CN116522747A - 一种两阶段优化的挤压铸造工艺参数优化设计方法 - Google Patents

Abstract

本发明提供一种两阶段优化的挤压铸造工艺参数优化设计方法，属于挤压铸造工艺参数优化设计领域，以BP神经网络建立挤压铸造工艺参数与性能(质量)指标的关系模型，引入信息熵权法，确定各性能指标对挤压铸造综合质量的影响权重。考虑到传统BP神经网络的低收敛速度、局部最小化以及现有的智能优化算法的局限性，首先使用改进的麻雀算法(LCSSA)优化BP神经网络的初始权重和阈值，以建立挤压铸造工艺参数的设计模型。然后，以挤压铸造的性能(质量)指标参数为优化目标，利用LCSSA进一步优化了设计模型来获得最优工艺参数。该方法无需过多操作，只需要提供实验数据就可得到对应挤压铸件的最优工艺参数，且可以进行多参数的并行设计，适应不同需求。

Description

一种两阶段优化的挤压铸造工艺参数优化设计方法

技术领域

本发明涉及挤压铸造工艺参数优化设计领域，尤其涉及一种两阶段优化的挤压铸造工艺参数优化设计方法。

背景技术

当前，获取挤压铸造工艺参数主要通过物理实验“试错”方法，大量研究围绕特定材料或特定形状的挤压铸件，选择一定范围或者特定工艺参数进行实验，通过分析实验结果从测试的参数水平中选取最优的工艺参数。这种方式其工艺参数受测试水平或者范围限制，并不一定能得到全局最优解；其次，挤压铸造工艺参数较多，受实验成本限制，常常需要固定一定的实验参数，无法实现所有工艺参数的并行设计。而现有挤压铸造研究只涉及利用优化算法优化神经网络模型预测质量和性能数据，或利用未经优化的网络模型寻找工艺参数组合，预测质量、性能数据和寻找工艺参数组合的效果都不好的问题。因此，如何提高传统神经网络模型的预测能力，利用智能优化算法的两个环节来寻找工艺参数，是实现挤压铸造工艺参数智能优化设计的关键。

发明内容

本发明的目的在于提供一种两阶段优化的挤压铸造工艺参数优化设计方法，解决现有挤压铸造研究只涉及利用优化算法优化神经网络模型预测质量和性能数据，或利用未经优化的网络模型寻找工艺参数组合，预测质量、性能数据和寻找工艺参数组合的效果都不好的技术问题。用于挤压铸造工艺参数智能优化设计的现有优化算法具有收敛速度低、优化时间长以及预测不稳定性的优化神经网络模型等局限性。

为了实现上述目的，本发明采用的技术方案如下：

一种两阶段优化的挤压铸造工艺参数优化设计方法，所述方法包括如下步骤：

步骤1：由于挤压铸造需要铸件在特定温度范围内才能成形，因此相关工艺参数并非在全局范围内搜索，而是有一个初始范围。构建挤压铸造工艺参数优化模型；

步骤2：对于第一阶段，结合改进麻雀算法LCSSA与BP神经网络构建的优化神经网络模型，提高挤压铸造工艺参数神经网络模型的预测性能及鲁棒性；

步骤3：对于第二阶段，在步骤2基础上再次应用改进麻雀算法与信息熵权值法来求解最优挤压铸造工艺参数组合。

进一步地，步骤1中，挤压铸造工艺参数优化模型为：

式中n和σ分别代表挤压铸造工艺参数个数和目标参数个数；Y_i代表第i个目标参数，1≤i≤σ；X_j表示第j个挤压铸造工艺参数，1≤j≤t。

进一步地，步骤2中，将神经网络设为输入变量，以铸件性能(或质量)目标参数作为输出变量，以实验数据作为学习样本，通过BP神经网络学习构建工艺参数与目标函数的智能预测模型，隐藏层神经元节点数确定的具体算式为：：其中，b₁为输入层节点数，b₂为输出层节点数，d为隐藏层个数，e为[1，10]之间的常数。

进一步地，步骤2中利用改进麻雀算法对神经网络模型的具体优化过程为：

步骤2.1：为避免改进麻雀算法在后期迭代周期内降低种群多样性，提高初始解的质量，增加种群多样式，结合挤压铸造工艺参数优化模型设置算法初始种群的上下限和优化维度，如下式：

L＝{[lb₁，ub₁]，…，[lb_j′，ub_j′]…，[lb_|OV|，ub_|OV|]}， (3)

式中lb_j′和ub_j′分别是变量的下限和上限。

而为使算法的震荡性降低，引入Logistic混沌映射增加种群的多样性，其表达式为：

μ＝aμ₀(1-μ₀)， (4)

式中μ₀∈[0，1]，a∈[0，4]，当a的值越接近4时，μ的取值范围越能平均分布到[0，1]区域；

将式(3)和式(4)结合起来得到初始种群中个体的数值p_*，j′为：

p_*，j′＝μ(ub_j′-lb_j′)+lb_j′， (5)

步骤2.2：LCSSA优化的主要规则如下：

根据式(5)得到的个体位置生成l个初始麻雀，即t＝0。每只麻雀代表一个解决方案。

式中0≤i′≤l；spa_i′代表群体中的第i只麻雀。

所有麻雀在优化模型中的适应度函数矩阵表示为：

式中每一行的值代表个体的适应度值；

因此，为了对适应度值进行排序，我们有当前最优(f_max(t))和最差(f_min(t))适应度值(或个体)。

式中f(i′,t)表示第i只麻雀在第t次迭代时的当前适应度值。

模拟麻雀算法中发现者、加入者、警戒者的觅食状态，得到最优解。发现者根据式(4-5)的初始种群生成新种群。其位置在每次迭代中按如下方式更新。

式中α∈(0,1]是均匀随机数；R∈[0,1]是预警值；ST∈[0.5,1]是安全阈值；Q是服从正态分布的随机变量。当R<ST时，觅食环境是安全的，发现者进入广域搜索模式以实现更大的适应性，而当R>ST时，觅食环境是危险的，所有麻雀都需要迅速飞到其他安全区域。

麻雀的位置更新可以表示为：

式中是迭代t次维度j′中当前最差的全局位置；/>是第(t+1)次迭代时在维度j′中的全局位置；L是维度为1×l的矩阵，其中所有元素均为1；A是维度为1×l的矩阵，其中每个元素随机为1或-1，并且A⁺＝A^T(AA^T)。当i′>0.5l时，第i个适应度值较低(即饥饿)的麻雀飞到其他地方以获得足够的能量。

警戒者约占执行预警功能的麻雀的10％-20％。它们的位置更新公式如下：

式中β是方差为1，均值为0正态分布随机数；K∈[-1,1]为随机数；ε是无穷小常数。当f(i′,t)>f_max(t)时，麻雀处于种群边缘，容易受到捕食者的攻击；当f(i′,t)≤f_max(t)发生时，处于种群中间的麻雀意识到危险，需要靠近种群中的其他麻雀，以降低被捕食的概率。

步骤2.3：运用改进麻雀算法LCSSA优化BP神经网络过程如下：

在训练过程中使用LCSSA优化BP神经网络，将BP模型的结构参数(即权重和阈值)设置为LCSSA优化的变量。因此，一组BP模型的这些结构参数对应一只麻雀；一组结构参数的每个值对应麻雀的每个位置。根据式(2)我们有：

|OV|＝b₁·d+d·b₂+d+b₂， (12)

由于BP神经网络的权值和阈值都分布在[-1,1]，因此|OV|权值阈值的上下限设置为[-1,1]。

同时，设BP神经网络的训练集和测试集的预测值与真实值之差的均方差之和为LCSSA的适应度函数。差值的均方误差和越小，误差越小。

g(k，i′，t)＝mse₁(k，i′，t)+mse₂(k，i′，t)

f(i′，t)＝g(1，i′，t)+g(2，i′，t)+…+g(σ，i′，t)， (14)

式中r表示有r个训练集，其余为测试集，mse₁(k，i′，t)和mse₂(k，i′，t)分别为第k个目标参数的第net_i′个神经网络在第t次迭代时的均方误差，表示第net_i′个神经网络在迭代第t次输出的第k个目标参数。

根据上述设置，通过迭代得到具有最佳适应度值的BP网络模型的最佳权值和阈值，即构建最优神经网络模型。

进一步地，步骤3中挤压铸造工艺参数智能优化具体过程为：

步骤3.1：使用加权集成方式将多个神经网络模型的输出目标整合为单个目标：

f＝w₁*Y₁+…+w_σ*Y_σ， (15)

式中Y_σ代表第σ个目标参数值，w_σ代表第σ个权重值。

步骤3.2：利用信息熵权值法来确定挤压铸造工艺参数各目标参数的权值系数。

进一步地，步骤3.2的具体过程为：

设有铸件质量和性能的σ项铸件参数指标，每个铸件目标参数有m个样本，初始铸件目标参数矩阵为：

式中y_m，σ代表第m行第σ列目标参数数据；

为消除因各质量指标量纲、数据级不同对结果的影响，对各铸件目标参数进行标准化处理：

式中y′_i,k为标准化值，为第k个目标参数的平均值，R_k为第k个目标参数的标准差。

计算第k个目标参数下第i个值的比重z_i,k如下：

式中0≤z_i,k≤1；使用式(18)建立数据的标准化比重矩阵Z＝{z_i,k}_mσ。

第k个目标参数的信息熵权重计算如下：

其中K是一个常数，K＝1/lnσ；e为信息熵权值。然后我们有：

d_k＝l-e_k， (20)

第k个目标参数的权重可由下式得到：

通过计算铸件质量和性能指标的权重值(w)，可以有效减少因指标重要性的大小对挤压铸造工艺参数智能优化模型构建的影响。

为了使用LCSSA实现最佳工艺参数组合，将每个工艺参数设置为LCSSA的每个变量，并且工艺参数的任意组合在LCSSA中成为麻雀。因此，根据式(3)设置每个挤压铸造工艺参数组合的上限和下限。

然后，式(16)基于要求1中优化的神经网络，用作LCSSA的适应度函数。

基于反向传播(BP)神经网络模型的挤压铸造工艺参数智能优化设计方法与基于混沌映射的改进麻雀搜索算法(LCSSA)相结合的新方法。引入信息熵权法，确定各质量指标对挤压铸造综合质量的影响权重。其次，考虑到传统BP神经网络的低收敛速度、局部最小化以及现有的智能优化算法的局限性，例如优化时间长和容易陷入局部最优，改进麻雀搜索算法用于优化BP神经网络的初始权重和阈值，并建立挤压铸造工艺参数的设计模型。最后，以挤压铸造的性能参数为优化目标，利用改进麻雀搜索算法进一步优化了设计模型。与其他智能优化算法结合BP神经网络建立的优化设计模型相比，通过两阶段优化证明了该方法的有效性。此外，对工艺参数的单目标和多目标优化进行了相关性分析，从而为挤压铸造工艺参数的智能优化设计提供了一种实用的方法。

本发明由于采用了上述技术方案，具有以下有益效果：

(1)本发明基于BP神经网络模型，采用改进的麻雀搜索算法(LCSSA)结合信息熵权法进行两阶段优化过程。在第一阶段，LCSSA算法和BP神经网络结合建立一个优化神经网络模型，预测挤压铸件质量及性能参数指标。在第二阶段，将建立的网络模型与信息熵权法和LCSSA算法相结合，获取了挤压铸造最优工艺参数组合；

(2)设计了两阶段的优化模型，实现对挤压铸造工艺参数的智能优化设计，通过两阶段的优化证明所提方法的有效性，为挤压铸造工艺参数的智能优化设计提供一种切实可行的途径。

附图说明

图1是本发明的LCSSA-BP神经网络流程图。

图2是本发明的挤压铸造工艺参数智能优化设计流程图。

图3是本发明优化算法重复6次完成时间对比。

图4是本发明的不同算法优化的工艺参数组合。

图5是本发明的单目标和多目标优化模型的工艺参数差异。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。

如图1-2所示，一种两阶段优化的挤压铸造工艺参数优化设计方法，所述方法包括如下步骤：

步骤1：为了提高挤压铸件的性能，减少铸件缺陷和保证生产率，选择铸件质量及性能参数为优化目标，通过构建模型寻找铸件优化目标最小的情况下的工艺参数组合，以此来获得最佳的铸件质量及力学性能。由于挤压铸造需要铸件在特定温度等范围内才能成形，如浇注温度必须在材料的固液相温度以上，因此相关工艺参数并非在全局范围内搜索，而是有一个初始范围。

这样可建立如式(1)中的挤压铸造工艺参数优化模型。

式中n和σ分别代表挤压铸造工艺参数个数和目标参数个数；Y_i代表第i个目标参数，1≤i≤σ；X_j表示第j个挤压铸造工艺参数，1≤j≤t。

步骤2：对于第一阶段，结合改进麻雀算法与BP神经网络构建的优化设计的神经网络模型，提高挤压铸造工艺参数神经网络模型的预测性能及鲁棒性；

神经元连接权重、阈值及隐藏层神经元节点的确定是BP神经网络构建的关键问题。隐藏层神经元节点太少难以建立复杂的映射关系、造成误差过大，节点太多，容易造成过拟合。设定隐藏层神经元节点数可由式(2)来决定。

其中，b₁为输入层节点数，b₂为输出层节点数，d为隐藏层个数，e为[1，10]之间的常数。

传统的麻雀算法采用简单的随机生成方法初始化种群，容易导致最优解周围的个体较少，容易落入局部最优。为避免算法在后续迭代周期内种群多样性减少，提高初始解的质量和增加种群多样性，结合式(1)设置算法初始种群的上下限和优化维度，如式(3)所示。

L＝{[lb₁，ub₁]，…，[lb_j′，ub_j′]，…，[lb_|OV|，ub_|OV|]}， (3)

式中lb_j′和ub_j′分别是变量的下限和上限。

然后，引入Logistic混沌映射增加种群的多样性，以此来使算法的求解趋于稳定。其Logistic混沌映射的数学表达式为：

μ＝aμ₀(1-μ₀)， (4)

式中μ₀∈[0，1]，a∈[0，4]，当a的值越接近4时，μ的取值范围越能平均分布到[0，1]区域，当a取为4时，系统处于完全混沌状态，映射分布均匀性达到极值。

将式(3)和式(4)结合起来得到初始种群中个体的数值p_*，j′为：

p_*，j′＝μ(ub_j′-lb_j′)+lb_j′， (5)

步骤2.2：在觅食过程中，通过不断更新三者位置，完成资源的获取和躲避捕食者的攻击。LCSSA优化的主要规则如下：

根据式(5)得到的个体位置生成l个初始麻雀，即t＝0。每只麻雀代表一个解决方案。

式中0≤i′≤l；spa_i′代表群体中的第i只麻雀。

所有麻雀在优化模型中的适应度函数矩阵表示为：

式中每一行的值代表个体的适应度值；

因此，为了对适应度值进行排序，我们有当前最优(f_max(t))和最差(f_min(t))适应度值(或个体)。

式中f(i′,t)表示第i只麻雀在第t次迭代时的当前适应度值。

模拟麻雀算法中发现者、加入者、警戒者的觅食状态，得到最优解。发现者根据式(4-5)的初始种群生成新种群。其位置在每次迭代中按如下方式更新。

式中α∈(0,1]是均匀随机数；R∈[0,1]是预警值；ST∈[0.5,1]是安全阈值；Q是服从正态分布的随机变量。当R<ST时，觅食环境是安全的，发现者进入广域搜索模式以实现更大的适应性，而当R>ST时，觅食环境是危险的，所有麻雀都需要迅速飞到其他安全区域。

麻雀的位置更新可以表示为：

式中是迭代t次维度j′中当前最差的全局位置；/>是第(t+1)次迭代时在维度j′中的全局位置；L是维度为1×l的矩阵，其中所有元素均为1；A是维度为1×l的矩阵，其中每个元素随机为1或-1，并且A⁺＝A^T(AA^T)。当i′>0.5l时，第i个适应度值较低(即饥饿)的麻雀飞到其他地方以获得足够的能量。

警戒者约占执行预警功能的麻雀的10％-20％。它们的位置更新公式如下：

式中β是方差为1，均值为0正态分布随机数；K∈[-1,1]为随机数；ε是无穷小常数。当f(i′,t)>f_max(t)时，麻雀处于种群边缘，容易受到捕食者的攻击；当f(i′,t)≤f_max(t)发生时，处于种群中间的麻雀意识到危险，需要靠近种群中的其他麻雀，以降低被捕食的概率。

步骤2.3：根据上述规则重复更新群体和适应度值，直到找到最优适应度值。

运用改进麻雀算法优化BP神经网络过程如下：

步骤2.3：运用改进麻雀算法LCSSA优化BP神经网络过程如下：

在训练过程中使用LCSSA优化BP神经网络，将BP模型的结构参数(即权重和阈值)设置为LCSSA优化的变量。因此，一组BP模型的这些结构参数对应一只麻雀；一组结构参数的每个值对应麻雀的每个位置。根据式(2)我们有：

|OV|＝b₁·d+d·b₂+d+b₂， (12)

由于BP神经网络的权值和阈值都分布在[-1,1]，因此|OV|权值阈值的上下限设置为[-1,1]。

同时，设BP神经网络的训练集和测试集的预测值与真实值之差的均方差之和为LCSSA的适应度函数。差值的均方误差和越小，误差越小。

g(k，i′，t)＝mae₁(k，i′，t)+mse₂(k，i′，t)

f(i′，t)＝g(1，i′，t)+g(2，i′，t)+·…g(σ，i′，t)， (14)

式中r表示有r个基于DB的训练集，其余为测试集，mse₁(k，i′，t)和mse₂(k，i′，t)分别为第k个目标参数的第net_i′个神经网络在第t次迭代时的均方误差，表示第net_i′个神经网络在迭代第t次输出的第k个目标参数。

根据上述设置，通过迭代得到具有最佳适应度值的BP网络模型的最佳权值和阈值，即构建最优神经网络模型。

通过上述步骤完成基于改进麻雀算法优化的BP神经网络模型，以此来预测挤压铸造质量及性能参数目标。

步骤3：对于第二阶段，在步骤2基础上以挤压铸件性能参数为优化目标，结合信息熵权值法与改进麻雀算法对一阶段构建的设计模型进行求解，以此来获得最优挤压铸造工艺参数组合。

步骤3.1：基于第一阶段中的神经网络模型已具备设计特定材料铸件工艺参数的能力和预测特定工艺参数下性能，但确定最优工艺参数的效率较低。将神经网络模型的输出作为适应度值，继续使用改进的麻雀算法对其工艺参数进行智能优化。当神经网络模型的输出(铸件质量和性能目标)超过一个时，需要将多个目标整合为单个目标以适应改进麻雀算法求解。利用信息熵权值法来确定挤压铸造工艺参数各参数指标的权值系数

f＝w₁*Y₁+…+w_σ*Y_σ， (15)

式中Y_σ代表第σ个目标参数值，w_σ代表第σ个权重值

步骤3.2：铸件质量及性能参数系数的确定直接影响挤压铸造工艺参数智能优化模型的可靠性和有效性。由于已有工艺参数-铸件质量、性能数据，此处利用信息熵权值法来确定挤压铸造工艺参数各性能(或质量)目标参数的权值系数，步骤如下：

设有铸件质量和性能等σ项铸件目标参数指标，每个铸件目标参数有m个样本，初始铸件目标参数矩阵为：

式中y_m,σ代表第m行第σ列目标参数数据；

为消除因各质量指标量纲、数据级不同对结果的影响，对各铸件参数指标进行标准化处理：

式中y′_i,k为标准化值，为第k个目标参数的平均值，R_k为第k个目标参数的标准差。

计算第k个目标参数下第i个值的比重z_i,k如下：

式中0≤z_i,k≤1；使用式(17)建立数据的标准化比重矩阵Z＝{z_i,k}_mσ。

第k个目标参数的信息熵权重计算如下：

其中K是一个常数，K＝1/lnσ；e为信息熵权值。然后我们有：

d_k＝1-e_k， (19)

第k个目标参数的权重可由下式得到：

通过计算铸件质量和性能指标的权重值(w)，可以有效减少因指标重要性的大小对挤压铸造工艺参数智能优化模型构建的影响。

为了使用LCSSA实现最佳工艺参数组合，将每个工艺参数设置为LCSSA的每个变量，并且工艺参数的任意组合在LCSSA中成为麻雀。因此，根据式(3)设置每个挤压铸造工艺参数组合的上限和下限。

然后，式(15)基于要求1中优化的神经网络，用作LCSSA的适应度函数。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种两阶段优化的挤压铸造工艺参数优化设计方法，其特征在于，所述方法包括如下步骤：

步骤1：构建挤压铸造工艺参数优化模型；

步骤2：使用改进麻雀算法与BP神经网络进行构建的优化神经网络模型，提高挤压铸造工艺参数神经网络模型的预测性能及鲁棒性；

步骤3：再次应用改进麻雀算法与信息熵权值法来求解最优挤压铸造工艺参数组合。

2.根据权利要求1所述的一种两阶段优化的挤压铸造工艺参数优化设计方法，其特征在于：步骤1中，挤压铸造工艺参数优化模型为：

式中n和σ分别代表挤压铸造工艺参数个数和目标参数个数；Y_i代表第i个铸件性能(或质量)目标参数，1≤i≤σ；X_j表示第j个挤压铸造工艺参数，1≤j≤t。

3.根据权利要求1所述的一种两阶段优化的挤压铸造工艺参数优化设计方法，其特征在于：步骤2中，将神经网络设为输入变量，以铸件性能或者质量目标参数作为输出变量，以实验数据作为学习样本，通过BP神经网络学习构建工艺参数与目标函数的智能预测模型，隐藏层神经元节点数确定的具体算式为：

其中，b₁为输入层节点数，b₂为输出层节点数，d为隐藏层个数，e为[1，10]之间的常数。

4.根据权利要求1所述的一种两阶段优化的挤压铸造工艺参数优化设计方法，其特征在于：步骤2中利用改进麻雀算法LCSSA对神经网络模型的具体优化过程为：

步骤2.1：为避免改进麻雀算法在后期迭代周期内降低种群多样性，提高初始解的质量，增加种群多样式，结合挤压铸造工艺参数优化模型设置算法初始种群的上下限和优化维度，如下式：

L＝{[lb₁，ub₁]，…，[lb_j′，ub_j′]，…，[lb_|OV|，ub_|OV|]}，(3)式中lb_j′和ub_j′分别是变量的下限和上限；

而为使算法的震荡性降低，引入Logistic混沌映射增加种群的多样性，其表达式为：

μ＝aμ₀(1-μ₀)，(4)

式中μ₀∈[0，1]，a∈[0，4]，当a的值越接近4时，μ的取值范围越能平均分布到[0，1]区域；

将式(3)和式(4)结合起来得到初始种群中个体的数值p_*,j′为：

p_*，j′＝μ(ub_j′-lb_j′)+lb_j′，(5)

步骤2.2：LCSSA优化的主要规则如下：

根据式(5)得到的个体位置生成l个初始麻雀，即t＝0，每只麻雀代表一个解决方案：

式中0≤i′≤l；spa_i′代表群体中的第i只麻雀；

所有麻雀在优化模型中的适应度函数矩阵表示为：

式中每一行的值代表个体的适应度值；

因此，为了对适应度值进行排序，我们有当前最优适应度值f_max(t)和最差适应度值f_min(t)；

式中f(i′,t)表示第i只麻雀在第t次迭代时的当前适应度值；

模拟麻雀算法中发现者、加入者、警戒者的觅食状态，得到最优解，发现者根据式(6)的初始种群生成新种群。其位置在每次迭代中按如下方式更新；

式中α∈(0,1]是均匀随机数；R∈[0,1]是预警值；ST∈[0.5,1]是安全阈值；Q是服从正态分布的随机变量，当R<ST时，觅食环境是安全的，发现者进入广域搜索模式以实现更大的适应性，而当R>ST时，觅食环境是危险的，所有麻雀都需要迅速飞到其他安全区域；

麻雀的位置更新可以表示为：

式中是迭代t次维度j′中当前最差的全局位置；/>是第(t+1)次迭代时在维度j′中的全局位置；L是维度为1×l的矩阵，其中所有元素均为1；A是维度为1×l的矩阵，其中每个元素随机为1或-1，并且A⁺＝A^T(AA^T)，当i′＞5.0l时，第i个适应度值较低(即饥饿)的麻雀飞到其他地方以获得足够的能量；

警戒者约占执行预警功能的麻雀的10％-20％。位置更新公式如下：

式中β是方差为1，均值为0正态分布随机数；K∈[-1,1]为随机数；ε是无穷小常数，当f(i′,t)＞f_max(t)时，麻雀处于种群边缘，容易受到捕食者的攻击；当f(i′,t)≤f_max(t)发生时，处于种群中间的麻雀意识到危险，需要靠近种群中的其他麻雀，以降低被捕食的概率；

重复更新群体和适应度值，直到找到最优适应度值；

步骤2.3：运用改进麻雀算法LCSSA优化BP神经网络过程如下：

在训练过程中使用LCSSA优化BP神经网络，将BP模型的结构参数设置为LCSSA优化的变量，结构参数即为权重和阈值，一组BP模型的这些结构参数对应一只麻雀，一组结构参数的每个值对应麻雀的每个位置，根据式(2)得到：

|OV|＝b₁·d+d·b₂+d+b₂， (12)

由于BP神经网络的权值和阈值都分布在[-1，1]，因此|OV|权值阈值的上下限设置为[-1，1]。

同时，设BP神经网络的训练集和测试集的预测值与真实值之差的均方差之和为LCSSA的适应度函数，差值的均方误差和越小，误差越小；

g(k，i′，t)＝mse₁(k，i′，t)+mse₂(k，i′，t)

f(i′，t)＝g(1，i′，t)+g(2，i′，t)+…+g(σ，i′，t)，(14)

式中r表示有r个基于DB的训练集，其余为测试集，mse₁(k，i′，t)和mse₂(k，i′，t)分别为第k个目标参数的第net_i′个神经网络在第t次迭代时的均方误差，表示第net_i′个神经网络在迭代第t次输出的第k个目标参数；

根据上述设置，通过迭代得到具有最佳适应度值的BP网络模型的最佳权值和阈值，即构建最优神经网络模型。

5.根据权利要求1所述的一种两阶段优化的挤压铸造工艺参数优化设计方法，其特征在于：步骤3中挤压铸造工艺参数智能优化具体过程为：

步骤3.1：使用加权集成方式将多个神经网络模型的输出目标整合为单个目标：

f＝w₁*Y₁+…+w_σ*Y_σ， (15)

式中Y_σ代表第σ个目标参数值，w_σ代表第σ个权重值

步骤3.2：利用信息熵权值法来确定挤压铸造工艺参数各目标参数的权值系数。

6.根据权利要求5所述的一种两阶段优化的挤压铸造工艺参数优化设计方法，其特征在于：步骤3.2的具体过程为：

设有铸件质量和性能的σ项铸件参数指标，每个铸件目标参数有m个样本，初始铸件目标参数矩阵为：

式中y_m,σ代表第m行第σ列目标参数数据；

为消除各质量指标不同维度和数据水平对结果的影响，应将各目标参数标准化如下：

式中y′_i,k为标准化值，为第k个目标参数的平均值，R_k为第k个目标参数的标准差；

计算第k个目标参数下第i个值的比重z_i,k如下：

式中0≤z_i,k≤1；使用式(18)建立数据的标准化比重矩阵Z＝{z_i,k}_mσ。

第k个目标参数的信息熵权重计算如下：

其中K是一个常数，K＝1/lnσ；e为信息熵权值。然后我们有：

d_k＝1-e_k，(20)

第k个目标参数的权重可由下式得到：

通过计算铸件质量和性能目标参数的权重值(w)，可以有效减少因目标参数重要性的大小对挤压铸造工艺参数智能优化模型构建的影响；

为了使用LCSSA实现最佳工艺参数组合，将每个工艺参数设置为LCSSA的每个变量，并且工艺参数的任意组合在LCSSA中成为麻雀；因此，根据式(3)设置每个挤压铸造工艺参数组合的上限和下限；

然后，式(15)基于要求1中优化的神经网络，用作LCSSA的适应度函数。