[发明专利]基于改进BPNN-DE算法的硅铝合金车削工艺参数多目标优化方法

权利要求书

1.一种基于改进BPNN-DE算法的硅铝合金车削工艺参数多目标优化方法，其特征在于，包括以下步骤：

步骤S1：以车削三要素：切削速度、切削深度、进给量作为因素，对硅铝合金棒材进行车削全因子实验，测量各组实验对应的表面粗糙度、材料去除率、能源消耗，并将其作为数据集R供步骤S2建立BPNN模型使用；

步骤S2：将车削三要素作为输入特征，以车削后测量得表面粗糙度、计算得材料去除率、采集得能源消耗作为输出，搭建硅铝合金车削工艺参数多目标优化BPNN模型。

步骤S3：对表面粗糙度、材料去除率、能源消耗三个目标使用DE算法单独进行优化，找出各目标的最优值与最劣值，之后结合步骤S2所训练的BPNN模型输出值，以几何平均法综合目标来建立适应度函数，最终利用改进后的DE算法得到适应度值最优时，模型所对应的切削参数。

2.根据权利要求1所述的基于改进BPNN-DE算法的硅铝合金车削工艺参数多目标优化方法，其特征在于：步骤S1具体包括以下步骤：

步骤S11：将数据集R划分为K,K＞1份大小，最大为的互斥子集R_K，记R_K＝[R₁,R₂…R_K]，len(R)表示数据集R的数据条数，表示向上取整符号,；

步骤S12：取K-1个互斥子集R_K的并集作为训练集C_t,剩余的子集作为测试集，重复K次上述过程，得到K个训练集，记C_t＝[C_t1,C_t2…C_tK]，得到K个测试集，记C_v＝[C_v1,C_v2…C_vK]。

3.根据权利要求2所述的基于改进BPNN-DE算法的硅铝合金车削工艺参数多目标优化方法，其特征在于，步骤S2具体包括以下步骤：

步骤S21：将K个训练集C_t1,C_t2…C_tK分别训练BPNN模型，得到K个BPNN模型M₁,M₂…M_K；

步骤S22：从K个训练集C_t1,C_t2…C_tK中任意选取一个训练集，训练BPNN模型M₁；

步骤S23：设选取的训练集中数据为x＝[x₁,x₂…x_t]，y＝[y₁,y₂…y_t]，t表示训练集数据数量，y_t表示对应x_t的标签值；

步骤S24：随机初始化输入层神经元连接隐藏层神经元的初始权重矩阵w_(ih)：

其中，

n表示输入层神经元个数；

m表示隐藏层神经元个数；

表示第n个输入层神经元到第m个隐藏层神经元间的连接权重；

步骤S25：随机初始化输入层神经元连接隐藏层神经元的偏置值b_(ih)；

步骤S26：随机初始化隐藏层神经元连接输出层神经元的初始权重矩阵w_(ho)：

其中，

l表示输出层神经元个数；

表示第m个隐藏层神经元到第l个输出层神经元间的连接权重；

步骤S27：随机初始化隐藏层神经元连接输出层神经元的偏置值b_(ho)；

步骤S28：设置隐藏层激活函数为

步骤S29：计算隐藏层输出：

Out_h＝f(w_(ih)·x+b_(ih))

其中，

Out_hm表示第m个隐藏层神经元的输出值；

步骤S210：计算输出层输出：

Out_o＝f(w_(ho)·Out_h+b_(ho))

其中，

Out_ol表示第l个输出层神经元输出值；

步骤S211：计算损失函数：

其中，y_i表示第i个标签值；

步骤S212：计算输出层与隐藏层间误差因子δ₀：

步骤S213：更新隐藏层与输出层间权重w_(ho)与偏置b_(ho)：

其中，

表示更新后的隐藏层与输出层间权重；

表示更新后的隐藏层与输出层间偏置；

η表示学习率，η＞0；

步骤S214：计算输入层与隐藏层间误差因子δ_i：

步骤S215：更新输入层与隐藏层间权重w_(ih)与偏置b_(ih)：

其中，

表示更新后的输入层与隐藏层间权重；

表示更新后的输入层与隐藏层间偏置；

η表示学习率，η＞0；

步骤S216：重复n,n＞0次步骤S26到步骤S212过程直至训练误差Loss值小于指定误差阈值E，最终得到BPNN模型M₁；

步骤S217：重复K,K＞1次步骤S21至步骤S213过程，直到K个训练集都训练一轮，得到BPNN模型集合M＝[M₁,M₂…M_K]；

步骤S218：以测试集C_v＝[C_v1,C_v2…C_vK]测试BPNN模型集合M＝[M₁,M₂…M_K]的拟合准确率A_c＝[A_c1,A_c2…A_cK]

模型拟合准确率的计算公式为：

步骤S219：取模型拟合率最高的模型作为多目标优化模型M_A。

4.根据权利要求3所述的基于改进BPNN-DE算法的硅铝合金车削工艺参数多目标优化方法，其特征在于，步骤S3具体包括以下步骤：

步骤S31：初始化改进差分进化模型参数如下：

N_p＝s

Ch＝r

XOVR＝q

MAXGEN＝k

F＝t

Encoding＝RI

其中，

N_p＝s表示种群规模为s,s＞0；

Ch＝r表示种群中每个个体的基因位数为r,r＞0；

表示变异概率为

XOVR＝q表示重组概率为q,0＜q＜1；

MAXGEN＝k表示最大进化代数为k,k＞0；

F＝t表示差分缩放比例因子为t,0＜t＜1；

Encoding＝RI表示编码方式采用实整数RI；

步骤S32：定义父代种群：

z＝[z₁,z₂…z_p…z_s]

其中，

z表示父代种群；

z_p表示父代种群中第p,1≤p≤s个个体；

z_s表示父代种群中最后第s个个体；

步骤S33：引入高斯混沌映射方法实例化父代种群：

其中，

表示

表示经过高斯混沌映射后的父代种群中第p,1≤p≤s个个体；

表示经过高斯混沌映射后的父代种群中最后第s个个体；

z⁺表示经过高斯混沌映射后的父代种群；

步骤S34：根据精英复制选择策略从父代种群挑选精英个体直接传入子代种群，其余个体进行选择交叉变异操作，具体方法如下：

步骤S341：计算父代适应度值：

其中，

M表示拟合准确率最高的BPNN模型；

表示父代个体适应度值集合；

表示以最优至劣的个体适应度值降序排序，最优；

步骤S342：选取对应个体直接传入子代种群z_c；

步骤S35：引入高斯变异过程：

其中，

rand表示在(0,1)间服从均匀分布的随机数；

N(0,1)表示均值为0，方差为1的标准高斯分布；

表示经过高斯变异后的种群中第p,1≤p≤s个个体；

表示经过高斯变异后的种群；

F表示差分缩放比例因子；

表示从中随机选择的个体互不相等；

表示经过差分后的种群中第p,1≤p≤s个个体；

表示经过差分后的种群；

步骤S36：结合高斯变异种群与父代种群进行二项式分布交叉：

其中，

表示经过交叉后的种群中第p(1≤p≤s)个个体；

表示经过交叉后的种群；

步骤S37：实行一对一生存选择策略，得到新一代子种群z_c

z_c＝[z_c1,z_c2…z_cp…z_cs]

其中，

表示经过交叉后种群第p(1≤p≤s)个个体的适应度值；

表示经过高斯混沌后父代种群第p(1≤p≤s)个个体的适应度值；

z_c表示子代种群；

z_cp表示子代种群中第p(1≤p≤s)个个体；

z_cs表示子代种群中最后第s个个体；

步骤S38：以子代种群z_c作为父代种群重复步骤S34至步骤S37直到设定的代数n次，将n代所有个体中适应度值最优的个体作为最优工艺参数个体；

步骤S39：假设共有K(K＝b+v)个目标，最小化目标为b个，最大化目标为v个，对K个目标分别以步骤S31至步骤S38进行单独优化，得到各目标的最小值β以及最大值γ，供以下步骤中多目标优化模型计算适应度函数使用；

步骤S310：对多目标优化模型M_A输出的值，分别计算其性能指标η_h，η_j；

对于最小化目标，性能指标表示为:

其中，

β_h为第h个最小化目标的最小值；

γ_h为第h个最小化目标的最大值；

M_Ah(X)表示模型M_A输出值中第h个最小化目标的值；

η_h＝[η₁,η₂,…,η_b]表示b个最小化问题的指标集合；

对于最大化问题，性能指标表示为:

其中，

β_j为第j个最大化目标的最小值；

γ_j为第j个最大化目标的最大值；

M_Aj(X)表示模型M_A输出值中第j个最大化目标的值；

η_j＝[η₁,η₂,…,η_v]表示v个最大化问题的指标集合；

步骤S311：以所有目标性能指标的几何平均值作为总指标η

当η越大并趋于1时，说明输入模型M_A的种群个体越好，当η越小并趋于0时，该个体越差；

步骤S312：重复步骤S31至步骤S38，将步骤S341中计算父代适应度值公式替换为步骤S311中的并取n代中η值最接近1的个体作为最优工艺参数个体。