改进的遗传算法及其在模具优化设计中的应用

摘要

遗传算法(Genetic Algorithm)是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应的全局优化概率搜索算法。其优势在于能够高效处理传统优化算法难以解决的复杂的非线性问题。由于其简单易行，不受搜索空间的限制性假设的约束，具有隐含并行性以及较强的鲁棒性和全局搜索能力，已被广泛应用于函数优化、机器学习、自适应控制系统等众多领域。 模具优化设计理论与方法是当前国际上一个前沿课题以及人们热衷的研究领域。由于优化过程中，目标和约束函数基本上是设计变量的隐函数，使得灵敏度分析和函数计算变得十分困难，因此，研究模具设计的高性能优化方法，在保证找到最优解的同时，提高计算效率至关重要。 本文的主要工作是研究遗传算法的改进，并将其应用到模具优化设计中。 首先，概述了模具优化设计和遗传算法的历史及发展现状，介绍了遗传算法的特点及应用，简述了其基本原理以及技术实现。 其次，提出一种基于物种方程和Kriging算子的多种群遗传算法。该算法中，令物种方程中的参数作为个体的设计变量进行实数编码，方程的稳态解作为一种修正的算术交叉算子参与遗传操作，增加个体多样性；加入Kriging算子，根据所有个体的信息模拟出最优解，以提高全局搜索能力及计算效率；采用移民策略，增加种群问的信息交流，加快各种群向最优解收敛。大量的数值算例表明了改进算法的高效性和适用性。 最后，将改进的遗传算法与注塑模流动数值模拟程序Z-MOLD相结合，对变厚度板和手机壳上面板浇口位置进行了优化设计，结果表明了本算法对模具优化设计中单浇口位置优化是有效的，对模具的优化技术和制造水平的提高起到积极作用。

目录

文摘

英文文摘

声明

1绪论

1.1工程背景及研究意义

1.2模具优化设计方法的发展现状

1.2.1优化理论及方法

1.2.2模具优化设计中优化方法的应用

1.3遗传算法的发展及研究现状

1.4遗传算法的特点和应用

1.4.1遗传算法的特点

1.4.2遗传算法的应用

1.5本文的研究工作

2遗传算法基本原理及其技术实现

2.1基本遗传算法的描述

2.1.1遗传算法的基本术语

2.1.2遗传算法的基本流程

2.2遗传算法的基本技术实现

2.2.1染色体编码方法

2.2.2初始种群的设定

2.2.3适应度函数

2.2.4遗传算子

2.2.5运行参数

2.3遗传算法的基本原理

2.3.1模式定理

2.3.2积木块假设

2.3.3遗传算法欺骗问题

2.3.4隐含并行性

2.3.5遗传算法的收敛性分析

2.4 小结

3遗传算法的改进

3.1改进的遗传算法

3.1.1单一物种方程

3.1.2 Kriging算子

3.1.3移民算子

3.2改进遗传算法的技术实现

3.2.1约束优化问题的演化设计模型

3.2.2编码方法

3.2.3多种群策略

3.2.4遗传算子

3.2.5适应度的处理

3.2.6空间收缩以及收敛准则

3.3改进遗传算法的步骤

3.4改进遗传算法的性能测试

3.5小结

4改进的遗传算法在模具优化设计中的应用

4.1浇口位置优化概述

4.2浇口位置优化模型

4.2.1入口压力Pin

4.2.2过压百分比Nnovp

4.2.3过热百分比Nfth

4.2.4温度差异Td

4.3算例及结果分析

4.3.1变厚度板浇口位置优化

4.3.2手机上面板浇口位置优化

4.4 小结

结 论

参考文献

攻读硕士学位期间发表学术论文情况

致 谢