基于遗传算法的挤压模具多目标优化设计与研究

【摘要】：挤压模具的设计是一个复杂的、综合分析的、反复进行的过程,目前正以模型化、最优化、柔性化为特征,向集成化、智能化、自动化方向发展。挤压模具优化设计问题常常采用一些数值优化算法来求解,主要依赖目标函数的梯度来确定搜索方向,这对于求解有确定数学表达式的优化问题是很有效的。但是对于连续偏导不存在的优化问题,就会遇到灵敏度计算代价太大、存在某些累积误差、容易陷入局部最优等缺点,效果并不理想。遗传算法是一种无敏度的优化算法,进化迭代只需要目标函数值而不需要灵敏度信息,具有更好的鲁棒性和寻优能力。 针对标准的二进制遗传算法(SGA)存在的不成熟收敛、搜索效率低和参数选取困难等关键性技术难点,本文进行了深入的研究,对其存在的不足进行了较全面的改进,首次提出了一种效率更高的基于实数编码的无敏度优化算法――多种群并行遗传算法(RPGA),该算法中各子群体进化采用稳态算法,加速了各子群体的局部寻优速度;而同类群之间采用相应的移民策略,增加了个体的差异性,维持了群体的多样性。De Jong测试函数结果表明:该算法比SGA具有更好的全局搜索能力和更快的局部寻优能力,并采用齐次马尔可夫链对其全局收敛性进行了理论分析。 为了解决挤压模具优化设计中的多目标优化问题,本文在多种群并行遗传算法的基础上,将复合形法引入遗传算法来反映决策者对各目标函数的偏好信息,首次提出了一种新的结合复合形法的混和多目标遗传算法。该算法将群体划分为相等规模的子群体,每个子群体对应于相应的子目标函数,各子群体具有独自的适应度评价函数,杂交和变异跨子群体边界执行。将复合形法引入遗传算法,通过次重要目标函数对应的子群体向重要目标函数对应的子群体进行压缩和缩转操作,使得综合后的基因在杂交和变异操作中向着更利于重要目标函数的群体方向进化,从而使获得的Pareto最优解集偏好于重要目标函数。本文通过对同一问题的不同多目标遗传优化算法的深入对比研究及数值仿真计算,说明了提出的结合复合形法的混和多目标遗传算法得到了某种程度上较好的协调最优解,具有良好的性能。 基于上述理论成果和实算,本文提出了一种集数值模拟(刚-粘塑性有限元模拟)、智能技术(BP神经网络)和遗传算法(RPGA)于一体的挤压模具优化设计模型。首先根据经验选择具有代表性的参数组合,利用有限元数值计算获得的目标函数值作为学习样本来训练根据具体问题所建立的神经网络模型,在训练结束和仿真测试验证了神经网络模型反映实际问题的可靠性后用来作为优化算法的知识源,以多层BP神经 WP=4 网络的推广能力来预测优化所需的目标函数值,实现了遗传算法优化迭代过程中个体适应度值的实时求解,解决了其有限元数值模拟计算量大的缺陷,这为挤压模具的优化设计提出了一种新的方法。 本文利用面向对象编程技术C++语言,在VC++6.0程序开发器上,探索集成CAD/CAPP/CAE及优化技术,实现了结合刚-粘塑性有限元计算和神经网络,以遗传算法为优化器的挤压模具优化设计系统原型开发。利用该系统,对多种群并行遗传算法及结合复合形法的混和多目标遗传算法的有效性和正确性进行了评价和检验,并采用该系统模型完成了U形铝型材挤压模具结构工艺参数的单目标优化设计,得到了最佳的模具模孔配置;完成了杆类件热挤压模具型腔形状的多目标优化设计,得到了最优的热挤压凹模形状。优化结果经过有限元模拟以及实践生产验证,表明了优化效果十分显著,这为合理设计挤压模具提供了可靠依据。 由于数值模拟、人工神经网络和遗传算法属于非耦合算法,通用性较强,该模型适用于金属塑性成形各种领域的优化设计。