基于试验设计和nn-ga的多目标直接优化方法-研究

《基于试验设计和nn-ga的多目标直接优化方法-研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、．，lfj：t冀警≤。毒j；j蓄节、一◆h：。，．、毫5酊X东北大学硕士学位论文摘要、基于试验设计和NN—GA的多目标直接优化方法研究n摘要b“秒’’优化技术是由最优化理论和计算机技术与工程技术相结合的一种现代设计方法。在解决复杂的工程设计问题时，优化技术的应用可以较快的实现设计方案的最佳化，提高设计效率质量。随着计算机技术的发展，计算机运行速度的加快，追求得到全局最优解已经成为优化设计追求的目标。传统的优化方法已经不能满足要求，新的优化算法已经成为研究的热点之一。近年来，遗传算法、模拟退火算法，人工神经网络等一些现代广义优化方法在机器学习、过程控制、工程优化等领域

2、取得的成功，已经引起许多领域科学家的极大兴趣。本文将试验设计、人工神经网络、Pareto遗传算法和模拟退火算法几种技术整合在一起，提出了一种基于试验数据的多目标直接优化方法，该方法采用均匀设计原理安排“试验”方案，完成虚拟试验过程和数据获取。在此基础上，以这些数据为训练样本，建立具有非线性映射关系的神经网络模型，运用Pareto遗传进化算法和模拟退火算法对多目标进行参数优化，可在指定区域内找出最优解集。论文重点对人工神经网络和遗传算法进行了改进，对网络模型结构的隐层节点数进行分析和探讨；对BP算法中的学习速率和激活函数的选取进行了新的补充。同时对选择算子和交叉算子的

3、选取进行了改进。通过研究和实例表明：本文提出的多目标直接优化方法能够获得很好的参数优化结果，可解决基于“黑箱”系统的多目标优化设计问题，在短时间内能够得到较满意的优化设计方案，使用方便，通用性好，对于推动多目标优化的应用有积极意义。关键词：多目标优化；试验设计；人工神经网络；遗传进化算法；模拟退火算法f-’◆e’《，鸣Multi--OptimizationStudyBasedonExperimentalDesignandtheNN--GAAbstractThe0ptimizationtechnologyisamoderndesignmethodwhichiscomb

4、inedwiththeoptimizationtheoryandthecomputertechnologyandprojecttechnology．Whensolvingcomplexengineeringproblem，theapplicationofoptimizationtechnologyrealizesthedesignschemeoptimizationquickly,improvestheefficiencyandquality．Alongwiththecomputertechn0109Ydevelopment，computerrunningrates

5、peedup，solutionabilitystrengthen，theveTsatilitVisgood，obtainstheoveralloptimalsolutionbecomesthegoaloftheoptimization．Traditionaloptimummethodhasnotsatisfiedrequimennts，researchofnewoptim啪aloorithmbecomesoneofhotpot．Intherecentyears，GA(GeneticAlgorithm)，SAA(SimulatedAnneflingAlgorithm)

6、andANN(ArtificialNeuralNetwork)，thesemordenoomprehensireoptimizationmethodgaingreatsuccessinmachinestudy,whichinterestscientistinmuchfield．Thisanicleconformityuniformdesign，ANN(ArtificialNeuralNetwork)，GA(GeneticevolutionAlgorithm)，sAA(SimulatedAnnealingAlgorithm)intotogether,amulti。ob

7、jectlVedirectoptimizationmethodbasedonUniformDesignandNN-GAisproposed·ThismethoddealwithtestprojectusingUniformDesignprinciple，utilizingdrivecharacteristicaccomplishvirtualtestingcourseanddatacollecting．Onthebasisofthis，takingthesedataastrainingsample，aneuralnetworkmodelofnonlinearma