隨著群智能算法快速興起,人工蜂群算法展現(xiàn)出強(qiáng)大的尋優(yōu)能力。由于優(yōu)化問題的復(fù)雜程度增加,人工蜂群算法在易陷入局部最優(yōu)、搜索后期算法的收斂速度較慢、適應(yīng)動態(tài)環(huán)境能力差等方面的缺陷也越發(fā)明顯。因此,加強(qiáng)對人工蜂群算法的改進(jìn),對提高尋優(yōu)性能及廣泛應(yīng)用顯得尤為重要。另一方面,電主軸的熱變形是機(jī)床精密加工精度的關(guān)鍵影響因素之一,而熱膨脹系數(shù)是影響電主軸熱變形的主要參數(shù)。熱膨脹系數(shù)受多種參數(shù)的影響,且具有較強(qiáng)的非線性關(guān)系,找不到精確數(shù)學(xué)模型精確描述。目前,熱膨脹系數(shù)大多使用經(jīng)驗值或?qū)嶒灤_定,影響了電主軸熱變形的計算精度。因此,如何正確確定熱膨脹系數(shù),精確計算電主軸的熱變形,對提高機(jī)床精密加工精度起到重要作用。針對上述問題,本文進(jìn)行了蜂群算法尋優(yōu)性能的改進(jìn)研究,并在電主軸熱變形模型上進(jìn)行應(yīng)用,具體內(nèi)容如下:1.進(jìn)行了傳統(tǒng)人工蜂群算法的改進(jìn)研究。一方面提出基于反學(xué)習(xí)方法的初始種群建立機(jī)制,增加初始種群數(shù)量,避免算法陷入局部最優(yōu)值。并將全局最優(yōu)值引入鄰域搜索公式,增強(qiáng)全局最優(yōu)值附近的搜索能力,加快全局收斂速度。另一方面提出基于案例推理技術(shù)的動態(tài)尋優(yōu)方法,通過與案例庫中歷史案例進(jìn)行對比,實時調(diào)整搜索方向,使... 

【文章來源】：沈陽建筑大學(xué)遼寧省

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１蜜蜂釆蜜過程??Ｆｉｇ．?２．１?Ｔｈｅ?ｐｒｏｃｅｓｓ?ｏｆ?ｈｏｎｅｙ?ｃｏｌｌｅｃｔｉｏｎ?ｂｙ?ｂｅｅｓ??

據(jù)貪婪原則，取代原蜜源。??步驟４：觀察蜂以一定的概率選擇蜜源，并在該蜜源附近進(jìn)行采蜜，以便尋找新的??蜜源，其蜜源的選擇與步驟３—樣，根據(jù)貪婪原則選擇最優(yōu)蜜源。??步驟５：若采蜜蜂與觀察蜂在蜜源附近搜索次數(shù)達(dá)到最大限制次數(shù)時，則將該蜜源??放棄，變成偵察蜂，重新尋找花蜜量豐富的蜜源。??步驟６：記錄當(dāng)前過程中所有蜜蜂找到的最優(yōu)蜜源，跳轉(zhuǎn)至步驟２，繼續(xù)重復(fù)執(zhí)行??以上的搜索步驟，直到滿足停止條件，即達(dá)到最大迭代次數(shù)，結(jié)束所有步驟，輸出全局??最優(yōu)值。??人工蜂群算法的稈序流程圖如圖２．２所示：??（?）???］?ｒ???初始化種群??―初始嬌段所冇蜜ＩＳ構(gòu)為偵??察蜂，隨機(jī)產(chǎn)卞．Ｎ個可能解??ｒ?―一一???ＣＴ結(jié)Ｄ??計算適應(yīng)度值，根據(jù)函數(shù)值大小將蜜蜂分為采蜜蜂和觀察嫌？?Ａ?ｖ??汴ｈ?密源丨？．的次數(shù)??．．．．．—??，?＾代次??采密蜂進(jìn)行鄰域搜索找新的蜜源并ｉ丨箅其適應(yīng)度函數(shù)??值，ｍ據(jù)貪婪原則選擇新蜜源??????概牛，丨觀祭奸．概中．ｐ．ｆ找密源．?ｎｖｉｊ所ｆｉ好的ｗ優(yōu)Ｌ??并轉(zhuǎn)化為采蜜蜂，進(jìn)行鄰域搜索，計擇適應(yīng)度，?逆，即為個／＂）圾％解??根據(jù)貪婪原則選擇新密源?＝??—蜜＾是?采蜜蜂放棄當(dāng)前蜜源變?yōu)椋??＾大于限制％，?察蜂，：￡新尋找新的蜜源?????圖２．２標(biāo)準(zhǔn)人工蜂群算法流程??Ｆｉｇ．２．２?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｓｔａｎｄａｒｄ?ａｒｔｉｆｉｃｉａｌ?ｂｅｅ?ｃｏｌｏｎｙ?ａｌｇｏｒｉｔｈｍ??１１??

ｌ－Ｌ????ｌ??１０?ｊ：—￣ｔｒ￣￣？?ＪＷ．－?—１??ｉ〇１?１０＾１—?■?■?????１??０?１００?２００?３００?４００?５００?〇?１〇〇?２００?３００?４００?５００?０?１００?２００?３００?４００?５００??ｇｅｎｅｒａｔｉｏｎ?ｇｅｎｅｒａｔｉｏｎ?ｇｅｎｅｒａｔｉｏｎ??（ｄ）Ｆ４函數(shù)?（ｅ）Ｆ５函數(shù)?（ｆ）Ｆ６函數(shù)??（ｄ）Ｆ４?Ｆｕｎｃｔｉｏｎ?（ｅ）Ｆ５?Ｆｕｎｃｔｉｏｎ?（ｆ）Ｆ６?Ｆｕｎｃｔｉｏｎ??圖３．３不同交叉系數(shù)的測試函數(shù)結(jié)果對比圖??Ｆｉｇ。３．３?Ｃｏｍｐａｒｉｓｏｎ?ｃｈａｒｔ?ｏｆ?ｔｅｓｔ?ｆｕｎｃｔｉｏｎ?ｒｅｓｕｌｔｓ?ｗｉｔｈ?ｄｉｆｆｅｒｅｎｔ?ｃｒｏｓｓ?ｃｏｅｆｆｉｃｉｅｎｔｓ??在上述參數(shù)配置下得到仿真結(jié)果。其中，表３．２和圖３．３給出了基于交叉操作的改??進(jìn)人工蜂群算法在其他初始條件不變的情況下，改變交叉系數(shù)ｃｒ的實驗數(shù)據(jù)和實驗測試??結(jié)果對比圖。為了降低外界干擾因素對實驗結(jié)果的影響，所有實驗數(shù)據(jù)均為１０次平均??所得。表３．２中的加粗?jǐn)?shù)據(jù)，表示在此次對比實驗中獲得的較優(yōu)數(shù)據(jù)�？梢钥闯�，基于??交叉操作的改進(jìn)人工蜂群算法的交叉系數(shù)在選擇０．５時，所有測試函數(shù)的最優(yōu)值、最差??值、平均值和標(biāo)準(zhǔn)差總體上優(yōu)于其他交叉系數(shù)時的數(shù)值。雖然在交叉系數(shù)ｃｒ＝０．７時，最??優(yōu)值上ＦＩ、Ｆ４、Ｆ５函數(shù)較其他交叉操作系數(shù)時較好，但總體上看與ｃｒ＝０．５時差距較小，??因為本次實驗所有數(shù)據(jù)均采�。保按螌嶒炈�，因此不排除有偶然因素，標(biāo)準(zhǔn)差上可以??看出ｃｒ＝０．５時，標(biāo)準(zhǔn)差均優(yōu)于其他交叉系數(shù)時的標(biāo)準(zhǔn)差，算法穩(wěn)定性較強(qiáng)。從圖３．３


本文編號：3102978