基于改进型BP神经网络和NSGA-Ⅱ遗传算法的机械零件多目标优化

摘要

文章针对传统的机械零件多目标优化算法的不足,提出了一种基于改进型BP神经网络和NSGA-Ⅱ遗传算法的机械零件多目标优化设计方法,该方法首先利用Workbench对零件进行分析得到实验数据,然后用改进型BP神经网络对实验数据进行训练并建立起多目标优化的模型,采用NSGA-Ⅱ遗传算法对模型进行多目标优化.结果表明,在满足优化零件使用条件的情况下,运用该方法求得质量的相对误差最大为11％,变形的相对误差最大为3.36％,验证了该方法的有效性和可靠性.并将该方法得出的结果与传统Workbench得出的多目标优化结果进行了比较,证明了该方法优于传统Workbench优化方法.