workbench结构优化例

依次选取表的加工模型G4、G8、G0、G2（学号尾号为48）组成复合加工模型
传统控制
其中控制器的比例、积分、微分系数分别设为0.01、 0.1和0.001，初始值设定为800N运行后得到下图
1500
F /N
1000
G4
G8
500
G0
G2
0
0
5 10 15 20 25 30 35 40 45 50
本例中，目标函数总取非负值，并且是
以求函数最大值为优化目标，故可直接利用目
选择运算
选择运算(或称为复制运算)把当前群体中适应度较 高的个体按某种规则或模型遗传到下一代群体中。
• 先计算出群体中所有个体的适应度的总
和 ∑ ( 1.2,… );
• 其次计算出每个个体的相对适应度的大小 / ∑ ，
它即为每个个体被遗传 到下一代群体中的概率，
4
1
67
50 0.35
2
111001
01110 1
0
11100
交叉运算 交叉运算是遗传算法中产生新个体的主要操作过
程，它以某一概率相互交换 两个个体之间的部分染色
体。
本例采用单点交叉的方法，其具体操作过程是：
• 先对群体进行随机配对 • 其次随机设置交叉点位置 个体• 编最号后再选相择结互果交换配配对情对况染色交体叉点之位间的交部叉结分果基因
现代机械设计理论与应用
专业机械制造及其自动化 姓名何嘉华
主要内容
遗传算法（ ）是一类借鉴生物界的进化规律（适者生
存，优胜劣汰遗传机制）演化而来的随机化搜索方法。 它是由美国的教授1975年首先提出，其主要特点是直 接对结构对象进行操作，不存在求导和函数连续性的限 定；具有内在的隐并行性和更好的全局寻优能力；采用 概率化的寻优方法，能自动获取和指导优化的搜索空间， 自适应地调整搜索方向，不需要确定的规则。遗传算法 的这些性质，已被人们广泛地应用于组合优化、机器学 习、信号处理、自适应控制和人工生命等领域。它是现 代有关智能计算中的关键技术。
33.8
3.2
ห้องสมุดไป่ตู้7473
-4
G4
955
250
33.8
1.5
3975
-4
G5
955
380
33.8
1.5
3551
-4
G6
1448
890
33.8
0.75
4725
-3.2
G7
1448
890
25
1.5
7723
-2.6
G8
1448 1780
25
2.5
6814
-5.5
G9
1448
890
25
2.5
10221 -2.8
运算，其具体操作过程是：
• 首先确定出各个个体的基因变异位置，下表所示
为随机产生的变异点位置，
其中的数字表示变异点设置在该基因座处；
个体编• 码然后交依叉照结果某一变概异点率将变变异异点结果的原子有代基群体因值适取值反。
1
011001 4
011101 011101 34
2
111101 5
111111 111111 98
(E ) ( ) ( )( )( )
误差 E
KP NL NM NS Z PS PM PL
NL PL PL PM PM PS Z
Z
误 NM PL PL PM PS PS Z NS
差 NS PM PM PM PS
Z
NS NS
变 Z PM PM PS
模糊自适应
模糊控制
模糊规则
现取E、和 、、 的模糊子集都为{ ，，， Z，，，}其中、、、Z、、、分别表示负大、负 中、负小、零、正小、正中、正大。为了处理 方便，选取适当的量化因子将E、、、、控制 在[ - 6，+ 6 ]。由输入E和，可由模糊控制规则 得到输出、 、
利用模糊控制规则表编辑模糊控制规则， 如图。规则语言如：
3
101001 2
111001 111001 50
4
111011 6
111010 111010 53
模糊规则的自适应控制
是比例、积分、微分调节的简称。控制结构简单、 可靠性高，在工业控制中得到了广泛的应用。但是 实际工业生产过程往往具有大滞后、非线性、时变 不确定性，因此常规控制经常达不到理想的控制效 果。自适应控制通过监控加工过程的动态特性，能 适应性的在线调整控制规律，使得加工过程中动态 特性发生变化时仍能有效地控制。本文控制参数的 自适应调整采用模糊控制理论，是基于模糊理论的 参数自动调整的控制，结合了控制与模糊理论自适 应控制的优点提出了模糊自适应控制，它具自动调 整参数、能够适应被控过程参数的变化等优点
置
1
01 1101
011001
2
11 1001 1-2
1-2:2
111101
3
1010 11 3-4
3-4:4
101001
4
1110 01
111011
变异运算
变异运算是对个体的某一个或某一些基因座上的基
因值按某一较小的概率进行改变，它也是产生新个体的
一种操作方法。
本例中，我们采用基本位变异的方法来进行变异
加工过程由伺服机构､切削过程和检测装置等环节组 成，其模型如图
加工过程传递函数
主轴)转速 进给()速度 轴向()切深 径向()切深 增益
极点 b
G0
1448 1780
25
0.75
4373
-7
G1
955
380
33.8
3.2
6360
-5
G2
955
250
33.8
6.4
8586
-2.8
G3
955
250
初始群体的产生 遗传算法是对群体进行的进化操作，需要
给其淮备一些表示起始搜索点的初始群体数据。 本例中，群体规模的大小取为4，即群体
由4个个体组成，每个个体可通过随机方法产生。 如：011101，101011，011100，111001
适应度汁算 遗传算法中以个体适应度的大小来评定
各个个体的优劣程度，从而决定其遗传机会的 大小。
• 每个概率值组成一个区域，全部概率值之和为1；
个体编号 初始• 群最后X1再产x2 生适一值个0占到总1数之比间的选择随次机数数，选依择据结该果随
1 2 3
机的数次011出数011101现。10 在345上534述哪一332454个概000率...212474域内来110 确定各个个011101体111001被010111选中
1.个体编码 2.初始群体的产生 3.适应度计算 4.选择运算 5.交叉运算 6.变异运算 7.产生下一代 8解码
例：求下述二元函数的最大值：
个体编码 遗传算法的运算对象是表示
个体的符号串，所以必须把变量 x1, x2 编码为一种符号串。本题中，用 无符号二进制整数来表示。 因 x1, x2 为 0 ~ 7之间的整数，所 以分别用3位无符号二进制整数来表