基于“教”與“學”的優(yōu)化算法研究及其應用.pdf

1、隨著對制造過程智能化和精確量化的要求，企業(yè)往往尋求在滿足各種基本制造過程約束的條件下，使得制造過程的某些指標達到最優(yōu)化。在描述這些工程問題時，有的模型為離散的變量高度耦合的多模態(tài)單目標模型；有些為非凸非凹的多目標優(yōu)化模型；另外有些不僅是多目標的，且與時間因素有關。在確定這些工藝最優(yōu)參數(shù)時，如果采用傳統(tǒng)的優(yōu)化方法，根本無法達到制造過程的精準化控制的目標要求。因此，尋找更有效的優(yōu)化方法，并應用于機械工程領域具有重要的科學意義和應用價值。隨著

2、人工智能的興起，群體智能為復雜的機械系統(tǒng)優(yōu)化問題特別是多目標問題開辟了新途徑。本文針對幾類復雜優(yōu)化問題，包括經(jīng)典的多模態(tài)耦合、復雜高維、靜態(tài)多目標以及動態(tài)多目標問題，在“教”與“學”算法（TLBO）的基礎上分別構建了基于模糊聚類分組的“教”與“學”優(yōu)化算法（FGTLBO）、基于二次插值和經(jīng)驗的“教”與“學”優(yōu)化算法（QETLBO）、基于班德文效應的多目標“教”與“學”優(yōu)化算法（KBTLBO）以及基于協(xié)同進化策略的人工雨滴-“教”與“學”

3、動態(tài)多目標優(yōu)化算法（CDTLBO-ARA）。通過標準算例驗證了算法的有效性，并在SiC單晶片切割過程表面粗糙度參數(shù)單目標優(yōu)化、Sic單晶片線鋸切割過程多目標參數(shù)優(yōu)化以及線鋸切割過程動態(tài)多目標參數(shù)問題等方面進行了應用。
　　FGTLBO算法利用模糊聚類的理論把班級學員按照興趣、能力等進行客觀的分組，以有效維持群體的多樣性，提高全局搜索能力；同時采用柯西分布的變異策略來代替均勻分布，更大概率跳出局部最優(yōu)點，提高收斂速度；然后利用數(shù)學理

4、論證明了FGTLBO算法在變量耦合的條件下的收斂性和復雜度，并討論分組組數(shù)對算法性能的影響，仿真結果驗證了該算法能更好的克服早熟收斂的問題，并通過S iC單晶片切割過程表面粗糙度參數(shù)單目標優(yōu)化問題得到驗證。
　　為了提升算法的收斂速度，克服高維致使算法搜索性能急劇下降的“維度災難”問題，QETLBO算法在進化后期每一維上引入二次插值算子局部探索機制。該算法在“學”階段引入經(jīng)驗交流機制加以平衡，然后利用數(shù)學理論分析了QETLBO算法

5、的時間復雜度，進一步討論種群規(guī)模對算法性能的影響。仿真結果驗證了QETLBO算法在復雜高維優(yōu)化問題上的精確度和收斂速度有效性。
　　KBTLBO算法采用NSGA-Ⅱ框架，同時引入“教”與“學”機制，在種群初始化時提取搜索空間的中心位置作為先驗知識，然后采用班德文效應策略，從而為進化歷史和個體迭代環(huán)境提供一個很好的引導機制或方向；然后利用K近鄰度量方式對產生的解集進行修剪，從而得到一個分布均勻的Pareto解集。對比實驗表明：提出的

6、KBTLBO算法在收斂性、解集分布以及均勻性上都優(yōu)于其他經(jīng)典的多目標優(yōu)化算法，并應用于線鋸切割SiC單晶片多目標工藝參數(shù)優(yōu)化過程中，與其他算法對比，表明該算法的有效性。
　　CDTLBO-ARA算法將動態(tài)多目標優(yōu)化問題連續(xù)變化的時間變量區(qū)間進行等間隔離散化，將其分割成若干小子區(qū)間，在得到的每個子區(qū)間上把動態(tài)多目標優(yōu)化問題近似為靜態(tài)多目標優(yōu)化問題，進而利用協(xié)同思想和正反饋機制，將局部搜索能力強的人工雨滴算法（Artificial R