开题报告桶纱配重过程的计算机软件模拟Word格式.docx
《开题报告桶纱配重过程的计算机软件模拟Word格式.docx》由会员分享，可在线阅读，更多相关《开题报告桶纱配重过程的计算机软件模拟Word格式.docx（9页珍藏版）》请在冰点文库上搜索。
5技术路线
运用软件开发工具，使用两种不同的方法（智能算法或穷举方法）实现桶纱配重的自动计算，软件可以设定配重范围和装箱的桶纱数量（10-50个），为自动配重提供支持。
最后以计算机动画的方式演示配重的计算结果。
1.收集资料。
包括：
（1）开发软件的相关资料。
了解所用软件工具的主要功能、运行环境等；
（2）收集智能算法、配种知识等信息，为软件开发提供基础。
2．采用matlab为开发平台，实现配重的自动计算软件和结果的动画显示软件的开发。
6关键技术介绍
遗传算法是基于自然界生物进化基本法则而发展起来的一类新算法。
1962年霍兰德（Holland）首次提出了GA算法的思想，它借用了仿真生物遗传学和自然选择机理，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性的提高。
1975年Holland出版专著《自然系统和人工系统的自适应》，系统论述遗传算法，有人把1975年作为遗传算法的诞生年。
6.1遗传算法的基本原理
遗传算法是一种优化种群规模，使其走向某一优势的过程。
遗传算法运用的原理跟达尔文在进化论中提到的适者生存、优胜劣汰的原理是一样的。
遗传算法就是模拟生物遗传、变异、繁衍、基因优化的过程。
通过某种需求确定所需的种群要求，然后进行遗传优化，使得遗传下来的基因中符合要求的基因越来越多，最终一步步达到所需的要求。
它比枚举法运算更快速，是一种全局优化方法。
6.2遗传算法的特点
（1）简捷、试用范围广，适应性强，应用领域广。
（2）是一种群体优化过程，可以同时处理大量数据；
（3）不是枚举法，是一种优化过程；
（4）适应度函数受到的约束条件少，因此在很多领域都可以使用。
（5）为了达到所需要某种要求，对种群不断地进行筛选、优化，在一定的迭代次数内选出最优解，运算量小。
6.3遗传算法的组成
6.3.1编码
遗传算法将所要研究的对象（桶纱）看成是生物遗传进化过程中的染色体，然后将染色体作为初始种群进行优化。
由于染色体上存在基因，因此种群优化的过程实际上就是染色体上的基因变异的过程。
遗传算法根据研究者的需要，用一定的方法将研究对象也就是染色体分成若干个部分，每个部分就叫做一个种群。
每个种群中拥有的染色体的数量称为种群规模。
6.3.2适应度函数
在遗传算法中，适应度函数值是用来评价优化结果符合要求的程度大小，适应度函数值越大说明优化效果越好，种群的质量越高。
适应度函数值越小，说明优化效果越差，种群的质量越低。
不同的研究对象所确定的适应度值也是不一样的。
不同问题不同讨论（适应度值=1/重量偏离合格区间的距离）。
6.3.3遗传算子
（1）选择算子
选择算子是选择优势个体的过程，通过对所研究的种群进行优胜劣汰的选择，使得符合要求的个体有更多的机会生存下来，并且把他们的基因遗传给下一代。
而不符合要求的个体虽然也有机会生存下来，但是经过很多次的迭代必然所占比例逐渐减少，最终慢慢会走向消亡。
（2）交叉算子
我们所说的交叉算子，实际上是根据生物遗传过程中相互配对的两个染色体可能由于某种原因交换它们的一部分基因从而产生新的个体的原理，依据一定的变异概率Pc通过改变研究对象的部分基因以便产生新的个体，正是由于交叉算子使得遗传算法同其他算法区别开来。
遗传算法产生新个体的主要方式是通过交叉算子实现的。
（3）变异算子
通常所说的变异运算是指依据生物染色体在遗传的过程中有一定的概率Pm将自身的一部分基因转换为其他的基因，进而产生新的种群。
变异算子是遗传算法产生新个体的辅助方法。
交叉算子和变异算子的互相交流与融合，共同完成了遗传算法的种群更新，使得产生符合要求的种群的数量的概率大大提升。
6.3.4运行参数
（1）M:
所研究的种群的规模
（2）T:
遗传算法终止的迭代次数
（3）Pc：
染色体交叉概率
（4）Pm：
染色体变异概率
6.4遗传算法的选择机制
遗传算法的基本原理是模仿了大自然中生物在生存繁衍过程中基因的变异现象，利用遗传算子（选择算子、交叉算子、变异算子）来改变所研究种群的基因，以便在每次的迭代过程中不断优化种群，选择更符合要求的个体生存下来并将它们的基因遗传给下一代。
直到种群满足所要达到的要求。
达到这种要求的种群往往比其他种群更具有某一方面的优势。
6.5遗传算法的流程
遗传算法基本原理框图如图2.1所示。
图2-1遗传算法基本原理框图
遗传算法的基本流程是：
（1）初始化群体；
（2）计算群体上每个个体的适应度值；
（3）按由个体适应度值所决定的某个规则选择将进入下一代的个体；
（4）按概率进行交叉操作；
（5）按概率进行突变操作；
（6）没有满足某种停止条件，则转第
（2）步，否则进入第（7）步；
（7）输出种群中适应度值最优者作为最优解。
遗传算法通过不断的遗传并且积累下来，使所得到的后代种群越来越接近所需要的最优解。
6.6遗传算法的收敛性分析
要进行遗传算法的收敛性分析，必须要保证初始的种群经过一定次数的迭代循环都能达到所需要的最优解。
并且必须要保证最优解包含的基因在遗传的过程不会丢失。
与算法收敛性有关的因素主要包括种群规模、选择操作、交叉概率和变异概率。
6.6.1种群规模对收敛性的影响
一般地，种群规模太小可能会导致遗传算法经过有限次的迭代进化不出符合要求的种群，使得算法的优势无法体现出来。
而种群的规模和数目如果太大，会使得运算量十分巨大，加重劳动量降低效率，因此在实际应用的时候要注意选择合适的种群规模。
6.6.2选择操作对收敛性的影响
选择操作通过选择能达到所需要求的个体，让他们的基因一代代地遗传下来，不进行任何的变异或者交叉。
这样就会使得每一代种群中含有该基因的个体越来越多，该基因所占的百分比也越来越大，使得遗传算法以无限接近于1的概率得到所需的最优解。
6.6.3交叉概率对收敛性的影响
交叉概率主要是通过交换相互配对的染色体之间的部分基因产生新的个体。
如果交叉的概率很大，那么产生新个体的速度就会太快，基因也更新很快，使得前代父本保留下来的优良基因被淡化、降低了他们遗传下去的概率。
而交叉概率太小，基因更新的频率就会太慢，可能父本中一直选不出好的基因来进行遗传。
因此合理的选择交叉概率是保障遗传算法正常进行、缩短迭代时间的必要条件。
6.6.4变异概率对收敛性的影响
变异操作可以丰富种群的多样性。
变异概率如果太小，则种群的多样性会一直得不到提高，而变异概率太大则会使种群的个体太多样性，使得遗传算法的迭代次数无限增大，使得遗传算法的操作显得十分的复杂。
因此要选择合适的变异频率限制新模式产生的频率，使得遗传算法能够更快的优化。
6.7遗传算法的本质
遗传算法的本质就是利用生物界染色体的基因在遗传过程中产生的交叉、变异的现象，通过改变所研究对象的基因从而产生新的个体，再从这些个体中选择符合要求的个体将他们的基因遗传下来，从而使包含这些优良基因的个体在种群中所占的比例逐渐增加，使问题逐渐地得到解决。
6.8遗传算法的发展
遗传欺骗问题：
在遗传算法进行迭代优化的过程中，有时候可能会由于某个个体的十分突出，导致了其竞争力远远的超过了包含所需求基因的个体。
从而使得遗传算法没能选择出优良基因而是选择了错误的个体的基因。
因此这时候就需要对遗传算法进行改进以弥补这个不足。
6.8.1编码方式
二进制编码的优点是只有0和1两个数字，编写起来方便。
缺点是如果种群的规模太大，则二进制编码就会太长，显得十分冗长。
也会无形中加大遗传算法的计算量。
6.8.2遗传算子
6.8.2.1排序选择
（1）按照种群的适应度函数值由高（低）到低（高）对种群里面的个体进行降（升）序排序；
（2）根据具体的实际要解决的问题，确定种群中每个个体基因遗传下来的概率。
（3）基于确定好的概率，产生新的种群。
6.8.2.2均匀交叉
（1）随机产生一个与种群个体染色体所含基因长度相同的二进制编码A=W1W2...Wn
（2）按照如下规则从父代种群中产生新的种群，如果Wi=0则将父代染色体的基因一一对应的遗传给子代；
如果Wi=1，就将父代的染色体进行交叉然后在分别传给对应的子代。
6.8.2.3逆序变异
变异前：
2|59|437|97|9
3|59|345|67|9
6.8.3控制参数
Schaffer建议的最优参数范围是：
M=20-100，
T=100-500，
Pc=0.4-0.9，
Pm=0.001-0.01。
Srinvivas和它的同事提出了一种叫做自适应的遗传算法，这种遗传算法的特点是它的交叉概率Pc和变异概率Pm会随着适应度函数值的变化而变化，这种遗传算法当种群无限趋于最优解的时候就会增大交叉概率Pc和变异概率Pm，以增大种群的丰富性以便继续优化。
当种群的优化迭代次数比较少的时候就降低交叉概率Pc和变异概率Pm，以便先使种群中原有的符合要求的个体优先遗传进而完成优化过程。
6.8.4执行策略
（1）混合遗传算法
（2）免疫遗传算法
（3）小生境遗传算法
（4）单亲遗传算法
（5）并行遗传算法
7、要解决的技术问题
7.1桶纱装箱过程相关信息的收集。
7.2遗传算法与穷举方法的对比分析。
7.3如何用Matlab制作动画。
7.4选取过程要一直持续下去直到手动停止。
8、日程安排
序号
各阶段名称
起止日期
1
调研、收集资料
2015年12月15日~2015年12月22日
2
学习资料、选择开发工具、设计软件功能
2015年12月23日~2016年1月25日
3
编制配重的计算程序
2016年2月20日~2016年3月22日
4
编制计算机的动画演示程序
2016年3月23日~2016年4月24日
5
撰写毕业论文
2016年4月25日~2016年5月1日
6
准备答辩文件
2016年5月2日~2016年5月10日
9参考文献
[1]《物流配送区域划分模型及优化计算研究》《重庆交通大学硕士论文》2009
[2]《基于库存策略的生产计划问题的研究》吉林200843-50
[3]《遗传算法和模拟退火算法求解TSP的性能分析》《计算机技术与发展》2009年11期97-100
[4]2006-5-18唐慧丰-遗传算法原理与应用-XX文库2012
[5]《基于Petri网和改进遗传算法的AS/RS调度系统的研究》河北2009301-306
[6]《MIMO检测算法研究与实现》西安2010119-123
[7]《遗传算法的改进与算法收敛性分析》《机械研究与应用》2008年4期90-92
[8]《MIMO检测算法研究与实现》西安2010156-158
[9]《基于遗传算法的船舶电力系统网络故障重构》华中科技大学2009322-323
[10]《城市交通路径诱导算法研究》长安2009492-492
[11]《基于混合遗传算法的汽车企业营销资源分配策略研究》武汉201267-68
[12]《移动计算设备电能消耗估计》合肥200732-34
[13]《基于QoS的Web服务发现与组合研究》湖南201068-70
[14]《遗传算法的收敛性统一判据》电子科技大学201019-23
[15]《冲突探测与解脱技术在未来空中交通管理中的应用》《计算机应用于软件》2004年2期69-73
[16]《三相异步电动机稳态参数优化研究》《黑龙江科技信息》2010年13期79-80
[17]《磁粉检测系统中图像恢复的方法研究》《学院》2011年11期12-15
[18]《一种基于遗传神经网络的股票决策的方法研究》陕西201034-39
[19]《基于MATLAB/Simulink/GUIDE的PID工具箱的设计》山东2008
[20]《混合式步进电动机无刷直流电机方式驱动方案及其仿真分析》长春2010100-103
[21]《基于BP神经网络的企业技术创新能力评价及应用研究》青岛201087-90
[22]《基于MATLAB的大学物理仿真实验研究》湖南2008年5期67-74
[23]《IDL与MATLAB的比较分析》广西201195-97
[24]《轿车后桥混流装配线规划设计及平衡研究》苏州200478-83
[25]胡志鹏,卢险锋.提高冲裁件断面剪切面的新方法[J].机械工人（冷加工）,2007.（4）:
33-37.
[26]秦小琼,盛尚雄.冲裁间隙对产质量及模具寿命的影响[J].金属成形工艺,2004.（3）:
67-69.
[27]肖作义,房晓东.对影响冲裁件质量的几个参数的讨论[J].锻压机械,2001.
（1）:
13-15.
[28]G.F.Pan,L.Lou.Finiteelementsimulationoftheeffectofclearanceontheformingqualityintheblankingprocess[J].JournalofMaterialProcessingTechnology.2002.（122）.
[29]E.Taupin,J.Breitling,etal.MaterialfractureandburrformationinblankingresultsofFEMsimulaitionandcomparisonandexperiments[J].MaterialsProcessingTechnology,1996.（59）:
68-78.
[30]N.Hatanaka,K.Yamaguchi,N.Takakura,etal.Simulationofshearededgeformationprocessinblankingofsheetmetals[J].JournalofMaterialsProcessingTechnology,2003.（140）:
628-634.
[31]赵振铎,邵明志,张召铎等.金属塑性成形中的摩擦与润滑[M].北京:
化学工业出版社,2004
[32]袁清珂.Logopress3冲压模设计从入门到精通[M].北京：
化学工业出版社，2009:
1-2.
[33]H.Q.Wang,G.cheng,etal.StandardofEdgeQualityofPrecisePart.ToolEngineering,2004,41:
11-14.
[34]P.F.Zheng.Finiteelementanalysisofthecombinedfine-blankingandextrusionprocess.PhD.DissertationofHongKongPolytechnicUniversity,2000.
[35]W.X.Liu.SimpleFineBlanking.ScienceandTechnologyPublishingHouse,Shanghai1990,281:
111-112.
升级会员 