機構(gòu)運動鏈的同構(gòu)識別是運動鏈結(jié)構(gòu)綜合過程中必須解決的關(guān)鍵問題,對機構(gòu)創(chuàng)新設(shè)計具有重大意義。由于該問題一直沒有得到有效解決,所以尋找準(zhǔn)確高效的運動鏈同構(gòu)識別方法一直以來是機構(gòu)學(xué)發(fā)展中的目標(biāo)之一。本文將圖論基本理論引入機構(gòu)學(xué)的研究中,采用拓?fù)鋱D表示機構(gòu)運動鏈,拓?fù)鋱D與機構(gòu)運動鏈形成對應(yīng)關(guān)系。為了便于計算機處理,根據(jù)拓?fù)鋱D的數(shù)學(xué)描述可用鄰接矩陣表示拓?fù)鋱D的所有結(jié)構(gòu)信息�；趫D同構(gòu)概念及機構(gòu)運動鏈的數(shù)學(xué)描述,提出了機構(gòu)運動鏈同構(gòu)判定準(zhǔn)則,為使用優(yōu)化算法進(jìn)行機構(gòu)運動鏈同構(gòu)識別奠定了理論基礎(chǔ)。在此基礎(chǔ)上,將Hopfield神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到運動鏈同構(gòu)判定問題上,從而實現(xiàn)運動鏈同構(gòu)現(xiàn)象的自動識別。將運動鏈同構(gòu)判定問題映射到Hopfield神經(jīng)網(wǎng)絡(luò)上,改進(jìn)了網(wǎng)絡(luò)的能量函數(shù),從而建立了一種新的機構(gòu)運動鏈同構(gòu)識別的Hopfield神經(jīng)網(wǎng)絡(luò)模型。最后運用Hopfield神經(jīng)網(wǎng)絡(luò)算法對四種不同類型的運動鏈進(jìn)行仿真測試,測試結(jié)果表明了該方法解決運動鏈同構(gòu)判定問題具有可行性和高效性。針對Hopfield神經(jīng)網(wǎng)絡(luò)算法求解機構(gòu)運動鏈同構(gòu)識別問題存在的一些不足,引入遺傳算法,將遺傳算法和Hopfield神經(jīng)網(wǎng)絡(luò)算法有效結(jié)合起來,從而提出了基于遺傳Hopfield神經(jīng)網(wǎng)絡(luò)的機構(gòu)運動鏈同構(gòu)識別方法。Hopfield神經(jīng)網(wǎng)絡(luò)算法和遺傳算法一定程度上形成互補,從而有效改進(jìn)整個系統(tǒng)的性能。對遺傳Hopfield神經(jīng)網(wǎng)絡(luò)模型中的遺傳算法部分進(jìn)行了改進(jìn),采用確定性采樣選擇加最優(yōu)保留選擇機制的選擇算子,加強遺傳算法的搜索效率。同時增加了局部搜索算子,使遺傳算法部分本身擁有一定的微調(diào)性能。在運動鏈同構(gòu)識別的遺傳Hopfield神經(jīng)網(wǎng)絡(luò)模型中,首先運用遺傳算法優(yōu)選Hopfield神經(jīng)網(wǎng)絡(luò)的初態(tài),使得Hopfield神經(jīng)網(wǎng)絡(luò)的初態(tài)快速達(dá)到較優(yōu)狀態(tài),然后運用Hopfield神經(jīng)網(wǎng)絡(luò)算法迭代優(yōu)化后的初態(tài),直到網(wǎng)絡(luò)狀態(tài)收斂穩(wěn)定。通過仿真實驗表明了該混合算法相比Hopfield神經(jīng)網(wǎng)絡(luò)算法具有更好的求解效果。
【學(xué)位單位】：江蘇大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP183;TH112
【部分圖文】：

基于遺傳 Hopfield 神經(jīng)網(wǎng)絡(luò)的機構(gòu)運動鏈同構(gòu)識別研究在復(fù)雜的機構(gòu)創(chuàng)新設(shè)計過程中，僅僅憑借著人工專家是很難的，甚至是無法完成的，所以尋求輔助方法簡化機構(gòu)創(chuàng)新設(shè)計過程就很有必要了。近年來計算機技術(shù)發(fā)生翻天覆地的改變，應(yīng)用計算機輔助機構(gòu)創(chuàng)新設(shè)計成為有效手段。經(jīng)過多年的研究，計算機輔助機構(gòu)創(chuàng)新設(shè)計方法已取得一定進(jìn)展，其主要分為以下兩個研究方向：（1）基于智能設(shè)計模型的機構(gòu)創(chuàng)新設(shè)計方法將人工智能技術(shù)與機構(gòu)創(chuàng)新設(shè)計基本理論相結(jié)合,從而形成機構(gòu)智能設(shè)計技術(shù)，也就是說把機構(gòu)創(chuàng)新設(shè)計理論知識和目前專家的設(shè)計經(jīng)驗融合到智能專家系統(tǒng)中，運用智能專家系統(tǒng)來協(xié)助開發(fā)者或直接自動設(shè)計需要的機構(gòu)。機構(gòu)智能設(shè)計專家系統(tǒng)的主要設(shè)計流程如下[8]：

們看上去明顯不同但卻是互相同構(gòu)的。如果兩個運動鏈的桿件有一一對應(yīng)關(guān)系，且其運動鏈的對應(yīng)兩個桿件有且都由一個運動副連接，則兩個運動鏈?zhǔn)峭瑯?gòu)的，否則是不同構(gòu)的。在圖 1.2 運動鏈的例子中，桿件之間對應(yīng)關(guān)系為 1(a) 6(b),2 1(b),3(a) 5(b),4(a) 2(b),5(a) 4(b),6(a) 3(b),7(a) 7(b),8(a) 8(b)。基于觀測的機構(gòu)運動鏈同構(gòu)判定經(jīng)常會出現(xiàn)錯誤，且效率低下，研究者需要花費大量的時間來進(jìn)行判斷。鑒于傳統(tǒng)觀測法存在的問題，許多學(xué)者進(jìn)行了大量的嘗試，試圖開發(fā)出可靠且計算效率高的運動鏈同構(gòu)識別方法。在結(jié)構(gòu)綜合過程中，運動鏈的同構(gòu)判定是一個經(jīng)常出現(xiàn)的問題，因此對任何有效的自動化識別方法的研究是非常必要的。除了效率性和可靠性，可解碼性也是同構(gòu)索引的一個理想的特征。近年來，大量關(guān)于運動鏈同構(gòu)識別的研究展開，給出了各種各樣的方法和有價值的信息。大致可分為如下幾大類：

第二章 機構(gòu)運動鏈同構(gòu)判定理論研究圖論基本理論[48] 圖的基本概念圖論中，一個圖 G 可定義為一個有序二元組(V(G),E(G)),記為 G=(V(G)，V(G)是一個有限非空集合，集合元素為圖 G 的頂點，稱為頂點集。 V(G)中的頂點構(gòu)成的無序點對集合，集合元素為圖 G 的邊，稱為邊集義中，邊集中的每個無序點對可以在集合中出現(xiàn)多次，并不要求是唯：下圖 2.1 可表示如下V(G)={A, B, C, D}E(G)={a, b, c, d, e, f, g, h}
【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 于玲,賈春強;Matlab遺傳算法工具箱函數(shù)及應(yīng)用實例[J];機械工程師;2004年11期

2 何靖華;肖人彬;師漢民;;螞蟻算法在機構(gòu)同構(gòu)判定中的實現(xiàn)[J];模式識別與人工智能;2001年04期

3 馮春,陳永;基于遺傳算法的機構(gòu)運動鏈同構(gòu)識別[J];機械工程學(xué)報;2001年10期

4 羅玉峰;楊廷力;曹惟慶;;用關(guān)聯(lián)度和關(guān)聯(lián)度碼識別運動鏈同構(gòu)[J];機械工程學(xué)報;1991年02期

相關(guān)博士學(xué)位論文 前1條

1 丁華鋒;運動鏈的環(huán)路理論與同構(gòu)判別及圖譜庫的建立[D];燕山大學(xué);2007年

本文編號：2873964