m基于GA遗传算法的分件供送螺杆参数优化matlab仿真,优化参数包括螺杆总尺寸-最大圈数等1.算法描述首先介绍MA

1.算法描述

首先介绍MATLAB部分的遗传算法的优化算法介绍：

遗传算法的原理

遗传算法GA把问题的解表示成“染色体”，在算法中也即是以二进制编码的串。并且，在执行遗传算法之前，给出一群“染色体”，也即是假设解。然后，把这些假设解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉，变异过程产生更适应环境的新一代“染色体”群。这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。

一、遗传算法的目的

典型的遗传算法CGA(Canonical Genetic Algorithm)通常用于解决下面这一类的静态最优化问题：考虑对于一群长度为L的二进制编码bi，i＝1，2，…，n；有

bi{0,1}L (3-84)

给定目标函数f，有f(bi)，并且

同时f(bi)≠f(bi+1)求满足下式

max{f(bi)|bi{0,1}L}

的bi。很明显，遗传算法是一种最优化方法，它通过进化和遗传机理，从给出的原始解群中，不断进化产生新的解，最后收敛到一个特定的串bi处，即求出最优解。

二、遗传算法的基本原理

长度为L的n个二进制串bi(i＝1，2，…，n)组成了遗传算法的初解群，也称为初始群体。在每个串中，每个二进制位就是个体染色体的基因。根据进化术语，对群体执行的操作有三种：

1．选择(Selection)

这是从群体中选择出较适应环境的个体。这些选中的个体用于繁殖下一代。故有时也称这一操作为再生(Reproduction)。由于在选择用于繁殖下一代的个体时，是根据个体对环境的适应度而决定其繁殖量的，故而有时也称为非均匀再生(differential reproduction)。

2．交叉(Crossover)

这是在选中用于繁殖下一代的个体中，对两个不同的个体的相同位置的基因进行交换，从而产生新的个体。

3．变异(Mutation)

这是在选中的个体中，对个体中的某些基因执行异向转化。在串bi中，如果某位基因为1，产生变异时就是把它变成0；反亦反之。

这里所指的某种结束准则一般是指个体的适应度达到给定的阀值；或者个体的适应度的变化率为零。

目标函数：

Min(F(x))=Min{H（i）}

F(x)=H（i）=H1m +H2m +H3m +H4m

其中设计变量：i1m ,i2m ,i3m ,i4m

目标函数：

Min(F(x))=Min{H（i）}

F(x)=H（i）=H1m +H2m +H3m +H4m

其中设计变量：i1m ,i2m ,i3m ,i4m

优化结果：

螺杆总尺寸：H=

等速段最大圈数：i1m=

正弦加速度段最大圈数：i2m=

等加速度段最大圈数：i3m=

余弦加速度段最大圈数：i4m=

最大加速度：am=

螺杆对瓶子最大正压力：Pz=

2.仿真效果预览

matlab2022a仿真如下：

i1m =

1.1283

i2m =

i3m =

3.0088

i4m =

1.5044

am =

149.6256

pz =

2.2702

H =

249.4948

3.MATLAB核心程序 `p = 26;%mm

cb = 42;

n = 7;

fpd= 0.213;

fpc= 0.268;

fpb= 0.268;

g = 9.8;

m = 0.02;

G = m*g;

es = 0.75;

alpha = 24.749/180*pi;

gamma = 36.87/180*pi;

delta = 42/180*pi;

r2 = 9.2;

A = 1 + fpb*sin(alpha)*csc(gamma);

B = es - fpb*cos(alpha)*sin(delta)*csc(gamma);

C = fpbfpbcos(alpha)*sin(delta)*csc(gamma);

hz = 40;

%下面开始使用遗传优化算法

%根据遗传算法进行参数的拟合

MAXGEN = 200;

NIND = 5000;

Nums = 4;

Chrom = crtbp(NIND,Nums*10);

Areas = [[1.5,2,4,2]/4;

[1.5,2,4,2]];

FieldD = [rep([10],[1,Nums]);Areas;rep([0;0;0;0],[1,Nums])];

for a=1:1:NIND

%计算对应的目标值

%初始值

epls = func_obj(0,0,0,0);

E = epls;

Js(a,1) = E;

end

Objv = (Js+eps);

gen = 0;

while gen < MAXGEN;

gen

Pe0 = 0.9;

pe1 = 0.02;

FitnV=ranking(Objv);

Selch=select('sus',Chrom,FitnV);

Selch=recombin('xovsp', Selch,Pe0);

Selch=mut( Selch,pe1);

phen1=bs2rv(Selch,FieldD);

i1ms=[];

i2ms=[];

i3ms=[];

i4ms=[];

for a=1:1:NIND

i1m = phen1(a,1);

i2m = phen1(a,2);

i3m = phen1(a,3);

i4m = phen1(a,4);

am = pin^2(cb-p)/(2i2m+pii3m+2*i4m);

%约束设置

%约束1

SCALE = 3;

if A+Bfpc > Cfpd

if am > fpd*g

i1m = SCALE*i1m;

i2m = SCALE*i2m;

i3m = SCALE*i3m;

i4m = SCALE*i4m;

end

if A+Bfpc < Cfpd

if am < fpd*g

i1m = i1m/SCALE;

i2m = i2m/SCALE;

i3m = i3m/SCALE;

i4m = i4m/SCALE;

end

%约束2

tmps = r2/fpd;

if hz < tmps

end

%约束3

if ampin/2/i2m > 10

i2m = ampin/20;

end

%约束4

if i1m<0 ;i1m=0;end

if i1m>1.5;i1m=1.5;end

if i2m<0 ;i2m=0;end

if i2m>2 ;i2m=2;end

if i3m<0 ;i3m=0;end

if i3m>4 ;i3m=4;end

if i4m<0 ;i4m=0;end

if i4m>2 ;i4m=2;end

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%计算对应的目标值

epls = func_obj(i1m,i2m,i3m,i4m);

E = epls;

JJ(a,1) = E;

i1ms=[i1ms,i1m];

i2ms=[i2ms,i2m];

i3ms=[i3ms,i3m];

i4ms=[i4ms,i4m];

end

Objvsel=(JJ);

[Chrom,Objv]=reins(Chrom,Selch,1,1,Objv,Objvsel);

gen=gen+1;

%保存参数收敛过程和误差收敛过程以及函数值拟合结论

index1 = isnan(JJ);

index2 = find(index1 == 1);

JJ(index2) = [];

Error2(gen) = min(JJ);

end

%根据最优的参数值，计算各个指标

[V,I] = min(JJ);

i1m = i1ms(I);

i2m = i2ms(I);

i3m = i3ms(I);

i4m = i4ms(I);

am = pin^2(cb-p)/(2i2m+pii3m+2*i4m);

pz = abs(G*(fpdg-am)/(g(A+Bfpc-Cfpd)));

H = func_obj(i1m,i2m,i3m,i4m);

i1m

i2m

i3m

i4m

02_046m`