基于多目标遗传算法的热定型工艺参数优化设计

合集下载

基于遗传算法的多目标优化算法研究

基于遗传算法的多目标优化算法研究近年来，多目标优化问题在实际生产和科学研究中得到广泛应用。

多目标优化问题是指同时优化多个目标函数，目标函数之间可能存在冲突和矛盾。

因此，如何找到一组最优解成为了多目标优化问题的重要研究方向。

传统的优化算法虽然在单目标优化问题上具有良好的应用效果，但在面对多目标优化问题时，很难找到一个全局最优解。

这时候，基于遗传算法的多目标优化算法就成为了研究的热点。

遗传算法是模拟自然进化过程的一种求解优化问题的算法。

基于遗传算法的多目标优化算法仿照进化过程中的自然选择、遗传和变异等过程，获取优化问题的最优解。

其算法多用于求解多目标优化问题，具有较广泛的应用。

基于遗传算法的多目标优化算法的具体实现过程大概可以分为以下几个步骤：第一步，初始化种群。

在进化过程中，初始的种群是随机生成的一组解，排列成一个矩阵。

这里的“解”是指多个目标函数的取值组合，并且每个目标函数都有一个最小值或最大值需要满足。

第二步，选择操作。

从当前种群中选择部分个体来作为繁殖下一代的基础，而不好的个体被直接抛弃。

在多目标优化算法中，选择操作的方式有二元锦标赛和轮盘赌选择等，这些选择方式主要是为了保留多样性，尽量保证种群中存在各种类型的解。

第三步，交叉操作。

将已经选择的个体进行交叉操作，可以是单点交叉、多点交叉等方式。

交叉后，新个体的解需要重新计算适应度，并与原种群进行比较，确定是否替代原有个体。

第四步，变异操作。

在进行交叉操作后，为了增加搜索空间的多样性，还需要随机选择一些个体进行变异操作。

变异也是指向种群中的个体进行随机变动，从而产生新的解。

第五步，评价操作。

在每个种群可行解被选定后，算法会进行评价操作，用评价函数确定种群的适应度。

评价函数通常是将多个目标函数值距离多目标优化问题的最优解距离作为评价标准。

第六步，重复以上过程，直到达到某个终止条件（如到达最大迭代次数、求解精度达到要求等），完成对多目标优化问题的求解。

基于多目标遗传算法的飞行器设计参数优化

基于多目标遗传算法的飞行器设计参数优化1. 简介在飞行器设计中，飞行控制器、传感器、电机等参数的优化是一个十分重要的问题。

采用传统的试错方法来调节这些参数需要耗费大量时间和成本，而且得到的结果可能并不十分可靠。

为了解决这一问题，人们引入了多目标遗传算法（Multi-objective Genetic Algorithm，简称MOGA）来进行参数优化。

2. 多目标遗传算法的基本原理多目标遗传算法是指通过遗传算法来优化多个目标函数，从而得到一组最优解。

在MOGA中，每个待优化的参数都被看作是一维染色体的变量，染色体的每一位表示一个具体的参数值。

当进行交叉和变异操作时，会对两个染色体进行随机交换和随机变异。

经过多次迭代，MOGA可以得到一组最优化的参数组合，从而实现对飞行器设计的优化目标的达成。

3. MOGA的应用场景MOGA适用于希望优化多个目标函数，并且需要进行多次迭代来寻找最优解的问题。

在飞行器设计中，需要通过参数优化来实现飞行器的稳定性、速度、机动性等多个方面的优化目标。

采用MOGA，可以通过合理的设置和调整算法的参数，来达到预期的优化效果。

4. MOGA的优点和缺点MOGA的优点在于可以同时优化多个目标函数，从而得到一组最优解。

而且，MOGA还可以通过设置适当的参数，来兼顾多目标的平衡性和速度性。

但是，MOGA也存在一定的缺陷。

首先，MOGA需要格外关注每个目标函数的权重和优先级，以便获得最优化的结果。

其次，MOGA的计算成本较高，需要消耗大量的时间和计算资源来进行多次迭代和计算。

5. MOGA的实际应用MOGA已经被广泛应用于飞行器设计、控制以及自动化控制等多个领域。

例如，美国空军利用MOGA来优化无人机的控制和导航系统参数；德国航天中心使用MOGA来优化卫星系统、飞行器燃油消耗等。

6. 结论MOGA作为一种强大的优化算法，可以有效地应用于飞行器设计等多个领域。

虽然MOGA的开销和复杂度较高，但它可以帮助设计师实现多个目标函数的优化目标，并且能够得到一组相对最优的参数组合。

基于多目标优化的遗传算法研究

基于多目标优化的遗传算法研究近年来，随着云计算、物联网、大数据的发展和普及，我们所面临的问题越来越复杂，而解决这些问题的难度也越来越大。

在这种情况下，优化算法显得尤为重要，因为这是现代科技中不可或缺的一环。

而遗传算法，作为一种高效的优化算法，因其独特的演化过程和模拟自然遗传的思想，已经成为解决复杂问题的常见选择。

然而，在复杂问题的场景下，我们经常面临着多目标优化问题，例如机器学习中的多目标分类问题、物联网中的多目标调度问题等等。

而遗传算法基于单一目标的适应度函数很难处理多个目标同时优化的情况，因此，基于多目标优化的遗传算法也应运而生。

基于多目标优化的遗传算法需要解决的问题是，在考虑多个目标的前提下，如何设计更好的适应度函数，并使算法能够快速收敛到Pareto前沿。

首先，我们需要对Pareto前沿有一个基本的概念。

Pareto前沿指的是所有的个体在各个目标上都是最优的那条曲线。

而多目标优化的目标就是找到在Pareto前沿上最好的个体。

那么，如何让遗传算法快速收敛到Pareto前沿呢？其中一个思想是，采用多个种群，每个种群都是优化单个目标，从而分解为多个子问题。

在每个种群中，基于目标优化的遗传算法可以较快地寻找最优解。

然后通过计算单个个体的适应度值，将这些个体加入到一个聚合种群中。

该聚合种群就是最终的种群，并且这些个体应该在多个目标上都非常接近Pareto前沿。

另一个思想是采用多目标排序遗传算法（NSGA），它是一个基于Pareto前沿和拥挤度指标的排序算法。

NSGA将个体根据其在Pareto前沿上的分布情况和拥挤度指标进行排序，以此为基础确定下一代的选择和交叉。

这种算法可以在较短时间内找到更优秀的解，同时在多个目标上达到较好的平衡。

不论采用哪种思想，都需要将目标函数转换为适应度函数，并进行相应的编码和交叉变异操作。

例如，对于多目标分类问题，可以采用多标签分类方法，将每一类作为一个目标来优化。

然后，使用二进制编码，通过交叉和变异操作产生下一代个体，使得每个个体都能在每个目标上优秀地表现。

基于遗传算法的多目标优化问题求解研究

基于遗传算法的多目标优化问题求解研究随着信息时代的到来，优化问题的求解变得越来越常见，而多目标优化的问题更是在许多领域中出现。

然而，由于多目标优化问题的复杂性，传统的优化方法难以有效地解决这些问题。

在这种情况下，遗传算法成为了一种受欢迎的求解多目标优化问题的方法。

遗传算法是一种基于自然选择和遗传机制的优化算法，它模拟了生物进化的过程，通过优胜劣汰和基因重组的方式，逐步寻找最优解。

对于多目标优化问题，遗传算法可以通过建立多个适应度函数来同时寻找多个目标函数的最优解，从而避免了单目标优化的不足。

在遗传算法的多目标优化模型中，存在一个重要的问题，那就是解的多样性问题。

由于存在多个优化目标，这意味着存在多个最优解，而这些最优解往往是不同的，这就要求我们在求解时不能只关注某一个最优解，而是需要考虑多个最优解的搜索和平衡。

为了解决这个问题，研究者们提出了许多优化方法，如多目标遗传算法、多目标模拟退火算法、多目标蚁群算法等等。

多目标遗传算法应用广泛，其主要思路是通过建立两个相对独立的过程：遗传操作和多目标评价。

其中，遗传操作是通过选择、交叉、变异等操作，产生新的个体并进化到最优解的过程；而多目标评价则是对每个个体进行多目标评价，确定其适应度值，以便选择更优的个体。

在这个过程中，为了保证多样性和收敛性之间的平衡，需要采用一些特殊的算法策略，如Pareto优化、非劣解筛选、种群多样性维持等方法。

除了算法策略，参数的设定也是影响多目标遗传算法性能的关键因素之一。

例如，交叉概率、变异概率、种群大小等参数的设定，都会直接影响算法的搜索能力和搜索效率。

为了解决这个问题，研究者们提出了很多自适应参数调整方法，如自适应交叉概率、自适应变异概率等。

除此之外，基于遗传算法的多目标优化问题求解，还需要考虑到其他因素，如初始种群的选择、收敛准则的设定、算法的性能评价等。

这些因素都直接影响到算法的效果和应用范围，因此需要进一步探讨和研究。

基于遗传算法的多目标优化设计技术研究

基于遗传算法的多目标优化设计技术研究近年来，多目标优化设计技术在工程领域中得到了广泛应用。

为了解决这一问题，遗传算法被引入到多目标优化设计中。

本文将介绍基于遗传算法的多目标优化设计技术的研究概况。

一、遗传算法简介遗传算法是模拟生物进化过程中的原理，通过模拟基因质量的选择、对染色体进行重组、变异等操作实现对优秀基因的筛选和优化的一类方法。

其中包括三个基本操作：选择、交叉、变异。

在遗传算法中，适应度函数是关键。

适应度函数是评价个体适应程度的函数，是遗传算法中优胜劣汰的依据。

适应度函数的选择有很大的灵活性，可以依据不同的目标进行定义。

二、多目标优化设计技术多目标优化设计技术是指在设计过程中，存在多个设计指标需要被考虑，以便找到最优的解决方案。

与单目标优化设计不同，多目标优化设计中，不同的目标往往存在矛盾关系，改进一项指标可能会导致另一项指标的劣化。

解决这种问题的经典方法是Pareto前沿技术。

Pareto前沿技术是指在多目标优化过程中，强调对于指标的平衡优化，在不牺牲最小值的情况下，让不同指标尽量向其最优值靠近。

通过引入Pareto前沿技术，可以将多个目标的优化问题转换为一个约束优化问题。

三、基于遗传算法的多目标优化设计技术研究基于遗传算法的多目标优化设计技术是一种常见的解决多目标设计问题的方法。

其具有如下优点。

1. 搜索效率高。

通过交叉、变异等方式，遗传算法实现了对于优秀个体的筛选和优化，从而极大地提高了搜索效率。

2. 理论基础稳定。

基于遗传算法的多目标优化设计技术将遗传算法与多目标约束优化相结合，具有良好的理论基础和稳定性。

4. 非参数型优化方法。

由于基于遗传算法的多目标优化设计技术不需要对目标函数进行参数化，可以更加灵活地优化，因此具有非参数型优化方法的优点。

五、结论综上所述，基于遗传算法的多目标优化设计技术是一种常见的解决多目标设计问题的方法。

它通过模拟生物进化过程，实现优秀个体的筛选和优化，从而提高了搜索效率。

基于遗传算法的多目标优化设计研究

基于遗传算法的多目标优化设计研究现如今，优化设计成为了一个越来越重要的话题，特别是多目标优化设计。

遗传算法可以为多目标优化设计提供有效的解决方案，被广泛应用于各个领域，如机械、电子、航空、设计等。

这里，我们将深入探讨基于遗传算法的多目标优化设计研究。

一、遗传算法的基本原理遗传算法是一种模拟自然界生物进化过程的优化算法。

该算法通过模拟遗传、变异、选择等自然规律，对一组初始解进行优化。

其流程主要包括初始化、适应度评估、交叉、变异、选择等步骤。

二、多目标优化设计多目标优化设计主要解决一个系统或产品的多个目标优化问题。

其目标函数包括多个，可能涉及到相互矛盾的要求，例如成本、质量、性能等。

传统的单目标优化设计无法满足多目标优化设计的需求，因此需要寻求其他优化算法。

三、基于遗传算法的多目标优化设计遗传算法作为一种优秀的优化算法也广泛应用于多目标优化设计。

在基于遗传算法的多目标优化设计研究中，主要包括以下几个方面：1.适应度函数的设计适应度函数用于评估一组解的优劣性。

在多目标优化设计中，需要采用多个适应度函数对解进行评估，以此实现多目标的优化。

适应度函数的设计需要符合实际需求，并遵循一定的规律性。

2.决策变量的确定决策变量是遗传算法中决定优化空间的关键要素，决定了搜索空间的大小和优化效果。

在多目标优化设计中，需要在保证搜索空间广度和深度的前提下，确定多个决策变量，从而实现多目标优化。

3.遗传算子的应用遗传算子包括交叉操作和变异操作。

在多目标优化设计中，需要采用多种交叉操作和变异操作，并根据实际情况进行选择。

不同的操作可以对优化结果产生不同的影响，需要进行综合考虑。

4.种群大小的确定种群大小对优化效果具有直接影响。

在多目标优化设计研究中需要进行大量的实验和分析，以此确定合适的种群大小。

在此过程中，需要进行综合权衡，考虑到优化效率和优化质量等多方面因素。

五、结论基于遗传算法的多目标优化设计具有广泛的应用前景。

作为一种高效的优化算法，其可以帮助优化设计者快速、准确地对系统或产品进行优化。

基于多目标优化的遗传算法

基于多目标优化的遗传算法遗传算法是一种优化算法，采用模拟生物进化的方式解决问题。

它是一种固定的搜索策略，一般用于寻找最优解或近似最优解。

近年来，随着多目标问题的出现，研究人员开始将遗传算法应用于多目标优化领域中。

从根本上讲，多目标优化是寻找一组最佳解决方案，使得多个目标函数达到最优状态。

在许多实际问题中，只有最优解并不足够，而需要在多个指标之间找出一个平衡点，称为权衡解。

因此，遗传算法的应用也需要考虑多个目标函数的优化问题。

基于多目标优化的遗传算法（MOGA）是遗传算法在多目标优化问题上的一种扩展。

MOGA不仅能够在给定时间内找到解空间中的所有Pareto前沿，而且还能够通过基因操作生成更多的解，并与Pareto前沿进行比较。

因此，MOGA在多目标问题上的性能优于传统的遗传算法，具有广泛的应用前景。

MOGA的核心思想是利用多种策略尽可能地探索解空间，使得算法能够发现多个异构解。

这些解分布在Pareto前沿上，其中每个解都在目标函数之间达到了最好的平衡点。

MOGA的优点不仅在于它能够为实际应用提供解决方案，还可以进一步帮助理解多目标问题本身。

对于问题复杂度高的问题，MOGA可以节省大量的搜索时间和成本。

虽然MOGA在多目标优化问题中的应用前景十分广阔，但也存在一些挑战和限制。

首先，选择和基因操作的效率可能会影响算法的性能。

其次，在大型问题中，多目标优化会导致搜索空间的急剧增加，从而导致算法变得无效。

最后，多目标优化的实现需要深入理解解空间，并且需要进行大量的实验设计和测试。

总之， MOGA是遗传算法在多目标优化领域的重要应用，它可以帮助解决一些实际问题，例如蛋白质折叠、投资组合问题等。

随着计算机科学和人工智能的不断发展，MOGA在工程和科学领域中的应用前景将继续提高。

基于遗传算法的多目标优化问题求解技术研究

基于遗传算法的多目标优化问题求解技术研究随着时代的不断变化和科技的不断发展，越来越多的问题需要我们来解决。

在解决这些问题的过程中，许多问题都需要寻找最优解或者最优解集。

多目标优化就是面临这样一种情况，需要在众多的解中找到最佳的解集。

在多目标优化问题中，不同的相对重要性目标之间可能会存在冲突，为了寻找最佳的解集，我们需要一些专门的算法来解决这些问题。

其中，基于遗传算法的多目标优化问题求解技术是一种非常有效的算法。

一、多目标优化问题什么是多目标优化问题？简而言之，多目标优化问题就是不止一个目标的优化问题。

在一个多目标优化问题中，通常需要同时考虑多个目标。

例如，在生产制造领域中，我们可能需要同时优化成本和质量。

在交通规划领域中，我们可能需要同时优化安全性和效率，等等。

由于涉及到的不止一个目标，因此解决这种问题需要特别的算法。

对于一个多目标优化问题，我们通常需要寻找一个最优解集，而不是单个最优解。

在最优解集中，所有解都是等价的，但在一个特定的问题情境中，有些解集可能更优。

具体来说，解集的优劣要根据问题情境和目标权值的设置而定。

不同的问题需要不同的解集，因此，我们需要一些算法来帮助我们寻找这些解集。

二、基于遗传算法的多目标优化问题求解技术基于遗传算法的多目标优化问题是一种非常有效的技术。

根据遗传算法的原理，我们可以通过一种适应性度量方法来获取目标函数的值。

这种度量方法可以帮助我们识别哪个解更优，同时也可以帮助我们寻找多个等价解的集合。

在遗传算法中，我们通常使用染色体表达式来表示解，其中，每个基因都代表着解中一个特定的参数。

通过模拟繁殖的过程，遗传算法可以帮助我们产生新的解，这些解有一定的变异率，使得多样性也得到了保留。

在捕获最优解集的同时，基于遗传算法的技术还可以帮助我们快速搜索整个解空间，这一优点为其在多目标优化问题中的应用提供了坚实的基础。

三、基于遗传算法的多目标优化问题的应用遗传算法作为一种优秀的优化算法，已经被广泛应用于多个领域，包括工程、自然科学、商业和经济等。

基于遗传算法的热管多目优化设计

ｔｅｅｐｒｍｅｅｓｓｈｓａａｔｒｉｌｎｏｓ．ｎｔｉｐｐｒｔｅｔｅｍａｅｗｏｋｍｏｅｎｅｔｒｎｆｒｌｔｍｕｔｅｕｌＩｓａｅ，ｈｈｒｌｔｒｄｌｄｈａａｓｅｉｄｌｆｐｃｌｅｔｉｅｗｅｅａｙｈｎａｔｍｉｍｏｅｔｉａａｐｒｏａｙｈｐ
ＨｕｎｉｏｎＳｉｎＹａｇＪｇＨｕｎｉｏＪＣｅｊａｇＸａｍｉｇｈＫｕｎｎｉａｇＸａｉｈｎｉ
（．ｃｏｌｆｎｒｙａｄＰｗｅｎｉｅｒｇＨｕｚｏｇＵｎｖｒｉｆｃｅｃｎｅｈｏｏｙＷｕａ，３０４１Ｓｈｏｏｅｇｎｏｒｇｎｅｉ，ａｈｎｉｅｓｔｏｉｎｅａｄＴｃｎｌｇ，ｈｎ４０７，ＥＥｎｙＳ
Ｃｈｉａｎ；２．ｅｈｃｌａｄＡｅｏｐｃｇｉｅｉｇＤｅａｔｅｔｏｆＣａｌｔｎＵｎｉｅｓｔ，ＯｔｗａＭｃｎｉａｎｒｓａｅＥｎｎｅｒｎｐｒｍｎｒｅｏｖｒｉｙｔａ，Ｏｎａｉ，Ｋ￥５，ｔｒｏ１Ｂ６
ｏｆｈａｐｓｏｆｅｎｌｅｅｅｔｏｅｔｐｉｅｔｎｉｖｏｖｓｓｌｃｉｎｏｆｍｕｌｉｅｐａａｅｅｓａｈｅｃｎｎｉｎａｓｇｎａｇｏｉｈｓａｅｎｏｆｉｉｎｔｉｐｔｍｉｉｔｐｌｒｍｔｒｎｄｔｏｖｅｔｏｌｄｅｉｌｒｔｍｒｔｅｆｅｎｏｉｚｎｇｃ
ｂａｅｎｈｅｇｎｅｉｌｒｔｓｄｏｔｅｔｃａｇｏｉｈｍｓｉｒｄｕｅｏｓｌｅｔｓｐｏｅ．ｅｒｓｌｓｏｆｓｖｅａｌｃｓｔｉｓｂｓｄｎｔｓａｇｉｈｒｉｎｔｏｃｄｔｏｖｈｉｒｂｌｍＴｈｅｕｔｅｒａｅｓｕｄｅａｅｏｈｉｌｏｒｔｍａｅ

基于遗传算法的多目标优化问题求解研究

基于遗传算法的多目标优化问题求解研究概述：多目标优化问题是现实生活中广泛存在的一类问题，对于这类问题求解难度较大，并且往往没有一个唯一的最优解。

基于遗传算法的多目标优化问题求解研究成为了一个研究热点。

本文将研究基于遗传算法的多目标优化问题求解方法。

引言：遗传算法是一种模仿生物进化过程的搜索算法，已经被广泛应用于多目标优化问题的求解中。

多目标优化问题是指在多个冲突的目标函数下，寻求一组最优解来平衡各个目标之间的权衡。

如何有效地利用遗传算法解决多目标优化问题成为了一个研究热点。

方法：基于遗传算法的多目标优化问题求解方法包括以下关键步骤：1. 建立适应度函数：在多目标优化问题中，适应度函数是非常重要的。

适应度函数用于评估每个个体的优劣程度，可通过目标函数的加权求和、Pareto支配关系等方式进行定义。

适应度函数的设计需要兼顾多个目标之间的权衡，并且在求解过程中需要根据具体问题进行调整。

2. 选择操作：选择操作是遗传算法的核心步骤之一，用于选择适应度较好的个体作为父代。

常用的选择算子包括轮盘赌选择、锦标赛选择等。

选择算子的设计需要考虑到多目标优化问题的特性，既要兼顾个体的适应度值，又要保持种群的多样性。

3. 交叉操作：交叉操作是指将已选择的个体进行染色体交叉，产生新的个体。

在多目标优化问题中，交叉操作需要保持新生成个体的性状与父代个体之间的关联，并且需要在多个目标之间进行权衡。

常用的交叉算子包括单点交叉、多点交叉、均匀交叉等。

4. 变异操作：变异操作是指对某些个体进行基因位点的变异，增加种群的多样性。

在多目标优化问题中，变异操作需要兼顾多个目标之间的权衡。

常用的变异算子包括单点变异、多点变异、非一致变异等。

5. 停止准则：停止准则用于判断遗传算法是否达到了终止条件。

在多目标优化问题中，停止准则的设计需要考虑到多个目标之间的权衡以及算法的收敛性。

常用的停止准则包括达到最大迭代次数、满足一定收敛条件等。

应用：基于遗传算法的多目标优化问题求解方法已经被广泛应用于各个领域。

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)。

设计问题视为以成品门幅、重与客户要求的相应值的绝对误差最小为目标函数，克温度、速、车超
喂率和上机门幅为优化变量，以根据实际情况中各优化变量的取值范围为约束条件的多目标优化
问题。立多目标优化模型，建并基于该模型采用多目标遗传算法，实现了热定型参数精确定量设计。用该方法得到的工艺参数加工弹力布，生产成品的克重、门幅与用户要求指标的偏差小于ｌ，％
ｂｓｄｏｈａｏｅｍｅｔｎｄｍｏｅ．Ｔｅｅａｔａｒｃｐｏｅｓｎｉｈｔｅｐｏｅｓｐｒｍｅｅｓｆｏｈｔｏａｅｎｔｅｂｖ — ｎｉｅｄ１ｏｈｌｓｉｆｂｉｒｃｓｉｇｗｔｈｒｃｓａａｔｒｒｍｔｅｍｅｈｄｃｍｅｔｎｄｉｈａｅ，ｗｈｃｅｄｖａｉｎｂｔｅｎｔｅｐｏｕｔｎｓｒｅｕｒｍｅｔｐｒｍｅｅｓａｏｔｉｈ，ｗｄｈｎｉｅｎｔｅｐｐｒｏｉｈｔｅｉｔｅｗｅｈｒｄｃｄｕｅｑｉｈｏａｒｅｎｓａａｔｒｂｕｇｔｉｔｗｅｉｅｓｔａ％．ｃｎｍｅｔｔｅａｔａｒｄｃｉｎｒｑｉｍｅｔｕｌ．Ｗｈｎｔｅｅａｔａｒｓｐｏｕｅｙｕｉｇｔｅｓｌｓｈｎ１ａｅｈｃｕｌｐｏｕｔｏｅｕｒｅｎｓｆｌｙｅｈｌｓｉｆｂｃｉｒｄｃｄｂｓｎｈｃｉ
完全可以满足实际生产要求。
关键词：染整后整理；热定型工艺；目标遗传算法；数优化多参中图分类号：Ｓｌ５１文献标识码：Ａ文章编号：６１—７４（０２０Ｔｌ．１７１７２１）４—０５４３—０５
ＰｒｃｅｓＰａａｅｅｓＯｐｔｍｉａｉｎｏｅｔＳｅｔｎｇＰｒｃｓｏｃｓｒｍｔｒｉｚｔｏｆＨａｔｉｏｅｓ
ｐｒｍｔｒｎｄｅｎｎｎｓｉｇｔｅｏｊｃｖｎｔｎｉｅｔｌｈｄｉｉｐｐｒａｅｎｔｅｍｎｍｍａｓｌｔａａｅｅｙｉｇａｄｆｉｎ，ｈｂｅｔｅｆｃｉｓｂｉｅｎｔｓａｅｓｄｏｉｉｕｂｏｅｉｉｈｉｕｏｓａｓｈｂｈｕ
第１１卷第４期
２１０２年８月
江南大学学报（然科学版）自ＪｕｎｌｆｉｎｎｎＵｎｖｒｉ（ｔｒｌｃｎｅＥｉｏ）ｏｒａａｇａｉｅｓｔＮａｕａＳｉｃｄｔｎｏＪｙｅｉ
Ｖｏ．１Ｎ．Ｉ１ｏ４
ＢａｅｎＭｕｔＯｂｅｔｅＧｅｅｉｇｒｔｍｓｄｏｌ－ｊｃｉｎｔＡｌｏｉｉｖｃｈ
ＺＵＬ —ｈｎＧＯＬｎｌ，ＪＮＦ－ａｇＨＯｉｕ，Ａｉ— ｎＩｕｊｎ ’ ｃｉｉ
（ｏｅｅｏｆｍａｉｃｅｃｎｎｉｅｒｇＨｕｑａｎｖｒｉ，ａｎ３１２，ｈｎ）ＣｌｇｆｎｏｔｎＳｉｎｅａｄＥｇｎｅｉ，ａｉｏＵｉｅｓｙＸｉｌＩｒｏｎｔｍｅ６０１Ｃｉａ
Ａｕｇ２０１．２
基于多目标遗传算法的热定型工艺参数优化设计
周丽春，郜琳琳，金福江
（华侨大学信息科学与工程学院，福建厦门３１２）６０１
摘
要：为了解决染整后整理中热定型工艺参数难以定量设计的关键技术难题，工艺参数优化将
Ａｂｔａｔｎｏｄｒｏｓｌｅｔｅｋｙｔｃｎｃｌｐｏｌｍｈｔｔｓｄｆｃｌｔｕｎｉｔｅｙｄｓｇｅｈａｅｔｎｒｃｓｓｒｃ：Ｉｒｅｏｖｅｈｉａｒｂｅｔａｉｉｕｔｏｑａｔａｉｌｅｉｎｔｅｔｔｇｐｏｅｓｔｈｅｉｉｆｔｖｈｓｉ
ｅｒｒｏｉｔｒｏｆｗｄｈ，ｗｉｈｂｔｅｎｔｅｆｉｈｄｐｏｕｔａｄｃｓｏｒｒｑｉｅｎｓＴｋｎｈｔｍｐｒｔｒｅｇｔｅｗｅｈｉｓｅｒｄｃｎｕｔｍｅｅｕｒｍｅｔ．ａｉｇｔｅｅｅａｕｅ，ｓｅｄ，ｎｐｅ
ｄｓｇｆｒｃｅｑａｔａｖａａｔｎｈａｓｔｎｒｃｓｓｒａｉｄｂｓｇｍｕｔｏｊｃｉｅｇｎｔｌｏｔｍｅｉｎｏｅｉｕｎｉｔｅｐｒｍｅｒｉｅｔｅｔｇｐｏｅｓｉｅｌｅｙｕｉｌ—ｂｅｔｅｅｃａｇｒｈｐｓｔｉｅｉｚｎｉｖｉｉ
ｆｅｉｇｒｔｎｅｗｄｈａｐｉｚｔｎｖｒｂｅ，ｔｅｍｕｔｏｊｃｉｅｏｔｉａｏｏｅｉｅｔｂｉｅ．Ｔｅ，ｈｅｄｎｅａｄｔｉｔｓｔａｏａｉｌｓｈｌ・ｂｅｔｐｉｚｔｎｍｄｉａｓ