CN111259506A - 基于改进遗传算法的车辆发动机机体加工工艺路径优化方法 - Google Patents
基于改进遗传算法的车辆发动机机体加工工艺路径优化方法 Download PDFInfo
- Publication number
- CN111259506A CN111259506A CN201811349679.XA CN201811349679A CN111259506A CN 111259506 A CN111259506 A CN 111259506A CN 201811349679 A CN201811349679 A CN 201811349679A CN 111259506 A CN111259506 A CN 111259506A
- Authority
- CN
- China
- Prior art keywords
- vehicle engine
- population
- algorithm
- process path
- engine body
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 53
- 238000003754 machining Methods 0.000 title claims abstract description 37
- 230000002068 genetic effect Effects 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 210000000349 chromosome Anatomy 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 47
- 230000035772 mutation Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000010353 genetic engineering Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001061076 Melanonus zugmayeri Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于改进遗传算法的车辆发动机机体加工工艺路径优化方法。该方法包括：代沟、染色体数等遗传参数设置；生成初步优化的初始种群；进行基于轮盘赌的选择操作；进行自适应交叉计算防止算法的提前收敛，提高算法的寻优效率；然后采用自适应变异概率来改善进化性能，实现算法的全局搜索；通过保优策略将迄今为止多代随机进化过程中的最优个体保存下来，该最优个体即为工艺路径最短问题的最优解。本实施例中研究车辆发动机机体某平面加工工艺过程优化问题，求得加工路径的最优解，从而达到机体工艺方案优化和提高机体加工效率的目的。
Description
技术领域
本发明涉及加工工艺优化技术领域，尤其涉及一种基于改进遗传算法的车辆发动机机体加工工艺路径优化方法。
背景技术
由于某车辆发动机机体的加工工艺过程的复杂性，需要加工16个面，每个面按照加工的特征、加工方法、刀具类型和刀具尺寸进行分类，每类多个工步构成一个工步组，每个工步组由一次装夹的刀具依次完成各特征的加工。目前主要依靠工艺人员的经验来完成加工工艺的编制，缺乏科学性，加工效率不高，因此如何优化工步组加工路径已成为提高机体工艺方案优化和提高机体加工效率的基础。遗传算法作为一种全局优化搜索算法，由于其具有搜索效率高、计算过程简单等特点，通过对群体中多个个体的进化搜索来逐步找出问题的最优解。因此，本发明在标准遗传算法的基础上，通过对遗传算法的改进，实现对发动机机体某平面加工过程中工步组的最短加工路径的寻优。
发明内容
针对车辆发动机机体加工工艺过程目前存在的问题，本发明提供了一种基于改进遗传算法的车辆发动机机体加工工艺路径优化方法，用于解决发动机机体加工工艺路径优化问题。
本发明实施例提供了一种基于改进遗传算法的车辆发动机机体加工工艺路径优化方法，所述方法包括：
代沟、染色体数等遗传参数设置；
采用置换编码方法，将工步组加工路径的每个工步对应的位置点用唯一的自然数表示 (如1、2、3…n)，基因串长度等于该工步组加工路径中的工步总数，以工步组所有工步的位置点的一个排序作为染色体，将工步对应的每个位置点定义为一个基因，在解码时可以直接根据染色体进行解码，方便适应度值计算。
为了防止种群中较优化的个体在进化过程中丢失，采用代沟控制每代中种群被替换的比例，通过实验测试，代沟定为90％算法搜索效率较高,
生成初步优化的初始种群；
随机改变染色体中基因的顺序生成200个染色体，对每个染色体的适应度值进行计算，然后，取适应度值较好的100个个体作为初始种群；
适应度函数为提髙遗传算法的性能，尽量避免早熟和随机漫游现象，需通过对目标函数进行适当的放大或缩小来确定适应度函数。根据目标函数设计适应度函数
式(1)中F为适应度，Z为代表工步组的最短加工路径的目标函数值。b为常数，通过实验测得b＝20算法搜索效果较好；
基于轮盘赌的选择操作；
采用轮盘赌方法选择繁殖个体，选择的方法为，在每个种群中选择90％的个体进行遗传操作，10％父代中的最优个体直接进入子代，以保证原种群中的较好个体不会因为进化而丢失；
进行自适应交叉计算防止算法的提前收敛，提高算法的寻优效率；
步骤1：根据每代种群中个体的适应度自动设计交叉概率Pc。自适应交叉概率Pc定义见式(2)：
其中，fc是等待交叉的两个染色体的较大的适应度值，favg是当前种群的平均适应度值，fmax是群体中染色体的最大适应度值，k1和k2为常数，这里k1设为0.9，k2设为 0.5。Pc的自适应调整与算法的收敛程度成反向，从而有效地防止了算法的提前收敛，提高了算法的寻优效率。
步骤2：交叉方法采用一点交叉方法。即在配对的父染色体A1和A2中随机选取一个交叉位，将A1交叉位置及右侧的基因值作为子染色体A1’对应位置的基因值，并在配对的另一个父染色体A2中随机删除这些基因值；然后，将父染色体A2中的基因从左向右依次填入子染色体A1’中的空白基因位。同理可得到子染色体A2’。
采用自适应变异概率来改善进化性能，实现算法的全局搜索；
根据每代种群中个体的适应度自动设计变异概率，自适应变异概率Pm公式见式(3)：
其中，fm是等待变异的染色体的适应度值，favg是当前种群的平均适应度值，fmax是群体中染色体的最大适应度值，k1为常数，这里k1设为0.1。Pm的自适应调整与算法的收敛程度成反向，从而有效地防止了算法的提前收敛，提高了算法的寻优效率；
保优策略；
通过将迄今为止进化过程中的最好个体作为精华个体保存起来的方法防止最优个体在进化过程中丢失。通过每个子代进化后种群中的最优个体的适应度值与精华个体的适应度值进行比较，若适应度值大于精华个体的适应度值，则精华个体将被子代中的最优个体替换，否则精华个体保持不变。通过精华个体，可以将迄今为止多代随机进化过程中的最优个体保存下来，该最优个体即为工艺路径最短问题的最优解。
由上述技术方案可知，本发明实施例针对代沟、染色体数等遗传参数设置；生成初步优化的初始种群；然后进行基于轮盘赌的选择操作；进行自适应交叉计算防止算法的提前收敛，提高算法的寻优效率；采用自适应变异概率来改善进化性能，实现算法的全局搜索；通过保优策略将迄今为止多代随机进化过程中的最优个体保存下来，该最优个体即为工艺路径最短问题的最优解。可见，通过研究发动机机体加工工艺路径优化问题，求得该问题的最优解，从而达到机体工艺方案优化和提高机体加工效率的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本发明的一个实施例。
图1为本发明一实施例提供的基于改进遗传算法的车辆发动机机体加工工艺路径优化方法的流程框图；
图2为基于改进遗传算法的工艺路径优化过程；
图3为工步组最优工艺路线轨迹图。
具体实施方式
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，所描述的实施例仅仅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。
需要说明的是某车辆发动机机体的加工工艺过程的复杂性，需要加工16个面，每个面按照加工的特征、加工方法、刀具类型和刀具尺寸进行分类，每类多个工步构成一个工步组，每个工步组由一次装夹的刀具依次完成各特征的加工。根据发动机机体零件的特点，工艺设计应遵循的加工规则是1)先加工方位面特征后，再加工所在的孔特征；2)先进行粗加工，然后进行半精加工或精加工；3)按照先钻中心孔、钻孔后或铣孔、镗孔、绞孔；4) 按照先钻中心孔、钻孔后攻丝；5)考虑到发动机机体类零件的特殊性，基本上应遵循先将某方位面上的所有特征加工完毕后再进行转位。
本发明实施例中是在运用改进遗传算法来实现对发动机机体某平面加工过程中工步组的最短加工路径的寻优。
图1为本发明一实施例提供的基于改进遗传算法的车辆发动机机体加工工艺路径优化方法的流程框图。图2为基于改进遗传算法的工艺路径优化过程。图3为工步组最优工艺路线轨迹图。参见图1～图3，该机体加工工艺路径优化方法包括：
首先，介绍1a，代沟、染色体数等遗传参数设置。
本实施例中采用置换编码方法，将工步组加工路径的每个工步对应的位置点用唯一的自然数表示(1、2、3…20)，基因串长度等于该工步组加工路径中的工步总数，以工步组所有工步的位置点的一个排序作为染色体，将工步对应的每个位置点定义为一个基因，在解码时可以直接根据染色体进行解码，方便适应度值计算。如基因串：2 4 5 7 1 3 6…20，表示工步组加工路径为：2->4->5->7->1->3->6…->20，工步总数20。
本实施例中针对发动机机体某平面加工的工步组，加工路径问题描述为，已知n个工步加工位置间的距离，刀具从某一工步加工位置点开始，依次加工n-1个工步位置点，每个工步位置点必须加工且仅加工一次，从第一个工步加工位置点开始到最后一个工步加工位置点结束，刀具所经过的路径为工步组的加工路径。如何安排某平面加工中n个位置点的加工顺序，使得刀具经过所有位置点的加工路径最短，是实现发动机机体16个平面快速工艺准备的关键。寻找一条加工完n个加工位置点的最短路径问题，是一个典型的组合优化问题，目标函数可以表示为式(4)。
在式(4)中，Vi表示第i个加工位置点，V0表示原点，d(Vi， Vi+1)表示位置点Vi到位置点Vi+1之间的距离。
为了防止种群中较优化的个体在进化过程中丢失，采用代沟控制每代中种群被替换的比例，通过实验测试，代沟定为90％算法搜索效率较高。
其次，介绍1b，生成初步优化的初始种群。
本实施例中使用适应度函数评价染色体的优劣。由于求解最短加工路径是最小化问题，因此，需要对原目标函数进行修改作为适应度函数。为提髙算法的性能，尽量避免早熟和随机漫游现象，通过对目标函数进行适当的放大或缩小来确定适应度函数。这种对目标函数的缩放调整称为适应度尺度变换。根据式(1)的目标函数设计适应度函数见式(5)。
式(5)中F为适应度，Z为代表工步组的最短加工路径的目标函数值。b为常数，通过实验测得b＝20算法搜索效果较好。
本实施例中通过实验测得初始种群中染色体个数设为100个算法效果较好。随机改变染色体中基因的顺序生成200个染色体，对每个染色体的适应度值进行计算，然后，取适应度值较好的100个个体作为初始种群。
再次，介绍1c，基于轮盘赌的选择操作。
本实施例中采用轮盘赌方法选择繁殖个体。为了防止种群中较优化的个体在进化过程中丢失，采用代沟为90％控制每代中种群被替换的比例。选择的方法为，在每个种群中选择 90％的个体进行遗传操作，10％父代中的最优个体直接进入子代，以保证原种群中的较好个体不会因为进化而丢失。
介绍1d，自适应交叉。
本实施例中通过研究算法的运行参数，发现交叉概率Pc选择过大，利于新个体的产生，但易破坏种群中的优良个体；而选择太小，不利于新个体的产生，影响问题的进一步求解，难于搜索到最优解。因此，根据每代种群中个体的适应度自动设计交叉概率Pc。自适应交叉概率Pc定义见式(6)。
其中，fc是等待交叉的两个染色体的较大的适应度值，favg是当前种群的平均适应度值，fmax是群体中染色体的最大适应度值，k1和k2为常数，这里k1设为0.9，k2设为 0.5。Pc的自适应调整与算法的收敛程度成反向，从而有效地防止了算法的提前收敛，提高了算法的寻优效率。
交叉方法采用一点交叉方法。即在配对的父染色体A1和A2中随机选取一个交叉位，将 A1交叉位置及右侧的基因值作为子染色体A1’对应位置的基因值，并在配对的另一个父染色体A2中随机删除这些基因值；然后，将父染色体A2中的基因从左向右依次填入子染色体 A1’中的空白基因位。同理可得到子染色体A2’。
介绍1e，自适应变异。
本实施例中采用自适应变异概率来改善进化性能，实现算法的全局搜索。根据每代种群中个体的适应度自动设计变异概率，自适应变异概率Pm公式见式(7)。
其中，fm是等待变异的染色体的适应度值，favg是当前种群的平均适应度值，fmax是群体中染色体的最大适应度值，k1为常数，这里k1设为0.1。Pm的自适应调整与算法的收敛程度成反向，从而有效地防止了算法的提前收敛，提高了算法的寻优效率。
介绍1f，保优策略。
本实施例中由于代沟为90％，初始种群数为100，参与交叉和变异的染色体的个数为 100*90％＝90个。当交叉和变异后将生成的子代的染色体的个数为90个，为了保持父代和子代的染色体数的平衡，将父代种群中适应度值较高的10个(100*(1-90％)＝10)染色体选择直接进入子代，这样可以保证父代中较好的部分染色体不会因为进化的随机性而丢失。
通过将迄今为止进化过程中的最好个体作为精华个体保存起来的方法防止最优个体在进化过程中丢失。通过每个子代进化后种群中的最优个体的适应度值与精华个体的适应度值进行比较，若适应度值大于精华个体的适应度值，则精华个体将被子代中的最优个体替换，否则精华个体保持不变。通过精华个体，可以将迄今为止多代随机进化过程中的最优个体保存下来，该最优个体即为工艺路径最短问题的最优解。
最后，进行本实施例的算法仿真验证。
发动机机体某平面需要加工20个孔，每个孔的加工作为一个工步，共需要20个工步，各孔加工的位置点坐标(坐标的单位：mm)如表1所示，需要确定刀具的行走路径以完成所有20个孔的加工。
| 工步位置点 | X坐标 | Y坐标 | 工步位置点 | X坐标 | Y坐标 |
| 1 | -270 | 14 | 11 | 143 | 35 |
| 2 | -260 | 88 | 12 | 116 | 29 |
| 3 | -240 | 160 | 13 | 126 | 52 |
| 4 | -170 | 240 | 14 | 45 | 88 |
| 5 | -180 | 165 | 15 | 48 | 136 |
| 6 | -111 | 155 | 16 | -45 | 116 |
| 7 | 165 | 242 | 17 | -50 | 87 |
| 8 | 185 | 140 | 18 | -116 | 54 |
| 9 | 143 | 79 | 19 | -136 | 34 |
| 10 | 165 | 46 | 20 | 143 | 25 |
采用改进遗传算法，利用Matlab开发了工艺路径优化软件。参数设定为种群大小为 200，每个孔作为一个基因，用孔的位置点号表示染色体的基因值，每个染色体的长度为20，刀具完成该平面所有孔加工的加工顺序代表一个染色体。采用自适应交叉概率和自适应变异概率见式(6)和(7)，代沟设为0.9，进化1000代。运行程序在第68代得到20个孔加工工步的最短工艺路径为：
“7->8->15->17->18->19->20->1->2->3->5->4->6->16->14->13->12->11->10->9”，最短路径长度为1356mm。基于改进遗传算法的工步组工艺路径优化过程见表2。
最短路径长度随着进化代数变化的过程见图2。
由表2可见，通过遗传进化，当运行到第68代时，工步组的工艺路线达到最短，目标值由2418减小到1356，从图2可以看出，本文提出的改进遗传算法是收敛的，到68代后算法收敛于最优解1356，进化效率较高。最优解的刀具行走路线如图3所示。由图3可见，每个加工孔及位置用1、2、3…20表示，带有箭头的线段表示刀具加工顺序，即先加工箭尾位置的孔，然后再加工箭头对应位置的孔。红色的三角形包围的孔代表第一个加工的孔，也就是工艺路线的第一个工步要加工的孔位置点号。由图3可见，最优解的刀具行走过程为，刀具从第7个孔位置点开始加工，依次经过孔8、孔15、孔17、孔18、孔19、孔 20、孔1、孔2、孔3、孔5、孔4、孔6、孔16、孔14、孔13、孔12、孔11、孔10、孔 9。加工完孔9后，机体该平面的加工完成。
本发明实施例首先分析了发动机机体工艺加工特点，描述了机体加工的工艺路径问题，并建立了工艺路径优化的数学模型。利用改进的遗传算法对发动机机体加工工艺路径进行优化。完成了改进遗传算法的编码、初始种群、适应度函数、选择、自适应交叉和自适应变异、保优策略的设计，求得了加工路径的最优解，并通过具体实例验证了该技术方案的有效性，达到了机体工艺方案优化和提高机体加工效率的目的，。
本发明的说明书中，说明了具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
以上所述，仅是本发明的一个实施例而已，并非是对本发明做其它形式的限制，任何本领域技术人员可以利用上述公开的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (7)
1.一种基于改进遗传算法的车辆发动机机体加工工艺路径优化方法，其特征在于，所述方法包括：
代沟、染色体数等遗传参数设置；
生成初步优化的初始种群；
基于轮盘赌的选择操作；
自适应交叉；
自适应变异；
保优操作。
2.根据权利要求1的车辆发动机机体加工工艺路径优化方法，其特征在于，利用预设算法对代沟、染色体数等遗传参数进行设置包括：
采用置换编码方法，基因串长度等于该工步组加工路径中的工步总数；
以工步组所有工步的位置点的一个排序作为染色体；
将工步对应的每个位置点定义为一个基因。
3.根据权利要求2的车辆发动机机体加工工艺路径优化方法，其特征在于，生成初步优化的初始种群：
随机改变染色体中基因的顺序生成200个染色体；
确定适用度函数，对每个染色体的适应度值进行计算；
取适应度值较好的100个个体作为初始种群。
4.根据权利要求3的车辆发动机机体加工工艺路径优化方法，其特征在于，进行基于轮盘赌的选择操作：
采用轮盘赌方法选择繁殖个体；
采用代沟控制每代中种群被替换的比例；
在每个种群中选择90%的个体进行遗传操作，10%父代中的最优个体直接进入子代。
5.根据权利要求3的车辆发动机机体加工工艺路径优化方法，其特征在于，进行自适应交叉计算：
根据每代种群中个体的适应度自动设计交叉概率；
交叉方法采用一点交叉方法。
6.根据权利要求3的车辆发动机机体加工工艺路径优化方法，其特征在于，进行自适应变异计算：
根据每代种群中个体的适应度自动设计变异概率。
7.根据权利要求3、4、5、6的车辆发动机机体加工工艺路径优化方法，其特征在于，通过保优策略确定最优工艺路径：
通过将迄今为止进化过程中的最好个体作为精华个体保存起来的方法防止最优个体在进化过程中丢失；
将每个子代进化后种群中的最优个体的适应度值与精华个体的适应度值进行比较，将迄今为止多代随机进化过程中的最优个体保存下来，该最优个体即为工艺路径最短问题的最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811349679.XA CN111259506A (zh) | 2018-11-14 | 2018-11-14 | 基于改进遗传算法的车辆发动机机体加工工艺路径优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811349679.XA CN111259506A (zh) | 2018-11-14 | 2018-11-14 | 基于改进遗传算法的车辆发动机机体加工工艺路径优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111259506A true CN111259506A (zh) | 2020-06-09 |
Family
ID=70946411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811349679.XA Pending CN111259506A (zh) | 2018-11-14 | 2018-11-14 | 基于改进遗传算法的车辆发动机机体加工工艺路径优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111259506A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898206A (zh) * | 2020-07-30 | 2020-11-06 | 长安大学 | 一种基于改进遗传算法的参数优化方法、计算机设备及存储介质 |
| CN112943453A (zh) * | 2021-01-21 | 2021-06-11 | 西北工业大学 | 气路部件故障下基于iga的发动机最大推力控制优化方法 |
| CN113222272A (zh) * | 2021-05-26 | 2021-08-06 | 合肥工业大学 | 基于双层遗传编码的应急物资运输与装载协同优化方法 |
| CN118456454A (zh) * | 2024-07-10 | 2024-08-09 | 泉州装备制造研究所 | 航空发动机短舱声衬制孔的等价加工孔布局优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092132A (zh) * | 2013-01-18 | 2013-05-08 | 深圳大学 | 数控钻孔加工路径优化方法及系统、数控钻孔设备 |
| CN106125671A (zh) * | 2016-07-25 | 2016-11-16 | 广东省自动化研究所 | 一种多类图元混合加工路径优化方法 |
| CN107705589A (zh) * | 2017-11-06 | 2018-02-16 | 西南交通大学 | 基于自适应遗传算法的双环信号配时优化方法 |
-
2018
- 2018-11-14 CN CN201811349679.XA patent/CN111259506A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092132A (zh) * | 2013-01-18 | 2013-05-08 | 深圳大学 | 数控钻孔加工路径优化方法及系统、数控钻孔设备 |
| CN106125671A (zh) * | 2016-07-25 | 2016-11-16 | 广东省自动化研究所 | 一种多类图元混合加工路径优化方法 |
| CN107705589A (zh) * | 2017-11-06 | 2018-02-16 | 西南交通大学 | 基于自适应遗传算法的双环信号配时优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张义长;杨加明;鲁宇明;: "结合保优策略和移民策略的自适应遗传算法" * |
| 林涛;武孟贤;轩倩倩;徐庆国;江冲;: "基于捕食搜索策略混合遗传算法的车辆路径问题研究" * |
| 龚玉玲;武美萍;徐晓栋;龚非;: "基于改进遗传算法的孔群数控加工路径优化" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898206A (zh) * | 2020-07-30 | 2020-11-06 | 长安大学 | 一种基于改进遗传算法的参数优化方法、计算机设备及存储介质 |
| CN111898206B (zh) * | 2020-07-30 | 2024-04-12 | 长安大学 | 一种基于改进遗传算法的参数优化方法、计算机设备及存储介质 |
| CN112943453A (zh) * | 2021-01-21 | 2021-06-11 | 西北工业大学 | 气路部件故障下基于iga的发动机最大推力控制优化方法 |
| CN113222272A (zh) * | 2021-05-26 | 2021-08-06 | 合肥工业大学 | 基于双层遗传编码的应急物资运输与装载协同优化方法 |
| CN113222272B (zh) * | 2021-05-26 | 2022-09-20 | 合肥工业大学 | 基于双层遗传编码的应急物资运输与装载协同优化方法 |
| CN118456454A (zh) * | 2024-07-10 | 2024-08-09 | 泉州装备制造研究所 | 航空发动机短舱声衬制孔的等价加工孔布局优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111259506A (zh) | 基于改进遗传算法的车辆发动机机体加工工艺路径优化方法 | |
| CN107862411B (zh) | 一种大规模柔性作业车间调度优化方法 | |
| CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
| CN108919641A (zh) | 一种基于改进樽海鞘算法的无人机航迹规划方法 | |
| CN106611379A (zh) | 一种改进文化基因算法求解多目标柔性作业车间调度问题 | |
| CN104035438A (zh) | 一种基于种群多样性的自适应多目标机器人避障算法 | |
| CN105303252A (zh) | 基于遗传算法的多阶段神经网络模型训练方法 | |
| CN110059405A (zh) | X结构下带差分进化的高质量Steiner最小树构建方法 | |
| CN112051796B (zh) | 一种连接二维随机封闭图形生成最短路径的规划方法 | |
| CN108803332A (zh) | 基于改进生物地理学的路径规划方法 | |
| CN113953685A (zh) | 一种平面板材激光切割路径规划方法 | |
| CN106780697A (zh) | 一种基于法向、几何、uv因素的网格简化方法 | |
| CN113689066A (zh) | 一种基于nsga-ii算法的物联网车间调度方法 | |
| CN114493337A (zh) | 基于改进粒子群遗传混合算法的柔性作业车间调度方法 | |
| CN116772880B (zh) | 一种基于无人机视觉的无人车路径规划方法 | |
| CN106919504B (zh) | 一种基于ga算法的测试数据进化生成方法 | |
| CN110109415A (zh) | 一种基于密度聚类的多网格刀轴优化方法 | |
| CN112666890A (zh) | 一种曲面工件加工轨迹规划方法 | |
| CN113047775B (zh) | 一种井壁稳定性约束下的钻进轨迹多目标优化方法 | |
| CN115494840B (zh) | 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法 | |
| KR100986160B1 (ko) | 유전자 알고리즘 및 ｄｎａ 컴퓨팅을 이용한 마스크 생성 시스템 및 생성 방법 | |
| CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
| Biswas et al. | Metaheuristic Algorithm for Wellbore Trajectory Optimization | |
| CN103552161A (zh) | ZrO2/CePO4复合材料的钻削加工方法 | |
| CN114326649B (zh) | 基于遗传算法与粒子群算法相结合的流水车间调度方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200609 |
|
| WD01 | Invention patent application deemed withdrawn after publication |