1 简介
为降低某车型前保险杠注塑成型中产生的翘曲变形,基于数值模拟结果,将神经网络-遗传算法寻优模型与蝙蝠算法结合,确定了BP神经网络的初始权值和阈值.将BA-BP模型代入遗传算法中求解最佳工艺参数.由极差分析可知,影响翘曲变形最显著的因素为保压时间和模具温度.基于极差分析设计补充实验,训练BA-BP神经网络并作为遗传算法的适应度值进行迭代寻优.结果表明:BA-BP模型的相关系数R2可达0.99以上,平均绝对误差为1.05%,能较精准地预测翘曲量.
2 部分代码
clc,clear,close all
warning off
% BA算法参数
maxiter = 200; % 迭代次数
sizepop = 10; % 种群数量
% 频率范围
popmin1 = -1; popmax1 = 1; % x1 频率
popmin2 = -1; popmax2 = 1; % x2 频率
Qmin = 0.1; % 最小频率
Qmax = 0.5; % 最大频率
impluse = 0.4; % 脉冲率
Vmin = -1; % 最小速度
Vmax = 1; % 最大速度
%% 初始化种群
for i=1:sizepop
x1 = popmin1 + (popmax1-popmin1)*rand;
x2 = popmin2 + (popmax2-popmin2)*rand;
pop(i,1) = x1;
pop(i,2) = x2;
fitness(i) = fun([x1,x2]);
V(i,1)=0;
V(i,2)=0;
end
% 记录一组最优值
[bestfitness,bestindex]=min(fitness);
zbest=pop(bestindex,:); % 全局最佳
gbest=pop; % 个体最佳
fitnessgbest=fitness; % 个体最佳适应度值
fitnesszbest=bestfitness; % 全局最佳适应度值
%% 迭代寻优
for i=1:maxiter
for j=1:sizepop
Q = Qmin + (Qmax-Qmin)*rand;
V(j,:) = V(j,:) + (pop(j,:)-zbest)*Q;
% V--x1
if V(j,1)>Vmax
V(j,1)=Vmax;
end
if V(j,1)<Vmin
V(j,1)=Vmin;
end
% V--x2
if V(j,2)>Vmax
V(j,2)=Vmax;
end
if V(j,2)<Vmin
V(j,2)=Vmin;
end
pop(j,:) = pop(j,:) + 0.5*V(j,:);
% 脉冲率
if rand>impluse
x1 = popmin1 + (popmax1-popmin1)*rand;
x2 = popmin2 + (popmax2-popmin2)*rand;
pop(j,:) = [x1,x2];
end
% x1 越界限制
if pop(j,1)>popmax1
pop(j,1)=popmax1;
end
if pop(j,1)<popmin1
pop(j,1)=popmin1;
end
% x2 越界限制
if pop(j,2)>popmax2
pop(j,2)=popmax2;
end
if pop(j,2)<popmin2
pop(j,2)=popmin2;
end
% 适应度更新
fitness(j) = fun(pop(j,:));
% 比较 个体间比较
if fitness(j)<fitnessgbest(j)
fitnessgbest(j) = fitness(j);
gbest(j,:) = pop(j,:);
end
if fitness(j)<bestfitness
bestfitness = fitness(j);
zbest = pop(j,:);
end
end
fitness_iter(i) = bestfitness;
end
disp('最优解')
disp(zbest)
fprintf('\n')
figure('color',[1,1,1])
plot(fitness_iter,'ro-','linewidth',2)
figure('color',[1,1,1])
loglog(fitness_iter,'ro-','linewidth',2)
axis tight
3 仿真结果
4 参考文献
[1]姚珊. 基于蝙蝠算法的神经网络预测模型的研究及应用. Diss. 辽宁科技大学, 2019.
5 MATLAB代码与数据下载地址
见博客主页
