CN113313322B - Moea/d挤压工艺参数多目标优化方法及装置 - Google Patents

Moea/d挤压工艺参数多目标优化方法及装置 Download PDF

Info

Publication number
CN113313322B
CN113313322B CN202110673643.2A CN202110673643A CN113313322B CN 113313322 B CN113313322 B CN 113313322B CN 202110673643 A CN202110673643 A CN 202110673643A CN 113313322 B CN113313322 B CN 113313322B
Authority
CN
China
Prior art keywords
nei
moea
temperature
new
extrusion
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.)
Active
Application number
CN202110673643.2A
Other languages
English (en)
Other versions
CN113313322A (zh
Inventor
徐康康
谭喜
杨海东
印四华
朱成就
陈铭俊
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110673643.2A priority Critical patent/CN113313322B/zh
Publication of CN113313322A publication Critical patent/CN113313322A/zh
Application granted granted Critical
Publication of CN113313322B publication Critical patent/CN113313322B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

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

Abstract

本发明属于挤压工艺参数优化技术领域，更具体地，涉及一种MOEA/D挤压工艺参数多目标优化方法及装置。以能耗、成品率和模具磨损为目标对挤压工艺参数进行优化，有效降低了能耗、提高了成品率、降低了模具磨损；提出的改进的MOEA/D算法具有更优良的性能，具有更好的种群多样性和收敛性。

Description

MOEA/D挤压工艺参数多目标优化方法及装置
技术领域
本发明属于挤压工艺参数优化技术领域，更具体地，涉及MOEA/D挤压工艺参数多目标优化方法及装置。
背景技术
铝型材生产低能耗、高成品率和低模具磨损成为企业追求的目标。而传统生产中，工艺参数主要是根据工人的经验和操作手册进行设定，根据实际能耗和产品情况选择合适的工艺参数使得铝型材生产在能耗、成品率和模具磨损之间的得到最优值成为难点。随着工业互联网、人工智能和大数据时代的到来，可以使用传感器获取实时生产数据，并将数据通过网络传输到数据库，完成数据结构化、持久化存储，这为智能生产创造了条件，后期可通过数据挖掘、分析对生产进行优化。
目前铝型材挤压生产优化研究的研究方法主要分为物理方法、仿真模拟方法和机器学习方法。物理建模，难度较大且适用性不强；随着计算机技术、模拟仿真技术的发展为铝型材挤压生产过程的研究提供了新的方向。但是目前对铝型材挤压生产过程的优化研究方法集中于物理建模、模拟仿真和机器学习方向，使用深度学习领域方法进行研究的成果较少，因此该研究方向有很大的研究潜力。
发明内容
本发明为克服上述现有技术中的缺陷，提供一种改进MOEA/D挤压工艺参数多目标优化方法及装置，有效降低了能耗、提高了成品率、降低了模具磨损。
为解决上述技术问题，本发明采用的技术方案是：一种MOEA/D挤压工艺参数多目标优化方法，包括以下步骤：
S1.将挤压工艺参数挤压速度v、挤压筒温度Te、出料口温度Th、模具温度Tm、铝棒温度Ts设为优化变量，并将能耗e、成品率r和模具磨损s的预测模型调用设定为目标函数，以构建多目标优化模型；
S2.设置参数：包括种群大小N；最大邻域Neimax；最大迭代次数tmax；交叉概率CR；比例因子F；邻域增速β；N个权重向量λ1,…,λN；
S3.生成工艺参数随机种群，并根据改进MOEA/D算法计算流程进行多目标寻优；并输出优化得到的帕累托解集，即为最优工艺参数集合。
进一步的，铝型材挤压生产中能耗越小越好，成品率越高越好，模具磨损越小越好，因此设置目标函数如下：
Figure GDA0003452532370000021
式中：能耗e＝f1(x)＝f1(v,Te,Th,Tm,Ts)；成品率r＝f2(x)＝f2(v,Te,Th,Tm,Ts)；模具磨损s＝f3(x)＝f3(v,Te,Th,Tm,Ts)；
构建的多目标优化模型为：
F(x)＝{f1(x),f2(x),f3(x)}。
进一步的，所述的步骤S3具体包括：
S31.初始化；
S311.计算两两权重向量之间欧式距离，选择Nei个权重向量作为λi的邻居B(i),
Figure GDA0003452532370000022
Figure GDA0003452532370000023
为λi的邻居；其中i1,i2,...,iNei表示Nei个权重向量；
S312.随机产生一个规模为N的种群P0＝{x1,x2,…,xN}；
S313.生成初始理想点z*；
S314.初始化存储容器EP为空；
S32.发展和更新；
S321.随机选择两个个体进行交叉进化产生新的个体xnew，其解为F(xnew)；
S322.更新理想点z*；
S323.更新邻居，计算两两权重向量之间的切比雪夫距离
Figure GDA0003452532370000024
和辅助距离
Figure GDA0003452532370000025
从而得到聚合函数gHV的值，判断if gHV(xnew|λj,z*)≤gHV(xj|λj,z*)then xj＝xnew，F(xj)＝F(xnew)；
S324.更新EP：从EP中移除被F(xnew)支配的解，直到EP中的向量都不支配F(xnew)，并将F(xnew)存到EP中；
S325.更新邻域大小，更新子问题的邻域大小Nei，并重新分配邻居B(i)＝{i1,i2,...,iNei}；
S3.输出：若满足终止条件，则输出最优工艺参数的帕累托集，否则，跳转到步骤S2继续迭代计算。
进一步的，所述的步骤S323中通过以下公式计算两两权重向量之间的切比雪夫距离
Figure GDA0003452532370000031
和辅助距离
Figure GDA0003452532370000032
Figure GDA0003452532370000033
Figure GDA0003452532370000034
式中：
Figure GDA0003452532370000035
为第i个子问题在t次迭代中的决策向量，λi为第i个子问题的权重向量，
Figure GDA0003452532370000036
为向量
Figure GDA0003452532370000037
的目标函数，
Figure GDA0003452532370000038
为其中一个目标，fj(x)为第j个目标；。
进一步的，计算切比雪夫距离的权重WH和辅助距离的权重WV：
Figure GDA0003452532370000039
WV(t)＝1-WH(t)
式中，k为权重增速此处设置为0.12；q为一个常数范围为1～1.5；t为当前迭代次数；tmax为最大代数。
进一步的，问题i的聚合函数gHV表示为：
Figure GDA00034525323700000310
进一步的，步骤S325中子问题的邻域大小Nei通过以下公式计算：
Figure GDA00034525323700000311
式中，
Figure GDA00034525323700000312
为向上取整，Neimax是邻域大小的最大值；t是当前迭代次数；tmax是最大迭代次数；β为邻域增速，控制邻域大小NeiN的增长速度。
进一步的，所述的S3步骤输出的结果包括铝型材挤压工艺参数集{x1,...,xN}和能耗、成品率、模具磨损数据集{F(x1),...,F(xN)}；工艺参数挤压速度v、挤压温度Te、出料口温度Th、模具温度Tm和铝棒温度Ts受到设备的限制，需要在设备工作参数范围内，同时也要在生产规范内进行优化，工艺参数范围设定以下约束条件：
Figure GDA0003452532370000041
本发明还提供一种计算机设备，包括存储器和处理器，所述的存储器存储有计算机程序，其特征在于，所述的处理器执行所述的计算机程序时实现以上所述的方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时实现以上所述方法的步骤。
与现有技术相比，有益效果是：本发明提供的一种MOEA/D挤压工艺参数多目标优化方法、设备及存储介质，以能耗、成品率和模具磨损为目标对挤压工艺参数进行优化，有效降低了能耗、提高了成品率、降低了模具磨损；提出的改进的MOEA/D算法具有更优良的性能，具有更好的种群多样性和收敛性。
附图说明
图1是本发明改进MOEA/D的算法流程图。、
图2是本发明权重随迭代次数变化图。
图3是本发明邻域大小随迭代次数变化图。
图4是本发明提出的MOEA/D挤压工艺参数多目标优化方法的整体流程示意图。
图5是本发明实施例中帕累托结果对比图。
图6是本发明实施例中不同β参数下的IGD和HV箱体图。
图7是本发明实施例中不同k参数下的IGD和HV箱体图。
图8是本发明实施例中不同CR参数下的IGD和HV箱体图。
图9是本发明实施例中不同F参数下的IGD和HV箱体图。
图10是本发明实施例中不同tmax参数下的IGD和HV箱体图。
图11是本发明实施例中不同Neimax参数下的IGD和HV箱体图。
图12是本发明实施例中基于ABC算法的截断距离参数优选的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。
本发明在建立了工艺参数和能耗、成品率、模具磨损之间的预测模型的基础上。提出了一种MOEA/D挤压工艺参数多目标优化方法。
一、挤压工艺参数多目标优化模型
在本发明中建立的以铝型材挤压工艺为输入，能耗、成品率和模具磨损为输出的预测模型，可以表示为：
yi＝fi(v,Te,Th,Tm,Ts) (1)
式中，fi为第i个目标，i＝1,2,3，v挤压速度、Te挤压筒温度、Th出料口温度、Tm模具温度、Ts铝棒温度。
多目标优化模型包括变量、约束条件和目标函数，本文根据工艺参数的实际要求情况，建立以下优化模型：
(1)变量
挤压速度v(mm/s)、挤压筒温度Te(℃)、出料口温度Th(℃)、模具温度Tm(℃)、铝棒温度Ts(℃)。
(2)约束条件
工艺参数挤压速度、挤压温度、出料口温度、模具温度和铝棒温度受到设备的限制，需要在设备工作参数范围内，同时也要在生产规范内进行优化。工艺参数范围设定以下约束条件：
Figure GDA0003452532370000051
(3)目标函数
铝型材挤压生产中能耗越小越好；成品率越高越好；模具磨损越小越好。因此本文设置目标函数如下：
Figure GDA0003452532370000061
式中，(1)能耗e＝f1(v,Te,Th,Tm,Ts)；(2)成品率r＝f2(v,Te,Th,Tm,Ts)；(3)模具磨损s＝f3(v,Te,Th,Tm,Ts)。
二、改进MOEA/D
在多目标优化问题中，算法在寻优的过程要关注种群的多样性和算法收敛性，优秀的算法不仅要具有保证种群多样性的能力还需要具备良好的收敛性。良好的收敛性表示每个子问题的解与帕累托前沿的距离尽量小，而多样性表示每个子问题的解尽量均匀分布在帕累托前沿。
现有MOEA/D存在的问题：
(1)传统的MOEA/D使用Tchebyshev聚合函数，该方法仅考虑了算法的收敛性能，而忽视了分配资源过程中种群多样性的问题。
(2)在MOEA/D中，邻域大小是一个敏感值，过小的邻域大小可能会导致收敛困难，并使优化陷入局部最优，而过大的邻域大小可能会破坏种群多样性。在原始的MOEA/D中邻域大小为定值，在种群进化过程中保持不变，不能有效地在多样性和收敛之间取得平衡。
本发明通过改进MOEA/D的聚合函数和邻域概念来提高MOEA/D的收敛性和种群多样性。对MOEA/D做了两方面的改进，如图1所示：
1)使用一种新的聚合方法代替传统切比雪夫聚合方法来，新的聚合函数值引入辅助距离来提高种群多样性，同时考虑收敛速度和种群多样性。
2)采用动态邻域大小策略，使得邻域大小在种群进化过程中有序变化，保持良好的种群多样性和算法收敛速度。
(1)改进聚合函数
传统的MOEA/D使用Tchebyshev聚合函数将计算资源分配给不同的子问题，忽视了分配资源过程中种群多样性的问题。因此采用一种新的聚合方法，不仅考虑收敛速度还考虑了种群多样性。在新的聚合函数下，将权重分配给个体与相应权重因子之间的切比雪夫距离
Figure GDA0003452532370000063
代表收敛程度如公式4所示，并且加入辅助距离
Figure GDA0003452532370000062
用于增强种群多样性，使用公式5计算。
Figure GDA0003452532370000071
Figure GDA0003452532370000072
式中，
Figure GDA0003452532370000073
为第i个子问题在t次迭代中的决策向量，λi为第i个子问题的权重向量，
Figure GDA0003452532370000074
为向量
Figure GDA0003452532370000075
的目标函数，
Figure GDA0003452532370000076
为其中一个目标。
为了维持收敛性和多样性的平衡，加入权重分配思想。在算法迭代前期侧重于保证算法的多样性也就是辅助距离的影响权重较大，而在算法迭代后期为了保证算法的收敛，需要增强切比雪夫距离的作用，使得收敛性成为后期种群进化的决定性因素。切比雪夫距离的权重WH，其计算公式为6，辅助距离的权重为WV，其计算公式为7，其变化过程如图2所示。
Figure GDA0003452532370000077
WV(t)＝1-WH(t) (7)
式中，k为权重增速此处设置为0.12；q为一个常数建议范围1～1.5，此处设为1.2；t为当前迭代次数；tmax为最大代数。得到子问题i的新聚合函数表示为：
Figure GDA0003452532370000078
(2)动态邻域
在原始的MOEA/D中，邻域大小从算法开始到结束保持不变，这不利于得到最佳的算法性能。所以提出动态邻域策略，在搜索过程的早期，该策略采用的范围很小，这样可以避免子问题解决方案陷入局部最优状态并保持其多样性。在搜索过程的后期，采用更大的范围来确保子问题的解决方案收敛。因此，可以在不同的搜索时期中获得收敛性和多样性之间的平衡。每个子问题的替换邻域大小定义为Nei，使用公式9来计算。
Figure GDA0003452532370000079
式中，
Figure GDA00034525323700000710
为向上取整，Neimax是邻域大小的最大值；t是当前迭代次数；tmax是最大迭代次数；β为邻域增速，控制NeiN的增长速度。当Neimax＝20，β＝0.15，tmax＝500时，邻域大小变化趋势如图3所示。
三、MOEA/D挤压工艺参数多目标优化方法
前面两部分已经建立铝型材挤压工艺参数多目标优化模型并且对现有的基于分解的多目标优化算法(MOEA/D)算法进行了改进优化。改进的MOEA/D算法使用新的聚合函数和动态领域，保证了算法在不同时期的种群多样性和收敛性之间的平衡，提高了算法性能。
现将改进MOEA/D算法铝型材挤压生产能耗、成品率和模具磨损为目标对铝型材挤压工艺参数进行优化，算法流程如图4所示。
铝型材挤压工艺参数的基本优化过程为：
S1.将挤压工艺参数挤压速度v、挤压筒温度Te、出料口温度Th、模具温度Tm、铝棒温度Ts设为优化变量，并将能耗e、成品率r和模具磨损s的预测模型调用设定为目标函数，以构建多目标优化模型；
S2.设置参数：包括种群大小N；最大邻域Neimax；最大迭代次数tmax；交叉概率CR；比例因子F；邻域增速β；N个权重向量λ1,...,λN；
S3.生成工艺参数随机种群，并根据改进MOEA/D算法计算流程进行多目标寻优；并输出优化得到的帕累托解集，即为最优工艺参数集合。
输入：铝型材挤压目标函数F(x)＝{f1(x),...,fm(x)}；种群大小N；最大邻域Neimax；最大迭代次数tmax；交叉概率CR；比例因子F；邻域增速β；N个权重向量λ1,...,λN
输出：铝型材挤压工艺参数集{x1,…,xN}和能耗、成品率、模具磨损数据集{F(x1),…,F(xN)}。
其中，x1对应一组挤压工艺参数挤压速度v、挤压筒温度Te、出料口温度Th、模具温度Tm、铝棒温度Ts；xN对应另一组挤压工艺参数挤压速度v、挤压筒温度Te、出料口温度Th、模具温度Tm、铝棒温度Ts。
其中步骤S3具体包括：
S31.初始化；
S311.计算两两权重向量之间欧式距离，选择Nei个权重向量作为λi的邻居B(i),B(i)＝{i1,i2,...,iNei}，
Figure GDA0003452532370000081
为λi的邻居；
S312.随机产生一个规模为N的种群P0＝{x1,x2,…,xN}；
S313.生成初始理想点z*；
S314.初始化存储容器EP为空；
S32.发展和更新；
S321.随机选择两个个体进行交叉进化产生新的个体xnew，其解为F(xnew)；
S322.更新理想点z*；
S323.更新邻居，使用公式(4)和公式(5)计算两两权重向量之间的切比雪夫距离
Figure GDA0003452532370000091
和辅助距离
Figure GDA0003452532370000092
从而得到聚合函数gHV的值，判断if gHV(xnew|λj,z*)≤gHV(xj|λj,z*)thenxj＝xnew，F(xj)＝F(xnew)；
S324.更新EP：从EP中移除被F(xnew)支配的解，直到EP中的向量都不支配F(xnew)，并将F(xnew)存到EP中；
S325.更新邻域大小，根据公式(9)更新子问题的邻域大小Nei，并重新分配邻居B(i)＝{i1,i2,...,iNei}；
S3.输出：若满足终止条件，则输出最优工艺参数的帕累托集，否则，跳转到步骤S2继续迭代计算。
实施例
1、评价指标
反世代距离评价指标IGD是实际PF个体与算法所获得的近似解集之间的最小距离的平均值，因此IGD的值越小对应算法的收敛性与分布性越好，IGD计算如下：
Figure GDA0003452532370000093
超体积评价指HV计算的是一组算法PF近似解集与分布在目标空间参考点
Figure GDA0003452532370000094
的支配目标空间的体积大小，公式如下：
Figure GDA0003452532370000095
式中，VLO(·)表示勒贝格测度。HV值越大越多S近似于整个PF，所以HV的值越高，算法的收敛性与分布性越好。
2、算法比对
2.1、参数设置
为了验证改进MOEA/D算法的性能，将本章改进MOEA/D与原算法MOEA/D、具有代表性的改进算法MOEA/D-DRA、常用的多目标优化算法NSGAⅡ进行了仿真，各算法中的参数除了迭代次数和种群规模，其他参数根据参考文献进行设置。改进MOEA/D的算法参数为：权重增速k设为0.132，邻域增速β设为0.15，比例因子F设为0.5，交叉概率CR设为0.5，最大邻域Neimax设为20。为了保证算法的平等性，四个算法设置1000次的迭代次数，种群规模为100。
2.2、结果分析
算法运行结果如图5所示。从图中可以看出改进MOEA/D算法的帕累托集是均匀分布的，具有最佳的分布趋势。MOEA/D-DRA算法的结果分布优于经典MOEA/D算法，而NSGA-II算法的分布最差。至此，初步验证了改进MOEA/D帕累托集具有良好分布性。
为了进一步验证改进MOEA/D的算法性能，将改进MOEA/D与原算法MOEA/D、MOEA/D-DRA、NSGAⅡ进行比较，为了合理地比较这些算法，将这五个算法分别运行了30次。仿真实验得出IGD和HV值的分部如表1所示。改进MOEA/D获得的的IGD的最小值，下四分位数﹐中位数，上四分位数和最大值分别为27.3334、31.7796、42.9760、53.1406和95.1624小于其他算法，具有更好的性能。改进MOEA/D获得的HV的最小值，下四分位数﹐中位数﹐上四分位数和最大值分别为4.8126e+03、5.0916e+04、7.4907e+04、9.3948e+04和1.3805e+05，除了最小值外，都比其他算法获得的五个HV值大，证明改进MOEA/D具有良好种群多样性和收敛性。
表1不同算法HV和IGD指标结果表
Figure GDA0003452532370000101
Figure GDA0003452532370000111
3、算法参数优化
算法的参数设置影响着算法的性能，为了得到更优的算法参数设置以充分发挥算法的性能，本章把改进的MOEA/D算法的参数，对影响MOEA/D的性能较大的参数β，k，CR，F，tmax，Neimax划分多个值并进行试验如表2，对每个值进行30组实验，通过实验结果确定用于挤压工艺参数多目标优化的算法输入参数。
表2待优化MOEA/D参数表
Figure GDA0003452532370000112
参数β用于控制替换邻域大小NeiN的增长速度，它对算法的性能有着重要影响，由图4-8可知，当β为0.2和0.15时IGD的中位数值最小，而β为0.2的HV值大于0.15的HV值，所以β取值为0.2。由图7可知，参数k值为0.108获得的IGD指标中位数和HV指标中位数皆为最优，所以k取0.108。由图8可知，将CR设置为0.9可获得最佳IGD中位数，同时也能得到较优的HV值，所以CR取0.9。由图9可知，F为0.5可获得最佳的IGD中位数指标，HV值也相对较优，所以F取0.5。由图10可知，当tmax为1000的IGD指标中位数最小，且HV指标中位数最大，所以tmax取1000。由图11可知，参数Neimax为20的时候得到良好的指标值，所以Neimax取20。将优化的算法参数整理如表3所示。基于以上分析可知，在“2.1参数设置”中改进MOEA/D的参数是在没有大量实验之前根据个人经验设置的，不是最佳参数，在这种情况下所提出的改进的MOEA/D也能展示出优于其他算法的性能，进一步证明了对MOEA/D算法改进的有效性。
表3最优参数表
Figure GDA0003452532370000121
4、铝型材挤压工艺参数优化结果
在铝型材挤压工艺参数多目标优化问题中，低能耗、高成品率和低模具磨损之间存在相互矛盾，比如一组工艺参数可以保证能耗最优但是成品率和模具磨损未必能达到最优，所以优化的工艺参数应是一组最接近帕累托前沿的解集。根据“3算法参数优化”中优化过程，并使用上一小节优化的算法参数来进行铝型材挤压工艺参数多目标优化，最终优化结果分布性良好，如图12所示。
为了更好分析工艺参数把部分最优参数集输出如表4所示，表头分别是挤压速度v、挤压筒温度Te、出料口温度Th、模具温度Tm、铝棒温度Ts、能耗e、成品率r、和模具磨损s。由表4可知，其中铝型材挤压工艺参数：挤压速度取6.8～7.5mm/s、挤压筒温度取429～437℃、出料口温度取535～545℃、模具温度取438～443℃、铝棒温度取428～435℃时，得到较优的铝型材挤压生产能耗、成品率和模具磨损。工艺参数范围仅用于分析，实际生产中可以根据能耗、成品率和模具磨损的要求，有针对性地选择帕累托集中具体的工艺参数进行生产，使得铝型材挤压生产过程优化更为精确。
表4部分挤压工艺参数优化结果
Figure GDA0003452532370000122
Figure GDA0003452532370000131
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种MOEA/D挤压工艺参数多目标优化方法，其特征在于，包括以下步骤：
S1.将挤压工艺参数挤压速度v、挤压筒温度Te、出料口温度Th、模具温度Tm、铝棒温度Ts设为优化变量，并将能耗e、成品率r和模具磨损s的预测模型调用设定为目标函数，以构建多目标优化模型；
S2.设置参数：包括种群大小N；最大邻域Neimax；最大迭代次数tmax；交叉概率CR；比例因子F；邻域增速β；N个权重向量λ1,...,λN；
S3.生成工艺参数随机种群，并根据改进MOEA/D算法计算流程进行多目标寻优；并输出优化得到的帕累托解集，即为最优工艺参数集合；所述的步骤S3具体包括：
S31.初始化；
S311.计算两两权重向量之间欧式距离，选择Nei个权重向量作为λi的邻居B(i),B(i)＝{i1,i2,...,iNei}，
Figure FDA0003452532360000011
为λi的邻居，其中i1,i2,...,iNei表示Nei个权重向量；
S312.随机产生一个规模为N的种群P0＝{x1,x2,...,xN}；
S313.生成初始理想点z*；
S314.初始化存储容器EP为空；
S32.发展和更新；
S321.随机选择两个个体进行交叉进化产生新的个体xnew，其解为F(xnew)；
S322.更新理想点z*；
S323.更新邻居，计算两两权重向量之间的切比雪夫距离
Figure FDA0003452532360000012
和辅助距离Vt i，从而得到聚合函数gHV的值，判断if gHV(xnew|λj,z*)≤gHV(xj|λj,z*)then xj＝xnew，F(xj)＝F(xnew)；所述的步骤S323中通过以下公式计算两两权重向量之间的切比雪夫距离
Figure FDA0003452532360000013
和辅助距离Vt i：
Figure FDA0003452532360000014
Figure FDA0003452532360000021
式中：
Figure FDA0003452532360000022
为第i个子问题在t次迭代中的决策向量，λi为第i个子问题的权重向量，
Figure FDA0003452532360000023
为向量
Figure FDA0003452532360000024
的目标函数，
Figure FDA0003452532360000025
为其中一个目标；fj(x)为第j个目标；
计算切比雪夫距离的权重WH(t)和辅助距离的权重WV(t)＝1-WH(t)WV：
Figure FDA0003452532360000026
WV(t)＝1-WH(t)
式中，k为权重增速此处设置为0.12；q为一个常数范围为1～1.5；t为当前迭代次数；tmax为最大迭代次数；
问题i的最小的聚合函数gHV表示为：
Figure FDA0003452532360000027
S324.更新EP：从EP中移除被F(xnew)支配的解，直到EP中的向量都不支配F(xnew)，并将F(xnew)存到EP中；
S325.更新邻域大小，更新子问题的邻域大小Nei，并重新分配邻居B(i)＝{i1,i2,...,iNei}；步骤S325中子问题的邻域大小Nei通过以下公式计算：
Figure FDA0003452532360000028
式中，
Figure FDA0003452532360000029
为向上取整，Neimax是邻域大小的最大值；t是当前迭代次数；tmax是最大迭代次数；β为邻域增速，控制邻域大小NeiN的增长速度；
S3.输出：若满足终止条件，则输出最优工艺参数的帕累托集，否则，跳转到步骤S2继续迭代计算。
2.根据权利要求1所述的MOEA/D挤压工艺参数多目标优化方法，其特征在于，铝型材挤压生产中能耗越小越好，成品率越高越好，模具磨损越小越好，因此设置目标函数如下：
Figure FDA0003452532360000031
式中：能耗e＝f1(x)＝f1(v,Te,Th,Tm,Ts)；成品率r＝f2(x)＝f2(v,Te,Th,Tm,Ts)；模具磨损s＝f3(x)＝f3(v,Te,Th,Tm,Ts)；
构建的多目标优化模型为：
F(x)＝{f1(x),f2(x),f3(x)}。
3.根据权利要求2所述的MOEA/D挤压工艺参数多目标优化方法，其特征在于，所述的S3步骤输出的结果包括铝型材挤压工艺参数集{x1,…,xN}和能耗、成品率、模具磨损数据集{F(x1),…,F(xN)}；工艺参数挤压速度v、挤压温度Te、出料口温度Th、模具温度Tm和铝棒温度Ts受到设备的限制，需要在设备工作参数范围内，同时也要在生产规范内进行优化，工艺参数范围设定以下约束条件：
Figure FDA0003452532360000032
4.一种计算机设备，包括存储器和处理器，所述的存储器存储有计算机程序，其特征在于，所述的处理器执行所述的计算机程序时实现权利要求1至3任一项所述的方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时实现权利要求1至3任一项所述方法的步骤。
CN202110673643.2A 2021-06-17 2021-06-17 Moea/d挤压工艺参数多目标优化方法及装置 Active CN113313322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110673643.2A CN113313322B (zh) 2021-06-17 2021-06-17 Moea/d挤压工艺参数多目标优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110673643.2A CN113313322B (zh) 2021-06-17 2021-06-17 Moea/d挤压工艺参数多目标优化方法及装置

Publications (2)

Publication Number Publication Date
CN113313322A CN113313322A (zh) 2021-08-27
CN113313322B true CN113313322B (zh) 2022-03-15

Family

ID=77379486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110673643.2A Active CN113313322B (zh) 2021-06-17 2021-06-17 Moea/d挤压工艺参数多目标优化方法及装置

Country Status (1)

Country Link
CN (1) CN113313322B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114142931B (zh) * 2021-12-13 2023-09-12 北京邮电大学 一种基于bic-daf-moea的复杂信道通信方法
CN116779062A (zh) * 2023-06-14 2023-09-19 东北大学 基于moea/d智能优化算法的热轧带钢生产工艺动态优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700109A (zh) * 2013-12-24 2014-04-02 西安电子科技大学 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法
WO2020034632A1 (zh) * 2018-08-17 2020-02-20 武汉理工大学 基于mbd的汽车典型机加工零件三维工艺设计方法及平台
CN110956324A (zh) * 2019-11-29 2020-04-03 厦门大学 基于改进的moea/d的主动配电网日前高维目标优化调度方法
CN111069328A (zh) * 2019-12-03 2020-04-28 广东工业大学 一种基于粒子群算法的等温挤压工艺参数优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700109A (zh) * 2013-12-24 2014-04-02 西安电子科技大学 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法
WO2020034632A1 (zh) * 2018-08-17 2020-02-20 武汉理工大学 基于mbd的汽车典型机加工零件三维工艺设计方法及平台
CN110956324A (zh) * 2019-11-29 2020-04-03 厦门大学 基于改进的moea/d的主动配电网日前高维目标优化调度方法
CN111069328A (zh) * 2019-12-03 2020-04-28 广东工业大学 一种基于粒子群算法的等温挤压工艺参数优化方法

Also Published As

Publication number Publication date
CN113313322A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
Zhu et al. An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints
CN113313322B (zh) Moea/d挤压工艺参数多目标优化方法及装置
CN110888317A (zh) 一种pid控制器参数智能优化方法
CN108985515B (zh) 一种基于独立循环神经网络的新能源出力预测方法及系统
CN108470358B (zh) 一种基于二阶震荡人工蜂群算法的点云配准方法
CN115470704B (zh) 一种动态多目标优化方法、装置、设备和计算机可读介质
CN109472397A (zh) 基于粘度变化的聚合工艺参数调节方法
CN105976018B (zh) 用于结构健康监测传感器优化布设的离散鸽群方法
CN113722992A (zh) 一种带嵌件注塑件注塑工艺参数多目标优化方法
CN109085752A (zh) 基于角度支配关系的铝电解偏好多目标优化算法
CN115986728A (zh) 一种计及不确定性因素的电网态势预测方法与终端
CN116307591A (zh) 一种基于amocs-pt的跨流域调水工程优化调度方法
Takahashi et al. Convolutional neural network-based topology optimization (CNN-TO) by estimating sensitivity of compliance from material distribution
CN109460608A (zh) 一种基于模糊时间序列的高陡边坡形变预测的方法
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN111832817A (zh) 基于mcp罚函数的小世界回声状态网络时间序列预测方法
CN116629352A (zh) 一种亿级参数寻优平台
CN113762370A (zh) 一种结合高斯随机场的深度网络集合生成方法
CN114221350B (zh) 基于bas-iga算法的分布式光伏集群划分方法和系统
CN109086469A (zh) 基于递归神经网络与偏好信息的铝电解建模与优化方法
CN107766887A (zh) 一种局部加权的不完整数据混杂聚类方法
CN113807014A (zh) 一种考虑统计性、经济性的非参数自适应动态ewma控制图多目标优化设计方法
CN113469107A (zh) 一种融合空间密度分布的轴承故障诊断方法
CN111460550A (zh) 一种基于变化小生境的自由曲面结构多工况Pareto解集优化法
CN114970343B (zh) 一种基于搜索空间变动的水泥粉磨过程多目标优化方法

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
GR01 Patent grant
GR01 Patent grant