基于GEP的金属疲劳时间预测模型-计算数学专业论文.docxVIP

摘要金属疲劳问题，已经成为人们在现代世界中必须要面对和研究的重点问题。 摘要 金属疲劳问题，已经成为人们在现代世界中必须要面对和研究的重点问题。 其中对金属疲劳时间进行预测的课题，已经成为最流行和最受关注的课题。目前 对金属疲劳时间的预测的方法主要是依据物理方法，首先通过对金属材料的研究 和对试验环境的控制，得出需要的试验数据，最后通过一些定理和法则对数据进 行处理得出结论。在数据处理的过程中，误差是不可避免，而演化计算具有自组 织、自适应和自学习等智能特征，利用已知的数据求出未知的函数。本文首 先介绍演化计算的一种方法—基因表达式编程，然后对其算法的实现进行了具体 的研究，经过系统的研究，发现基因表达式编程中遗传算子的概率，只是依赖于 人工设定的参数，可靠性较差，影响结果的精确性。因此本文提出了一种改进的 GEP算法，并在此方法的基础上给出了相应的算法流程。最后把它运用到金属疲 劳时间预测中，比较了原来的GEP算法和改进的算法的优劣，得出了比较理想的 试验结果。本文主要研究内容如下： (1)研究了GEP算法的基本原理和过程。详细的研究了基因表达式编程的编 码方式、适应值函数、遗传因子，给出了具体的算法流程。总结了GEP的特点 并比较了其与其它遗传算法的区别。 (2)提出了一种改进的GEP算法。该方法是在原来的算法的基础上，对GEP 的遗传因子进行改变，即通过一种分层的原理，把GEP的表达式分成几部分。通 过对不同的部分采取相应的策略，使个体更好的演化，最终达到适应值函数的取 值范围。新的基因表达式编程与传统的算法比较，能够使问题的全局最优解更好 的取到，能够很好的抑制早熟发生和收敛到局部最优。新的GEP算法的整体结构 更加简洁，理解更加容易，算法更加可靠。 (3)利用改进的GEP算法对金属疲劳时间进行了预测。首先，给出了金属疲 劳预测的模型，对此模型进行了详细的介绍，研究了模型中各个参数的意义；其 次，用改进的GEP算法得出金属疲劳预测中参数K的表达式；最后，通过程序的 求解得出金属疲劳时间预测的结果。 本文的创新成果是提出一种改进的GEP算法，结合原来基因表达式编程的原 理，利用改进的GEP算法对金属疲劳时间进行预测，得出了比较好的结果。改进 的GEP算法，提高了算法的效率，使问题的最优解更容易达到，避免了局部最优。 实验的结果表明，改进的GEP算法对金属疲劳时间预测比传统的方法更准确，有 很大的实用价值。 关键词：金属疲劳，演化计算，基因表达式编程，策略，局部最优 AbstractMetal Abstract Metal fatigue has become to face the problem and focus of the study in the modern world． Predicting the time of the metal fatigue issues，which beoome the most popular and most c,onccrrl problem．At present time，metal fatigue prediction method mainly depend on physical methods， first through the metal materials and controlling the test environment，to the need for test data， finally through according to number of theorems and rules for data processing to get concludes． Ill the course of data processing,deviation is inevitable，and evolutionary computation with self-organizing,adaptive and self-learning intelligent features，the data obtained using the known function of the ullknowll．The paper introduces an evolutionary computation method-the basic structure of gene expression programming，then the algorithm realization of their specific research． By systematic study,gene expression programming in the probability of