BP人工神经网络与遗传算法在型材挤压模具参数优化中的应用
人工神经网络结合遗传算法在建模和优化中的应用
Ｋｅ ｙｗ岫
：Ａ ｔ ｃａ Ｎ ｕａ ｔ ｒｉ ｉｌ ｅ ｒｌ ｉ ｆ Ｎｅ
（ Ｎ ； Ｇｅｅｉ ￣ｇｆ ｍ 【 Ａ） ／ｏ ｄｉｇ Ａ Ｎ） ｎｔ ｃ．ｏｉ ｈ ｔ Ｇ ；ｆ ｉ ｄ ｎ ；Ｏｐｉ ｚｔ ｎ； Ｍ ｑＬ ｔ ａｏ ｍｉ ｉ Ａ ｑＭ￣
１ 引 言
在 生 产 、科 研 实 践 和 经 济 生 活 中 有 许 多 离 散 的 数 据 ，人 们 常 需 要 寻找 合 适 的 数 学 模 型 “ 表 达 这 些 数 据 间的 内在 规 律 泼 问题 可 一般 化 地 描 述 为 ： 知 维 变 已
具 有 非 凡 的 矩 阵运 算 和操 作 能 力 ， 以特 别 有 利 于 编 写 所 涉 及 大 量 矩 阵运 算 的神 经 网络 程 序 和遗 传 算 法 程 序 ：
２ 用 神 经 网 络 建模
为 了便 于 进 行 神 经 网 络 的 设 计 和 训 练 ， Ａ Ｌ Ｂ提 Ｍ ＴＡ
供 了 神 经 网 络 工具 箱 。 该工 具 箱 由许 多 子 程 序 组 成 ， 在 这 些 程 序 中 完 成 了 神 经 网 络 算 法 中 所 涉 及 的许 多 运 算 和操作 ， 们 可以根据需 要调 用相 关程序 ， 除 了 自己 我 免
Ｘ ， 拆 ｖ 本 文 只 考 虑 单 目标 问 目 ｒ （ 量 ｘ：（ ，ｘ ，…
数形 式
本 文 将 利 用 ＭＡ Ｌ Ｂ来 编 写 神 经 网络 与 遗 传 算 法 Ｔｋ 程 序 分 别 用 于 建 模 与 优 化 ＭＡ Ｌ Ｂ是 由 Ｍａ ｗ ｒｓ Ｔ￣ ｔ ｏｋ ｈ 公 司推 出 的 功 能强 大 的数 学 软 件 ， 高 效 的 数 值 计 算 能 其 力 和编 程 简洁 直 观 的 特 点 使 其 在 工 业 界 和 学 术 界 都 得 到 ｒ 泛 的使 用 一因 为 ＭＡ Ｌ Ｂ的 基 本 数 据 元 素 是 矩 阵 ， ＴＡ
BP人工神经网络在鱼糜挤压制品生产中的应用
Application of BP artificial neural network in extruded surimi product
ZHANG Jian-you, WANG Jia-wen, LV Fei, DING Yu-ting*
(College of Biological and Environment Engineering, Zhejiang University of Technology, Hangzhou 310014)
*通讯作者 收稿日期：2012-03-23 基金项目：国家863资助项目(2007AA091801)。 作者简介：张建友(1977—)，男，黑龙江哈尔滨人，博士，副教授，主要从事食品深加工方面的研究工作。
· 102 ·
食品科技
2012年 第 37卷 第 9期 FOOD SCIENCE AND TECHNOLOGY
食品开发
食品科技
FOOD SCIENCE AND TECHNOLOGY 2012年 第 37卷 第 9期
BP人工神经网络在鱼糜挤压制品 生产中的应用
张建友，王嘉文，吕 飞，丁玉庭* (浙江工业大学生物与环境工程学院食品科学系，杭州 310014)
摘要：采用反向传播(BP)人工神经网络和响应面法(RSM)模拟操作工艺参数(鱼糜含量、螺杆转 速、III区加热温度)对双螺杆挤压机生产的鱼糜挤压制品的品质属性(持水性、膨润度、硬度和 弹性)的影响，并比较了BP人工神经网络和RSM所建立的操作工艺参数与产品属性间关系模型 的预测误差。试验结果表明，经训练的BP人工神经网络的模拟值和实际值的均方差(MSE)及和 方差(SSE)均比RSM低，在模拟产品属性上具有更好的拟合度和准确性，采用此法确定的鱼糜挤 压制品最佳工艺参数为：鱼糜含量45.70%，螺杆转速170 r/min，III区温度106.2 ℃。 关键词：神经网络；鱼糜；挤压制品；工艺参数；优化 中图分类号：TS 254.5 文献标志码：A 文章编号：1005-9989(2012)09-0102-06
人工智能算法在制造工艺参数优化中的应用案例
人工智能算法在制造工艺参数优化中的应用案例随着科技的不断进步和人工智能的快速发展，越来越多的领域开始应用人工智能算法来解决实际问题。
在制造业领域，优化工艺参数对产品质量和生产效率具有重要意义。
本文将介绍人工智能算法在制造工艺参数优化中的应用案例。
一、工艺参数优化的背景和意义制造业是国民经济的重要组成部分，工艺参数的优化对产品质量和生产效率有着直接影响。
传统的工艺参数优化方法通常需要经验丰富的工程师进行试验和调整，这种方式存在结果不稳定、浪费时间和资源等问题。
而人工智能算法的出现为工艺参数优化带来了新的思路和方法。
二、人工智能算法在工艺参数优化中的应用案例1.遗传算法在焊接工艺参数优化中的应用焊接是制造业中常见的工艺，对焊接工艺参数进行优化可以提高焊接质量和效率。
研究者通过采集焊接数据，并结合遗传算法进行参数优化，通过多次迭代得到最优的工艺参数组合。
这种方法相较于传统的试验调整方式，显著提高了焊接质量和效率。
2.神经网络算法在注塑工艺参数优化中的应用注塑是制造业中常用的方法之一，而注塑工艺参数的优化对产品的质量至关重要。
通过构建神经网络模型，并将各种参数输入模型进行训练，可以得到一个最优的工艺参数组合。
这种方法可以快速准确地找到最佳的工艺参数，提高产品的质量和生产效率。
3.模拟退火算法在铣削工艺参数优化中的应用铣削是制造业中重要的加工方法，合理的工艺参数可以提高产品的精度和表面质量。
模拟退火算法通过模拟金属退火的过程来寻找最优解，应用于铣削工艺参数的优化中。
通过不断迭代和更新解空间，模拟退火算法可以找到一组接近最优解的工艺参数组合。
三、人工智能算法在工艺参数优化中的优势1.自动化程度高：人工智能算法能够根据输入的数据自动进行计算和优化，减少了人为干预的需要。
2.准确性高：人工智能算法能够通过大量的数据和复杂的计算得到最优解，其结果更加准确可靠。
3.效率高：与传统的试验调整方式相比，人工智能算法能够快速找到最优解，提高了工艺参数优化的效率。
基于神经网络的铝型材挤压过程能耗工艺参数优化研究
Equipment Manufacturing Technology No.06，2018近20年来，铝型材行业发展速度非常迅猛。
截至2012年底世界原铝的产量达4600万吨以上，并以5%左右速度递增，估计到2020年铝的产量会翻一番[1]。
而随着全球能源危机的不断加剧，降低挤压能耗和提高产品质量越来越受到各国重视，各国学者通过数值模拟有限元分析。
通过HyperXtrude分析软件对铝型材挤压过程进行仿真，研究铝型材挤压生产过程中的模具棒料温度、挤压速度等对挤压能耗的影响，并建立挤压能耗与工艺参数的神经网络模型并优化工艺参数，从而达到能耗优化的目的。
1铝型材挤压工艺及能耗分析建模1.1铝型材挤压工艺铝型材挤压成形是一个复杂的高温、高压条件下金属塑性变形过程。
通过对放在挤压筒内的铝合金棒料施加挤压载荷，使之从设计的模孔中流出，获得所需形状、尺寸以及具有一定力学性能的型材产品的塑性加工方法[2]。
根据铝合金铸锭在挤压筒内的流动方式及行为特点，挤压变形过程可以大致分为三个阶段：填充挤压阶段、平稳挤压阶段和缩尾挤压阶段。
三个阶段受力情况随着挤压变形情况变化，能耗特性也不同。
1.2挤压成型过程能耗分析建模分析铝型材挤压成型挤压的工艺特点，可知挤压过程中的能耗涉及模具棒料等预热能耗，金属挤压成型所需能耗，摩擦产生的能耗以及热交换所需能耗几大部分。
挤压杆对棒料施加载荷完成型材挤压，第一阶段合金填充模具型腔部分，随着变形区与型腔接触面积的增大，合金与模具之间的摩擦逐步增大，除克服金属塑性变形做功外还有克服摩擦做功，载荷呈现急速速的增大；在第二阶段，随着整个挤压过程热交换达到平衡及金属流动稳定，挤压载荷会逐步减小；第三阶段，挤压垫片与模子之间距离的缩小，迫使变形区内的金属向着挤压轴线方向由周围向中心发生剧烈的横向流动，挤压力会有所回升[3]。
分析得挤压过程中，挤压速度、模具及棒料预热温度三个工艺参数为影响挤压能耗的关键参数。
基于BP神经网络与遗传算法的温挤压模具优化设计
基于BP神经网络与遗传算法的温挤压模具优化设计孙宪萍;杨兵;刘强强;王雷刚【摘要】以汽车转向螺杆类杯-杆件的温挤压凹模为例进行模具磨损分析及其寿命预测.以影响温挤压凹模磨损的4个主要因素,即凹模人口处圆角大小、模具初始硬度、模具初始温度、摩擦因子作为工艺参数,并分别选取4个不同水平值,确定四因素四水平的32组温挤压凹模磨损试验方案,通过Deform-3D有限元数值模拟软件进行成形过程的数值模拟.以不同影响因素和对应模具的磨损量为样本训练BP神经网络,建立4个主要因素与凹模磨损量之间的映射关系,以温挤压凹模磨损量为目标函数,通过遗传算法对4个影响因素进行组合优化,使凹模磨损量最小、寿命最长.%Taking the warm extrusion concave die for connecting cup-lid of automotive steering screw as an example,the die wear and life prediction was studied.With four major factors influencing the wear and life of warm extrusion concave die,including concave die's entrance angle,mould initial hardness,mold initial temperature and friction factor as the process parameters,and selecting four different levels respectively,32 groups of warm extrusion concave die wear test program with four factors and four levels were determined.Numerical simulation of forming process was carried out through the Deform-3D finite element numerical simulation software.The BP neural network was trained with different influence factors and corresponding die wear as samples,and the mapping relationship between the four major factors and the die wear volumes was established.Taking warm extrusion concave die wear volume as objective function,the combinatorial optimization of four factors were carried out bygenetic algorithm to minimize the wear of the die and realize the longest life of die.【期刊名称】《润滑与密封》【年(卷),期】2017(042)004【总页数】5页(P84-88)【关键词】模具磨损分析;数值模拟;BP神经网络;遗传算法【作者】孙宪萍;杨兵;刘强强;王雷刚【作者单位】长春工业大学机电学院吉林长春130012;长春工业大学机电学院吉林长春130012;长春工业大学机电学院吉林长春130012;江苏大学材料科学与工程学院江苏镇江212013【正文语种】中文【中图分类】TH117.1模具磨损是影响模具使用寿命的一个主要因素，因此对模具磨损研究十分重要。
基于神经网络和遗传算法的薄壳件注塑成型工艺参数优化
塑料材料 因其具有质量轻 、 强度高 、 耐化学腐蚀性
好、 电绝缘性能优异和易于成型加工等特点 ， 在国民经 济各工业领域得到广泛 的应用 ，塑料产品己经成为人 们 日常生活和生产活动中不可缺少 的重要组成部分 。 研究表明， 由于注塑成型过程的复杂性 ， 注塑制品的生
ＡＳ Ｂ ，产 品 外形 尺寸 为 ７ ｘ０ ３ ｍ，其 壁 厚 为 ０ ４ ｘ． ｍ ０
作者简 介 ： 蒋文胜 ，９ ８年 出生， ， 西大学机 械工程 学院硕 士 １６ 男 广 研究生。研究方向： 材料加工模具。
基金 项 目 ： 西 区 自然 基 金 项 目 （ 金 号 ：５ ５ １） 广 基 ０７ ０ ２ 图 ２ 神经 网络 结构 图
维普资讯
２ ０ ｏ ２、 ．ｆ ０ ７Ｎ 、 ， ≥罩 ０辫ｊ ‘
模型的寻优 。
样点 ， Ｎ太大则会增加计算量 ， 而 使收敛的时间增 长 ，
一
遗传算法是由 Ｈ ｌｎ 等 于 ２ ｏａｄＪＨ ｌ ０世纪 ７ 年 Ｏ
代发展起来 的。它是一种以 自然选择和遗传理论为基
般 Ｎ取 ３ ￣６ ， ０ １０本文取为 １０ ０ 。杂交概率 Ｐ 增大 ， ｃ
１＝ Ｉ
其中， ｉ ｗｊ 为隐层神经元 ｉ 与输入层神经元 ｊ 间的
连接权 ， 为隐层神经元 ｉ的阈值； ｉ ０ ｉ ｖ 为输出层神经 元与隐层神经元 ｉ间的连接权 ，１ １ 为输出层神经元的
闽值。
１ ２ 确定训 练样 本数 据 ．
神经网络模型的仿真信度与所选择的训练样本密
切相关。 为了保证训练结果的准确性 ， 必须选取大样本
维普资讯
ቤተ መጻሕፍቲ ባይዱ
昂
２０ ７ＮＯ １ ０ １ ０ ） ０ ＼２ ｌ ５
基于 BP 神经网络的挤压模具磨损预测
j n
Lij Pij
点击添加文本 点击添加文本
式中 n — —挤压过程模拟的全部步数 K T 29.29lnT 168.73106 磨损系数 K(T) 硬度 H(T) H T 9216 .4T 0.505
谢谢观赏
第四章
结论
① 基于 Archard 磨损理论 , 采用有限元分析软件能计算挤压模具型腔的磨损 , 可以预测模具寿命 。 ② 人工神经网络预测与有限元分析相结合 , 得到的预测结果与有限元计算结果吻合较好 ,这说明训练 好的神经网络对于预测特定问题具有良好的推广性 , 而且二者结合可以减少进行模拟和磨损计算的时间 , 提高计算速度 。 ③ 结合多层人工神经网络的推广能力 , 可以为优化设计提供 知识源 , 也为模具型腔等磨损设计奠定了基础 。
第三章
BP 神经网络模型训练与磨损预测
经过 1230 次训练 , 权 值修正后网络的均方差达到 0. 000 997 991 , 训练结束 , 训练收敛图如图 3 所示 。
点击添加文本 点击添加文本 点击添加文本
第三章
BP 神经网络模型训练与磨损预测
经过训练建立的神经网络模型可以快速预测模具磨损 , 神经网络预测挤压 模具各节点的磨损值与用有限元法计算得到的磨损值的比较如表 2 所示 。
基于 BP 神经网络的挤压 模具磨损预测
姓名: 宋佳佳
前 言
模具寿命是评价最终产品生产效率和生产成本的重要因素 。一般来说 , 挤 压模具的报废和失效 ,大多是由于磨损 、 疲劳破裂 、 塑性变形等造成的 。 在挤压成形的过程中 , 磨损是影响模具寿命的决定性因素 , 特别是高温成形过 程中 , 模具因磨损而失效的情况超过 70 % 。目前 , 挤压模具的磨损比较成熟 的计算方法是基于修正的 Archard 磨损模型用有限元模拟软件来计算的 , 但 计算量大 , 计算时间长 , 不能适应型腔优化的需要 。人工神经网络具有很强 的非线性能力 , 可由已知数据预测未知数据 , 将人工神经网络与有限元分析相 结合 , 用有限元模拟软件分析的数据作为学习样本来训练所建立的神经网络模 型 , 以此模型预测挤压模具的磨损 , 可以提高模具磨损计算速度 , 也为模具型 腔等磨损优化设计奠定了基础 。
钢铁工业BP神经网络运用思考
钢铁工业BP神经网络运用思考人工神经网络（ArtificialNeuralNetworks，即ANN）是20世纪80年代发展起来的一种模仿生物结构和功能的信息处理系统，它具有自组织、自学习、自适应、快速处理、高度容错、联想记忆以及可以逼近任意复杂的非线性系统等独特优点。
在材料科学与工程领域中，人工神经网络在处理材料科学的许多问题中发挥了巨大作用，已普遍用于材料设计与成分优化、材料的智能加工与控制、材料加工工艺的优化、材料相变规律研究与相变点预测、材料性能及缺陷预测等方面［1-6］。
在钢铁工业中，基于误差反向传播网络（BackPropagation，即BP算法）的神经网络以其结构清晰、可操作性强等优点而成为钢铁工业中使用最广泛的一种人工神经网络模型。
1BP神经网络简介1986年，Rumelhart，Hinton和Williams完整而简明地提出一种ANN的误差反向传播训练算法（简称BP算法），系统地解决了多层网络中隐含单元连接权的学习问题，由此算法构成的网络我们称为BP网络。
1.1BP神经网络的基本原理BP网络的基本思路是将训练过程分为两个阶段，第一阶段正向传播，输入信息从输入层经隐含层单元处理后传向输出层，每一层神经元的状态只影响下一层神经元状态。
倘若在输出层得不到希望的输出，则转入第二阶段反向传播，将误差信号沿原来的神经元连接通路返回。
通过修改各层神经元的权值，逐次地向输入层传播进行计算。
这样，反复地运用这两个过程，使得误差信号最小，最后使得信号误差达到允许的范围之内。
1.2BP神经网络的神经元模型BP神经元的结构模式如图1所示，基于以下几点假定：其一，每一个神经元是一个多输入单输出的信息单元；其二，突触分兴奋性和抑制性两种类型；其三，神经元输出有阈值特性；其四，神经元输入与输出间有固定的时滞；其五，忽略时间的整合和不应期；其六，神经元本身是非时变的。
BP神经元的三个重要功能：一是加权-可对每个输入信号进行不同程度的加权；二是求和-确定全部输入信号的组合效果；三是转移-通过转移函数f（.），确定其输出。
- 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)。
ｔＩ Ｇａ ～ｙ ｎ ：， Ｎ ｏ ｏｇ Ｃ ＨＥＮ 一ｋ ， ｅ‘ ＪＡＮＧ Ｉ ｔ ＷＡＮＧ Ｆａ ｇ ｎ ， ＰＥＮＧ Ｄａ －ｓ ｕ ｈ
ｌ ， ｈｏ ｏ Ｍ ｔ ｉｓＳｉ ｅ ｎ ｎｉ ｅｉ ，Ｃｎｒｌ ｏｔ Ｕ ｉ ｒｉ ． ｈｎｓａ １０３ Ｃ ｉａ Ｓ ｏｌ ｆ ａｅ ａ ｅ ｎｅａｄＥ ｇｎ ｒｇ ｅｔ ｕ ｎｖｓｔ Ｃ ａｇｈ ０８ ：ｈｎ １ｏ ｒｌ ｅ ｅ ｎ ａＳ ｈ ｅ ｙ ４
ｆ ｔ ｇ ｗａ ｐ ｉｄ ｔ ｕｎ ｔｅ ｉ ｉ ｓａ ｐｌ ｏ ｔ ｒ ｈ ＢＰ ｎ ｕ ａ ｔ ｏ ｋ ｋ ｏ ｅ ｇ ｏ ｒ ｅ ｉｔ ｏ ｃ ｅｅ ｔ ｃｉｎｔ ｒ ｖｄｎ ｅ ｔｒ ｗ ｙ ｆｒ ｔｎ ｅ ｅ ｒ ｎｅｗ ｒ ｎ ｗｌｄ ｅ ｓ ｕ ｃ ｎｏ ａ ｃ ｎ ｒｔ ｈｎ ｔｏ ｏ ｉ ｉｇ ａ ｂ ｔ ａ ｏ ｌ ｐ ｅ
Ｉ ｓｏ ｉ ｎ ｂ ｓ ｆ ｅＭＡ Ｌ ｕ ｄ ｔ ｎ． ｈ ｘ ｅｉ ｎａ ａａ ｗ ｒ ａｎ ｄ ｂ Ｐ ｎ ｕ ａ ｎ ｔ ｏ ｋ ｎ ｈ ｓ ｌ ｒ ｉｎ ｄｅ ｏ ａ ｅ ｏ Ｔ ＡＢ ｆ ｎ ａｉ ｕ ｈ ｔ ｏ ｏ Ｔ ｅｅ ｐ ｒ ｍｅ ｔ ｄ ｔ ｅ ｅｔ ｉｅ ｙＢ ｅ ｌ ｅｗ ｒ ，ａ ｄ ｔｅ ｒ ｕ ｔ ｌ ｒ ｒ ｅ ｓ ｗ ｒ ｃ ｒｅｆ ｔ ｏｓ ｔ ｐａ ｆ ｔ ｇ ｆ ｎ ｔ ｎ ｗ ｉｈ Ｗ Ｓｕ ｅ ｎ ｔｅ ｇ ｎ ｔ ｌｏ ｉ ｍ ｒ ｃ ｓ ｅ ｃ ｈ ｐ ｉ ｍ．Ｃ ｒ ｅ ｅｅ ｕ ｖ ｉ ｅ ｔ ｅ ｔ ｎ ｃｉ ｈｃ ａ ｓ ｄ ｉ ｅ ｅｉ ａｇ ｒ ｈ ｐ ｏ ｅ ｓｔ ｒａ ｈ ｔｅ ｏ ｔ ｔｄ ｕ ｉｉ ｕ ｏ ｈ ｃ ｔ ｏ ｍｕ ｕｖ
３ ＹｕｎｎＭ ｃａｉ ｌ ｅｅｒ ． ｎａ ｅｈｎ ａ Ｒ ｓａ ｈ＆ Ｄ ｓ ｎＩｓｔｔｔ ｕｍｎ ５０ １Ｃ ｉ ） ｃ ｃ ｅｉ ｎｔｕｅＫ ｎ ｉ ６０ ３ ｈｎ ｇ ｉ ｇ ａ
【 ｂｔ ｃ】 Ｂ ｒｌｉ ｅｒｌ ｅ ｔｋ ｎ ｅｅｉａ ｏ ｔ ｅ ｐｌ ｄｔｔ ａａ ｅ ￣ｏｔ ｉ ｔｎｏ ｐ ｆ — Ａ ｓ ａｔ ｒ Ｐａ ｉｃ ｎ ｕ ｔ ） ｄｇｎｔ ｇｒｈ ｗ ａ ｐｅ ｅｐｒｍ ｔ ｐ ｍｚ ｉ ｏ ｅｅ ｔｉ ａ ｌ ａｎ ｗｒａ ｃ ｌ ｉｉ ｎ ｉ ｏｈ ｅ ｉ ａｏ ｆ ｒ ｄ ｘ
表达式， 墩 将造一 数 表达式 作为遗传算法的适应废函数进行遗 传迭代 寻找最优解 ． 用曲线 拟合方法将其 知识源 转 采 化成为 ｒ 体 的 数表达式 。 脱地体现 ｒ神经网络的知识源 ， 为后继 的遗传算 法提供 ＿明确的适应 度函数 ． 『 数值模拟
分析表叫， 时挤 模 ｊ结 构的 优 化魁 合 理 的 ． － ｝ 关 键 词 ： Ｐ人 ｌ 经 网 络 ； 传 算 法 ； 线拟 合 ； 脏模 具 Ｂ 神 遗 曲 挤 文 献 标 识 码 ： ＾ 文 章 编 号 ：００— ９ｏ ２ｏ ）２ ０９— ６ １０ ５０ （ｏ６ ０ ０ ８ ０
Ｊ ｎ． ０ ６ ｕ ２０
Ｂ Ｐ人 工神 经 网络 与遗传 算 法 在型材 挤压模具参数优化 中的应用
林 高用 。 ， ’ 陈兴科 ’ ， 蒋 杰 ， 王 芳 ， 彭 大暑 ’
（． １ 中南 大 学 材 料 科 学 与工 程 学 院 ， 沙 ４０８ ； 长 １０ ３
ｆｒ ｅ ｅ ｅ ｉ ａｇ） ｔｍ ｐｏ ｅ ｓ ｕ ｒ ａ ｉ ｌｔ ｎ ｓ ｏ ｅ ｈ ｔ ｈ ｐｉ ｉａｉｎ ｏ ｒ ｆｅ ｅ ｔ ｓ ｎ ｄｅ ｉ ｅ ｐｅ ｅ ｔ ｕ ｔ ｒｇ ｎ ｔ ｜ ｉ ｒｃ ｓ ．Ｎ ｍｅｉ ｌ ｍｕａｉ ｈ ｗ ｄ ｔａ ｅｏ ｔ ｚ ｔ ｆ ｏ ｌ ｘ ｕ ｉ ｉ ｎ ｔ ｒｓ ｎ ｈ ｃｌ ｒｈ ｃ ｓ ｏ ｔ ｍ ｏ ｐ ｉ ｒ ｏ ｈ
２ 华 中 科 技 大 学 塑 性 成 形 模 拟 及 模 具 技 术 国家 重 点 实 验 室 ， 汉 ４０７ ； ． 武 ３０４
３ 云南省机械研究设计院 ， ． 昆明 ６０３ ） ５０ １
【 要 ］ 肇 于 Ｍ Ｔ Ｂ平 台 ， Ｂ 摘 ＡＩ Ａ 将 Ｐ人 Ｉ神 经 网络 遗 传 算 法 应 Ｊ 于 型 材 挤 压 模 具 参 数 优化 设 计 ． ： １ ｊ 首先 刹 片 Ｐ神 经 网络 ｊ Ｂ 来 训 缘 订 宜 验值 ， 后 将 训铱 的神 经 网络 作 为 知 识 源 ， 过 曲线 拟合 与逼 近 求 得 设 计 变 量 与 日标 函 数 值 的 函 数关 系 然 通
中 圉分 类 号 ：Ｇ ７ Ｔ ３５
Ａｐ ｌｃ ｔｏ ｆＢＰ ｔｆｃａ ｕｒ ｌＮｅｗｏ ｋ ａ ｎ ｔｃＡｌｏ ｉｈ ｐ ｉａｉ ｎ ｏ Ａｒｉ ｉｌＮｅ ａ ｔ ｒ ｎｄ Ｇｅ ｅｉ ｇ ｒｔ ｍ ｉ ｔ ｈ ｒ ｍ ｅｅ ｓ Ｏｐ ｉ ｉａ ｉｎ ｏ ｏ ｌ ｔｕ ｉｎ Ｄｉ ｏ ｔ ｅ Ｐａ ａ ｔｒ ｔｍ ｚ ｔｏ ｆＰｒ ｆ ｅ Ｅｘ ｒ ｓｏ ｅ ｉ
维普资讯
第２ ８卷 第 ２ 期
２０ ０ ６年 自 然
科
学
学
报
Ｖｏ ．８ Ｎｏ． １２ ２
Ｎ ｔｒｌＳ ｉｎ ｅＪ ｕｎ ｌ ｆ ａ ｇａ ｎ ｖｒｉ ａｕａ ｃｅ ｃ ｏ ｒ ａ ｎ ｌ Ｕ ｉｅｓｔ ｏ Ｘｉ ｎ ｙ