人工蜂群改进算法及在电主轴热变形上的应用
发布时间：2021-03-27 05:31
随着群智能算法快速兴起,人工蜂群算法展现出强大的寻优能力。由于优化问题的复杂程度增加,人工蜂群算法在易陷入局部最优、搜索后期算法的收敛速度较慢、适应动态环境能力差等方面的缺陷也越发明显。因此,加强对人工蜂群算法的改进,对提高寻优性能及广泛应用显得尤为重要。另一方面,电主轴的热变形是机床精密加工精度的关键影响因素之一,而热膨胀系数是影响电主轴热变形的主要参数。热膨胀系数受多种参数的影响,且具有较强的非线性关系,找不到精确数学模型精确描述。目前,热膨胀系数大多使用经验值或实验确定,影响了电主轴热变形的计算精度。因此,如何正确确定热膨胀系数,精确计算电主轴的热变形,对提高机床精密加工精度起到重要作用。针对上述问题,本文进行了蜂群算法寻优性能的改进研究,并在电主轴热变形模型上进行应用,具体内容如下:1.进行了传统人工蜂群算法的改进研究。一方面提出基于反学习方法的初始种群建立机制,增加初始种群数量,避免算法陷入局部最优值。并将全局最优值引入邻域搜索公式,增强全局最优值附近的搜索能力,加快全局收敛速度。另一方面提出基于案例推理技术的动态寻优方法,通过与案例库中历史案例进行对比,实时调整搜索方向,使...
【文章来源】：沈阳建筑大学辽宁省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
图２．１蜜蜂釆蜜过程??Ｆｉｇ．?２．１?Ｔｈｅ?ｐｒｏｃｅｓｓ?ｏｆ?ｈｏｎｅｙ?ｃｏｌｌｅｃｔｉｏｎ?ｂｙ?ｂｅｅｓ??
据贪婪原则，取代原蜜源。??步骤４：观察蜂以一定的概率选择蜜源，并在该蜜源附近进行采蜜，以便寻找新的??蜜源，其蜜源的选择与步骤３—样，根据贪婪原则选择最优蜜源。??步骤５：若采蜜蜂与观察蜂在蜜源附近搜索次数达到最大限制次数时，则将该蜜源??放弃，变成侦察蜂，重新寻找花蜜量丰富的蜜源。??步骤６：记录当前过程中所有蜜蜂找到的最优蜜源，跳转至步骤２，继续重复执行??以上的搜索步骤，直到满足停止条件，即达到最大迭代次数，结束所有步骤，输出全局??最优值。??人工蜂群算法的稈序流程图如图２．２所示：??（?）???］?ｒ???初始化种群??―初始娇段所冇蜜ＩＳ构为侦??察蜂，随机产卞．Ｎ个可能解??ｒ?―一一???ＣＴ结Ｄ??计算适应度值，根据函数值大小将蜜蜂分为采蜜蜂和观察嫌？?Ａ?ｖ??汴ｈ?密源丨？．的次数??．．．．．—??，?＾代次??采密蜂进行邻域搜索找新的蜜源并ｉ丨箅其适应度函数??值，ｍ据贪婪原则选择新蜜源??????概牛，丨观祭奸．概中．ｐ．ｆ找密源．?ｎｖｉｊ所ｆｉ好的ｗ优Ｌ??并转化为采蜜蜂，进行邻域搜索，计择适应度，?逆，即为个／＂）圾％解??根据贪婪原则选择新密源?＝??—蜜＾是?采蜜蜂放弃当前蜜源变为ｋ??＾大于限制％，?察蜂，：￡新寻找新的蜜源?????图２．２标准人工蜂群算法流程??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函数?（ｅ）Ｆ５函数?（ｆ）Ｆ６函数??（ｄ）Ｆ４?Ｆｕｎｃｔｉｏｎ?（ｅ）Ｆ５?Ｆｕｎｃｔｉｏｎ?（ｆ）Ｆ６?Ｆｕｎｃｔｉｏｎ??图３．３不同交叉系数的测试函数结果对比图??Ｆｉｇ。３．３?Ｃｏｍｐａｒｉｓｏｎ?ｃｈａｒｔ?ｏｆ?ｔｅｓｔ?ｆｕｎｃｔｉｏｎ?ｒｅｓｕｌｔｓ?ｗｉｔｈ?ｄｉｆｆｅｒｅｎｔ?ｃｒｏｓｓ?ｃｏｅｆｆｉｃｉｅｎｔｓ??在上述参数配置下得到仿真结果。其中，表３．２和图３．３给出了基于交叉操作的改??进人工蜂群算法在其他初始条件不变的情况下，改变交叉系数ｃｒ的实验数据和实验测试??结果对比图。为了降低外界干扰因素对实验结果的影响，所有实验数据均为１０次平均??所得。表３．２中的加粗数据，表示在此次对比实验中获得的较优数据。可以看出，基于??交叉操作的改进人工蜂群算法的交叉系数在选择０．５时，所有测试函数的最优值、最差??值、平均值和标准差总体上优于其他交叉系数时的数值。虽然在交叉系数ｃｒ＝０．７时，最??优值上ＦＩ、Ｆ４、Ｆ５函数较其他交叉操作系数时较好，但总体上看与ｃｒ＝０．５时差距较小，??因为本次实验所有数据均采取１０次实验所得，因此不排除有偶然因素，标准差上可以??看出ｃｒ＝０．５时，标准差均优于其他交叉系数时的标准差，算法稳定性较强。从图３．３
本文编号：3102978
【文章来源】：沈阳建筑大学辽宁省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
图２．１蜜蜂釆蜜过程??Ｆｉｇ．?２．１?Ｔｈｅ?ｐｒｏｃｅｓｓ?ｏｆ?ｈｏｎｅｙ?ｃｏｌｌｅｃｔｉｏｎ?ｂｙ?ｂｅｅｓ??
据贪婪原则，取代原蜜源。??步骤４：观察蜂以一定的概率选择蜜源，并在该蜜源附近进行采蜜，以便寻找新的??蜜源，其蜜源的选择与步骤３—样，根据贪婪原则选择最优蜜源。??步骤５：若采蜜蜂与观察蜂在蜜源附近搜索次数达到最大限制次数时，则将该蜜源??放弃，变成侦察蜂，重新寻找花蜜量丰富的蜜源。??步骤６：记录当前过程中所有蜜蜂找到的最优蜜源，跳转至步骤２，继续重复执行??以上的搜索步骤，直到满足停止条件，即达到最大迭代次数，结束所有步骤，输出全局??最优值。??人工蜂群算法的稈序流程图如图２．２所示：??（?）???］?ｒ???初始化种群??―初始娇段所冇蜜ＩＳ构为侦??察蜂，随机产卞．Ｎ个可能解??ｒ?―一一???ＣＴ结Ｄ??计算适应度值，根据函数值大小将蜜蜂分为采蜜蜂和观察嫌？?Ａ?ｖ??汴ｈ?密源丨？．的次数??．．．．．—??，?＾代次??采密蜂进行邻域搜索找新的蜜源并ｉ丨箅其适应度函数??值，ｍ据贪婪原则选择新蜜源??????概牛，丨观祭奸．概中．ｐ．ｆ找密源．?ｎｖｉｊ所ｆｉ好的ｗ优Ｌ??并转化为采蜜蜂，进行邻域搜索，计择适应度，?逆，即为个／＂）圾％解??根据贪婪原则选择新密源?＝??—蜜＾是?采蜜蜂放弃当前蜜源变为ｋ??＾大于限制％，?察蜂，：￡新寻找新的蜜源?????图２．２标准人工蜂群算法流程??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函数?（ｅ）Ｆ５函数?（ｆ）Ｆ６函数??（ｄ）Ｆ４?Ｆｕｎｃｔｉｏｎ?（ｅ）Ｆ５?Ｆｕｎｃｔｉｏｎ?（ｆ）Ｆ６?Ｆｕｎｃｔｉｏｎ??图３．３不同交叉系数的测试函数结果对比图??Ｆｉｇ。３．３?Ｃｏｍｐａｒｉｓｏｎ?ｃｈａｒｔ?ｏｆ?ｔｅｓｔ?ｆｕｎｃｔｉｏｎ?ｒｅｓｕｌｔｓ?ｗｉｔｈ?ｄｉｆｆｅｒｅｎｔ?ｃｒｏｓｓ?ｃｏｅｆｆｉｃｉｅｎｔｓ??在上述参数配置下得到仿真结果。其中，表３．２和图３．３给出了基于交叉操作的改??进人工蜂群算法在其他初始条件不变的情况下，改变交叉系数ｃｒ的实验数据和实验测试??结果对比图。为了降低外界干扰因素对实验结果的影响，所有实验数据均为１０次平均??所得。表３．２中的加粗数据，表示在此次对比实验中获得的较优数据。可以看出，基于??交叉操作的改进人工蜂群算法的交叉系数在选择０．５时，所有测试函数的最优值、最差??值、平均值和标准差总体上优于其他交叉系数时的数值。虽然在交叉系数ｃｒ＝０．７时，最??优值上ＦＩ、Ｆ４、Ｆ５函数较其他交叉操作系数时较好，但总体上看与ｃｒ＝０．５时差距较小，??因为本次实验所有数据均采取１０次实验所得，因此不排除有偶然因素，标准差上可以??看出ｃｒ＝０．５时，标准差均优于其他交叉系数时的标准差，算法稳定性较强。从图３．３
本文编号：3102978
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3102978.html
