遗传算法多目标函数优化.doc

多目标遗传算法优化 铣削正交试验结果 序 号 vc (m/min) fz (mm/z) ae (mm) ap (mm) F (N) Ra (μm) 1 40 0.02 0.25 4 46.3 0.174 2 40 0.04 0.5 6 59.7 0.211 3 40 0.06 0.75 8 106.5 0.288 4 40 0.08 1.0 10 123.0 0.348 5 60 0.02 0.25 8 99.3 0.252 6 60 0.04 0.5 10 134.0 0.302 7 60 0.06 1.0 4 139.7 0.238 8 60 0.08 0.75 6 130.4 0.276 9 80 0.02 0.75 10 255.8 0.298 10 80 0.04 1.0 8 255.8 0.288 11 80 0.06 0.25 6 110.4 0.259 12 80 0.08 0.5 4 140.8 0.258 13 100 0.02 1.0 6 314.2 0.240 14 100 0.04 0.75 4 233.4 0.239 15 100 0.06 0.5 10 278.6 0.330 16 100 0.08 0.25 8 144.7 0.328 说明： 1.建立切削力和表面粗糙度模型 如： （1） 此模型你们来拟合（上面有实验数据，剩下的两个方程已经是我帮你们拟合好的了） （2） R （3） 变量约束范围： 公式（1）和（2）值越小越好，公式（3）值越大越好。π=3.14 D=8 2.请将多目标优化操作过程录像（同时考虑三个方程，优化出最优的自变量数值），方便我后续进行修改；将能保存的所有图片及源文件发给我；将最优解多组发给我，类似于下图（黄色部分为达到的要求） 遗传算法的结果: vc fz ae ap F Ra Q 69.4951 0.0201 0.5936 2.0301 44.4569 0.1507 -133.923 77.7604 0.08 0.8004 7.7189 298.8056 0.3241 -3058.34 69.8432 0.0429 0.7923 7.316 175.0653 0.2827 -1383.01 70.213 0.0282 0.6945 7.6443 117.28 0.2673 -837.413 69.4951 0.0201 0.5936 2.0301 44.4569 0.1507 -133.923 程序如下: clear; clc; % 遗传算法直接求解多目标优化 D=8; % Function handle to the fitness function F=@(X)[10^(3.19)*(X(1).^(-0.0836)).*(X(2).^0.825).*(X(3).^0.564).*(X(4).^0.454)]; Ra=@(X)[10^(-0.92146)*(X(1).^0.14365).*(X(2).^0.16065).*(X(3).^0.047691).*(X(4).^0.38457)]; Q=@(X)[-1000*2*X(1).*X(2).*X(3).*X(4)/(pi*D)]; nvars = 4; % Number of decision variables lb = [40, 0.02,0.25, 2]; % Lower bound ub = [100,0.08, 1.0,10]; % Upper bound A = []; b = []; % No linear inequality constraints Aeq = []; beq = []; % No linear equality constraints % 遗传算法设定约束 options = gaoptimset(ParetoFraction,0.3,PopulationSize,200,Generations,300,StallGenLimit,200,TolFun,1e-100,PlotFcns,@gaplotpareto); % the data of Pareto1 FUN=@(X)[F(X);Ra(X)]; [x,fval] = gamultiobj(FUN,nvars,A,b,Aeq,beq,lb,ub,options); % 开启一个新的图形 figure; % 画出Pareto1 plo