经网络初始连接权值和阈值的选择对网络训练的影响很大，并且神经网络本身存在学习收敛速度慢、容易陷入局部极小点的问题，会导致诊断精确性降低甚至诊断错误。
本文以支腿液压阀故障为例，提出了一种基于遗传算法优化的BP神经网络故障诊断方法，用遗传算法优化BP神经网络的连接权值和阈值，加快了收敛的速度，克服了极小点问题，提高了港口起重机故障诊断的精度和速度[1]。
1 BP神经网络算法故障诊断1.1 BP神经网络简介和模型建立BP神经网络主要来源于模仿人脑的神经元神经传输原理，对于刺激信号的反应如同神经元刺激信息传递一样，建立起一到多层的感知模型。
正向信号传播与反向误差调节结合，并进行多次迭代学习的网络模型。
BP神经网络算法在本质上，是把网络误差平方和作为目标函数，运用梯度下降法求出目标函数，使目标函数达到最小值的算法。
- 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)。
·制造业信息化·图1吊车结构系统有限元模型Fig.1The finite element model of a fixed craneBased on Genetic Algorithms and Artificial Neural Network Algorithms to Optimize the Structure Designand Implementation of CraneXUE Jia-Hai ，YU Xiao-Mo ，QING Ai-Ling ，ZHOU Wen-Jing ，YE Jun-Ke（College of Mechanical Engineering,Guangxi University,Nanning Guangxi 530004,China ）Abstract:This paper by using the finite element method,orthogonal test method,BP neural network and genetic algorithm to optimization of crane structure system.At last ，the neural network model will be optimized through the generic algorithm and the optimal parameters of the structure dynamic behavior will be obtained ．Key words ：finite element ；orthogonal experimental method ；BP-neural network ；genetic algorithm0引言随着吊车向大型化方向发展，结构在动载荷作用下的振动问题变得日益突出。
因此，进行基于动态特性的优化设计，使产品在设计阶段就可以预测其动态特性，可有效减小系统的振动，提高整机工作性能。
结构动力学建模方法主要有有限元法、试验模态法、混合建模法及基于人工神经网络的建模方法。
基于人工神经网络的动态优化设计建模方法，是利用多层人工神经网络极强的非线性映射功能，来描述和处理动态系统中设计变量及其动态参数之间的关系。
人工神经网络模型一旦建立，可取代有限元模型进行结构动态特性重分析，其分析过程简单而直接，且远比有限元模型计算速度快，尤其适用于工程技术人员使用。
由于吊车结构系统的动态特性很难用设计变量显式表达，因此用遗传算法对建立的神经网络模型寻优，计算出可行区域内动态特性最优时的设计变量及目标值。
1吊车结构系统动态特性分析图1所示为某厂生产的固定式吊车的有限元模型。
主要参数为：塔身高48．5m ，起重臂长70m ，最大起重力矩4400kN ·m 。
吊车结构的弦杆、腹杆、钢丝绳及集中质量分别以空间梁单元、杆单元、弹簧单元及质量单元模拟。
表1所示为按最大起重力矩工况计算的系统前8阶固有频率。
修稿日期：2012－12－21作者简介：薛加海（1986-），男，云南彝族人，在读硕士研究生。
主要研究方向：制造业管理信息化研究；于晓默（1982-），男，蒙古族人，在读博士研究生。
主要研究方向：制造业管理信息化研究。
摘要：论文综合利用BP 神经网络、遗传算法有限元法以及正交试验法对吊车结构系统进行优化研究。
利用遗传算法和BP 神经网络建立复杂结构系统动态优化的计算模型，该模型可代替系统原来的有限元模型。
首先对吊车起重机结构系统进行模态分析及谐响应动力学分析，找出对结构动态特性影响最大的模态频率，再利用灵敏度分析，确定对动态特性较敏感的设计变量作为神经网络的输入变量，并利用正交试验法确定神经网络训练样本，用有限元模型计算出样本点数据，建立反映结构振动特性的人工神经网络模型，最后利用遗传算法对所建立的神经网络模型寻优，得到使结构动态性能最优的设计参数。
关键词：有限元法；正交试验法；BP 神经网络；遗传算法中图分类号：TP18文献标识码：Adoi:10.3969/j.issn.1002-6673.2013.01.037文章编号：1002－6673（2013）01－093－03基于遗传算法和神经网络算法的吊车结构优化设计与实现薛加海，于晓默，秦爱玲，周文景，叶俊科（广西大学机械工程学院，广西南宁530004）机电产品开发与创新Development ＆Innovation of M achinery ＆E lectrical P roductsVol．26,No．1Jan ．,2013第26卷第1期2013年1月93·制造业信息化·表3正交试验因素及水平表Tab.3The orthogonal factors and the level水平H0(mm)H1(mm)H2(mm)D1(mm)D2(mm)D3(mm)D4(mm)A1(mm2)A2(mm2)120009080707090651385.6621.2 22200100908075100701690.2863.9 323001101009080110752049.61115.3 4240012011010085120802549.61564.5 5150013012011090130903138.42089.2A3(mm2)511.3621.2863.9 1115.3 1564.5A4(mm2)456.3511.3621.2863.91021.0对吊车结构进行谐响应分析可知，在不同激振频率的动载荷作用下，位移响应最大峰值均出现在第2阶固有频率处，故第2阶频率易引起吊车的共振。
由模态分析可知，第2阶振型是由塔身的弯曲振动引起的，因此，提高塔身的弯曲动刚度，是吊车动态优化设计的主要目标。
为找出对结构动态性能影响最大的振动频率，对吊车进行了简谐振动响应分析。
根据分析结果可知，在不同激振频率的动载荷作用下，吊车顶部节点水平方向如图2所示，及起重臂端部节点垂直方向如图3所示的位移响应，最大峰值均出现在第2阶模态，易引起共振。
吊车结构系统由起重臂、平衡臂、塔身等部件组成，设计吊车时既要考虑结构的强度、刚度、稳定性，也要考虑其经济性能，即尽量减小结构自重，因此，整机结构系统型钢规格较多，导致设计参数较多。
为了能正确有效地指出结构的动态薄弱部位及修改方向，对吊车结构进行灵敏度分析，可以减缩一些次要的设计变量提高优化效率。
对整机结构系统的38个设计参数相对第2阶固有频率进行灵敏度分析后，确定了表2中的11个截面参数（因素）作为设计变量。
原则上，应选取灵敏度值较大的参数为设计变量，但同时应考虑各杆件的刚度条件及静态分析结果，对其他受力不大的杆件，参照灵敏度分析结果，直接按刚度条件确定其截面参数。
2利用正交试验法确定神经网络的训练样本建立神经网络模型需要一系列训练样本，合理的训练样本数量及分布能使神经网络模型确切地表达结构的映射关系。
采用正交试验法可以用尽可能少的样本数量，得到分布尽可能均匀、全面的样本点。
吊车结构系统神经网络模型训练样本采用正交表L50（511），即样本总数为50，因素（即输入变量）数为11个，每个因素均为5水平，样本的因素及水平情况如表3所示，表中截面积A 的离散值取为各种型钢不同规格时的截面面积，正交表L50（511）略。
对这50个样本，利用有限元模型计算出相应的第2阶固有频率，作为神经网络模型的输出变量。
3BP神经网络模型的建立结构振动系统的设计变量与其动态特性参数之间的关系，是一种高度非线性映射关系。
而人工神经网络极强的非线性映射功能，非常适于建立结构振动系统的模型。
BP神经网络目前应用广泛，已经证明，一个三层BP网络能够逼近任何有理函数，因此，可以用三层BP网络建立结构设计变量与其动态特性参数之间的映射关系，并用该模型进行结构振动系统动态特性的重分析。
对具有11个设计变量的吊车结构系统，其BP网络模型的输入层有11个神经元，隐层设计为23个神经元，输出层的1个神经元用于描述吊车结构的第2阶固有频率。
为获得具有全局意义的振动重分析神经网络模型，对各设计变量在其可行域内各取5个离散值见表3，再按正交试验法组合得到50个设计样本作为表1吊车结构系统前8阶固有频率有限元计算值Tab.1The natural frequencies of the system in the prior8stages 阶数12345678固有频率（Hz）0.126320.179160.322110.436380.703410.716091.61731.71210表2吊车结构设计变量Tab.2The design variable of the crane参数（因素）含义参数（因素）含义H0（mm）塔身截面边长D4（mm）第二节平衡臂弦杆圆柱直径H1（mm）第一到第三节起重臂下弦杆截面边长A1（mm）平衡臂垂直桁架腹杆截面积H2（mm）第四到第六节起重臂下弦杆截面边长A2（mm2）第一到～第三节起重臂空间斜腹杆截面积D1（mm）第一到第五节起重臂上弦杆圆柱直径A3（mm2）第四到第六节起重臂空间斜腹杆截面积D2（mm）第六到第七节起重臂上弦杆圆柱直径A4（mm2）第七节起重臂空间斜腹杆截面积D3（mm）第一节平衡臂弦杆圆柱直径94·制造业信息化·训练集，并另外设计5个样本作为测试集，利用有限元分析软件ANSYS对所有样本进行了完整的有限元分析。
采用Matlab软件提供的神经网络工具箱进行神经网络的设计和训练。
由于原始样本中各向量的数量级差别较大，为防止部分神经元达到过饱和状态，应对样本进行归一化处理。
若以P代表输入向量，T代表输出向量，则创建BP网络的程序代码（略）。
利用仿真函数sim对上述网络进行测试表明，5个测试样本的网络输出值与有限元计算结果最大误差不超过1%。
4用遗传算法寻求神经网络模型的最优值用神经网络建立起输入变量与输出变量之间的函数关系后，还需要求解该函数的最优值。
由于神经网络模型建立的函数关系是通过神经元间的连接权值与阈值来实现的，难以用传统优化方法对此类问题寻优。
遗传算法是一种通用、高效的随机搜索与优化方法，其主要特点是群体搜索策略和群体中个体之间的信息交换。
遗传算法不需要导数信息或其他辅助信息，仅用适应度函数值来评估个体。
求解优化问题时，需要知道目标函数的显式表达式，并由此计算适应度值。
然而，复杂结构振动系统的设计变量与其优化目标即动态特性参数之间很难用显式表达，而这种难以表达的函数关系可以通过神经网络来仿真。
遗传算法可在神经网络确定的可行域范围内寻求最优解，减小了搜索范围，缩短了遗传算法的计算时间，并可保证满足约束条件。