神经网络在机械优化设计中的应用.doc

PAGE PAGE 3人工神经网络在机械优化设计中的应用指导老师：吴永明 作者：聂一彪1、引言机械设计的任务是在一定条件下，通过综合分析计算和评价比较，找出满足给定功能要求的机械产品设计方案，而机械优化设计的目的则是从众多的满足基本要求的设计方案中选取较好或最好的方案。国内外开展机械优化设计研究已有几十年的历史，取得了丰硕的研究成果，并已在实际工程实践中得到应用。但所用的手段多基于传统的最优化理论中优化算法：如单纯形法、复合形寻优法等，这些方法存在局部极值和对目标函数的可微性有严格要求的苛刻条件，并且优化结果与初始值有较大的相关性等难以克服的缺点，不能适应许多情况下的优化设计要求。近年来，随着智能理论、计算机科学的发展出现了许多新的智能计算方法，如模拟退火、人工神经网络，进化计算等，这些新方法的优越性能给机械优化设计的发展带来了可能。将这些新的智能计算方法合理地应用到机械优化设计领域，有可能解决传统优化设计方法进行机械优化设计存在的问题。这里将介绍几种神经网络模型及BP神经网络与梯度法相结合在机械优化设计中的应用。2 用于机械优化设计几种神经网络模型人工神经网络是模拟生物神经网络结构的一种复杂的、大规模的非线性动力学系统。早在二十世纪40、50 年代，人工神经网络已被提出，但直到80 年代后期，人工神经网络才被人们广为重视，并在许多领域得到了应用。已提出的大量神经网络模型，主要分反馈网络和前向网络两类，在这两类模型中可应用于机械优化设计的主要有：2.1 反馈神经网络Hopfield 网络是由美国科学家提出的一种典型反馈神经网络模型:，它的一般结构如图1 所示。该神经网络模型是由一些相互双向连接的神经元组成，每个联接有一个权值，网络中每个神经元的输出均反馈到同一层次其它神经元的输入上。由这种拓扑结构构成的网络在没有外部输入的情况下，网络自身状态的演化使得网络收敛到一个稳定态；在该稳定状态下，两神经元之间的联接权值相等，网络趋于平衡，Hopfield 等人将能量函数引入到该网络结构中，并以此来判定反馈动态神经网络的稳定性。将Hopfield 神经网络模型应用到机械优化设计中，其关键是在机械优化设计问题与Hopfield 神经网络模型之间建立一种对应关系，用人工神经网络合理地、有效地表示优化设计中的设计变量、约束条件和目标函数，将该种神经网络的动态演化过程与机械优化设计的在解空间寻优过程对应起来。由于Hopfield 神经网络模型本身存在的一些局限性，如容易陷入局部最小点等，影响了它的应用。boltzmann 机是针对Hopfield 网络存在的局部极小问题提出的另一种神经网络模型。但它的神经元的取值是以一定的概率取0，1 两种状态。与Hopfield 网络类似，在boltzmann机中也引入了能量函数的概念，网络的能量函数的极小值与此时刻的各神经元的取值密切相关，并与网络的稳定平衡点相对应。由于boltzmann 机采用能取得全局最优的模拟退火算法HIS进行训练，从而使网络的演化最终达到全局最小点。Gauss 机实质是Hopfield 网络的变形, 由于Hopfield 网络中各个神经元都是确定性的，所以，它往往收敛到局部最小点：而在Gauss 机中，尽管神经元的输出函数仍然是确定性的，但针对每个输入，在原有输入的基础上迭加了服从Gauss 分布的白噪声，从而使网络中的每个神经元的输出为随机值，可帮助系统脱离局部最小，达到全局最小点。boltzmann 机和Gauss 机应用于机械优化设计的方法与Hopfield网络类似，都是要将机械优化设计问题与神经网络的结构对应起来的，将网络的能量函数和机械优化设计问题的目标函数对应起来，将网络的演化过程与优化设计的寻优过程对应起来。在实际应用中，如何将机械优化问题合理地映射到神经网络模型上是解决问题的关键。2.2 多层前向神经网络(Back Propagation，即BP神经网络)多层前向神经网络是目前应用得最为广泛的一种人工神经网模型，一般由输入层、隐层和输出层组成，信息从输入层经隐层向输出层单向传播，网络的层内、层间不存在反馈连接。图2 为一个具有两个隐层的多层前向神经网络模型。多层前向神经网络具有很高的计算速度和很强的非线性映射能力。由于多层前向神经网络的训练多采用误差反向传播算法，简称BP 算法，因此在许多文献中将该种神经网络模型称为BP 神经网络模型。在机械优化设计中，可利用多层前向神经网络的非线性映射能力机械系统的结构优化设计和多目标优化设计。其用于结构优化设计的基本思想是：首先运用结构分析软件如有限元分析软件进行一定数量的结构分析，取得训练多层前向神经网络的样本，构造一个人工神经网络；并利用所获得的样本数据训练之，然后利用该网络来进行结构分析，取代需要大量计算的有限元