CN111241669A - 基于遗传优化算法的光学产品模型优化方法及系统 - Google Patents
基于遗传优化算法的光学产品模型优化方法及系统 Download PDFInfo
- Publication number
- CN111241669A CN111241669A CN202010014137.8A CN202010014137A CN111241669A CN 111241669 A CN111241669 A CN 111241669A CN 202010014137 A CN202010014137 A CN 202010014137A CN 111241669 A CN111241669 A CN 111241669A
- Authority
- CN
- China
- Prior art keywords
- optical product
- optical
- simulation model
- module
- surface type
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
基于遗传优化算法的光学产品模型优化方法及系统包括:对仿真模型结构参数进行多组数值初始化,建立编码机制;将热载荷加至仿真模型中得到温度场分布信息;将结构载荷和温度场分布信息加至仿真模型中得到各个面型位移;据各个面型位移进行曲率拟合;对仿真模型进行光学分析获取成像质量评价分析结果;将各个面型的位移、拟合后光学曲率、成像质量评价分析结果代入评价指标代价函数获得性能评价指标;从多组性能评价指标中选出最优;判断最优性能评价指标是否满足要求,若是结束,否则最优性能评价指标对应结构参数作为新父代,对新父代编码;基于新父代遗传交叉产生新子代,对新子代解码获取更新结构参数;基于更新结构参数更新光学产品仿真模型。
Description
技术领域
本发明涉及工业仿真领域,尤其是涉及光机热联合仿真领域,特别是涉及一种基于遗传优化算法的光学产品模型优化方法及系统。
背景技术
在复杂环境中,典型的光机热耦合分析的温度场可以影响表面位移、折射率,进而影响光学镜头的性能,结构载荷以及结构自身的重力载荷也会影响表面位移。一般位移、温度影响和应力影响都会最终拟合成多项式的形式输入为光学面型结果。传统的光机热耦合分析流程,只能评估该工况下对光学系统的影响,并不能优化光学设计,还需要结构、光学等学科工程师的人工经验,才能给出优化方向。
传统的设计优化主要通过工程师的经验进行,项目设计目的是否达到依赖于工程师经验的丰富与否,经验丰富的工程师在设计优化的过程中通常需要持续的使用仿真软件进行模型参数修改、结果分析、再次模型修改、再次结果分析找到满意解,整个过程中有大量的重复性工作,而且多项式拟合对于后期加工改进并没有实质性的修复。
发明内容
本发明针对现有技术存在的问题和不足,提供一种新型的基于遗传优化算法的光学产品模型优化方法及系统,在光机热流程的基础上,通过引入遗传优化算法控制实现优化设计,可以被广泛用于工业产品设计初期的优化方案选择。
本发明是通过下述技术方案来解决上述技术问题的:
本发明提供一种基于遗传优化算法的光学产品模型优化方法,其特点在于,其包括以下步骤:
S1、对光学产品的光学产品仿真模型的结构参数进行多组数值初始化,并建立遗传优化算法中的编码机制;
针对每组数值结构参数对应的光学产品仿真模型:
S2、将热载荷加载至光学产品仿真模型中,对光学产品仿真模型的温度场进行分析以得到温度场分布信息;
S3、将结构载荷和温度场分布信息加载至光学产品仿真模型中,对光学产品仿真模型的应力进行分析,从而得到光学产品仿真模型的各个面型的位移;
S4、根据光学产品仿真模型的各个面型的位移进行光学产品仿真模型的曲率拟合,以得到拟合后的光学曲率;
S5、对光学产品仿真模型进行光学分析,获取成像质量评价分析结果;
S6、基于光学产品仿真模型的各个面型的位移、光学曲率、成像质量评价分析结果建立评价指标代价函数,将步骤S3中的各个面型的位移、步骤S4中的拟合后的光学曲率、步骤S5中的成像质量评价分析结果代入评价指标代价函数以获得光学产品性能评价指标;
S7、从获得的多组数值结构参数对应的光学产品性能评价指标中选出最优光学产品性能评价指标;
S8、判断最优光学产品性能评价指标是否满足预先设定要求,若是则进入步骤S12,否则进入步骤S9;
S9、最优光学产品性能评价指标对应的光学产品仿真模型的结构参数数值作为遗传优化算法中的新的父代,根据编码机制对新的父代进行编码;
S10、根据遗传优化算法基于新的父代遗传交叉产生新的子代,通过编码机制对新的子代进行解码以获取更新的结构参数数值;
S11、基于更新的结构参数数值更新光学产品仿真模型,并再次执行步骤S2;
S12、结束流程。
较佳地,在步骤S4中,光学产品仿真模型的面型的方程为:
如存在位移dz,则构造光学产品仿真模型的原始面型与拟合后的拟合面型的拟合误差函数f:
其中,x为面型的x轴坐标,y为面型的y轴坐标,k为二次标准曲面系数,c0为原始面型对应的原始光学曲率,dz是面型z轴方向的轴向变化量,c1是拟合后的光学曲率,bz是拟合后的面型z轴方向的轴向平移量,w是有限元网格的权重,S(c0,k,xj,yj)为原始曲面z方向坐标,S(c1,k,xj,yj)为拟合后的曲面z坐标,使用因子迭代算法进行曲率拟合。
较佳地,因子迭代算法为:
S41、初始自然坐标c10、bz0,c10初始值选为c0,bz0初始值选为0,β表示高阶参数;
S42、根据公式(3)计算c1、bz;
S43、判断(c1-c10)≤σ,(bz-bz0)≤σ,σ表示判断参数,若判断出均为是则将c1作为拟合后的光学曲率,否则c10=c1、bz0=bz,重复执行步骤S42和S43。
本发明还提供一种基于遗传优化算法的光学产品模型优化系统,其特点在于,其包括初始化模块、第一加载分析模块、第二加载分析模块、曲率拟合模块、光学分析模块、评价模块、选择模块、判断模块、编码模块、获取模块和更新模块;
所述初始化模块用于对光学产品的光学产品仿真模型的结构参数进行多组数值初始化,并建立遗传优化算法中的编码机制;
针对每组数值结构参数对应的光学产品仿真模型:
所述第一加载分析模块用于将热载荷加载至光学产品仿真模型中,对光学产品仿真模型的温度场进行分析以得到温度场分布信息;
所述第二加载分析模块用于将结构载荷和温度场分布信息加载至光学产品仿真模型中,对光学产品仿真模型的应力进行分析,从而得到光学产品仿真模型的各个面型的位移;
所述曲率拟合模块用于根据光学产品仿真模型的各个面型的位移进行光学产品仿真模型的曲率拟合,以得到拟合后的光学曲率;
所述光学分析模块用于对光学产品仿真模型进行光学分析,获取成像质量评价分析结果;
所述评价模块用于基于光学产品仿真模型的各个面型的位移、光学曲率、成像质量评价分析结果建立评价指标代价函数,将第二加载分析模块中的各个面型的位移、曲率拟合模块中的拟合后的光学曲率、光学分析模块中的成像质量评价分析结果代入评价指标代价函数以获得光学产品性能评价指标;
所述选择模块用于从获得的多组数值结构参数对应的光学产品性能评价指标中选出最优光学产品性能评价指标;
所述判断模块用于判断最优光学产品性能评价指标是否满足预先设定要求,在为是时结束,否则调用编码模块;
所述编码模块用于将最优光学产品性能评价指标对应的光学产品仿真模型的结构参数数值作为遗传优化算法中的新的父代,并根据编码机制对新的父代进行编码;
所述获取模块用于根据遗传优化算法基于新的父代遗传交叉产生新的子代,通过编码机制对新的子代进行解码以获取更新的结构参数数值;
所述更新模块用于基于更新的结构参数数值更新光学产品仿真模型,并再次调用第一加载分析模块。
较佳地,光学产品仿真模型的面型的方程为:
如存在位移dz,则构造光学产品仿真模型的原始面型与拟合后的拟合面型的拟合误差函数f:
其中,x为面型的x轴坐标,y为面型的y轴坐标,k为二次标准曲面系数,c0为原始面型对应的原始光学曲率,dz是面型z轴方向的轴向变化量,c1是拟合后的光学曲率,bz是拟合后的面型z轴方向的轴向平移量,w是有限元网格的权重,S(c0,k,xj,yj)为原始曲面z方向坐标,S(c1,k,xj,yj)为拟合后的曲面z坐标,使用因子迭代算法进行曲率拟合。
较佳地,因子迭代算法为:
初始自然坐标c10、bz0,c10初始值选为c0,bz0初始值选为0,β表示高阶参数;
根据公式(3)计算c1、bz;判断(c1-c10)≤σ,(bz-bz0)≤σ,σ表示判断参数,若判断出均为是时则将c1作为拟合后的光学曲率,否则c10=c1、bz0=bz,重复计算c1和bz直至满足判断条件。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:
本发明通过把曲率拟合和遗传优化算法引入到光机热耦合分析,从而解决光学设计优化结果可以用于实际工程制造加工,进而实现设计分析的试验制造。可直接用于光机热的设计优化,工程师不再仅仅依靠人工经验优化。
附图说明
图1为本发明较佳实施例的基于遗传优化算法的光学产品模型优化方法的流程图。
图2为本发明较佳实施例的基于遗传优化算法的光学产品模型优化系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例提供一种基于遗传优化算法的光学产品模型优化方法,其包括以下步骤:
S1、对光学产品的光学产品仿真模型的结构参数进行多组数值初始化,并建立遗传优化算法中的编码机制(见表1和表2)。
编码机制,例如变量在1-255之间,有两个变量
表1二进制转化表
编码方式 | 原始值 |
00000000 | 1 |
00000001 | 2 |
00000010 | 3 |
00000011 | 4 |
00000100 | 5 |
… | … |
表2两个变量的编码方式
编码方式 | 原始值 |
00000000 00000000 | 1 1 |
00000001 00000000 | 2 1 |
00000000 00000001 | 1 2 |
00000001 00000001 | 2 2 |
00000011 00000001 | 3 2 |
… | … |
针对每组数值结构参数对应的光学产品仿真模型:
S2、将热载荷加载至光学产品仿真模型中,对光学产品仿真模型的温度场进行分析以得到温度场分布信息。
S3、将结构载荷和温度场分布信息加载至光学产品仿真模型中,对光学产品仿真模型的应力进行分析,从而得到光学产品仿真模型的各个面型的位移。
S4、根据光学产品仿真模型的各个面型的位移进行光学产品仿真模型的曲率拟合,以得到拟合后的光学曲率。
光学产品仿真模型的面型的方程为:
如存在位移dz,则构造光学产品仿真模型的原始面型与拟合后的拟合面型的拟合误差函数f:
其中,x为面型的x轴坐标,y为面型的y轴坐标,k为二次标准曲面系数,c0为原始面型对应的原始光学曲率,dz是面型z轴方向的轴向变化量,c1是拟合后的光学曲率,bz是拟合后的面型z轴方向的轴向平移量,w是有限元网格的权重,S(c0,k,xj,yj)为原始曲面z方向坐标,S(c1,k,xj,yj)为拟合后的曲面z坐标,使用因子迭代算法进行曲率拟合。
因子迭代算法为:
S41、初始自然坐标c10、bz0,c10初始值选为c0,bz0初始值选为0,β表示高阶参数;
S42、根据公式(3)计算c1、bz;
S43、判断(c1-c10)≤σ,(bz-bz0)≤σ,σ表示判断参数,若均是结束,否则c10=c1、bz0=bz,重复执行步骤S42和S43。
S5、对光学产品仿真模型进行光学分析,获取成像质量评价分析结果。
S6、基于光学产品仿真模型的各个面型的位移、光学曲率、成像质量评价分析结果建立评价指标代价函数,将步骤S3中的各个面型的位移、步骤S4中的拟合后的光学曲率、步骤S5中的成像质量评价分析结果代入评价指标代价函数以获得光学产品性能评价指标。
S7、从获得的多组数值结构参数对应的光学产品性能评价指标中选出最优光学产品性能评价指标。
S8、判断最优光学产品性能评价指标是否满足预先设定要求,若是则进入步骤S12,否则进入步骤S9。
S9、最优光学产品性能评价指标对应的光学产品仿真模型的结构参数数值作为遗传优化算法中的新的父代,根据编码机制对新的父代(见表3)进行编码。
例如,初始群体编码即一个父代
表3初始父代
群编号 | 原始值 | 编码方式 |
1 | 170 87 | 10101001 01010110 |
2 | 88 119 | 01010111 01110110 |
S10、根据遗传优化算法基于新的父代遗传交叉产生新的子代,通过编码机制对新的子代进行解码以获取更新的结构参数数值。
父代群体产生交叉变异种群:
表4 1-2交叉子代
群编号 | 编码方式 |
5 | 10010111 01110110 |
6 | 01101001 01010110 |
7 | 10101011 01110110 |
8 | 01010101 01010110 |
9 | 10101001 01110110 |
10 | 01010111 01010110 |
表5 1-2变异子代
群编号 | 编码方式 |
11 | 10100101 01011110 |
12 | 01010111 01110110 |
13 | 10101101 00010110 |
14 | 01010011 01110010 |
交叉变异的子代解码:
表6解码
S11、基于更新的结构参数数值更新光学产品仿真模型,并再次执行步骤S2。
S12、结束流程。
如图2所示,本发明还提供一种基于遗传优化算法的光学产品模型优化系统,其包括初始化模块1、第一加载分析模块2、第二加载分析模块3、曲率拟合模块4、光学分析模块5、评价模块6、选择模块7、判断模块8、编码模块9、获取模块10和更新模块11。
所述初始化模块1用于对光学产品的光学产品仿真模型的结构参数进行多组数值初始化,并建立遗传优化算法中的编码机制。
针对每组数值结构参数对应的光学产品仿真模型:
所述第一加载分析2模块用于将热载荷加载至光学产品仿真模型中,对光学产品仿真模型的温度场进行分析以得到温度场分布信息。
所述第二加载分析3模块用于将结构载荷和温度场分布信息加载至光学产品仿真模型中,对光学产品仿真模型的应力进行分析,从而得到光学产品仿真模型的各个面型的位移。
所述曲率拟合模块4用于根据光学产品仿真模型的各个面型的位移进行光学产品仿真模型的曲率拟合,以得到拟合后的光学曲率。
光学产品仿真模型的面型的方程为:
如存在位移dz,则构造光学产品仿真模型的原始面型与拟合后的拟合面型的拟合误差函数f:
其中,x为面型的x轴坐标,y为面型的y轴坐标,k为二次标准曲面系数,c0为原始面型对应的原始光学曲率,dz是面型z轴方向的轴向变化量,c1是拟合后的光学曲率,bz是拟合后的面型z轴方向的轴向平移量,w是有限元网格的权重,S(c0,k,xj,yj)为原始曲面z方向坐标,S(c1,k,xj,yj)为拟合后的曲面z坐标,使用因子迭代算法进行曲率拟合。
因子迭代算法为:
初始自然坐标c10、bz0,c10初始值选为c0,bz0初始值选为0,β表示高阶参数;
根据公式(3)计算c1、bz;判断(c1-c10)≤σ,(bz-bz0)≤σ,σ表示判断参数,若均是结束,否则c10=c1、bz0=bz,重复计算c1和bz直至满足判断条件。
所述光学分析模块5用于对光学产品仿真模型进行光学分析,获取成像质量评价分析结果。
所述评价模块6用于基于光学产品仿真模型的各个面型的位移、光学曲率、成像质量评价分析结果建立评价指标代价函数,将第二加载分析模块中的各个面型的位移、曲率拟合模块中的拟合后的光学曲率、光学分析模块中的成像质量评价分析结果代入评价指标代价函数以获得光学产品性能评价指标。
所述选择模块7用于从获得的多组数值结构参数对应的光学产品性能评价指标中选出最优光学产品性能评价指标。
所述判断模块8用于判断最优光学产品性能评价指标是否满足预先设定要求,在为是时结束,否则调用编码模块9。
所述编码模块9用于将最优光学产品性能评价指标对应的光学产品仿真模型的结构参数数值作为遗传优化算法中的新的父代,并根据编码机制对新的父代进行编码。
所述获取模块10用于根据遗传优化算法基于新的父代遗传交叉产生新的子代,通过编码机制对新的子代进行解码以获取更新的结构参数数值。
所述更新模块11用于基于更新的结构参数数值更新光学产品仿真模型,并再次调用第一加载分析模块。
本发明提供的基于遗传优化算法的光学产品模型优化方法及系统,在光机热流程的基础上,通过引入遗传优化控制实现优化设计,可以被广泛用于工业产品设计初期的优化方案选择。
本发明为解决人工经验优化问题,把曲率拟合和遗传优化算法引入到光机热耦合分析中,从而解决光学设计优化结果可以用于实际工程制造加工,进而实现设计分析的试验制造。可直接用于光机热的设计优化,工程师不再仅仅依靠人工经验优化。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (6)
1.一种基于遗传优化算法的光学产品模型优化方法,其特征在于,其包括以下步骤:
S1、对光学产品的光学产品仿真模型的结构参数进行多组数值初始化,并建立遗传优化算法中的编码机制;
针对每组数值结构参数对应的光学产品仿真模型:
S2、将热载荷加载至光学产品仿真模型中,对光学产品仿真模型的温度场进行分析以得到温度场分布信息;
S3、将结构载荷和温度场分布信息加载至光学产品仿真模型中,对光学产品仿真模型的应力进行分析,从而得到光学产品仿真模型的各个面型的位移;
S4、根据光学产品仿真模型的各个面型的位移进行光学产品仿真模型的曲率拟合,以得到拟合后的光学曲率;
S5、对光学产品仿真模型进行光学分析,获取成像质量评价分析结果;
S6、基于光学产品仿真模型的各个面型的位移、光学曲率、成像质量评价分析结果建立评价指标代价函数,将步骤S3中的各个面型的位移、步骤S4中的拟合后的光学曲率、步骤S5中的成像质量评价分析结果代入评价指标代价函数以获得光学产品性能评价指标;
S7、从获得的多组数值结构参数对应的光学产品性能评价指标中选出最优光学产品性能评价指标;
S8、判断最优光学产品性能评价指标是否满足预先设定要求,若是则进入步骤S12,否则进入步骤S9;
S9、最优光学产品性能评价指标对应的光学产品仿真模型的结构参数数值作为遗传优化算法中的新的父代,根据编码机制对新的父代进行编码;
S10、根据遗传优化算法基于新的父代遗传交叉产生新的子代,通过编码机制对新的子代进行解码以获取更新的结构参数数值;
S11、基于更新的结构参数数值更新光学产品仿真模型,并再次执行步骤S2;
S12、结束流程。
4.一种基于遗传优化算法的光学产品模型优化系统,其特征在于,其包括初始化模块、第一加载分析模块、第二加载分析模块、曲率拟合模块、光学分析模块、评价模块、选择模块、判断模块、编码模块、获取模块和更新模块;
所述初始化模块用于对光学产品的光学产品仿真模型的结构参数进行多组数值初始化,并建立遗传优化算法中的编码机制;
针对每组数值结构参数对应的光学产品仿真模型:
所述第一加载分析模块用于将热载荷加载至光学产品仿真模型中,对光学产品仿真模型的温度场进行分析以得到温度场分布信息;
所述第二加载分析模块用于将结构载荷和温度场分布信息加载至光学产品仿真模型中,对光学产品仿真模型的应力进行分析,从而得到光学产品仿真模型的各个面型的位移;
所述曲率拟合模块用于根据光学产品仿真模型的各个面型的位移进行光学产品仿真模型的曲率拟合,以得到拟合后的光学曲率;
所述光学分析模块用于对光学产品仿真模型进行光学分析,获取成像质量评价分析结果;
所述评价模块用于基于光学产品仿真模型的各个面型的位移、光学曲率、成像质量评价分析结果建立评价指标代价函数,将第二加载分析模块中的各个面型的位移、曲率拟合模块中的拟合后的光学曲率、光学分析模块中的成像质量评价分析结果代入评价指标代价函数以获得光学产品性能评价指标;
所述选择模块用于从获得的多组数值结构参数对应的光学产品性能评价指标中选出最优光学产品性能评价指标;
所述判断模块用于判断最优光学产品性能评价指标是否满足预先设定要求,在为是时结束,否则调用编码模块;
所述编码模块用于将最优光学产品性能评价指标对应的光学产品仿真模型的结构参数数值作为遗传优化算法中的新的父代,并根据编码机制对新的父代进行编码;
所述获取模块用于根据遗传优化算法基于新的父代遗传交叉产生新的子代,通过编码机制对新的子代进行解码以获取更新的结构参数数值;
所述更新模块用于基于更新的结构参数数值更新光学产品仿真模型,并再次调用第一加载分析模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010014137.8A CN111241669B (zh) | 2020-01-07 | 2020-01-07 | 基于遗传优化算法的光学产品模型优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010014137.8A CN111241669B (zh) | 2020-01-07 | 2020-01-07 | 基于遗传优化算法的光学产品模型优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111241669A true CN111241669A (zh) | 2020-06-05 |
CN111241669B CN111241669B (zh) | 2021-05-11 |
Family
ID=70870284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010014137.8A Active CN111241669B (zh) | 2020-01-07 | 2020-01-07 | 基于遗传优化算法的光学产品模型优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111241669B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6101045A (en) * | 1994-02-14 | 2000-08-08 | Minolta Co., Ltd. | Zoom lens system |
CN1403932A (zh) * | 2002-10-16 | 2003-03-19 | 西安交通大学 | 基于pci和视觉总线的可重构机器视觉系统 |
CN101710027A (zh) * | 2009-11-24 | 2010-05-19 | 江苏大学 | 车辆轮胎非线性动态特性监测系统和方法 |
CN103049805A (zh) * | 2013-01-18 | 2013-04-17 | 中国测绘科学研究院 | 基于改进粒子群优化的带时间窗约束的车辆路径优化方法 |
CN105787605A (zh) * | 2016-03-24 | 2016-07-20 | 上海电力学院 | 基于改进型量子遗传算法的微网经济优化运行调度方法 |
CN106989742A (zh) * | 2017-03-01 | 2017-07-28 | 北京控制工程研究所 | 一种基于多场耦合分析的脉冲星探测器多目标优化方法 |
CN108501944A (zh) * | 2018-05-14 | 2018-09-07 | 吕杉 | 汽车爆胎安全稳定控制方法 |
-
2020
- 2020-01-07 CN CN202010014137.8A patent/CN111241669B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6101045A (en) * | 1994-02-14 | 2000-08-08 | Minolta Co., Ltd. | Zoom lens system |
CN1403932A (zh) * | 2002-10-16 | 2003-03-19 | 西安交通大学 | 基于pci和视觉总线的可重构机器视觉系统 |
CN101710027A (zh) * | 2009-11-24 | 2010-05-19 | 江苏大学 | 车辆轮胎非线性动态特性监测系统和方法 |
CN103049805A (zh) * | 2013-01-18 | 2013-04-17 | 中国测绘科学研究院 | 基于改进粒子群优化的带时间窗约束的车辆路径优化方法 |
CN105787605A (zh) * | 2016-03-24 | 2016-07-20 | 上海电力学院 | 基于改进型量子遗传算法的微网经济优化运行调度方法 |
CN106989742A (zh) * | 2017-03-01 | 2017-07-28 | 北京控制工程研究所 | 一种基于多场耦合分析的脉冲星探测器多目标优化方法 |
CN108501944A (zh) * | 2018-05-14 | 2018-09-07 | 吕杉 | 汽车爆胎安全稳定控制方法 |
Non-Patent Citations (1)
Title |
---|
张克等: "一种用于光机热耦合过程中的非线性曲率拟合算法", 《科技创新与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111241669B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832101B (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
CN112100940A (zh) | 光纤预制棒一次拉伸工艺参数预测方法及装置 | |
CN112686971A (zh) | 建筑系统关系拓扑无向图有向化方法和系统 | |
CN116107279A (zh) | 基于注意力深度神经网络的流程工业能耗多目标优化方法 | |
CN111241669B (zh) | 基于遗传优化算法的光学产品模型优化方法及系统 | |
CN111290274B (zh) | 一种具有数据包丢失的网络控制系统h∞控制方法 | |
CN111274673B (zh) | 基于粒子群优化的光学产品模型优化方法及系统 | |
CN111222274B (zh) | 基于单纯形法的光学产品模型优化方法及系统 | |
CN113343559B (zh) | 迭代重加权最小二乘法极限学习机响应面可靠性分析方法 | |
CN114186709A (zh) | 基于帝王蝶算法优化灰色模型关键参数的能源预测方法 | |
CN113094945B (zh) | 一种sa-beso联合拓扑优化方法 | |
CN115936342A (zh) | 一种基于多目标算法的柔性作业车间批量调度方法 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
KR102660361B1 (ko) | 다차원 허용 한계들에 대한 순차적 임베딩 통계적 분석 | |
CN112084702A (zh) | 一种低复杂度的光纤优化设计方法 | |
CN115310228B (zh) | 基于数字孪生的齿轮修形设计方法 | |
CN112100867A (zh) | 电网负荷预测方法 | |
CN113537747B (zh) | 基于相加模型的冷却水泄漏量预测方法 | |
CN113313430B (zh) | 一种面向钢丝绳制造全流程的集成化bom系统及构建方法 | |
CN112632739B (zh) | 一种基于直觉梯形模糊和灰色关联的机床可靠性分配方法 | |
CN116307047B (zh) | 基于禁忌搜索和半张量积的多原材一维下料优化方法 | |
CN113806996B (zh) | 一种基于时间记忆建模的篦冷机优化方法 | |
CN113269350B (zh) | 基于灰色gm(1,1)模型的变压器故障预测方法 | |
CN117391369A (zh) | 基于深度学习时序模型的产业玻璃排产方法、系统及装置 | |
CN111222200B (zh) | 一种基于智能搜索算法的飞行器代理模型确定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 201206 Shanghai, Pudong New Area, China (Shanghai) free trade zone, new Jinqiao Road, No. 13, building 2, floor 27 Applicant after: Shanghai suochen Information Technology Co., Ltd Address before: 201204 No. 27, Lane 676, Wuxing Road, Pudong New Area, Shanghai Applicant before: SHANGHAI SUOCHEN INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |