基于Ga-BP混合算法的激光工藝參數(shù)優(yōu)化及軟件開發(fā).pdf

1、隨著激光加工技術在實體制造業(yè)中的深入發(fā)展，激光加工方法和工藝參數(shù)的組合模式越來越復雜，最優(yōu)工藝參數(shù)的探索難度也越來越大。本文以如何能快速、準確、經(jīng)濟地尋找最優(yōu)的激光工藝參數(shù)為目的，在研究反饋型神經(jīng)網(wǎng)絡(BackProragation，BP)和遺傳算法(Gentic Algorithm，GA)理論的基礎上，將二者改進、結合，應用于激光加工工藝參數(shù)的優(yōu)化中，并實現(xiàn)了改進后形成的GA-BP混合算法計算機編程以及激光工藝參數(shù)優(yōu)化軟件開發(fā)。本課題

2、中，主要的研究工作有以下幾個方面:
　　第一，介紹了BP神經(jīng)網(wǎng)絡算法和傳統(tǒng)GA-BP算法的基本理論，并深入分析了它們在計算尋優(yōu)過程中存在的缺陷問題。然后，本文在傳統(tǒng)GA-BP算法的基礎上，分別對其BP神經(jīng)網(wǎng)絡算法模塊和遺傳算法模塊進行了改進，具體改進為:
　　1) BP神經(jīng)網(wǎng)絡算法模塊
　　為了克服隱含層神經(jīng)元在訓練過程中因過早飽和輸出而使整個訓練過程失效，本文采用了一種新型的誤差函數(shù);本文還在輸出層神經(jīng)元的權值、閾值

3、調整公式的基礎上，添加了一個放大因子，目的是為了避免神經(jīng)網(wǎng)絡因訓練停滯而導致權值、閾值不再調整;此外，相對與傳統(tǒng)的“單樣本訓練”策略，本文采用的是“批量訓練”的方法，因為這種方法更能客觀地反映出樣本數(shù)據(jù)間存在的關系。
　　2)遺傳算法模塊
　　傳統(tǒng)的輪盤賭選擇策略是基于染色體串適應度比來進行的，并不能體現(xiàn)被選中的染色體串機會均等的原則，因此本文采用了改進后的基于非線性排序的輪盤賭選擇策略;為避免染色體串在交叉、變異操作過程中

4、因遺傳操作算過大或過小，而破壞原本良好的尋優(yōu)收斂趨勢，本文采用了自適應交叉率和自適應變異率;此外，為了進一步提高遺傳算法的收斂速度，還在遺傳算法中添加了“最優(yōu)保存策略”和“爬山算法”。
　　第二，采用C語言編程實現(xiàn)了神經(jīng)網(wǎng)絡模型結構可以動態(tài)調整的GA-BP算法和GA-BP混合算法，并通過溫度控制下的激光淬火實驗數(shù)據(jù)對神經(jīng)網(wǎng)絡模型進行訓練來比較GA-BP算法和GA-BP混合算法的訓練性能。經(jīng)對比得出:改進的GA-BP混合算法的訓練速

5、度要明顯優(yōu)于傳統(tǒng)的GA-BP算法，提高了約80％左右;并且，預測的激光工藝數(shù)據(jù)也較為精確，平均相對誤差為2.035％，滿足實際要求。這些，充分證明了改進的GA-BP混合算法的合理性和有效性。
　　第三，為提高本課題研究成果的工程應用價值，本文根據(jù)人工神經(jīng)網(wǎng)絡處理數(shù)據(jù)的兩個步驟——訓練和預測，利用Labwindows/Cvi軟件開發(fā)平臺分別開發(fā)了兩款配合使用的激光工藝神經(jīng)訓練系統(tǒng)和激光工藝預測客戶端系統(tǒng)。并通過對兩款軟件的性能測試，