機(jī)械制造自動(dòng)化技術(shù)及工程應(yīng)用講稿6-資料下載頁(yè)
2025-03-03 13:06本頁(yè)面
【正文】 給定的邊界約束條件，然后再計(jì)算相應(yīng)的目標(biāo)函數(shù)值。 過(guò)程優(yōu)化模型的求解 ? （ 3）改進(jìn)的模擬退火算法 ? 選取決策變量由隨機(jī)向量產(chǎn)生新的試探點(diǎn)X2參數(shù)初始化并給定初始點(diǎn)X1計(jì)算函數(shù)值f2檢驗(yàn)不等式約束滿足否以概率計(jì)算是否接受X2罰函數(shù)法區(qū)間求余法否是計(jì)算函數(shù)值f1,置fmin=f1X1=X2，F(xiàn)1=F2是f1fmin fmin=f1終止條件是否滿足是是否退出產(chǎn)生新的溫度否 過(guò)程優(yōu)化模型的求解 ?（ 4） 聚合反應(yīng)過(guò)程優(yōu)化模型的求解 – 主要參數(shù)設(shè)定如下：初始溫度 T0=10 ，常數(shù) m= 4 ，懲罰因子 P= 100 ，循環(huán)次數(shù)分別取為 5000 ， 10000 ，運(yùn)行結(jié)束后得各變量值如表 6. 4 .5. 1 和表 6. 4 .5. 2 ：表 . 1變量 結(jié)果 變量 結(jié)果2x 7x 2483x8x 4x 9x 2285x 表 6. 4 .變量 結(jié)果 變量 結(jié)果2x 7x 3x8x 4x 9x 5x 當(dāng)運(yùn)行次數(shù)為 5000 次時(shí)，目標(biāo)函數(shù)值為 ，對(duì)應(yīng)的切片單體含量為 ，當(dāng)運(yùn)行次數(shù)為 10000 次時(shí)，目標(biāo)函數(shù)值為 ，對(duì)應(yīng)的切片單體含量為 。結(jié)果表明，循環(huán)次數(shù)再增加，目標(biāo)函數(shù)值的改變非常小，目標(biāo)函數(shù)已收斂于極小點(diǎn)，所求參數(shù)值已即為最優(yōu)解。 基于神經(jīng)網(wǎng)絡(luò)的生產(chǎn)目標(biāo)在線預(yù)測(cè)模型 ? 我們 研究并采用的混合算法將 GA算法的全局性和 BP算法的收斂性相結(jié)合，即用 GA算法進(jìn)行粗略學(xué)習(xí)，確定網(wǎng)絡(luò)參數(shù)的全局最優(yōu)解空間，再由 BP算法進(jìn)行細(xì)調(diào)節(jié)，求出最優(yōu)解。經(jīng)過(guò)改進(jìn)的 GA算法和 BP算法顯著提高了搜索的全局性和收斂性。 切片平均分子量 在線預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型建立 ? （ 1） 網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化 ? 采用多元逐步回歸法對(duì)所有輸入變量進(jìn)行相關(guān)分析 ， 在一定的顯著性水平下做檢驗(yàn)假設(shè) ， 剔除對(duì)輸出變量影響很小的不顯著變量 ， 剩下由顯著變量所組成的 “ 最優(yōu)子集 ” ， 作為網(wǎng)絡(luò)的輸入變量 。 切片平均分子量 在線預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型建立 ? （ 2）應(yīng)用運(yùn)行 ? 以統(tǒng)計(jì)建模時(shí)采集的 120組數(shù)據(jù)為樣本對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和驗(yàn)證，將數(shù)據(jù)平均分為兩批，一批作為訓(xùn)練用樣本，一批作為外推數(shù)據(jù)以檢驗(yàn)網(wǎng)絡(luò)的預(yù)測(cè)能力。 表 6. .1 網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化前后的性能比較 輸入層節(jié)點(diǎn)數(shù)樣本集空間的平均相對(duì)誤差 （ % ）外推數(shù)據(jù)的平均 相 對(duì) 誤 差（ % ） 6 9 本方法與采用多元逐步回歸分析法建立的切片平均分子量的最小二乘預(yù)測(cè)模型[20]相比也有了明顯地改進(jìn)，對(duì)同樣的樣本數(shù)據(jù)和外推數(shù)據(jù)進(jìn)行預(yù)測(cè)計(jì)算，其誤差與神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)誤差的比較如表 。表 6. .2 神經(jīng)網(wǎng)絡(luò)模型與最小二乘模型的性能比較 模型類別樣本集空間的平均相對(duì)誤差 （ % ）外推數(shù)據(jù)的平均 相 對(duì) 誤 差（ % ） 神經(jīng)網(wǎng)絡(luò)模型 最小二乘模型 由表 6. .2 可以看出，最小二乘模型的預(yù)測(cè)誤差比神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差大得多，基于神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果有更高的可信性和實(shí)用性。 謝 謝 大 家 ！ 演講完畢，謝謝觀看！
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1