提出了一種將反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)與遺傳算法(GA)相結(jié)合的迭代優(yōu)化方法。該方法首先使用較少的學(xué)習(xí)樣本開發(fā)和訓(xùn)練BPNN模型,然后利用GA在可行域內(nèi)求解訓(xùn)練好的BPNN模型以尋找模型的最優(yōu)解。將基于該最優(yōu)解進(jìn)行驗證的結(jié)果作為新樣本添加到訓(xùn)練模式集中對BPNN模型重新訓(xùn)練。針對訓(xùn)練模式較少可能導(dǎo)致預(yù)測精度不足的問題,在BPNN模型的訓(xùn)練中分別采用貝葉斯正則化算法(BRA)和改進(jìn)的Levenberg-Marquardt算法提高BPNN模型的泛化能力和收斂性,并結(jié)合精英策略將模擬退火算法(SAA)嵌入到GA中,以提高BPNN模型的局部搜索能力。將所提出的方法應(yīng)用于汽車吹塑成型的聚丙烯波紋管的厚度優(yōu)化。結(jié)果表明,在3次迭代后可以得到最優(yōu)模具間隙,采用最佳模具間隙的波紋管在9個齒峰處的厚度落入期望的范圍內(nèi)(0.7±0.05mm),并且材料的使用量減少了22%。這種最佳間隙僅通過23次實驗即可獲得,遠(yuǎn)遠(yuǎn)少于實際模塑過程所需的實驗次數(shù)。

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 并行迭代優(yōu)化策略
    1.1 使用改進(jìn)的Levenberg-Marquardt算法加速BPNN收斂
    1.2 模擬退火算法嵌入遺傳算法
2 實驗分析
    2.1 目標(biāo)函數(shù)建立
    2.2 優(yōu)化過程
3 結(jié)束語



本文編號：3941181