CN105868850A - 一种基于种群合作进化算法的产品变更设计方法 - Google Patents

一种基于种群合作进化算法的产品变更设计方法 Download PDF

Info

Publication number
CN105868850A
CN105868850A CN201610181643.XA CN201610181643A CN105868850A CN 105868850 A CN105868850 A CN 105868850A CN 201610181643 A CN201610181643 A CN 201610181643A CN 105868850 A CN105868850 A CN 105868850A
Authority
CN
China
Prior art keywords
population
product
individuality
individual
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610181643.XA
Other languages
English (en)
Inventor
郝泳涛
葛唱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201610181643.XA priority Critical patent/CN105868850A/zh
Publication of CN105868850A publication Critical patent/CN105868850A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于种群合作进化算法的产品变更设计方法,包括以下步骤:1)对产品基因进行分组,按分组结果产生对应的多个种群;2)各种群分别采用遗传算法进行进化,所述遗传算法中,在对某个待评价个体的适应度进行评价时,由除所述待评价个体所在种群外的其他各种群中分别选取一代表个体,将所述待评价个体与代表个体的集合代入适应度函数中,计算所述待评价个体的适应度;3)将进化后每个种群的最优个体的集合作为最终解;4)根据所述最终解形成产品的最终构造。与现有技术相比,本发明具有提高产品结构自主调整的准确性和效率等优点。

Description

一种基于种群合作进化算法的产品变更设计方法
技术领域
本发明涉及一种产品设计方法,尤其是涉及一种基于种群合作进化算法的产品变更设计方法。
背景技术
现代工业设计以智能化,集成化为主要发展方向。从设计的本质来看,产品设计的过程是为了实现特定目标而在复杂约束关系下的抽象与实现过程,产品设计的主要过程可以分为概念设计、装配框架设计、以及详细设计这几个过程,其中,产品的概念设计是最重要的一环,常见的概念设计基础理论有Qian.L和Gere.JS提出的FBS模型,Suh NP提出的公理化设计理论,金熙哲提出的在FBS模型下,引入神经网络进行专家系统进行训练,张广军,郭敦兵等人在公理化设计中建立改进型功能树,另外,还有很多学者引入遗传算法或者扩展功能矩阵在产品概念设计或概念设计的功能求解上。
发动机的进化设计涉及多个零部件,是一个复杂的多变量优化问题,如果采用传统的遗传算法,会出现编码冗长、收敛速度慢、优化效果差的问题。所述需要对发动机的进化设计提出新的有效方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高产品结构自主调整的准确性和效率的基于种群合作进化算法的产品变更设计方法。
本发明的目的可以通过以下技术方案来实现:
一种基于种群合作进化算法的产品变更设计方法,包括以下步骤:
1)对产品基因进行分组,按分组结果产生对应的多个种群;
2)各种群分别采用遗传算法进行进化,所述遗传算法中,在对某个待评价个体的适应度进行评价时,由除所述待评价个体所在种群外的其他各种群中分别选取一代表个体,将所述待评价个体与代表个体的集合代入适应度函数中,计算所述待评价个体的适应度;
3)将进化后每个种群的最优个体的集合作为最终解;
4)根据所述最终解形成产品的最终构造。
所述步骤1)中,对产品基因进行分组具体为:将产品的每个零件作为一组。
所述遗传算法中,适应度函数设计为:
fit(ai)=f(a1,a2…at)=log10S
其中,ai为个体,{a1,a2…at}为计算单个待评价个体时待评价个体与来自其他种群的代表个体的集合,S为产品熵函数。
所述产品熵函数S表示为:
S = Σ i = 1 n log 2 ( x i + 1 ) ( s i + 1 ) + Σ i = 1 n log 2 ( Δy 1 Δy 2 ... Δy s i ) + Σ j = 1 m Σ k = 1 m FC j , k + Σ i = 1 n Σ j = 1 n δ · DP i j + e ( t )
其中,xi表示形成表面所需的边线数量,si表示几何形状的参数个数,n表示零件表面个数,Δy1、Δy2、…、表示各参数值的调整幅度,FCj,k表示j、k表面间约束关系的个数,m表示存在约束关系的表面个数,DPij表示i、j表面间运动副的自由度,δ表示运动副类型值,e(t)表示网络信息量。
所述步骤2)中,代表个体的选取方式包括以下任一种:
A)选择其他种群的最优个体作为代表个体;
B)从各其他种群中选取最优个体和任一个其他个体,分别与待评价个体结合,构成两个合作团体,并选择适应值较大者作为代表个体。
所述遗传算法中,进行变异操作时,各基因的变异方式包括以下几种:
①结构基因中的尺寸因子变异;
②结构基因中行为表面的类型变异;
③结构基因中的运动副类型变异;
④功能-行为流链的基因变异。
与现有技术相比,本发明具有以下有益效果:
(1)本发明对产品基因编码进行种群分割,采用种群合作进化算法对产品进行优化设计,将长编码分解成多个短编码,将复杂问题分解为简单问题,组合求解,产品基因可以按种群关系进行并行计算,解决了现有技术中存在的编码冗长、收敛速度慢、优化效果差的问题,大大提高了产品结构自主调整的准确性和效率。
(2)本发明适应度函数的设计考虑了各种群间的关系,且对代表个体的选取进行了优化,在保证求解精确度的同时,提高计算效率。
附图说明
图1为本发明的流程示意图;
图2为遗传算法的流程示意图;
图3为种群合作进化算法的并行实现示意图;
图4为本发明实施例中曲柄连杆机构的结构群落示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种基于种群合作进化算法的产品变更设计方法,包括:
在步骤S101中,对产品基因进行分组,按分组结果产生对应的多个种群,对产品基因进行分组具体为:将产品的每个零件作为一组,也可根据任务进行分组;
在步骤S102中,各种群分别采用遗传算法进行进化,所述遗传算法中,在对某个待评价个体的适应度进行评价时,由除所述待评价个体所在种群外的其他各种群中分别选取一代表个体,将所述待评价个体与代表个体的集合代入适应度函数中,计算所述待评价个体的适应度;
在步骤S103中,将进化后每个种群的最优个体的集合作为最终解;
在步骤S104中,根据所述最终解形成产品的最终构造。
本方法在产品设计中引进种群合作进化算法,将长编码分解成多个短编码,将复杂问题分解为简单问题,组合求解。该方法的要点包括以下几点:
1、进化个体的适应度评价
种群合作进化算法首先进行变量的分解分组操作,将决策变量分组后可以将一个复杂的多变量优化问题转化为多个相对简单的少变量优化问题。对分组后的决策变量分别编码,从而产生初始子种群,然后各子种群独立进化。在各种群的独立进化过程中,其进化流程与传统的遗传算法是一致,即需要经过选择、交叉和变异等操作。不同之处在于,在种群合作进化中,在对个体进行适应度评价时,种群内的个体之间需要进行信息交互。因为一个种群内部的个体仅代表被优化问题决策变量的一部分,无法直接对其进行适应度的计算。为此,待评价个体必须和来自于其他种群的个体相结合构成一个解,以用于适应度的计算。也就是说,待优化问题的完整解是由来自不向种群的个体共同组成的,各种群相互合作才能共同进化,从而完成优化任务。
2、代表个体的选择
在种群合作进化算法中,个体适应度的计算需要选择其他种群的个体构成一个代表性的解,那么从其他种群选择的个体称为代表个体。选择合适的代表个体起到非常重要的作用。目前主要有两种方式:一是选择其他子种群的最优个体作为代表个体,对于初始子种群的个体评价,由于无法确定最优个体,代表个体随机选择;第二种方法是从各子种群中选择最优个体和任一个其他个体,分别与待评价个体结合,构成两个合作团体,分别对其进行评价,并选择适应值较大者作为待评价个体的适应值。
本实施例中对代表个体的选择采用第二种方法。主要由于产品内部子装配作为群落模型,包含的零件种群可能很大。零件是产品的基本组成部件,零件通过运动副的关联装配形成一定功能的产品。又由产品的基因表达过程可知,零件是不同类型的表面根据一定的约束条件组合而成。表面主要分为行为表面和非行为表面。行为表面是发挥行为作用的物质载体。为了减少计算量,可以直接选择零件种群中的行为表面和种群中的任意一个非行为表面作为代表个体参与个体适应度的计算。
3、种群独立进化的流程
种群的独立进化过程就是传统的遗传算法流程。遗传算法是从目标问题的潜在解集的一个种群出发,而一个种群则由经过基因编码的一定数目的个体组成。个体的基因决定了个体的形状的外部表现,如蓝眼睛的性状是染色体中控制这一特征的某基因组合决定。因此,在一开始需要实现从表现型到基因型的映射即编码操作。初代种群产生后,按照适者生存和优胜劣汰的原则,逐代演化产生出越来越好的近似解。在每一代的进化过程中,根据计算个体的适应度挑选优秀的个体保留,并借助遗传算子进行交叉和变异,产生出代表新的解集的种群。直至达到终止条件,末代种群中的最优个体经过解码,可以作为问题的近似最优解。
遗传算法的一般流程如图2所示,具体过程为:
第1步随机产生初始种群,个体数目一定,每个个体表示为染色体的基因编码;
第2步计算个体的适应度,并判断是否符合优化目标,若符合,则输出最佳个体及其代表的最优解,并结束计算;否则转向第3步。
第3步依据适应度选择再生个体,适应度高的个体被选中的概率高,适应度低的个体可能被淘汰。
第4步按照一定的交叉概率和交叉方法,生成新的个体。
第5步按照一定的变异概率和变异方法,生成新的个体。
第6步由交叉和变异产生的新一代的种群,返回第2步。
上述遗传算法中,适应度函数设计为:
fit(ai)=f(a1,a2…at)=log10S (1)
其中,ai为个体,{a1,a2…at}为计算单个待评价个体时待评价个体与来自其他种群的代表个体的集合,S为产品熵函数。
所述产品熵函数S表示为:
S = Σ i = 1 n log 2 ( x i + 1 ) ( s i + 1 ) + Σ i = 1 n log 2 ( Δy 1 Δy 2 ... Δy s i ) + Σ j = 1 n Σ k = 1 n FC j , k + Σ i = 1 n Σ j = 1 n δ · DP i j + e ( t ) - - - ( 2 )
其中,xi表示形成表面所需的边线数量,si表示几何形状的参数个数,n表示零件表面个数,Δy1、Δy2、…、表示各参数值的调整幅度,FCj,k表示j、k表面间约束关系的个数,m表示存在约束关系的表面个数,DPij表示i、j表面间运动副的自由度,δ表示运动副类型值,e(t)表示网络信息量。
4、种群合作进化算法的流程
种群合作进化包含处于合作关系的同时进化的多个种群,种群中的每一个个体只表示解的一个部分。种群合作进化算法的每一个子种群求一个部分解,把多个子种群的最终解按顺序连接起来就是种群合作进化的解。种群合作进化算法的步骤如下:
(1)分析问题,将决策变量分组;
(2)初始化所有子种群;
(3)从其它子种群中选择代表个体,与待评价子种群个体组合,构成完整解,进行个体评价;
(4)判断算法终止条件,若满足则算法停止,输出最优解;若不满足进行步骤5;
(5)每个子种群独立进行选择、交叉和变异等遗传操作,生产子代种群;
(6)转步骤(3)。
种群合作进化算法伪代码如下所示:
Begin;
Set子种群的个数n;
For(i=1;i<=n;i++)
Initialize(pop[i]);
For(i=1;i<=n andnot termination;i++){
For(j=1;j<=n andj!=i;j++)
Pop[i]Cooperatewithpop[j];
Select(pop[i]);
Crossover(pop[i]);
Mutate(pop[i]);}
Solution=NULL;
For(i=1;i<=n;i++)
Solution=combine(Solution,solution[i]);
End;
从形式上看,种群合作进化算法把传统遗传算法中的种群人为地从纵向分为多个子种群,每个子群体对应一个子任务。所以在应用种群合作进化算法时,首要的工作是进行任务的分解。如果任务是确定3个参数的取值,那么就可以把整个系统分为三个种群。
种群合作进化算法的物理实现可以采用图3所示的采用客户/服务器模式,其中,在客户机上进化一个或多个种群,在服务器上实现各种群的协调。
有了产品的完整基因编码,就有了产品进化设计的基础。在机械产品设计领域,60%的设计都是在现有产品的基础上进行修改完成功能需求的更改。对产品中的某一零件的增加结构修改要求或者对产品的功能需求产生变更,产品如何自适应地发生更改,能使内部零件之间协同修正,以最小的修改成本,达到最优机构,满足新的功能需求。本实施例以曲柄连杆机构为例,增加一个结构更改,以协同进化算法为核心阐述进化设计的过程。曲柄连杆机构主要由活塞、连杆和曲轴三大主件以及气环、油环、连杆盖等附件构成。其最主要的功能就是将燃料燃烧时产生的热能转变为活塞往复运动的机械能,再转变为曲轴旋转运动而对外输出动力。所以,曲柄连杆机构的总功能是能量转换或动力输出,由各类执行零件、传动零件和定位零件有机组合完成该功能。
基于协同进化算法的曲柄连杆机构设计流程具体为:
步骤一:生成初始种群。对于曲柄连杆机构,经过基因的表达过程已经有了详尽的功能、行为流和结构基因。对于现成的产品,可以通过提取基因的方法,用逆向映射的思想,先得到结构基因,再映射得到行为流和功能基因。由于本发明需要零件之间协同进化,所以将每个零件作为一个种群,将各类基因编码分类到各个零件中,形成种群的基因编码,以用于种群间的协同进化。对于曲柄连杆机构可以初始化种群如图4所示。
步骤二:建立目标函数。本实施例引入产品熵理论,产品熵的核心思想就是用统计的方法,从个体和群体的角度分别计算静态和动态两种情况下的产品信息量。而用于进化设计的产品熵函数则要求进化过程中以最小的信息变化量为代价。因此,本实施例的产品熵函数如公式(2)所示。
若计算产品熵函数中的第一项,则可以表示为:
s=log2(2×2)+log2(2×2)+log2(2×2)+log2(3×3)+log2(3×3)
+log2(3×3)+log2(3×3)+log2(3×3)+log2(2×4)
+log2(3×3)+log2(3×3)+log2(2×4)+log2(2×4)=37.19
由此可见,若是在进化过程中结构基因中的表面类型发生变异,产品熵函数中的第一项必然产生变化。
步骤三:建立适应度函数。协同进化算法是以遗传算法为基础的,因此其适应度函数的建立与遗传算法中的相同。在进化过程中,以适应度函数为依据,利用种群中的个体的适应度的值来进行搜索。因此,适应度函数的选择至关重要,直接影响算法的收敛速度和最优解性能。本实施例中,协同进化过程中的适应度值的计算是跨种群的多个体协同计算,为了方便计算又不失准确性,适应度函数如公式(1)所示。
步骤四:选择。选择是从群体中选择优胜的个体,淘汰劣质个体的过程。对于优或劣的评估是建立在适应度计算的基础之上的。适应度越大的个体,被选择的可能性就越大,适应度越小的个体,被淘汰的可能性就越大。本实施例选用的选择方法为“轮盘赌选择法”。具体的过程如下:
第1步:计算每个个体的累计概率:p为单个个体的选择概率。
第2步:在[0,1]内产生一个均匀分布的随机数r。
第3步:若r≤q(a1),则选择a1;否则,选择第i个个体ai(2≤i≤m),使得q(ai-1)<r<q(ai)成立。
步骤五:交叉。交叉就是把两个父个体的部分结构加以替换重组而生成新个体的操作,可以通过基因元操作中的分离和拼接完成。交叉的目的是为了能够在下一代中产生新的个体,是获取新的优良个体的最重要的手段。具体的过程如下:
第1步:确定交叉概率pc
第2步:在当前种群中,根据交叉概率pc随机选择一定数量的个体作为交叉操作的父个体,并放入配对池中。
第3步:根据基于个体差异度的个体配对方法,将配对池中的个体配对。
第4步:将配对池中的所有配对个体进行交叉操作。
第5步:配对池中的所有配对个体交叉完成后,将新产生的个体代替父个体放回到种群中,形成新的种群。
步骤六:变异。在本实施例中,基因的变异有其特定的类型,主要包括以下几种:(1)结构基因中的尺寸因子。在结构基因中,尺寸参数也有自己的基因编码。因此,可以在可取范围内,变动尺寸的数值。(2)结构基因中行为表面的类型。可以根据自由度限制度,改变结构基因中行为表面的类型,使其仍满足约束要求。需要注意的是,修改了表面类型后,尺寸因子中参数的数量需要自动删减。(3)结构基因中的运动副类型。在产品基因上,零件之间的连接方式,即运动副类型也可以被更改,只要仍满足自由度要求。(4)功能-行为流链的基因。如果通过修改结构基因,无法达到功能需求或者结构基因存在矛盾性的修改,那么就需要从功能-行为流双链结构上进行变异,然后进行重新的基因表达,得到新的结构体。变异操作中也需要确定变异概率pm,选择一定数量个体作为变异的父代,变异完成后作为新的个体进入种群。
最终,以曲柄连杆机构为例,如果已存在成品,现要对活塞上的孔进行结构的更改,如活塞直径变大为80mm,孔直径变大为20mm,则经过协同进化计算后,所有的零件都会得到新的结构更改。

Claims (6)

1.一种基于种群合作进化算法的产品变更设计方法,其特征在于,包括以下步骤:
1)对产品基因进行分组,按分组结果产生对应的多个种群;
2)各种群分别采用遗传算法进行进化,所述遗传算法中,在对某个待评价个体的适应度进行评价时,由除所述待评价个体所在种群外的其他各种群中分别选取一代表个体,将所述待评价个体与代表个体的集合代入适应度函数中,计算所述待评价个体的适应度;
3)将进化后每个种群的最优个体的集合作为最终解;
4)根据所述最终解形成产品的最终构造。
2.根据权利要求1所述的基于种群合作进化算法的产品变更设计方法,其特征在于,所述步骤1)中,对产品基因进行分组具体为:将产品的每个零件作为一组。
3.根据权利要求1所述的基于种群合作进化算法的产品变更设计方法,其特征在于,所述遗传算法中,适应度函数设计为:
fit(ai)=f(a1,a2...at)=log10S
其中,ai为个体,{a1,a2...at}为计算单个待评价个体时待评价个体与来自其他种群的代表个体的集合,S为产品熵函数。
4.根据权利要求3所述的基于种群合作进化算法的产品变更设计方法,其特征在于,所述产品熵函数S表示为:
S = &Sigma; i = 1 n log 2 ( x i + 1 ) ( s i + 1 ) + &Sigma; i = 1 n log 2 ( &Delta;y 1 &Delta;y 2 ... &Delta;y s i ) + &Sigma; j = 1 m &Sigma; k = 1 m FC j , k + &Sigma; i = 1 n &Sigma; j = 1 n &delta; &CenterDot; DP i j + e ( t )
其中,xi表示形成表面所需的边线数量,si表示几何形状的参数个数,n表示零件表面个数,表示各参数值的调整幅度,FCj,k表示j、k表面间约束关系的个数,m表示存在约束关系的表面个数,DPij表示i、j表面间运动副的自由度,δ表示运动副类型值,e(t)表示网络信息量。
5.根据权利要求1所述的基于种群合作进化算法的产品变更设计方法,其特征在于,所述步骤2)中,代表个体的选取方式包括以下任一种:
A)选择其他种群的最优个体作为代表个体;
B)从各其他种群中选取最优个体和任一个其他个体,分别与待评价个体结合,构成两个合作团体,并选择适应值较大者作为代表个体。
6.根据权利要求1所述的基于种群合作进化算法的产品变更设计方法,其特征在于,所述遗传算法中,进行变异操作时,各基因的变异方式包括以下几种:
①结构基因中的尺寸因子变异;
②结构基因中行为表面的类型变异;
③结构基因中的运动副类型变异;
④功能-行为流链的基因变异。
CN201610181643.XA 2016-03-28 2016-03-28 一种基于种群合作进化算法的产品变更设计方法 Pending CN105868850A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610181643.XA CN105868850A (zh) 2016-03-28 2016-03-28 一种基于种群合作进化算法的产品变更设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610181643.XA CN105868850A (zh) 2016-03-28 2016-03-28 一种基于种群合作进化算法的产品变更设计方法

Publications (1)

Publication Number Publication Date
CN105868850A true CN105868850A (zh) 2016-08-17

Family

ID=56626237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610181643.XA Pending CN105868850A (zh) 2016-03-28 2016-03-28 一种基于种群合作进化算法的产品变更设计方法

Country Status (1)

Country Link
CN (1) CN105868850A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528964A (zh) * 2016-10-21 2017-03-22 浙江大学城市学院 一种面向用户偏好的饮料瓶产品智能设计方法
CN109753695A (zh) * 2018-12-13 2019-05-14 西北工业大学 一种发动机部件特性拓展方法
CN111325356A (zh) * 2019-12-10 2020-06-23 四川大学 一种基于演化计算的神经网络搜索分布式训练系统及训练方法
CN112232602A (zh) * 2020-11-19 2021-01-15 湘潭大学 一种大规模节点的物流配送路径优化方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040030420A1 (en) * 2002-07-30 2004-02-12 Ulyanov Sergei V. System and method for nonlinear dynamic control based on soft computing with discrete constraints
CN101777087A (zh) * 2010-01-26 2010-07-14 同济大学 产品功能基因建模系统及方法
CN102678192A (zh) * 2012-05-28 2012-09-19 哈尔滨工业大学 考虑汽轮机实际运行约束的各喷嘴组的喷嘴数目优化设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040030420A1 (en) * 2002-07-30 2004-02-12 Ulyanov Sergei V. System and method for nonlinear dynamic control based on soft computing with discrete constraints
CN101777087A (zh) * 2010-01-26 2010-07-14 同济大学 产品功能基因建模系统及方法
CN102678192A (zh) * 2012-05-28 2012-09-19 哈尔滨工业大学 考虑汽轮机实际运行约束的各喷嘴组的喷嘴数目优化设计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YONGTAO HAO等: "Population-cooperation evolutionary algorithm based on product entropy", 《2015 TRANSPORTION SYSTEM AND INTELLIGENT CONTROL》 *
范小宁 著: "《管路布局优化方法及应用》", 30 April 2013, 冶金工业出版社 *
郝泳涛 等: "产品的特征功能表达模型及其基因编码", 《同济大学学报(自然科学版)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528964A (zh) * 2016-10-21 2017-03-22 浙江大学城市学院 一种面向用户偏好的饮料瓶产品智能设计方法
CN109753695A (zh) * 2018-12-13 2019-05-14 西北工业大学 一种发动机部件特性拓展方法
CN109753695B (zh) * 2018-12-13 2022-04-19 西北工业大学 一种发动机部件特性拓展方法
CN111325356A (zh) * 2019-12-10 2020-06-23 四川大学 一种基于演化计算的神经网络搜索分布式训练系统及训练方法
CN112232602A (zh) * 2020-11-19 2021-01-15 湘潭大学 一种大规模节点的物流配送路径优化方法及系统

Similar Documents

Publication Publication Date Title
CN105868850A (zh) 一种基于种群合作进化算法的产品变更设计方法
CN111756653B (zh) 基于图神经网络深度强化学习的多coflow调度方法
CN108734202A (zh) 一种基于改进bp神经网络的高压断路器故障诊断方法
JP6987333B2 (ja) L字型アレイアンテナの獲得形質の遺伝に基づくアレイ素子配置方法
CN104699899B (zh) 一种船舶管路路径优化设计方法
CN107122843A (zh) 一种基于改进遗传算法的旅行商问题求解方法
CN108573303A (zh) 一种基于改进强化学习的复杂网络局部破坏的自改进恢复策略
CN101616074B (zh) 基于量子进化的组播路由优化方法
CN110286691A (zh) 基于线性微分包含的多无人机编队控制方法
CN104680025B (zh) 基于遗传算法极限学习机的抽油机参数优化方法
CN105184428A (zh) 一种基于多层遗传算法的冰壶比赛对阵组合设计方法
CN108241911B (zh) 一种基于细菌觅食优化算法的配送中心选址方法
Shang et al. Production scheduling optimization method based on hybrid particle swarm optimization algorithm
CN103577899B (zh) 一种基于可靠性预测与QoS相结合的服务组合方法
CN115963731B (zh) 一种基于改进遗传算法的指挥控制体系网络结构优化方法
CN113159399A (zh) 兼顾田间转移与作业规划的农机调度优化方法和系统
CN107169561A (zh) 面向功耗的混合粒子群脉冲神经网络映射方法
CN108710748A (zh) 一种平面四杆机构轨迹设计的果蝇优化方法
CN103226656B (zh) 种群迁徙动力学优化方法
Toscano et al. Large-scale multi-objective optimization for water quality in Chesapeake Bay watershed
CN107273970B (zh) 支持在线学习的卷积神经网络的可重构平台及其构建方法
CN106055742B (zh) 基于设计熵的产品自适应设计更改方法
CN108200623A (zh) 一种基于遗传算法的集中式路径计算和节能方法
CN105142198A (zh) 一种使用微分进化求解无线传感器网络最优路径的方法
CN106096721A (zh) 基于脉冲投放捕食‑被食模型的多目标组合调度优化方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination