计算智能在射孔枪结构优化设计中的应用.pdfVIP

计算智能在射孔枪结构优化设计中的应用 常亚萍 长春工业大学，长春 (130012) E-mail ：chan163.com 摘 要：在对射孔枪进行结构进行有限元静、动态分析的基础上，利用神经网络对有限元得 出的本数据建立射孔枪设计参数盲孔处的最大应力（输入）与盲孔深度，深度（输出）的全 局性映射关系，获得遗传算法求解结构优化问题所需的目标函数值。最后，用遗传算法进行 了射孔枪结构的优化设计。结果表明，基于神经网络和遗传算法的优化技术应用在射孔枪的 结构优化设计中是有效、合理的。 关键词：射孔枪，结构优化，神经网络，遗传算法 1．基于有限元仿真试验和BP 神经网络的遗传算法 遗传算法在运行过程中需要根据优化设计的目标函数值对个体进行适应度评估，而大多 数工程结构优化设计问题，都与射孔枪优化问题相类似，难以建立明确的优化目标的函数表 达式，其目标函数值的获得通常是借助于有限元仿真分析，这意味着在优化过程中要反复进 行有限元仿真计算。对于以种群为基础，通过世代遗传进化来实现寻优过程的遗传算法来说， 大量的有限元分析计算(每一代进化中进行有限元分析的次数等于该代种群的规模)将大大 降低优化计算的效率，甚至会使得优化计算难以进行。而神经网络的函数逼近功能恰好可以 弥补遗传算法的这一缺陷。 图 1 射孔枪实体模型 近年来，关于神经网络函数逼近理论的研究取得了很多成果，己证明多层 BP 神经网络 能够逼近一切连续函数，而隐层神经元的传递函数是 Sigmoid 函数的网络，可以任意精度逼 近非线性连续和分段连续函数[1] 。BP 神经网络的函数逼近无需任何先验公式，也无需建立 系统的数学模型，仅仅借助数量有限的训练样本，即可对系统实现由 Rn 空间(n 为输入神经 元数目)到 Rm 空间(m 为输出神经元数目) 的高度非线性映射[2][3][4][5] 。 本文利用计算智能中的遗传算法和神经网络对射孔枪结构进行优化。将射孔枪的结构设 计变量作为 BP 神经网络的输入，将射孔枪的优化指标作为 BP 神经网络的输出，借助于 ANSYS 软件进行有限元分析获得一定数目的训练样本，利用训练样本对 BP 神经网络进行 训练，就可以建立射孔枪优化指标与结构设计变量之间的非线性映射关系。因此，可以将之 - 1 - 集成到遗传算法中，代替通常的有限元分析程序，作为个体适应度值的求解模块。在优化计 算过程中，遗传算法将个体的解码值(射孔枪结构设计变量)作为 BP 神经网络的输入，经神 经网络计算，即可近似的输出对应的优化目标函数值(盲孔深度和直径) ，遗传算法根据 BP 神经网络的输出计算个体的适应度值，进而对个体进行评估，在此基础上，执行遗传、进化 操作，实现寻优过程。与通过有限元分析来获得个体适应度相比，利用 BP 神经网络进行个 体适应度评估，大大减少了计算量，优化速度要快几个数量级。其具体实现步骤如下: (1)确定优化目标、设计变量和约束条件; (2)采用正交设计法设计有限元仿真试验方案，对若干组不同结构参数的射孔枪结构进 行有限元仿真计算，得到不同结构参数所对应的射孔枪优化指标，建立 BP 神经网络的训练 样本集与测试样本集; (3)利用训练样本集对 BP 神经网络进行训练，建立射孔枪优化指标与结构设计变量之间 的函数映射关系，利用测试样本对BP 神经网络的性能进行测试; (4)利用遗传算法的世代繁衍、优胜劣汰进行全局寻优，并将训练好的 BP 神经网络集成 到遗传算法中去，利用其所建立的射孔枪优化指标与结构设计变量之间的函数映射关系，提 供遗传算法在寻优过程中对个体进行适应度值评估时所需要的目标函数值信息。 2 ．算例分析 如上文所述，基于有限元仿真试验和 BP 神经网络的遗传算法的核心思想，就是利用 BP 神经网络建立射孔枪