基于遗传算法和神经网络算法的吊车结构优化设计与实现
基于神经网络和遗传算法的电子设备结构优化
基于神经网络和遗传算法的电子设备结构优化电子设备在现代社会中起着至关重要的作用，不断推动科技和工业的发展。
为了提高电子设备的性能和效能，结构优化成为了一个日益重要的研究方向。
本文将介绍一种基于神经网络和遗传算法的方法来优化电子设备的结构。
一、引言电子设备的结构优化是指通过改变电子组件的布局和连接方式来最大限度地提高设备的性能。
结构优化旨在实现更低的功耗、更高的速度和更小的尺寸。
然而，由于电子设备的结构庞大且复杂，传统的优化方法往往难以找到最佳解。
因此，采用基于神经网络和遗传算法的结构优化方法可以有效地解决这一问题。
二、神经网络的应用神经网络是一种模拟人类神经系统工作原理的数学模型。
在电子设备结构优化中，神经网络可以用来建立设备结构与性能之间的映射关系。
通过训练神经网络，我们可以得到一个近似于最优解的结构。
三、遗传算法的应用遗传算法是一种模拟自然选择和遗传机制的优化方法。
在电子设备结构优化中，遗传算法可以通过模拟生物进化过程来搜索最佳解。
通过不断进化和选择，我们能够找到较优的电子设备结构。
四、神经网络和遗传算法的结合将神经网络和遗传算法结合起来，可以充分利用两者的优势，提高电子设备结构优化的效果。
首先，通过神经网络的训练，我们可以得到一个初步优化的电子设备结构。
然后，通过遗传算法的演化过程，我们可以进一步优化电子设备的结构，并逐渐接近最佳解。
五、案例研究为了验证基于神经网络和遗传算法的电子设备结构优化方法的有效性，我们进行了一个实际案例研究。
我们选择了一款智能手机的电路板结构进行优化。
首先，我们使用神经网络对电路板结构进行初步优化，得到一个较优的初始解。
然后，我们使用遗传算法对初始解进行进一步优化。
通过多次迭代，我们得到了一个接近最佳解的电路板结构。
六、结论基于神经网络和遗传算法的电子设备结构优化方法能够有效提高电子设备的性能和效能。
通过充分利用神经网络和遗传算法的优势，我们能够找到接近最佳的电子设备结构。
神经网络与遗传算法相结合的优化方法
神经网络与遗传算法相结合的优化方法随着科技的不断发展，人工智能技术也越来越成熟，其中神经网络和遗传算法是两种比较常见的优化方法。
神经网络是一种基于人脑神经系统的计算模型，它可以通过输入和输出数据来学习并预测未知的数据。
而遗传算法则是一种基于生物进化的计算优化方法，通过模拟进化过程来寻找最优解。
在实际应用中，单独使用神经网络或遗传算法可能会存在一些问题。
例如，神经网络可能会受到噪声数据的影响，导致训练过程不够稳定；而遗传算法可能会受到局部最优解的限制，从而难以找到全局最优解。
因此，将神经网络和遗传算法相结合，可以弥补彼此的不足，提高优化效果。
神经网络和遗传算法相结合的优化方法大致可以分为两种：基于神经网络的遗传算法和基于遗传算法的神经网络优化。
基于神经网络的遗传算法是指将神经网络作为遗传算法中的染色体，通过遗传算法对神经网络的权重和偏置进行优化。
首先，将神经网络的权重和偏置随机生成，并用其计算出目标函数值作为该染色体的适应度。
然后，使用遗传算法的选择、交叉和变异操作对染色体进行进化，直到满足终止条件为止。
最后，选择适应度最高的神经网络作为最优解。
基于遗传算法的神经网络优化是指使用遗传算法来优化神经网络的拓扑结构和参数。
首先，通过遗传算法生成多个随机的神经网络拓扑结构，并计算它们的目标函数值。
然后，使用遗传算法的选择、交叉和变异操作对拓扑结构进行进化，得到新的神经网络结构。
接着，针对每个神经网络进行参数优化，即对权重和偏置进行遗传算法优化。
最后，选择适应度最高的神经网络作为最优解。
这两种方法都是神经网络和遗传算法相结合的优化方法，但具体应用时需要根据实际情况进行选择。
例如，在数据量较小的情况下，基于神经网络的遗传算法可能更加有效，因为神经网络可以更好地拟合数据；而在数据量较大且结构复杂的情况下，基于遗传算法的神经网络优化可能更加适合，因为遗传算法可以更好地处理大规模的优化问题。
综上所述，神经网络和遗传算法相结合的优化方法具有优化效果好、稳定性高等优点，在实际应用中有着广泛的应用前景。
基于遗传算法和神经网络的汽车板簧支架多目标优化设计
基于遗传算法和神经网络的汽车板簧支架多目标优化设计摘要：本文探讨了一种方法。
起首，我们介绍了汽车板簧支架的背景和重要性。
然后，我们详尽介绍了遗传算法和神经网络的原理和应用。
接着，我们阐述了我们的多目标优化设计方法以及实施步骤。
最后，我们使用该方法对某款汽车板簧支架进行了优化设计试验，并对试验结果进行了分析和谈论。
试验结果表明，接受我们提出的方法，能够显著提高汽车板簧支架的性能和效能。
1. 引言汽车板簧支架作为汽车重要的结构零部件之一，承担着车辆悬挂系统的承载和减震功能。
其设计质量直接影响了汽车的悬挂和行驶性能。
因此，如何优化设计汽车板簧支架成为了汽车工程师们关注的焦点。
2. 遗传算法遗传算法是一种受到自然进化启发的优化算法，主要用于解决复杂的组合优化问题。
其基本原理是模拟自然界中的进化过程，通过模拟遗传、变异、选择等操作来查找最优解。
遗传算法具有全局查找能力和适应性优势，能够较好地解决多目标优化问题。
3. 神经网络神经网络是一种模拟人类神经系统工作方式的数学模型，通过构建多层网络结构，模拟神经元之间的毗连和传递，实现信息处理和进修功能。
神经网络可以通过进修和训练不息优化模型参数，从而提高性能。
在优化设计问题中，神经网络可以通过进修代表问题解空间的非线性映射干系，援助查找最优解。
4. 多目标优化设计方法本文提出的多目标优化设计方法由遗传算法和神经网络相结合。
详尽步骤如下：(1) 收集问题相关数据和参数，包括汽车板簧支架的几何参数、材料特性和载荷要求等。
(2) 利用遗传算法进行初始设计，生成一组优化的初始个体集合。
(3) 使用神经网络对初始个体集合进行评估，得到每个个体的性能指标。
(4) 依据性能指标对个体进行排序和选择，保留一部分优秀个体。
(5) 使用遗传算法进行遗传操作（交叉和变异），生成新的个体集合。
(6) 重复步骤(3)~(5)，直到达到设计要求。
5. 试验结果分析我们以某款汽车板簧支架为例进行了优化设计试验，并对试验结果进行了分析和谈论。
基于遗传算法的人工神经网络模型构建与优化研究
基于遗传算法的人工神经网络模型构建与优化研究人工神经网络（Artificial Neural Network，ANN）是一种模仿生物神经网络结构和功能的计算模型，通过模拟神经元之间的连接和信号传递，能够实现机器学习和模式识别任务。
而遗传算法（Genetic Algorithm，GA）是一种基于自然选择和遗传机制的优化算法，通过模拟生物进化过程来寻找最优解。
本文将探讨基于遗传算法的人工神经网络模型的构建与优化研究。
首先，构建人工神经网络模型是研究的首要任务。
人工神经网络由多个神经元和这些神经元之间的连接组成。
每个神经元接收来自其他神经元的输入，并通过激活函数对输入信号进行加权计算，最终输出结果。
遗传算法可以应用于优化神经元的连接权重和调整激活函数的参数，以获得更好的网络性能。
在构建人工神经网络模型时，首先需要确定网络的拓扑结构，包括输入层、隐藏层和输出层的神经元数量，以及它们之间的连接方式。
遗传算法可以通过进化过程搜索最佳的拓扑结构，以提高神经网络的性能。
遗传算法通过定义适应度函数来衡量每个个体的适应度，适应度高的个体将更有可能被选中下一代进化。
通过遗传算法的迭代过程，我们可以找到最佳的拓扑结构。
其次，优化神经元的连接权重是构建人工神经网络模型的关键一步。
连接权重决定了不同神经元之间的信号传递强度。
遗传算法可以通过进化过程调整连接权重，以找到最佳的权重组合。
在遗传算法的优化过程中，通过交叉和变异等操作，通过上一代个体中的优秀基因来生成新的个体，逐步优化连接权重，使神经网络的性能得到提高。
此外，还可以使用遗传算法来优化激活函数的参数。
激活函数决定了神经元输出的非线性特性，常用的激活函数包括Sigmoid、ReLU、Tanh等。
通过调整激活函数的参数，我们可以改变神经元的响应特性，从而使网络更好地拟合训练数据。
遗传算法可以在多个激活函数和参数组合中搜索最佳的选择，以提高神经网络的性能。
此外，在进行人工神经网络的训练和优化时，还可以使用遗传算法来选择最优的训练样本和参数初始化方法。
基于遗传算法和神经网络算法的吊车结构优化设计与实现
·制造业信息化·图1吊车结构系统有限元模型Fig.1The finite element model of a fixed craneBased on Genetic Algorithms and Artificial Neural Network Algorithms to Optimize the Structure Designand Implementation of CraneXUE Jia-Hai ，YU Xiao-Mo ，QING Ai-Ling ，ZHOU Wen-Jing ，YE Jun-Ke（College of Mechanical Engineering,Guangxi University,Nanning Guangxi 530004,China ）Abstract:This paper by using the finite element method,orthogonal test method,BP neural network and genetic algorithm to optimization of crane structure system.At last ，the neural network model will be optimized through the generic algorithm and the optimal parameters of the structure dynamic behavior will be obtained ．Key words ：finite element ；orthogonal experimental method ；BP-neural network ；genetic algorithm0引言随着吊车向大型化方向发展，结构在动载荷作用下的振动问题变得日益突出。
因此，进行基于动态特性的优化设计，使产品在设计阶段就可以预测其动态特性，可有效减小系统的振动，提高整机工作性能。
基于遗传算法的神经网络结构优化研究
基于遗传算法的神经网络结构优化研究随着科学技术的不断发展，计算机的应用越来越广泛，神经网络也正因此而受到了越来越多的关注。
神经网络作为一种模拟人脑工作方式的人工智能模型，已经广泛应用于图像识别、自然语言处理、机器翻译等领域。
然而，神经网络结构的优化一直是一个难点问题。
不同的神经网络结构对不同的任务可能有不同的优势，在面对复杂的任务时，需要通过不断尝试和改进来找到最优的神经网络结构。
遗传算法作为一种全局优化方法，在神经网络结构优化中发挥了重要的作用。
一、神经网络结构优化神经网络结构包括层数、每层神经元的个数、激活函数等多个方面。
一般来说，神经网络结构的优化目标是在保证准确率的前提下，尽可能的减小网络的大小和复杂度。
因为这可以提高网络的泛化能力和运行效率，同时也可以使得网络更容易被理解和解释。
神经网络结构的优化方法包括手动设计、网格搜索、随机搜索、贪心搜索、遗传算法等。
其中，手动设计需要对网络具有深刻的理解和丰富的经验，耗费的时间和精力较大；网格搜索和随机搜索具有全局搜索的性质，但不易处理高维空间的问题；贪心搜索对于局部最优解的探索较为有效，但缺乏全局搜索能力。
而遗传算法则通过基因变异和交叉等递归操作自动寻找最优解，具有较好的全局搜索和优化性能。
二、遗传算法原理遗传算法是基于生物遗传学的一种全局优化算法，其主要思想是模拟自然进化的过程，通过对一个群体进行选择、交叉和变异等操作，逐步迭代出适应度较高的个体。
在神经网络结构优化中，遗传算法可以通过设计适应度函数，将网络的准确率和大小等因素加以权衡，找到最优的结构。
遗传算法主要分为四个步骤：初始化、选择、交叉和变异。
初始化时，随机生成一组个体，即网络结构参数的一组随机取值。
选择时，通过适应度函数对个体进行排序和筛选，保留适应度较高的个体并淘汰适应度较低的个体。
交叉时，选择两个适应度较高的个体进行杂交，生成新的个体。
变异时，随机选取个体的某些参数值进行修改，以增加多样性和搜索空间。
基于遗传算法的结构优化设计
基于遗传算法的结构优化设计背景介绍在现代工程设计中，结构优化设计是一个重要的环节。
通过优化设计，可以提高结构的载荷能力、降低材料的消耗、提高工程效益等。
而基于遗传算法的结构优化设计方法，正是一种有效的工具。
本文将从理论基础、算法原理、实际应用等方面，探讨基于遗传算法的结构优化设计的方法和意义。
理论基础基因是生物遗传信息的基本单位，而遗传算法正是通过模拟生物进化过程中的基因选择和交叉等操作，来搜索最优解的一种智能优化算法。
基于遗传算法的结构优化设计，依托于遗传算法的强大搜索能力，能够高效地寻找到较优的结构参数组合，从而实现结构的优化设计。
算法原理基于遗传算法的结构优化设计一般包括以下步骤：1. 初始化种群：随机生成一定数量的结构参数组合作为初始种群。
2. 适应度评估：根据设计需求，通过数学建模和有限元等方法，评估每个个体的适应度，即结构参数组合的优劣程度。
3. 选择操作：根据适应度的大小，选择适应度较高的个体作为下一代的父代。
4. 交叉操作：将选择出的父代个体进行杂交，生成新的个体。
5. 变异操作：对新生成的个体进行变异，引入一定的随机性。
6. 更新种群：用新的个体替代旧的个体，形成下一代种群。
7. 结束判断：根据预设的终止条件，判断是否达到迭代终止，如达到则结束；否则返回步骤2进行下一轮迭代。
实际应用基于遗传算法的结构优化设计已经在多个领域得到了广泛的应用，如航空航天、建筑工程、汽车制造等。
以航空航天为例，通过优化设计空间结构，可以减轻飞机的自重，提高载荷能力和机动性能。
而基于遗传算法的结构优化设计，可以快速搜索到满足设计要求的结构参数组合，大大缩短了设计周期，降低了设计的成本和风险。
结构优化设计实例以建筑工程领域的柱子设计为例，假设需要设计一个满足一定承载能力的柱子。
首先，通过遗传算法生成一定数量的柱子参数组合作为初始种群。
然后，通过有限元分析方法，对每个柱子进行载荷模拟，计算其承载能力。
根据承载能力大小，选择适应度较高的柱子作为下一代的父代，并进行杂交和变异操作。
基于整数编码遗传算法改进的起重机主梁优化
述假设 ，但设 计 变量 取 连 续 值 ，而 主梁 优 化 属 于 非线性 的离 散 变 量 约 束 的优 化 设 计 问题 【 ，还 须 。 Ｊ
国家 自然 科 学 基 金 （ ００ ０ ７ ，浙 江 省 科 技 计 划 重 大专 项 （０ ９ １１４） ５ ７５ ８ ） ２０ Ｃ １６
《 起重运输机械》 ２ １ （ ） ０ ２ ８
０ 引言
起 重机是 在 国 民 经济 中发 挥 重 要 作 用 的装 备 型产 品 ，它 需 要 消 耗 大量 的 钢 材 ，轻 量 化 是 其 发
展趋势 之一 。由 于 主梁 占起 重 机 总 质 量 的 ６ ％ 左 ０
对 结果 进 行 离 散 化 处 理 ，此 时不 能 保 证 最 后 的结
果 仍满 足 约束 条 件 ，另 外 ，正 应 力 约 束 条 件 和 刚
度 约束 条件 具体 公式 未描 述清楚 。 另 一方 面 ，各 种 优 化 算 法 如 神 经 网 络 ¨ 、遗 传算 法 ，＇ 、改 进 差 分 进 化 算 法 Ｊ 、粒 子 群 优 化 等 被用 于 主梁 优 化 求解 ，其 中 的遗 传 算 法 采 用二进 制 编码 ，需 要 不 断 地 编 码 和解 码 ，使 得 计
一 ４ １—
状 态 ２ ）取 整 数 ，不 能解 决 同时满 足设 计 变量 的 …
１ ）强 度约束 条件
＝
值 取整 数 、值 的取 值 范 围 不 同 、设 计 变 量 之 间 必
须 满足一 定 约束条 件 的情况 。 在 企业 与 市 场 的实 际 应 用 中 ，起 重 机 主 梁 通 常选用 Ｑ ３ ２ ５钢 板 ，其厚 度通 常 为 离散 的整 数 。为 此 ，针 对前 述 研 究 的 不 足 ，对 起 重 机 主 梁优 化模 型进行 补 充 和 完 善 ，对 传 统 整 数 编 码 的遗 传 算 法 进 行改 进并 应用 于起重 机 主梁 的优 化求 解 。
- 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)。
机 电产 品 开 崖 剀 新
Ｖｏ １ ． ２６ ， Ｎｏ ． １ Ｊ ａ ｎ． ， ２ ０１ ３
基 于遗传算法和神经 网络算法 的 吊车结构优化设计 与实现
薛加 海 ，于 晓 默 ，秦 爱玲 ，周 文景 ，叶俊 科
（ 广西 大学 机 械 工 程 学 院 ，广 西 南 宁 ５ ３ ０ ０ ０ ４ ）
Ａｂｓ ｔ ｒ ａ ｃ ｔ ：Ｔｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｂ ｙ ｕ ｓ ｉ ｎ ｇ ｔ ｈ ｅ ｉ ｆ ｎｉ ｔ ｅ ｅ ｌ ｅ ｍｅ ｎ ｔ ｍｅ ｔ ｈｏ ｄ ，ｏ ｒ ｔ ｈｏ ｇ ｏ ｎ ｌ ａ ｔ ｅ ｓ ｔ ｍｅ ｔ ｈ ｏｄ ，ＢＰ ｎｅ ｕ ｒ ａ ｌ ｎｅ ｔ ｗｏｒ ｋ ｎｄ ａ ｇ ｅ ｎｅ ｄｃ ｌｇ ａ ｏｒ ｉ ｔ ｈ ｍ ｔ Ｏ ｏ ｐｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ｏｆ ｃ ｒ ｎｅ ａ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｓ ｙｓ ｔ ｅ ｍ ．Ａｔ ｌ ａ ｓ ｔ ，ｔ ｈ ｅ ｎ ｅ ｕ ｒ ｌ ａ ｎ ｅ ｔ ｗ ｏｒ ｋ ｍｏ ｄ ｅ ｌ ｗｉ ｌ ｌ ｂｅ ｏｐ ｔ ｉ ｍｉ ｚ ｅ ｄ ｔ ｈｒ ｏ ｕｇ ｈ ｈｅ ｔ ｇ ｅ ｎ ｅ ｉｃ ｔ ｌｇ ａ ｏ ｒ ｉ ｔ ｈ ｍ ｎｄ ａ ｈｅ ｔ ｏ ｐ ｉｍａ ｔ ｌ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｓ ｒ ｏ ｆ ｈｅ ｔ ｓ ｔ ｒ ｕｃ ｔ ｕ ｒ ｅ ｄ ｙ ｎ ａ ｍｉ ｃ ｂ ｅ ｈａ ｖ ｉ ｏｒ ｗｉ ｌ ｌ ｂｅ ｏ ｂ￣ｉ ｎ ｅ ｄ ． Ｋｅ ｙ ｗｏｒ ｄｓ： ｆ ｉ ｎｉ ｔ ｅ ｅ ｌ ｅ ｍｅ ｎｔ ；ｏ ｒ ｔ ｈｏ ｇ ｏ ｎａ ｌ ｅ ｘ ｐｅ ｒ ｉ ｍｅ ｎ ｔ ｌ ａ ｍｅ ｔ ｈｏ ｄ；ＢＰ—ｎｅ ｕｒ ｌ ａ ｎ ｅ ｔ ｗｏ ｒ ｋ； ｇ ｅ ｎ ｅ ｉ ｔ ｃ ｌｇ ａ ｏ ｒ ｉ ｔ ｈｍ
Ｂａ ｓ ｅ ｄ ｏ ｎ Ｇｅ ｎ ｅ ｔ ｉ ｃ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ ａ ｎ ｄ Ａｒ ｔ ｉ ｉ ｆ ｃ ｉ ａ ｌ Ｎｅ ｕ ｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ Ａｌ ｇ ｏ ｉｔ ｒ ｍ ｓ ｈ ｔ ｏ Ｏｐ ｔ ｉ ｍｉ ｚ ｅ ｔ ｈ ｅ Ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ Ｄｅ ｓ ｉ ｇ ｎ ａ ｎ ｄ Ｉ ｍｐ ｌ ｅ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｃｒ ａ ｎ ｅ Ｘ Ｕ Ｅ Ｈ ａ ｉ ，Ｙ ＵＸ ｉ ａ ｏ － Ｍｏ ，Ｑ Ｉ ＮＧ Ａ ｉ － Ｌ ｉ ｎ ｇ ， Ｚ Ｈ Ｏ Ｕ Ｗｅ ｎ － Ｊ ｉ ｎ ｇ ，Ｙ Ｅ Ｊ ｕ ｎ — Ｋ ｅ
关 键词 ：有 限元 法 ；正 交试验 法 ；Ｂ Ｐ神 经 网络 ；遗传 算 法
中 图 分 类 号 ：Ｔ Ｐ １ ８ 文 献 标 识 码 ：Ａ ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｉ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ２ — ６ ６ ７ ３ ． ２ ０ １ ３ ． ０ １ ． ０ ３ ７
ｌ
的神 经 网络 模 型寻优 ，计 算 出可 行 区域 内动 态特 性最 优
优化设计 ，使产 品在设计阶段就可 以预测其动态特性 ， Ｊ 时 的设计 变量 及 目标值 。
可有效减小系统的振动 ，提高整机工作性能。结构动力 ｌ
ｌ
０ 引 言
其适 用 于工 程技 术人 员使 用 。由于 吊车结 构 系统 的动态 ｌ
析过 程 简单 而直 接 ，且 远 比有 限元模 型计 算 速度 快 ，尤
随着 吊车 向大 型化 方 向发展 ，结构 在 动载 荷 作用 下 ｌ 特性 很难 用 设计 变量 显 式表 达 ，因此 用遗 传算 法对 建立 的振 动 问题 变得 日益 突 出。 因此 ，进行 基 于动 态 特性 的
（ Ｃｏ ｎ ｅ ｇ ｅ ｏ ｆ Ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｇｕ ａ ｎ ｇ ｘ ｉ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｎａ ｍｉ ｎ ｇ Ｇｕ ｎｇ ａ ｘ ｉ ５ ３ ０ ０ ０ ４ ， Ｃｈ ｉ ｎ ａ ）
摘பைடு நூலகம்
要 ：论 文 综合 利 用 Ｂ Ｐ神 经 网络 、遗传 算 法 有 限元 法 以及 正 交试 验 法对 吊车结构 系统 进行 优化 研 究 。利
用遗传 算 法和 Ｂ Ｐ神 经 网络 建立 复杂 结构 系统动 态优 化 的计 算模 型 ，该模 型 可代 替 系统原 来 的有 限 元 模 型 。首 先 对 吊车起 重机 结 构 系统进 行 模 态 分析 及谐 响 应 动 力 学分析 ，找 出对 结 构 动 态特 性 影 响最 大 的模 态频 率 ，再利 用灵敏 度 分 析 ，确 定 对动 态特 性 较敏 感 的设 计 变量 作 为神 经 网络 的 输入 变量 ，并 利 用正 交试 验 法确 定神 经 网络 训 练样 本 ，用有 限 元模 型 计 算 出样 本 点数 据 ，建 立反 映 结 构 振 动特 性 的人 工神 经 网络 模 型 ，最后 利 用遗 传算 法 对所 建 立 的神 经 网络 模 型 寻优 ，得 到 使 结 构 动 态性 能 最优 的设 计参数 。
第２ ６卷 第 １期 ２ ０ １ ３年 １月 文 章 编 号 ：１ ０ ０ ２ — ６ ６ ７ ３（ ２ ０ １ ３ ）Ｏ １ — ０ ９ ３ — ０ ３
Ｄｅ ｖ ｅ ｌ ｏ ｐ ｍｅ ｎ ｔ ＆Ｉ ｎ ｎ ｏ ｖ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｍａ ｃ ｈ ｉ ｎ ｅ ｒ ｙ＆ Ｅ ｌ ｅ ｃ ｔ ｉｃ ｒ ａ ｌ Ｐ ｒ ｏ ｄ ｕ ｃ ｔ ｓ