遗传算法在缝纫机送料机构优化设计中的运用
遗传算法在机械设计中的优化应用
遗传算法在机械设计中的优化应用在机械设计领域，提高产品的性能和效率是一个永恒的追求。
随着计算机科学的发展，遗传算法作为一种优化算法在机械设计中得到了广泛的应用。
本文将探讨遗传算法在机械设计中的优化应用，并分析其在不同方面的具体运用。
1. 算法原理遗传算法是通过模拟生物演化过程来寻找最优解的一种启发式优化算法。
它模拟了自然界中的生物进化过程，由选择、交叉、变异等操作来优化解空间中的解。
遗传算法通过不断迭代，逐渐逼近问题的最优解。
2. 机械设计中的应用2.1. 结构优化在机械设计中，结构优化是一个重要的问题。
通过遗传算法可以对机械结构进行参数优化，从而提高结构的刚度、韧度、稳定性等性能。
遗传算法可以通过对不同参数的组合进行搜索，从而找到最优的结构设计方案。
2.2. 材料选择在机械设计中，材料的选择对产品的性能有着重要的影响。
通过遗传算法可以对不同材料的性能指标进行评估，并选取最适合的材料。
遗传算法可以在众多材料中搜索出最优解，以提高产品的性能。
2.3. 运动轨迹规划在机械设计中，运动轨迹的规划是一个关键问题。
通过遗传算法可以对机械系统的运动轨迹进行优化，从而提高机械系统的定位精度和速度。
遗传算法可以搜索出最优的运动轨迹方案，以满足设计需求。
2.4. 整体布局优化在机械设计中，整体布局的优化对最终产品的性能和效率有着重要的影响。
通过遗传算法可以对机械系统的整体布局进行优化，以提高产品的性能和可靠性。
遗传算法可以找到最优的布局方案，以满足设计要求。
3. 应用案例分析以一台机械设备的设计为例，我们将通过遗传算法进行结构优化。
首先，我们需要确定各个参数的范围和优化目标。
然后，通过遗传算法进行迭代搜索，不断优化参数的组合。
最终，我们可以得到一个最佳的结构设计方案，以满足设备的性能需求。
4. 总结遗传算法作为一种优化算法，在机械设计中具有广泛的应用前景。
通过遗传算法可以对机械结构、材料选择、运动轨迹规划和整体布局等方面进行优化，以提高产品的性能和效率。
遗传算法在工程优化设计中的应用
遗传算法在工程优化设计中的应用1.引言工程优化设计是在给定约束条件下，通过寻找最优解或次优解来提高产品性能或者降低成本的过程。
随着计算机科学与技术的不断发展，许多优化算法被应用于工程优化设计中。
其中一种被广泛研究和应用的算法是遗传算法。
2.遗传算法概述遗传算法是模拟自然的生物进化过程而发展出的一种优化算法。
它通过模拟生物的遗传、交叉和突变等过程，从一个初始种群中不断演化出新的个体，并逐代选择最优解，以达到优化目标。
3.工程优化设计中的问题在工程优化设计中，经常会遇到诸如多目标优化、参数优化、约束优化等复杂问题。
传统的优化方法可能会受限于局部最优解，而难以找到全局最优解。
遗传算法则能通过自然选择和随机性的特点，较好地解决这些问题。
4.遗传算法在参数优化中的应用参数优化是工程优化设计中常见的问题之一。
遗传算法通过优化目标函数，可以找到最优的参数组合。
例如，在机械设计中，遗传算法可以帮助确定最佳的材料参数、几何尺寸以及工艺参数，以达到性能最优化的设计。
5.遗传算法在结构优化中的应用结构优化是工程领域中的重要问题。
它需要在满足一定的约束条件下，寻找最优的结构形式和尺寸。
遗传算法可以通过遗传操作和自然选择，不断优化结构形式，并逐步收敛到最优解。
例如，在航空航天领域，遗传算法可以用于飞机机身设计的优化，以提高飞行性能和降低燃油消耗。
6.遗传算法在排程优化中的应用排程优化是工业生产中的关键问题。
它需要合理地安排资源和任务，以提高生产效率和降低成本。
遗传算法可以针对不同的生产环境和约束条件，优化生产排程，实现最优的资源利用方式。
例如，在制造业中，遗传算法可以用于工艺流程的优化，以减少生产时间和提高产量。
7.遗传算法的优势和挑战遗传算法在工程优化设计中具有以下优势：首先，它可以处理高度复杂的问题，并有很强的全局搜索能力。
其次，它可以在搜索空间中进行并行搜索，提高搜索速度。
此外，遗传算法还具有较好的鲁棒性和自适应性。
遗传算法在机械优化设计中的应用
遗传算法在机械优化设计中的应用作者：喻露来源：《科教导刊》2009年第05期摘要本文阐述了机械优化设计中的几个基本概念,分析了遗传算法的实现技术,探讨了遗传算法在机械优化设计中的应用。
关键词遗传算法机械优化设计中图分类号:TH12文献标识码:A1 机械优化设计中的几个概念1.1 设计变量设计变量是指在设计过程中进行选择并最终必须确定的各项独立参数,在优化过程中,这些参数就是自变量,一旦设计变量全部确定,设计方案也就完全确定了。
设计变量的数目确定优化设计的维数,设计变量数目越多,设计空间的维数越大,优化设计工作越复杂,同时效益也越显著,因此在选择设计变量、优化设计反映出人们对于设计规律这一客观世界认识的深化。
设计上的“优化值”是指在一定条件(各种设计因素)影响下所能得到的最佳设计值。
最优值是一个相对的概念,它不同于数学上的极值,但在很多情况下可以用最大值或最小值来表示。
设计变量、目标函数和约束条件这三者在设计空间(以设计变量为坐标轴组成的空间)中构成设计问题。
1.2 约束条件约束条件是指对设计变量取值时的限制条件。
约束条件的形式有显约束和隐约束两种,前者是对某个或某组设计变量的直接限制,后者则是对某个或某组变量的间接限制。
约束条件可以用数学等式或不等式来表示。
等式约束对设计变量的约束严格,起着降低设计变量自由度的作用。
其形式为:( v = 1,2,……,p)(1)不等式约束在机械优化设计中更为普遍,不等式约束的形式为:( u = 1,2,……,m )(2)或( u = 1,2,……,m ) (3)式中x—设计变量p—等式约束的数目m —不等式约束的数目上述方程中直接或间接地规定了设计变量的允许变化范围。
优化设计的过程就是在设计变量的允许范围内,找出一组优化的设计变量值,使得目标函数达到最优值。
1.3 目标函数目标函数是设计过程预期要达到的目标,是各个设计变量的函数表达式:(4)在优化问题中,按照目标函数的数目,可以分为单目标函数优化问题和多目标函数优化问题。
遗传算法在机械优化中的应用
遗传算法在机械优化中的应用近年来，随着计算机技术不断的发展和应用，越来越多的传统机械制造企业开始关注计算机技术与机械制造技术的融合，以促进产业升级和技术进步。
在机械制造领域，优化是常见的问题，而遗传算法作为一种基于生物进化原理的优化算法，已越来越多地被应用于机械优化领域。
遗传算法是一种基于自然进化原理和基因遗传特征的搜索算法，它通过不断的进化和交叉操作，寻找输入数据中的最优解。
其基本的优化流程包括三个过程：选择、交叉和变异。
选择过程中，进化算法通过选择适应度函数值高的个体来保护优秀基因；在交叉过程中，算法将部分优秀的基因信息通过交叉操作实现基因融合，而变异过程则通过改变部分基因信息引入新的基因来丰富种群。
在机械优化中，遗传算法通常被应用于机械结构设计、机器人路径规划、智能控制、工艺参数优化等方面。
在机械结构设计方面，遗传算法可以通过不断地进化选择优秀的设计方案来达到优化设计的目的；在机器人路径规划方面，遗传算法可以通过优化路径规划来提高路径优化的效率；在智能控制方面，遗传算法可以通过不断地优化控制参数，从而提高控制效果；在工艺参数优化方面，遗传算法可以通过不断地进化选择优秀的工艺参数组合，从而提高加工效率和产品质量。
以机械结构设计为例，当设计空间很大，优化问题很复杂时，遗传算法是一种比较有效的优化方法。
利用遗传算法，我们可以通过不断的进化选择，来创建更加优秀的设计方案。
比如，通过遗传算法进行进化设计，得到的设计方案能够满足多种不同的工作条件，同时又满足设计者的要求，从而能够在更广泛的应用中获得应用。
但是，遗传算法的应用也存在一些问题需要引起注意。
例如，优化结果可能会受到算法参数的影响，算法的收敛速度和收敛结果会受种群大小、交叉概率等参数影响；随着种群的不断增加，数据量也会随之增加，数据处理的复杂度也会增加。
总之，遗传算法已被广泛应用于机械优化领域，其在优化效果、适应性和鲁棒性等方面具有优势，同时在应用的过程中也要注意算法的参数选择和数据处理方法等问题。
利用遗传算法进行工程优化设计
利用遗传算法进行工程优化设计引言：工程设计是一个复杂且多变的过程，涉及到各种因素和限制条件。
传统的设计方法往往需要大量的试验和经验，耗费时间和资源。
而现在，借助遗传算法的优化技术，可以有效地解决这些问题，提高设计的效率和准确性。
一、遗传算法的基本原理遗传算法是模拟生物遗传和进化过程的一种优化算法。
它以基因编码方式表示问题的解空间，并通过选择、交叉和变异等操作，模拟生物进化过程中的遗传操作。
通过不断迭代优化，逐渐逼近最优解。
二、应用遗传算法进行工程优化设计的步骤1. 问题建模：将工程问题转化为适应度函数的最优化问题。
确定设计变量、目标函数和约束条件。
2. 初始种群的生成：根据设计变量的范围，生成初始的随机种群。
3. 适应度计算：根据目标函数和约束条件，计算每个个体的适应度值。
4. 选择操作：利用适应度值对种群进行选择，选择适应度较高的个体作为父代。
5. 交叉操作：对选出的父代进行交叉操作，生成子代。
6. 变异操作：对子代进行变异操作，引入新的基因组合。
7. 替换操作：用子代替换原有的个体，生成新的种群。
8. 终止条件判断：判断是否达到终止条件，若达到则停止迭代，否则返回步骤3。
9. 结果分析：对最终得到的解进行评估和分析，判断是否满足设计要求。
三、遗传算法在工程优化设计中的优势1. 全局搜索能力：遗传算法具有较强的全局搜索能力，可以搜索到较为优秀的解。
这对于一些复杂工程优化问题来说尤为重要，传统的局部搜索方法往往容易陷入局部最优解，无法充分探索整个解空间。
2. 自适应性：遗传算法具有自适应性，能够根据问题来自动调整参数和操作，提高算法的效率和鲁棒性。
3. 并行计算：遗传算法可以很方便地进行并行计算，利用多台计算机或多核处理器进行计算，加快优化的速度。
4. 可以处理多目标问题：遗传算法也可以应用于多目标工程优化问题，通过设计适应度函数来权衡多个目标，得到最优的解集。
四、工程优化设计案例以建筑结构设计为例，利用遗传算法进行工程优化设计的步骤如下：1. 问题建模：确定结构的几何形状、材料性能和荷载情况作为设计变量，约束条件为满足结构的强度和刚度要求。
遗传算法在物流优化中的应用
遗传算法在物流优化中的应用遗传算法是一种模拟自然界进化过程的优化算法，它通过模拟基因的变异和选择来搜索最优解。
在物流领域，物流优化是一个重要的问题。
如何合理分配资源、降低运输成本、提高交付速度，一直是物流企业关注的焦点。
而遗传算法正是一种有效的方法，能够帮助解决这些问题。
遗传算法的基本原理是模拟生物进化过程中的自然选择和遗传机制。
首先，将问题抽象为一个个体的基因表示形式。
在物流优化中，可以将不同的路径、送货点以及运输工具等表示为基因。
然后，通过交叉和变异操作，生成新的个体。
交叉操作模拟了生物个体的交配过程，将两个个体的基因片段进行互换，产生新的个体。
变异操作则模拟了基因的突变，随机改变个体的某些基因，引入新的变种。
最后，通过适应度函数对生成的个体进行评价，选择适应度较高的个体作为下一代的父代，进一步迭代优化。
物流优化问题可以转化为遗传算法的求解过程。
例如，假设有一个物流企业需要在不同的仓库和客户之间进行货物配送，目标是找到一种最佳的路径规划方案，以降低运输成本和节约时间。
可以将各个仓库和客户的配送路线表示为基因，然后使用遗传算法搜索最优的路线组合。
在遗传算法的迭代过程中，每一代的个体代表一个可行的配送方案。
通过不断交叉、变异和选择，算法能够不断改进个体的适应度，最终找到最佳的配送方案。
适应度函数可以根据实际情况设定，可以考虑货物的重量、距离、交通状况、送货时间等因素。
除了路径规划，遗传算法还可以用于其他物流优化问题，例如车辆调度、货物装载、仓库位置布局等。
通过将这些问题抽象为适当的基因表示形式，运用遗传算法进行求解，可以得到满足需求的优化方案。
总而言之，遗传算法在物流优化中的应用具有重要意义。
通过模拟自然界的进化过程，遗传算法能够搜索到最优的解决方案，从而降低运输成本、提高配送效率。
在实际应用中，我们可以根据具体问题进行适当的抽象和建模，然后使用遗传算法进行求解，为物流企业提供有效的决策支持。
基于遗传算法的优化设计在机械工程中的应用
基于遗传算法的优化设计在机械工程中的应用在现代机械工程领域，为了提高产品的性能和效率，优化设计已经成为一项关键的技术。
而基于遗传算法的优化设计正是其中一种重要的方法。
本文将介绍遗传算法的原理与特点，并从实际应用案例出发，探讨其在机械工程中的实际应用。
一、遗传算法原理与特点遗传算法是一种模拟自然进化过程的优化算法。
它模拟了生物进化中的遗传、变异和选择等过程，通过不断的迭代求解最佳解。
遗传算法的求解过程主要包括编码、适应度评价、选择、交叉和变异等步骤。
在遗传算法中，个体的编码通常使用二进制编码或实数编码。
通过适应度评价，我们可以将个体的优劣转化为数值，以便进行选择操作。
选择操作中，根据适应度的大小，优秀的个体被选中用于进化。
而交叉和变异操作则可以使得新一代的个体具有更好的性状和优势基因。
通过多代的迭代，遗传算法可以逐渐寻找到优化目标的最佳解。
遗传算法具有以下特点：首先，遗传算法适用于多目标优化问题，例如同时考虑产品性能和成本的设计问题。
其次，遗传算法具有全局搜索能力，不容易陷入局部最优解。
再次，遗传算法的自适应性能较好，可以根据问题的复杂度和实际需求进行调节。
最后，遗传算法的并行性较强，可以利用计算机并行计算的优势加速求解过程。
二、遗传算法在机械工程中的应用1. 产品结构优化设计在机械工程中，产品结构的优化设计是一项重要任务。
通过遗传算法，我们可以将产品结构的各个参数进行编码，并通过不断的进化，找到最优的设计方案。
例如，在飞机设计中，通过遗传算法可以优化机翼的形状和结构，提高飞行性能和燃油效率。
2. 工艺参数优化机械工程中的工艺参数优化也是一个复杂且具有挑战性的问题。
例如，在喷涂工艺设计中，优化涂层材料的组成和喷涂参数可以提高涂层的附着力和耐磨性。
通过遗传算法，可以找到最佳的工艺参数组合，从而提高工艺的效率和质量。
3. 机构设计优化机构设计是机械工程中的一个重要环节。
通过优化机构的参数和结构，可以提高机构的运动精度和效率。
遗传算法在工程优化设计中的应用
遗传算法在工程优化设计中的应用随着时代的发展，计算机科学和信息技术一直在迅速发展，为人类的各个领域带来了深刻的影响。
在工程领域中，遗传算法是一种重要的优化设计方法，它在许多实际问题中表现出色，因此备受青睐。
本文将介绍遗传算法在工程优化设计中的应用和优势。
一、遗传算法的基本原理遗传算法是一种启发式优化技术，模拟自然界中的生物进化原理，在优化问题中应用。
遗传算法的基本组成部分包括：个体（染色体）、基因、适应度函数和选择策略等。
其中，个体可看作是优化问题的解，通过基因来描述，适应度函数用于确定这个个体在当前环境中的适应程度并进行选择，选择策略用于选择适应度高的个体，使得这些个体参与到下一代的繁殖中。
在遗传算法的迭代过程中，遵循“变异、交叉、选择”三个基本步骤。
二、在工程优化设计中，遗传算法经常用于寻找最优解。
以机械结构设计为例，机械结构设计问题通常需要寻找最小化材料消耗或最大化刚度等指标。
对于这类问题，遗传算法可以很好地优化设计方案，以下是遗传算法在这类问题中的应用：2.1 建立优化模型对于机械结构设计问题，需要建立相应的优化模型。
通常，优化模型可以表示为：minimize f(x)subject to constraints其中，f(x)是指标函数，调整设计参数x可以使其最小化；constraints是约束条件，x需要满足的要求。
2.2 设计变量的编码在遗传算法中，需要对设计参数进行编码，以便于计算机的处理。
对于连续变量，可以使用实数编码或二进制编码。
实数编码直接将设计变量转化为实数，在优化过程中可以对实数进行操作。
而二进制编码是将设计变量转化为一个二进制串，方便于进行交叉和突变操作。
2.3 设计变量的初始化在遗传算法中，根据设计变量的编码方式，需要将一组初始解转化为二进制串或实数。
随机生成的初始解应该尽量满足约束条件，并且分散于搜索空间。
2.4 适应度函数的定义在遗传算法中，适应度函数用于评估个体的适应度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
运态性能好 。
3 送料机构优化的一般步骤
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
第 3 期 税清路等 : 遗传算法在缝纫机送料机构优化设计中的运用 ( 1) 从机构设计过程中 ,拟订出机构设计问题 ,明确设 计要求 ,确定原始数据 ,估计预期的设计结果 ,并按照机构的 传动原理 ,拟订机构运动简图 。
(5) 为了使最优设计方案符合实用 ,一方面要对设计结
下送料机构的设计就是要找一组设计变量 , 使它满足 : 第一 ,送料牙在机针插入缝料时 ( 取上轴正转 90 度 ) 和机针 脱离缝料时 ( 取上轴正转 270 度) 与机针在同一位置 ( x 方向 坐标) ,从而保证送料的同步性 。第二 ,为了保证送料的稳定 性 。送料牙姿态要尽量水平 ,即送料牙在 90 度时的位置与 在 270 度时的位置应在同一高度 ( y 方向坐标 ) 。因此 ,应以 送料牙与机针在 90 度时 270 度时的 x 方向位置差最小和 y 方向位置差最小为目标函数 。 设机针在 90 度在和时和在 270 度时的 x 坐标分别为 :
摘 要 : 送料机构是缝纫机四大机构中最复杂 、 最重要的机构 。送料机构设计的好坏直接影响到整机的缝纫 性能 。采用遗传算法 ( GA) 对送料机构进行参数优化设计 ,从而得到比较理想的送料机构运动尺寸 ,大大改善缝纫 机的送料性能 。 关键词 : 送料机构 ; 优化设计 ; 遗传算法 中图分类号 : TH112 TS941. 562 文献标识码 :A
chrom ,个体适应度 fitness ,个体对应的变量 varible ,交叉位置 xsite ,以及记录父个体编号 parent [ 2 ] 等 。为记录进化历代最
0 . 5 F1 ( X) + 0 . 5 F2 ( X)
5. 1 下送料机构的要求
如图 2 所示 ,有这样一种送料机构 ,上轴 A 以速度ω 旋 转时 , 在上轴的驱动下 , 经过多级机构的传动 , 送料机构的输 出由送料牙 Q 和机针 P 来实现 。送料牙和机针的输出轨迹 © 1994-2010 China Academic Journal Electronic Publishing House. All rights reseof Genetic Alogorithm in Optimal Design of the Se wing Machine Feeding Mechanism
SHU Qing2lu1 , ZOU Hui2jun2
( 1. Shanghai Huaigong No. 3 Sewing Machine Factory ,shanghai 201103 ,China ; 2. School of Mechanical Engineering ,Shanghai Jia Tong University ,shanghai 200030 ,China)
Abstract : The Feeding mechanism is t he most complicated and important among t he four main mechanism of sewing machine. The function of a sewing machine will be directly affected by t he advantages or disadvantages of its design. This paper discussed how to optimize t he feeding mechanism wit h optimize design met hods of Genetic Algorit hm. Sequentially , a more ideal program will be obtained. Key words :feeding mechanism ;optimal design ,genetic algorit hm
上的工作段以大曲率半径的凸曲线为好 ,并且在此段中水平 速度分量的变化越小越好 ,至于送料牙在针板下的轨迹不必 有什么严格的要求 ,只要低于针板 0. 2mm 下即可 。
(3) 送料牙上升轨迹和下降轨迹的速度尽量快 , 这样
影响搜索方向的目标函数的相应的适应度函数 。
(4) 遗传算法强调概率转换规则 ,而不是确定的转换
第 21 卷第 3 期 2005 年 06 月
机械设计与研究 Machine Design and Research
Vol. 21 No. 3 J un. ,2005
文章编号 :100622343 ( 2005) 032092203
遗传算法在缝纫机送料机构优化设计中的运用
税清路1 , 邹慧君2 ( 1. 上海惠工缝纫机三厂 技术中心 ,上海 201103 ;2. 上海交通大学 机械与动力工程学院 ,上海 200030)
▲ 图2
94
机械设计与研究 第 21 卷 在满足这些要求的解中再随机地选取样本 。这样选择初始
2
则 y 方向位置差的目标函数为 :
F2 ( x ) = ( Y 1 - Y 2 )
种群可使遗传算法更快地到达最优解 。
( 4) 算法设计与实现过程
由于送料牙与机针的同步性和送料牙的送料姿态同等重要 , 对于这样一个二目标函数 , 可以取相同的加权因子 0. 5 , 则 送料机构的最终目标函数为 :
F ( x) = =
本下送料机构优化的遗传算法采用 C 语言程序 ,下面算 法的主要过程进行介绍 : ① 数据结构与遗传算法参数 基本遗传算法处理的对象主要是个体 ,因此设计了结构 变量 individual 来描述个体信息 , 其中包括个体的染色体串
送料牙作向前推进的送料动作时 ,送料牙齿面应始终高出针 板平面 ( 一般需 0. 2mm) 与缝料接触 。
(5) 应能随时实现正倒双向送料 ,并保证倒顺的一致
性。
(6) 送料长度和送料牙的高度应分别单独可调 , 且在
调节送料长度时 ,对送料牙的抬牙高度影响应尽可能小 。
( 7) 送料机构结构合理 ,传动平稳 , 能适应高速运转 ,
(2) 为实现送料牙的平稳送料 ,送料牙轨迹在其针板
素 :染色体表示 ( 参数编码) ; 初始群体的生成 ; 适应度函数的 设计 ; 遗传操作设计 ; 终止准则 。
1. 2 遗传算法的优点 ( 1) 自组织 、 自适应和自学习性 ( 智能型) 。 ( 2) 遗传算法的本质并行性 。 (3) 遗传算法不需要求导或其他辅助知识 , 而只需要
5. 2 下送料机构运动学分析
建立目标函数 。在这项工作中 ,应首重分析设计自由度对设 计指标的影响 ,估计出设计变量的取值范围 。总之 , 应该建 立正确的数学模型 , 减少设计变量数和简化目标函数的形 式。
(3) 根据设计变量和约束条件的多少 、 目标函数的形
本送料机构需要求出机针 P 和送料牙 Q 的运动轨迹的 数学模型 。由于计算公式很长 ,本文不作详细分析 。
T x 3 , …, x n ] ( 运动学尺寸 ) , 使在规定的运动范围 [ q0 , qm ]
内 , 机构函数 f ( X , q) 和预期函数 f E ( q) 的均方根差
Δ=
∫[ f ( X , q) m
q
q
f E ( q) ]2 d q
o
qm - q0
→ min
5 缝纫机下送料机构优化举例
4 送料机构优化的一般问题
根据缝纫机送料机构的运动要求 ,缝纫机送料机构的优 化设计常以某点的轨迹或某连杆的角度为主建立目标函数 。 例如 ,在图 1 中 ,要求机构连杆 P 点的轨迹 y = f ( x ) 复演预 期的轨迹曲线 y E = f E ( x )
设送料牙在 90 度时和在 270 度时的 x 坐标分别为 :
( 2) 确定设计变量 、 约束条件 ,并根据主要的设计指标
93
为图 2 所示的两个类似于椭圆的曲线 。根据综合送料平缝 机的送料要求 , 当机针刺入缝料时以及与送料牙一起向前运 动的过程中 , 要保证机针与送料牙送料的同步性 , 也即两者 在水平方向的位移要保持一致 ; 否则的话 , 机针相对于送料 牙要么超前 , 要么滞后 , 这样都会刺坏缝料 。另外一个要求 是送料牙轨迹姿态要尽量处于水平状态 , 这样有助于平稳送 料和提高送料的有效长度 。
1. 3 遗传算法的应用 ( 1) 函数优化 ; 函数优化是遗传算法的经典应用领域 。 ( 2) 组合优化 ; ( 3) 生产高调问题 ; ( 4) 自动控制 ; ( 5) 机器人智能控制 ; ( 6) 图像处理和模式识别 ; ( 7) 人工寿命 ;
收稿日期 :2004 - 12 - 07
5. 3 下送料机构优化设计的数学模型 5. 3. 1 目标函数的建立
式和非线性程度 ,选用最优化方法 ,拟订计算流程图 。
( 4) 拟订初始设计方案 ,通常有两种方法 : 一种是用近
似设计法 ( 如作图法或解析法 ) 取得一个较好的初始设计方 案 ;另一种是任意取一个设计方案 ,这个方案不一定是好的 或比较好的设计方案 。不论是用哪一种方法产生初始方案 , 通过优化设计 ,均可以取得最优方案 。但所占用的计算时间 却有很大的差别 ,前者比较节省机时 。
X1 , X2
则 x 方向位置差的目标函数为 :
F1 ( x) = ( X 1 - X O1 ) 2 + ( X 2 - X O2 ) 2
设送料牙在 90 度时和在 270 度时的 y 坐标分别为 :
Y1 , Y2
▲ 图1
设预期函数为 f E ( q) , 机构产生的函数为 f ( X , q) 。用 优化设计方法 , 就是要这样确定一组设计变量 X = [ x 1 , x 2 ,