CN114818203A - 一种基于swa算法的减速器设计方法 - Google Patents
一种基于swa算法的减速器设计方法 Download PDFInfo
- Publication number
- CN114818203A CN114818203A CN202210628150.1A CN202210628150A CN114818203A CN 114818203 A CN114818203 A CN 114818203A CN 202210628150 A CN202210628150 A CN 202210628150A CN 114818203 A CN114818203 A CN 114818203A
- Authority
- CN
- China
- Prior art keywords
- candidate
- points
- point
- candidate solutions
- updating
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于SWA算法的减速器设计方法,包括:对减速器设计问题进行建模,确定设计变量的范围和约束条件;并且得到减速器设计问题的目标函数;设定最大迭代次数T和种群数量N,生成初始种群X;其中每个个体Xi的位置对应着一个候选解;根据减速器设计问题的目标函数获取每个候选解的成本值;更新当前最优候选解和最优成本值;将成本值最差的N/3个候选解设置为1类候选解,并更新所述1类候选解;将成本值位于中间的N/3个候选解设置为2类候选解,并更新所述2类候选解;将成本值最好的N/3个候选解设置为3类候选解,并更新所述3类候选解;输出最优候选解和最优成本值。本发明能够得到优秀的设计参数,有效地降低减速器设计的成本。
Description
技术领域
本发明涉及工程设计技术领域,具体涉及一种基于SWA算法的减速器设计方法。
背景技术
工程设计问题范围广泛,从小规模工程中零件的设计,到大规模工程中关键结构的设计。故工程设计问题在工程项目中至关重要,它不仅仅关乎工程的成本,而且也关乎着工程质量水平的高低。因此设计出一类针对于工程设计问题的算法是非常有意义的。
减速器设计是工程设计问题中的一种,其本质上是一类优化问题,现有技术中缺少解决该优化问题的方法,以获得减速器合理的设计参数。
发明内容
本发明的目的在于,提供一种基于SWA算法的减速器设计方法,针对减速器设计问题的特点,能够得到更好的参数,有效地降低减速器设计成本。
为实现上述目的,本申请提出一种基于SWA算法的减速器设计方法,包括:
步骤1:对减速器设计问题进行建模,确定设计变量的范围和约束条件;并且得到减速器设计问题的目标函数,即约束条件下减速器最优成本值;
步骤2:设定最大迭代次数T和种群数量N,生成初始种群X;其中每个个体Xi的位置对应着一个候选解;
步骤3:根据减速器设计问题的目标函数获取每个候选解的成本值;更新当前最优候选解BestX和最优成本值BestF;
步骤4:将成本值最差的N/3个候选解设置为1类候选解,并更新所述1类候选解;
步骤5:将成本值位于中间的N/3个候选解设置为2类候选解,并更新所述2类候选解;
步骤6:将成本值最好的N/3个候选解设置为3类候选解,并更新所述3类候选解;
步骤7:判断是否达到最大迭代次数,若达到最大迭代次数则进行步骤8,否则返回步骤3;
步骤8:输出最优候选解BestX和最优成本值BestF。
进一步的,所述1类候选解更新方式为:
Step1:给定控制点个数n、映射区域上界ub_t、映射区域下界lb_t和待更新的候选解Xi;
Step2:随机产生从小到大排序的序列点r_ci(i=1,2,3,…,n-1),并利用所述序列点r_ci生成相应的序列点x_ci,所述序列点x_ci=r_ci×(ub_t-lb_t)+lb_t(i=1,2,3,…,n-1);其中i代表的是第i个序列点;
Step3:将Xi作为第一个控制点,第二个控制点是Xi经过x_c1的映射点x_t1,第三个控制点是x_t1经过x_c2的映射点x_t2,以此类推生成n个控制点,将n个控制点带入贝塞尔曲线公式中,获取初始位置SO;
Step4:将初始位置SO带入式(1)得到第一个候选解Xi的最终位置:
Xi=Xi+SO×cos(2πra) (1)
其中ra是位于[0,1]之间的随机数。
进一步的,所述2类候选解更新方式为:
Step1:给定控制点个数n和待更新的候选解Xi;
Step2:随机产生从大到小排序的序列点r_rai(i=1,2,3,…,n-1)和序列点r_roi(i=1,2,3,…,n-1),将Xi旋转得到一系列旋转点x_rai=Xi+Xi×cos(2π×r_rai)(i=1,2,3,…,n-1),再将旋转点乘以r_roi得到一系列点x_roi=r_rai×x_rai(i=1,2,3,…,n-1),这些点x_roi和Xi共同作为贝塞尔曲线的控制点以得到最终更新的候选解。
进一步的,所述3类候选解更新方式为:
Step1:给定控制点个数n、当前最优解BS;
Step2:以当前最优解BS得到若干附近点x_si(i=1,2,3,…,n),其获取公式为:
其中d是纬度总数,随机步长x_d=rand×(ub–lb)+lb,rand和r是位于[0,1]之间的随机数;c是用来控制缠绕强度的系数,随迭代次数增加缠绕系数逐渐减小,具体见式(3):
Step3:将附近点x_si(i=1,2,3,…,n)作为贝塞尔曲线的控制点得到最终的最优解。
进一步的,所述贝塞尔曲线数学模型为:
其中Pi是控制点,B(t)是求出的随机点,t是用控制随机点位置的随机数。
本发明采用的以上技术方案,与现有技术相比,具有的优点是:1、本发明在每次迭代中将候选解标记为不同的类别,并使用不同的更新方式,有利于得到全局最优的候选解和最优成本值,以便更好的设计参数。
2、本发明引入了贝塞尔曲线,既提高了算法的探索能力,又保证了算法的开发能力。较好的平衡了两种行为,避免在某些情况下最优候选解和最优成本值卡在某个局部最优,也在一定程度上提高了精度,有效地增加了减速器设计问题时的鲁棒性。
3、本发明能够得到优秀的设计参数,有效地降低减速器设计的成本。
附图说明
图1为基于SWA算法的减速器设计方法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请,即所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域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,都属于本申请保护的范围。
为了证明本发明所提方法的有效性,选择以下实例作对比计算。该减速器的设计问题共涉及七个设计变量,包括面的宽度b(x1)、齿的模块数m(x2)、小齿轮上的齿数z(x3)、轴承之间第一根轴的长度l1(x4)、轴承之间第二根轴的长度l2(x5)、第一根轴的直径d1(x6)和第二根轴的直径d2(x7)。
实施例1
如图1所示,本申请提供一种基于SWA算法的减速器设计方法,具体包括:
步骤1:对减速器设计问题进行建模,确定设计变量的范围和约束条件;并且得到减速器设计问题的目标函数,即约束条件下减速器最优成本值;所述目标函数为:
设计变量的范围为:
约束条件为:
步骤2:设定最大迭代次数T=1000和种群数量N=60,生成初始种群X;其中每个个体Xi的位置对应着一个候选解;
步骤3:根据减速器设计问题的目标函数获取每个候选解的成本值;更新当前最优候选解BestX和最优成本值BestF;
步骤4:将成本值最差的N/3个候选解设置为1类候选解,并更新所述1类候选解;
步骤5:将成本值位于中间的N/3个候选解设置为2类候选解,并更新所述2类候选解;
步骤6:将成本值最好的N/3个候选解设置为3类候选解,并更新所述3类候选解;
步骤7:判断迭代次数是否达到1000,若达到最大迭代次数则进行步骤8,否则返回步骤3。
步骤8:对结果进行统计,输出最优解BestX和最优成本值BestF。最后得到的设计参数如表1:
表1.SWA求解减速器设计问题得到的最优解
最后得到的最优值、平均值及标准差如表2:
表2.SWA求解减速器设计问题得到的最优值、平均值及标准差
本发明在Intel(R)Core(TM)i5-105003.10GHz CPU和16.00GB内存,Windows 10运行环境下,借助MATLAB对该方法进行仿真实验,实验结果表明本发明的方法结果优于其他算法的实验结果。
方法对比:
为了比较算法的鲁棒性,每个算法独立运行30次,取最优值、平均值、标准差以及最优解作为评估指标。对比算法分别是海鸥优化算法(Seagull optimization algorithm,SOA)、乌燕鸥优化算法(Sooty Tern Optimization Algorithm,STOA)、囊状群算法(Tunicate SWArm Algorithm,TSA)、天鹰优化器(Aquila Optimizer,AO)、算术优化算法(Arithmetic Optimization Algorithm,AOA)和原子轨道搜索算法(Atomic orbitalsearch,AOS)。对比结果见表3。其中所有算法中最好的最优值和平均值将被加粗。
表3.几种算法求解减速器设计问题得到的最优解、最优值、平均值及标准差
对比分析:从表3的结果来看,基于SWA算法的减速器设计方法在所有方法中能够取得最好的最优值,这说明本发明方法在实际设计中能够在一定程度降低设计成本。而从平均值的对比可以看出,基于SWA算法的减速器设计方法具有最好的平均值,这说明了本发明具有良好的鲁棒性。
综上所述,本发明提出的一种基于SWA算法的减速器设计方法,同其他先进的方法相比,具有更好的性能和鲁棒性,能够获得优秀的设计参数并在一定程度上降低设计成本值。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (5)
1.一种基于SWA算法的减速器设计方法,其特征在于,包括:
步骤1:对减速器设计问题进行建模,确定设计变量的范围和约束条件;并且得到减速器设计问题的目标函数,即约束条件下减速器最优成本值;
步骤2:设定最大迭代次数T和种群数量N,生成初始种群X;其中每个个体Xi的位置对应着一个候选解;
步骤3:根据减速器设计问题的目标函数获取每个候选解的成本值;更新当前最优候选解BestX和最优成本值BestF;
步骤4:将成本值最差的N/3个候选解设置为1类候选解,并更新所述1类候选解;
步骤5:将成本值位于中间的N/3个候选解设置为2类候选解,并更新所述2类候选解;
步骤6:将成本值最好的N/3个候选解设置为3类候选解,并更新所述3类候选解;
步骤7:判断是否达到最大迭代次数,若达到最大迭代次数则进行步骤8,否则返回步骤3;
步骤8:输出最优候选解BestX和最优成本值BestF。
2.根据权利要求1所述一种基于SWA算法的减速器设计方法,其特征在于,所述1类候选解更新方式为:
Stepl:给定控制点个数n、映射区域上界ub_t、映射区域下界lb_t和待更新的候选解Xi;
Step2:随机产生从小到大排序的序列点r_ci(i=1,2,3,...,n-1),并利用所述序列点r_ci生成相应的序列点x_ci,所述序列点x_ci=r_ci×(ub_t-lb_t)+lb_t(i=1,2,3,...,n-1);其中i代表的是第i个序列点;
Step3:将Xi作为第一个控制点,第二个控制点是Xi经过x_c1的映射点x_t1,第三个控制点是x_t1经过x_c2的映射点x_t2,以此类推生成n个控制点,将n个控制点带入贝塞尔曲线公式中,获取初始位置SO;
Step4:将初始位置SO带入式(1)得到第一个候选解Xi的最终位置:
Xi=Xi+SO×cos(2πra) (1)
其中ra是位于[0,1]之间的随机数。
3.根据权利要求1所述一种基于SWA算法的减速器设计方法,其特征在于,所述2类候选解更新方式为:
Step1:给定控制点个数n和待更新的候选解Xi;
Step2:随机产生从大到小排序的序列点r_rai(i=1,2,3,...,n-1)和序列点r_roi(i=1,2,3,...,n-1),将Xi旋转得到一系列旋转点x_rai=Xi+Xi×cos(2π×r_rai)(i=1,2,3,...,n-1),再将旋转点乘以r_roi得到一系列点x_roi=r_rai×x_rai(i=1,2,3,...,n-1),这些点x_roi和Xi共同作为贝塞尔曲线的控制点以得到最终更新的候选解。
4.根据权利要求1所述一种基于SWA算法的减速器设计方法,其特征在于,所述3类候选解更新方式为:
Step1:给定控制点个数n、当前最优解BS;
Step2:以当前最优解BS得到若干附近点x_si(i=1,2,3,...,n),其获取公式为:
其中d是纬度总数,随机步长x_d=rand×(ub-lb)+lb,rand和r是位于[0,1]之间的随机数;c是用来控制缠绕强度的系数,随迭代次数增加缠绕系数逐渐减小,具体见式(3):
Step3:将附近点x_si(i=1,2,3,...,n)作为贝塞尔曲线的控制点得到最终的最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210628150.1A CN114818203A (zh) | 2022-06-06 | 2022-06-06 | 一种基于swa算法的减速器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210628150.1A CN114818203A (zh) | 2022-06-06 | 2022-06-06 | 一种基于swa算法的减速器设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818203A true CN114818203A (zh) | 2022-07-29 |
Family
ID=82520664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210628150.1A Pending CN114818203A (zh) | 2022-06-06 | 2022-06-06 | 一种基于swa算法的减速器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818203A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270506A (zh) * | 2022-08-16 | 2022-11-01 | 青岛理工大学 | 一种人群沿楼梯上行的通行时间预测方法及系统 |
-
2022
- 2022-06-06 CN CN202210628150.1A patent/CN114818203A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270506A (zh) * | 2022-08-16 | 2022-11-01 | 青岛理工大学 | 一种人群沿楼梯上行的通行时间预测方法及系统 |
CN115270506B (zh) * | 2022-08-16 | 2024-02-23 | 青岛理工大学 | 一种人群沿楼梯上行的通行时间预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902873A (zh) | 一种基于改进型鲸鱼算法的云制造资源配置的方法 | |
CN111523749B (zh) | 一种水电机组模型智能辨识方法 | |
CN105893694A (zh) | 一种基于重采样粒子群优化算法的复杂系统设计方法 | |
CN110110434B (zh) | 一种概率潮流深度神经网络计算的初始化方法 | |
CN109409496A (zh) | 一种基于蚁群算法改进的ldtw序列相似度量方法 | |
CN112163376A (zh) | 一种基于天牛须搜索的极端随机树炉温预测控制方法 | |
Meddage et al. | Tree-based regression models for predicting external wind pressure of a building with an unconventional configuration | |
CN115017808A (zh) | 一种基于改进蝴蝶算法优化hkelm的管道冲蚀预测方法 | |
CN111898212A (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
CN114818203A (zh) | 一种基于swa算法的减速器设计方法 | |
CN112991091A (zh) | 一种基于Stacking算法的短期电力负荷预测方法及装置 | |
CN113468792A (zh) | 电磁暂态仿真模型的参数校正方法、装置和电子设备 | |
CN106295908A (zh) | 一种svm风电功率预测方法 | |
CN110245740A (zh) | 一种基于序列近似优化的粒子群优化方法 | |
Shahri et al. | Design of fractional order PID controllers for time delay systems using differential evolution algorithm | |
Yu et al. | A robust method based on reinforcement learning and differential evolution for the optimal photovoltaic parameter extraction | |
CN109684185B (zh) | 基于启发式遍历的超级计算机大数据处理能力测试方法 | |
Yadav et al. | A combined conventional and differential evolution method for model order reduction | |
Erfort et al. | Numerical optimisation of a small-scale wind turbine through the use of surrogate modelling | |
CN110888323A (zh) | 一种用于切换系统智能优化的控制方法 | |
CN113722853B (zh) | 一种面向智能计算的群智能进化式工程设计约束优化方法 | |
Selvan | On the effect of shape parameterization on aerofoil shape optimization | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN117010260A (zh) | 一种裂缝性油藏自动历史拟合模型预测方法、系统及设备 | |
CN113036769A (zh) | 一种电力系统静态电压稳定分析方法及系统 |
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 |