CN110405343A - 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 - Google Patents

Abstract

本发明涉及一种基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，优化由激光焊接工艺参数预测模型与多目标粒子群优化方法构成，预测模型为采用Bagging模型融合算法将多个基学习器进行模型融合后得到，预测模型建立起激光焊接工艺参数与焊缝质量评定参数之间的非线性映射关系，通过多目标粒子群优化算法最终得到优化后的激光焊接工艺参数，预测准确度更高，可以更好的为激光焊接工艺参数制定提供指导，提高工艺的制定效率。

Description

一种基于Bagging集成的预测模型与粒子群优化算法的激光 焊接工艺参数优化方法

技术领域

本发明涉及一种基于Bagging算法将多个基学习器集成为新的预测模型，并通过新的预测模型与多目标粒子群优化算法结合进行激光焊接工艺参数优化的方法。适用于机器人激光焊接工艺参数优化，属于机器人焊接技术领域。

背景技术

现有的激光焊接工艺参数优化方法包括激光焊接工艺参数预测与参数优化两部分内容。激光焊接参数预测模型作为建立激光焊接工艺参数与焊接质量评定参数之间的非线性映射关系的方法，其预测精度直接影响到了激光焊接工艺参数的优化效果。常用的焊接参数预测方法包括经验计算、实验总结、数值模拟等方法。经验计算与实验总结往往建立在经验的基础上，计算结果与实际情况可能有较大的误差，数值模拟则需要专业人员花费大量时间精力进行仿真模拟并需要耗费较多的计算资源。响应面法与机器学习方法凭借其可以快速准确的预测焊接变形被广泛应用。然而多项式响应面法在处理复杂问题时，需要大量的实验样本，成本较高。机器学习方法凭借其需要小样本量与预测精度较高的优势逐渐流行。然而由于不同的机器学习模型在不同的情况下表现情况不尽相同，针对于特定的数据集，现有的采用单一预测模型的焊接工艺参数预测方法并不一定能达到最优的预测效果。本发明采用基于Bagging算法将多个基学习器集成为新的预测模型的方法，采用多个基学习器并行预测，极大的提高了焊接工艺参数预测效果。

多目标粒子群优化算法是一种迭代优化算法，对解决带约束的非线性多目标参数具有很好的效果。与预测模型结合可以对焊接工艺参数进行进一步的优化。

发明内容

针对现有技术的不足，本发明提供了一种基于Bagging算法将多个基学习器集成为新的预测模型，并通过与多目标粒子群优化算法结合进行激光焊接工艺参数优化的方法，极大的提高焊接工艺参数的预测精度与焊接参数的优化效果。

本发明的技术方案如下：

一种基于Bagging算法将多个基学习器集成为新的预测模型，并通过新的预测模型与多目标粒子群优化算法结合进行激光焊接工艺参数优化的方法包括了激光焊接工艺参数预测模型与焊接工艺参数优化算法。

包括步骤如下：

确定焊接工艺参数优化目标，收集激光焊接工艺参数的样本数据集；

构建机器人激光焊接工艺参数预测模型：采用Bagging模型融合算法将两个以上的基学习器进行模型融合后得到预测模型，通过预测模型建立起激光焊接工艺参数与焊缝质量评定参数之间的非线性映射关系；由于预测模型仅建立多输入(多维)单输出(一维)的非线性映射关系，所述预测模型仅建立起激光焊接工艺参数与单个焊缝质量评定参数间的非线性映射关系；所以需要分别建立起激光焊接工艺参数与不同焊缝质量评定参数之间的非线性映射关系，形成最终的预测模型；即分别训练三个模型来构建焊接工艺参数(多维输入)对不同的焊接质量评定参数(一维)进行模型构建。

将最终的预测模型与多目标粒子群优化算法结合，对机器人激光焊接工艺参数进行优化。

优选的，激光焊接工艺参数预测模型构建方法为：

1)将样本数据集划分为训练集与验证集，训练集用于训练基学习器，验证集用于验证基学习器的拟合效果；

2)用划分好的训练集分别训练基学习器，将基学习器记作f_i(x)(i＝1,2,...)，得到在验证集上预测效果较好的基学习器，基学习器的评定指标采用均方根误差RMSE，最终得到拟合效果较好的基学习器模型用于下一步的模型融合；利用训练集训练基学习器，模型融合后将得到激光焊接工艺参数与单个焊缝质量评定参数之间的预测模型；

3)基于Bagging算法将步骤2)得到的基学习器进行集成，最终的预测模型表述为

其中m为基学习器个数，μ_i为基学习器f_i(x)(i＝1,2,...)对应的权重；权重μ_i由基学习器的准确度决定，基学习器的准确度越高，拟合效果越好，相应的权重μ_i越大；相反准确度越底，拟合效果越差，相应的权重μ_i越小；

4)重复步骤1)、2)、3)，分别建立激光焊接工艺参数与其余焊缝质量评定参数之间的预测模型，所有独立的预测模型最终构建起激光焊接工艺参数与焊接质量评定参数之间的非线性映射关系；

最终预测模型的输出将在随后的多目标粒子群优化算法中被用来构建适应度函数值。

进一步优选的，步骤2)中，选用均方根误差RMSE反映模型预测精度，公式如下：

其中f_i(x)为第i个基学习器对样本的预测值，为样本X＝(x₁,x₂,x₃,…,x_n)的真实值，n为样本个数，选用均方根误差RMSE作为基学习器的损失函数，训练基学习器的模型使基学习器在数据集上表现最优，所述表现最优为模型的预测值与真实值的均方根误差最小。

进一步优选的，步骤3)中，权重通过公式(3)确定：

其中为样本X＝(x₁,x₂,x₃,…,x_n)(k＝1,...,n)的真实值，n为样本个数，使最终预测模型loss最小的μ_i即为模型最终的权重，通过求取loss最小，确定各个基学习器的权重μ_i。通过这样的方式可以降低在数据集上预测精度相对较差的基模型带来的不良影响，使预测精度高的模型对预测结果产生更大的影响。使得最终的预测模型预测结果更为精确。

优选的，其中基学习器包括支持向量回归SVR模型、RBF神经网络模型、Kriging模型、BP神经网络模型、决策树回归模型。

优选的，所述激光焊接工艺参数包括激光功率(Laser Power,LP)、焊接速度(Welding Speed,WP)、离焦量(Defocusing Amount，DA)、激光脉冲宽度(Laser PulseWidth,LPW)；焊接质量评定参数包括焊缝深宽比、焊缝抗拉强度、焊缝余高；其中，焊缝深宽比为DW＝DP/BW，DP为焊缝熔池深度、BW为焊缝熔池宽度，焊缝抗拉强度为TS＝F_max/S，F_max为焊缝最大抗拉应力、S为焊缝有效横截面积，H为焊缝余高。

所述多目标粒子群优化算法的优化目标为：在激光焊接工艺参数的设定范围中找到一组焊接工艺参数使焊接质量评定参数达到最优，所述最优为焊缝深宽比最大、抗拉强度最大、焊后余高为理想高度，理想高度可根据实际焊接经验确定，可参见ISO5817标准。

优选的，利用多目标粒子群优化算法的优化步骤为：

1、初始化粒子群，种群大小为N，将种群分为支配子集和非支配子集；精英集用来存储每次迭代产生的非劣子集，每次迭代仅对支配子集进行更新，随机初始化每个粒子的位置向量和速度向量设置初始权重ω_i；

2、通过预测模型计算当前位置所对应的多目标值通过适应度函数计算适应度值

3、计算支配子集粒子当前的个体最优和整个粒子群的全局最优；

4、分别更新支配子集各个粒子的位置向量和速度向量V⁽ⁱ⁾＝(ν₁ ⁽ⁱ⁾,ν₂ ⁽ⁱ⁾,ν₃ ⁽ⁱ⁾,ν₄ ⁽ⁱ⁾)；

5、对更新后的支配子集与非支配子集比较，选出支配子集中的非劣解加入，并剔除支配子集中的劣解，更新精英集；

6、如果满足迭代终止条件，则停止迭代，输出精英集，否则返回步骤1。

进一步优选的，步骤4中，每个粒子的位置向量为速度向量为V⁽ⁱ⁾＝(ν₁ ⁽ⁱ⁾,ν₂ ⁽ⁱ⁾,ν₃ ⁽ⁱ⁾,ν₄ ⁽ⁱ⁾)，粒子在搜索空间中运动时记录了其所经历的最优位置，根据种群的最优位置来改变自身速度以调整自身位置，粒子群中粒子个体按照公式(4)、(5)进行变化：

x_id＝x_id+v_id (4)

v_id＝wv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id) (5)

其中x_id为粒子个体位置向量，v_id为粒子个体速度向量，w为权重因子，c₁,c₂为加速因子为正常数，r₁,r₂为[0,1]中均匀分布的随机数，d为维度4，p_id为粒子在搜索空间运动时其所经历的最优位置，p_gd为全局最优位置；公式(4)等号左右的x_id分别为粒子更新前位置与更新后位置，公式(5)中等号左右的v_id分别为粒子更新前速度与更新后速度。

进一步优选的，步骤2中，所述多目标粒子群优化算法的适应度函数表述为：

其中Fitness为适应度函数值，ω_i为y_i对应的权重，ω_i的值可以根据焊接质量评定参数中某项评定参数的重要性进行调整，y_i为预测模型的第i个输出，y_i物理意义为焊接质量评定参数。

本发明的有益效果在于：

1、本发明采用Bagging集成的方式得到的预测模型将获得比单一模型更为优越的泛化性能，预测准确度更高。可以准确的建立激光焊接工艺参数与焊接质量评定参数间的非线性映射关系，为多目标粒子群算法提供更为准确的适应度函数值。

2、本发明通过对多个基学习器的动态加权，采用基学习器的准确度越高(即拟合效果越好)相应的权重μ_i越大，准确度越底(即拟合效果越好)相应的权重μ_i越小的方式，可以减少采用不适合模型带来的预测精度降低的风险。

3、本发明将预测精度较高的集成预测模型与多目标粒子群优化算法结合，显著提高优化算法的真实性，可以更好的为激光焊接工艺参数制定提供指导，提高工艺的制定效率。

附图说明

图1为本发明基于Bagging集成的方式得到预测模型的流程示意图。

图2为本发明中预测模型、数据集、输出之间的对应关系示意图。

图3为本发明基于Bagging集成预测模型与多目标粒子群优化算法结合的流程示意图。

具体实施方式

下面通过实施例并结合附图对本发明做进一步说明，但不限于此。

实施例1：

一种基于Bagging算法将多个基学习器集成为新的预测模型，包括步骤如下：

确定激光焊接工艺参数优化目标，激光焊接工艺参数包括激光功率(LaserPower,LP)、焊接速度(Welding Speed,WP)、离焦量(Defocusing Amount，DA)、激光脉冲宽度(Laser Pulse Width,LPW)；焊接质量评定参数包括焊缝深宽比、焊缝抗拉强度、焊缝余高；其中，焊缝深宽比为DW＝DP/BW，DP为焊缝熔池深度、BW为焊缝熔池宽度，焊缝抗拉强度为TS＝F_max/S，F_max为焊缝最大抗拉应力、S为焊缝有效横截面积，H为焊缝余高。优化目标为选用合理的激光焊接工艺参数(既激光功率、焊接速度、离焦量、激光脉冲宽度)执行焊接任务后得到焊缝深宽比最大、焊缝抗拉强度最大、焊后余高为理想高度的焊缝质量。

为后续的基学习器训练收集激光焊接工艺参数的样本数据集。

建立机器人激光焊接工艺参数预测模型：采用Bagging模型融合算法将三个基学习器进行模型融合后得到预测模型，其中基学习器包括支持向量回归SVR模型、RBF神经网络模型、Kriging模型。由于优化目标焊接质量评定参数有三个，需建立三个这样的预测模型分别拟合激光焊接工艺参数与焊缝深宽比、焊缝抗拉强度、焊缝余高之间的非线性映射关系。

激光焊接工艺参数预测模型构建方法为：

1)将样本数据集划分为训练集与验证集，训练集用于训练基学习器，验证集用于验证基学习器的拟合效果。数据集格式如下：

表1数据集格式

在构建具体的预测模型时，应将原始数据集拆分。用于构建激光焊接工艺参数(激光功率、焊接速度、离焦量、激光脉冲宽度)与焊缝深宽比、焊缝抗拉强度、焊缝余高预测模型的数据集分别为数据集一、二、三。见表2、3、4。

表2数据集一

表3数据集二

表4数据集三

2)用划分好的数据集一分别训练支持向量回归SVR、RBF神经网络以及Kriging模型，将支持向量回归SVR模型、RBF神经网络模型以及Kriging模型分别记作f₁(x)，f₂(x)，f₃(x)。选用均方根误差作为验证支持向量回归SVR模型、RBF神经网络模型、Kriging模型的预测精度，得到在验证集上预测效果较好的基学习器，基学习器的评定指标采用均方根误差RMSE，最终得到拟合效果较好的基学习器模型用于下一步的模型融合。利用数据集一训练模型，模型融合后将得到激光焊接工艺参数与焊缝深宽比的预测模型F₁(x)。

选用均方根误差RMSE反映模型预测精度，公式如下：

其中f_i(x)为第i个基学习器对样本的预测值，为样本X＝(x₁,x₂,x₃,…,x_n)的真实值，n为样本个数，选用均方根误差RMSE作为基学习器的损失函数，训练基学习器的模型使基学习器在数据集上表现最优，所述表现最优为模型的预测值与真实值的均方根误差最小。

3)基于Bagging算法将步骤2)得到的基学习器进行集成，最终的预测模型表述为

其中f₁(x)，f₂(x)，f₃(x)为三个基学习器，μ₁,μ₂,μ₃为基学习器f_i(x)(i＝1,2,3)对应的权重，权重μ_i由基学习器的准确度决定，基学习器的准确度越高，拟合效果越好，相应的权重μ_i越大；相反准确度越底，拟合效果越差，相应的权重μ_i越小。

权重通过公式(3)确定：

其中为样本X＝(x₁,x₂,x₃,…,x_n)(k＝1,...,n)的真实值，n为样本个数，k取1时，为样本X＝x₁的真实值，使最终预测模型loss最小的μ_i即为模型最终的权重，通过求取loss最小，确定各个基学习器的权重μ₁,μ₂,μ₃。

4)重复步骤1)、2)、3)，将1)、2)、3)中激光焊接工艺参数预测模型构建方法再次应用于数集二、数据集三中，分别建立激光焊接工艺参数与焊缝抗拉强度、焊缝余高的预测模型F₂(x)、F₃(x)。三个预测模型最终构建起激光焊接工艺参数与焊接质量评定参数之间的非线性映射关系。

最终预测模型的输出Y＝(y₁,y₂,y₃)(其中F₁(x)输出y₁、F₂(x)输出y₂、F₃(x)输出y₃)将在随后的多目标粒子群优化算法中被用来构建适应度函数值。

得到预测模型后，将最终的预测模型与多目标粒子群优化算法结合，对机器人激光焊接工艺参数进行优化。

多目标粒子群优化算法的优化目标为：在激光焊接工艺参数的设定范围中找到一组焊接工艺参数使焊接质量评定参数达到最优，所述最优为焊缝深宽比最大、抗拉强度最大、焊后余高为理想高度，理想高度可根据实际焊接经验确定，可参见ISO5817标准。

利用多目标粒子群优化算法的优化步骤为：

1、初始化粒子群，种群大小为N，将种群分为支配子集和非支配子集；精英集用来存储每次迭代产生的非劣子集，每次迭代仅对支配子集进行更新，随机初始化每个粒子的位置向量和速度向量设置初始权重ω_i；

2、通过预测模型计算当前位置所对应的多目标值y₁,y₂,y₃，通过适应度函数计算适应度值

所述多目标粒子群优化算法的适应度函数表述为：

其中Fitness为适应度函数值，i＝1,2,3，ω_i为y_i对应的权重，ω_i的值可以根据焊接质量评定参数中某项评定参数的重要性进行调整，y_i为预测模型的第i个输出，y_i物理意义为焊接质量评定参数。适应度函数中Y＝(y₁,y₂,y₃)通过前述激光焊接工艺参数预测模型求解。

3、计算支配子集粒子当前的个体最优和整个粒子群的全局最优。

4、按照公式(4)、(5)分别更新支配子集各个粒子的位置向量和速度向量V⁽ⁱ⁾＝(ν₁ ⁽ⁱ⁾,ν₂ ⁽ⁱ⁾,ν₃ ⁽ⁱ⁾,ν₄ ⁽ⁱ⁾)。

每个粒子的位置向量为速度向量为V⁽ⁱ⁾＝(ν₁ ⁽ⁱ⁾,ν₂ ⁽ⁱ⁾,ν₃ ⁽ⁱ⁾,ν₄ ⁽ⁱ⁾)，粒子在搜索空间中运动时记录了其所经历的最优位置，根据种群的最优位置来改变自身速度以调整自身位置，粒子群中粒子个体按照公式(4)、(5)进行变化：

x_id＝x_id+v_id (4)

v_id＝wv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id) (5)

其中x_id为粒子个体位置向量，v_id为粒子个体速度向量，w为权重因子，c₁,c₂为加速因子为正常数，r₁,r₂为[0,1]中均匀分布的随机数，d为维度4，p_id为粒子在搜索空间运动时其所经历的最优位置，p_gd为全局最优位置；公式(4)等号左右的x_id分别为粒子更新前位置与更新后位置，公式(5)中等号左右的v_id分别为粒子更新前速度与更新后速度。

5、对更新后的支配子集与非支配子集比较，选出支配子集中的非劣解加入，并剔除支配子集中的劣解，更新精英集。

6、如果满足迭代终止条件，则停止迭代，输出精英集，否则返回步骤1。

通过多目标粒子群优化算法完成最后的激光焊接工艺参数优化。

Claims (10)

1.一种基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，包括步骤如下：

确定焊接工艺参数优化目标，收集激光焊接工艺参数的样本数据集；

构建机器人激光焊接工艺参数预测模型：采用Bagging模型融合算法将两个以上的基学习器进行模型融合后得到预测模型，通过预测模型建立起激光焊接工艺参数与焊缝质量评定参数之间的非线性映射关系；所述预测模型仅建立起激光焊接工艺参数与单个焊缝质量评定参数间的非线性映射关系，所以分别建立起激光焊接工艺参数与不同焊缝质量评定参数之间的非线性映射关系，形成最终的预测模型；

将最终的预测模型与多目标粒子群优化算法结合，对机器人激光焊接工艺参数进行优化。

2.根据权利要求1所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，激光焊接工艺参数预测模型构建方法为：

1)将样本数据集划分为训练集与验证集，训练集用于训练基学习器，验证集用于验证基学习器的拟合效果；

2)用划分好的训练集分别训练基学习器，将基学习器记作f_i(x)(i＝1,2,...)，得到在验证集上预测效果较好的基学习器，基学习器的评定指标采用均方根误差RMSE，最终得到拟合效果较好的基学习器模型用于下一步的模型融合；利用训练集训练基学习器，模型融合后将得到激光焊接工艺参数与单个焊缝质量评定参数之间的预测模型；

3)基于Bagging算法将步骤2)得到的基学习器进行集成，最终的预测模型表述为

其中m为基学习器个数，μ_i为基学习器f_i(x)(i＝1,2,...)对应的权重；权重μ_i由基学习器的准确度决定，基学习器的准确度越高，拟合效果越好，相应的权重μ_i越大；相反准确度越底，拟合效果越差，相应的权重μ_i越小；

4)重复步骤1)、2)、3)，分别建立激光焊接工艺参数与其余焊缝质量评定参数之间的预测模型，所有独立的预测模型最终构建起激光焊接工艺参数与焊接质量评定参数之间的非线性映射关系；

最终预测模型的输出将在随后的多目标粒子群优化算法中被用来构建适应度函数值。

3.根据权利要求2所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，步骤2)中，选用均方根误差RMSE反映模型预测精度，公式如下：

其中f_i(x)为第i个基学习器对样本的预测值，为样本X＝(x₁,x₂,x₃,…,x_n)的真实值，n为样本个数，选用均方根误差RMSE作为基学习器的损失函数，训练基学习器的模型使基学习器在数据集上表现最优，所述表现最优为模型的预测值与真实值的均方根误差最小。

4.根据权利要求2所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，步骤3)中，权重通过公式(3)确定：

其中为样本X＝(x₁,x₂,x₃,…,x_n)(k＝1,...,n)的真实值，n为样本个数，使最终预测模型loss最小的μ_i即为模型最终的权重，通过求取loss最小，确定各个基学习器的权重μ_i。

5.根据权利要求1所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，其中基学习器包括支持向量回归SVR模型、RBF神经网络模型、Kriging模型、BP神经网络模型、决策树回归模型。

6.根据权利要求1所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，所述激光焊接工艺参数包括激光功率、焊接速度、离焦量、激光脉冲宽度；焊接质量评定参数包括焊缝深宽比、焊缝抗拉强度、焊缝余高；其中，焊缝深宽比为DW＝DP/BW，DP为焊缝熔池深度、BW为焊缝熔池宽度，焊缝抗拉强度为TS＝F_max/S，F_max为焊缝最大抗拉应力、S为焊缝有效横截面积，H为焊缝余高。

7.根据权利要求6所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，所述的优化目标为：在激光焊接工艺参数的设定范围中找到一组焊接工艺参数使焊接质量评定参数达到最优，所述最优为焊缝深宽比最大、抗拉强度最大、焊后余高为理想高度。

8.根据权利要求1所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，将最终的预测模型与多目标粒子群优化算法结合，利用多目标粒子群优化算法的优化步骤为：

1、初始化粒子群，种群大小为N，将种群分为支配子集和非支配子集；精英集用来存储每次迭代产生的非劣子集，每次迭代仅对支配子集进行更新，随机初始化每个粒子的位置向量和速度向量设置初始权重ω_i；

2、通过预测模型计算当前位置所对应的多目标值通过适应度函数计算适应度值

3、计算支配子集粒子当前的个体最优和整个粒子群的全局最优；

4、分别更新支配子集各个粒子的位置向量和速度向量V⁽ⁱ⁾＝(ν₁ ⁽ⁱ⁾,ν₂ ⁽ⁱ⁾,ν₃ ⁽ⁱ⁾,ν₄ ⁽ⁱ⁾)；

5、对更新后的支配子集与非支配子集比较，选出支配子集中的非劣解加入，并剔除支配子集中的劣解，更新精英集；

6、如果满足迭代终止条件，则停止迭代，输出精英集，否则返回步骤1。

9.根据权利要求8所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，步骤4中，每个粒子的位置向量为速度向量为V⁽ⁱ⁾＝(ν₁ ⁽ⁱ⁾,ν₂ ⁽ⁱ⁾,ν₃ ⁽ⁱ⁾,ν₄ ⁽ⁱ⁾)，粒子在搜索空间中运动时记录了其所经历的最优位置，根据种群的最优位置来改变自身速度以调整自身位置，粒子群中粒子个体按照公式(4)、(5)进行变化：

x_id＝x_id+v_id (4)

v_id＝wv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id) (5)

其中x_id为粒子个体位置向量，v_id为粒子个体速度向量，w为权重因子，c₁,c₂为加速因子为正常数，r₁,r₂为[0,1]中均匀分布的随机数，d为维度4，p_id为粒子在搜索空间运动时其所经历的最优位置，p_gd为全局最优位置；公式(4)等号左右的x_id分别为粒子更新前位置与更新后位置，公式(5)中等号左右的v_id分别为粒子更新前速度与更新后速度。

10.根据权利要求8所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，步骤2中，所述多目标粒子群优化算法的适应度函数表述为：

其中Fitness为适应度函数值，ω_i为y_i对应的权重，ω_i的值可以根据焊接质量评定参数中某项评定参数的重要性进行调整，y_i为预测模型的第i个输出，y_i物理意义为焊接质量评定参数。