[发明专利]基于多算法融合的多目标工艺参数智能优化方法

权利要求书

1.基于多算法融合的多目标工艺参数智能优化方法，其特征在于：包括以下步骤：

获取加工零件表面形性数据；

建立预测模型，所示预测模型采用改进的广义回归神经网络IGRNN算法，生成并输出预测结果值；

建立优化模型，所述预测结果值输入到优化模型中，利用所述优化模型计算随机产生个体的目标值；

建立工艺参数决策模型，所述工艺参数决策模型采用基于帕累托前沿的候选解集，通过主成分分析法PCA确定最终用于实际加工的工艺参数；

所述预测模型是基于改进的广义回归神经网络IGRNN算法而建立预测模型，所述改进的广义回归神经网络IGRNN包括输入层、模式层、求和层和输出层；

输入向量通过输入层处理后，然后在进入到模式层，再通过求和层处理，最后通过输出层将处理后的数据输出；所述输出的数据再通过改进的灰狼算法得到最优的平滑因子，并将最优的平滑因子输入到模式层；

所述基于改进的灰狼算法的中判断猎物与灰狼距离的准则如下：

其中，

t为当前迭代次数；

和X分别表示猎物和灰狼的位置向量；

是由随机向量r2计算的系数向量；

是猎物和灰狼之间的距离；

所述改进的灰狼算法中的搜索范围自适应调整步骤如下：

式中，表示第i只灰狼与目标猎物之间的距离；

表示第i只灰狼与目标猎物之间的系数向量；

表示目标猎物的位置向量；

表示灰狼的位置向量；

表示迭代后的灰狼位置向量；

表示距离系数向量；

表示距离向量；

表示搜索范围系数；

表示取自[0，1]之间的随机系数；

表示取自[0，1]之间的随机系数；

t_max表示最大迭代次数；

所述优化模型采用改进的非支配排序遗传算法INSGA-II进行的多目标优化，具体步骤如下：

产生种群，初始化种群gen＝0；

计算种群中个体目标值；

采用差分局部搜索改进种群分布计算非支配排序及拥挤度；

竞争选择，交叉变异；

精英策略，种群合并；

判断gen是否大于种群最大值,如果否，则返回继续计算种群中个体目标值；

如果是，则计算pareto前沿；

结束；

所述差分局部搜索具体按照以下步骤进行：

获得经过非支配排序和拥挤计算后的帕累托前沿；

按照以下公式计算空间中相邻三个个体之间的面积s_k和pareto前沿的平均面积s_v：

其中，s_k表示第k个三角形面积；s_v表示所有三角形平均面积；s_triangle表示求p_a,p_b,p_c组成的三角形面积；

p_a表示第一个个体；p_b表示第二个个体；p_c表示第三个个体；

n_j表示pareto边界上相邻三个体组成的三角形数；

判断sk＞sv是否成立，如果是，则使用局部差分搜索在两个相邻个体之间生成一个新的个体；所述局部差分搜索按以下公式计算：

其中，α、β、ω分别表示每个个体系数；

p_new表示新产生个体；

p_a表示pareto前面中随机个体1；

p_b表示pareto前面中随机个体2；

p_c表示pareto前面中随机个体3。

2.如权利要求1所述的基于多算法融合的多目标工艺参数智能优化方法，其特征在于：所述改进的广义回归神经网络IGRNN中的求和层包括算术求和单元和加权求和单元，所述算术求和单元用于所有输出神经元的算术求和；所述加权求和单元用于对模式层中所有神经元的输出进行加权求和。