遗传算法
遗传算法的基本原理与流程
遗传算法的基本原理与流程遗传算法是一种模拟生物进化过程的优化算法，它通过模拟自然选择、交叉和变异等过程，逐步搜索最优解。
本文将介绍遗传算法的基本原理与流程。
一、基本原理遗传算法的基本原理是基于达尔文的进化论和孟德尔的遗传学理论。
它将问题的解表示为一个个体的染色体，染色体由基因组成。
每个基因代表问题的一个变量或决策。
通过改变基因的组合，可以得到不同的解。
而适应度函数则用来评估每个个体的适应程度，即解的优劣程度。
遗传算法的核心思想是通过模拟自然选择、交叉和变异等过程，逐步优化解的质量。
在自然选择中，适应度高的个体有更大的概率被选择为父代，而适应度低的个体则有较小的概率被选择。
交叉操作模拟了生物的基因交换过程，将两个父代个体的染色体片段进行交叉，生成新的个体。
变异操作则模拟了基因突变的过程，通过改变染色体中的基因值，引入新的解。
二、流程遗传算法的流程一般包括初始化、选择、交叉、变异和更新等步骤。
1. 初始化：首先，需要确定问题的解空间和染色体编码方式。
然后，随机生成一组初始个体作为种群。
2. 选择：根据适应度函数，选择适应度较高的个体作为父代。
常见的选择方法有轮盘赌选择、锦标赛选择等。
3. 交叉：从父代中选取两个个体进行交叉操作，生成新的个体。
交叉操作可以是单点交叉、多点交叉或均匀交叉等。
4. 变异：对新生成的个体进行变异操作，引入新的解。
变异操作可以是位变异、插入变异或交换变异等。
5. 更新：根据适应度函数，选择新生成的个体和原始个体中适应度较高的个体，更新种群。
以上步骤可以迭代执行，直到满足终止条件，例如达到最大迭代次数或找到满意的解。
三、应用与优势遗传算法广泛应用于组合优化、函数优化、机器学习等领域。
它具有以下优势：1. 全局搜索能力：遗传算法能够在解空间中进行全局搜索，避免陷入局部最优解。
2. 并行性：由于遗传算法的并行性，可以同时处理多个个体，加快搜索速度。
3. 适应性：遗传算法能够自适应地调整搜索策略，根据不同问题的特点进行优化。
遗传算法的原理
遗传算法的原理遗传算法是一种基于自然选择和遗传进化理论的优化算法，它模拟了自然界中生物种群的进化过程，通过对种群个体的基因组合、变异、交叉等操作，逐步优化种群的适应度，最终得到最优解。
遗传算法的基本原理是通过不断迭代的方式，从初始解开始，逐步搜索解空间中的最优解。
具体而言，遗传算法包括以下几个步骤：1.初始化：首先随机生成一组初始解，也就是种群，每个个体都由一组基因表示。
2.选择：根据适应度函数，选择一部分个体作为父代，这些个体具有更好的适应度，有更大的概率被选择到下一代。
3.交叉：将父代个体的基因进行随机组合，生成新的个体。
交叉操作的目的是产生新的基因组合，增加种群的多样性，避免陷入局部最优解。
4.变异：在新个体中随机选择一些基因进行变异，即将基因值进行随机改变。
变异操作的目的是引入新的基因组合，增加种群的多样性，有助于跳出局部最优解。
5.评价：根据适应度函数，对新个体进行评估，计算其适应度值。
适应度函数是用来评价个体在解空间中的优劣程度的函数。
6.筛选：根据适应度值，选择一部分个体作为下一代种群。
一般来说，适应度值越高的个体被选择的概率越大。
7.迭代：对于新的种群，进行交叉、变异等操作，重复上述步骤，直到达到预设条件或达到最大迭代次数。
遗传算法的优点是适用于各种类型的问题，而且具有全局寻优能力，能够得到全局最优解。
另外，遗传算法具有并行处理能力，可以加速求解过程。
不过，遗传算法也存在一些缺点，比如需要大量的计算资源，而且求解过程可能会陷入局部最优解。
在实际应用中，遗传算法已经被广泛应用于各种领域，比如工程设计、机器学习、金融分析等。
遗传算法能够帮助我们在复杂的问题中寻找最优解，提高效率和准确度。
遗传算法的选择操作
遗传算法的选择操作
遗传算法的选择操作是在进化过程中用于选择优秀个体的操作。
选择操作决定了哪些个体将被传递到下一代，并决定了进化过程中的多样性程度。
常见的遗传算法选择操作包括：
1. 轮盘赌选择（Roulette Wheel Selection）：按照适应度比例来选择个体，适应度高的个体被选中的概率较大。
该方法模拟了轮盘赌的选择方式。
2. 锦标赛选择（Tournament Selection）：随机选择一定数量的个体，然后从中选择适应度最高的个体作为父代个体。
该方法好处是可以保证一部分适应度较低的个体也有机会被选择。
3. 排序选择（Rank Selection）：根据个体的适应度值进行排序，然后按照排名来选择个体。
适应度较高的个体排名较靠前，被选中的概率较大。
4. 锦标赛选择（Tournament Selection）：随机选择一定数量的个体，然后从中选择适应度最高的个体作为父代个体。
该方法好处是可以保证一部分适应度较低的个体也有机会被选择。
5. 随机选择（Random Selection）：对个体进行随机选择，每个个体被选中的概率相等。
选择操作的目标是保持适应度高的个体，并且保持种群的多样性。
不同的选择操作对于种群的进化过程和效果都有影响，选择合适的选择操作能够提高算法的性能和效果。
遗传算法解释及代码(一看就懂)
遗传算法( GA , Genetic Algorithm ) ，也称进化算法。
遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。
因此在介绍遗传算法前有必要简单的介绍生物进化知识。
一.进化论知识作为遗传算法生物背景的介绍，下面内容了解即可：种群(Population)：生物的进化以群体的形式进行，这样的一个群体称为种群。
个体：组成种群的单个生物。
基因 ( Gene ) ：一个遗传因子。
染色体 ( Chromosome )：包含一组的基因。
生存竞争，适者生存：对环境适应度高的、牛B的个体参与繁殖的机会比较多，后代就会越来越多。
适应度低的个体参与繁殖的机会比较少，后代就会越来越少。
遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。
简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变( Mutation ) ，适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。
那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。
二.遗传算法思想借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。
这样进化N代后就很有可能会进化出适应度函数值很高的个体。
举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取）；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。
这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。
编码：需要将问题的解编码成字符串的形式才能使用遗传算法。
遗传算法基本原理
遗传算法基本原理遗传算法是一种优化算法，其基本原理是模仿自然界中的进化过程，通过遗传和进化的操作来问题的解空间，从而找到最优解或近似最优解。
遗传算法的基本原理包括：个体表示、适应度函数、选择、交叉、变异和种群进化。
首先，个体表示是指如何将问题的解表示为遗传算法中的个体。
常用的表示方法有二进制编码、实数编码和排列编码等。
个体表示方式的选择应根据问题的特点来确定，以便能够准确、高效地描述问题解空间。
其次，适应度函数用于衡量个体的适应程度，即它们在解决问题中的优劣程度。
适应度函数需要根据问题的具体要求进行设计，常用的度量指标有目标函数值、约束函数违反程度等。
然后，选择操作根据个体的适应度对种群中的个体进行筛选，以选择出适应度较高的个体作为下一代的父代。
选择操作的目的是保留优秀个体，使其有更大的机会产生后代，从而使种群整体的适应度改进。
接着，交叉操作模拟生物界中的基因交换过程，将两个或多个个体的染色体片段进行组合，产生新的个体。
交叉操作的目的是通过交换和重组有价值的信息，以期望产生更好的后代。
变异操作模拟自然界中的基因突变过程，对个体的一些位进行随机改变，引入一定的随机性。
变异操作的目的是引入新的基因组合，以避免种群收敛到局部最优解。
最后，种群进化是指通过重复进行选择、交叉和变异操作来更新和演化种群，直到达到停止条件为止。
重复进行这些操作可以模拟自然界中的进化过程，逐步使种群逼近最优解。
种群进化过程中需要综合考虑选择压力、交叉概率、变异概率等参数的调整，以平衡探索和利用的关系。
总之，遗传算法通过模拟自然界中的进化过程，利用遗传、交叉和变异操作来问题的解空间，从而找到最优解或近似最优解。
其基本原理包括个体表示、适应度函数、选择、交叉、变异和种群进化。
遗传算法在优化、机器学习等领域具有广泛应用。
遗传算法的公式
遗传算法的公式
遗传算法的公式可以按照以下方式表示：
1. 初始化种群：
- 使用随机方法初始化一组候选解，即种群；
- 每个候选解可以用一个长度为N的二进制编码来表示，其中N是问题的解空间的维度。
2. 适应度评价：
- 对种群中的每个候选解，计算其适应度值；
- 适应度函数根据问题的特定要求来定义，用于度量候选解的质量。
3. 选择操作：
- 根据适应度值，选择一定数量的个体作为父代；
- 常见的选择方法包括轮盘赌选择、锦标赛选择等。
4. 交叉操作：
- 从父代中选择两个个体，进行交叉操作，生成新的后代个体；
- 交叉操作可以采用单点交叉、多点交叉等方式。
5. 变异操作：
- 对后代个体进行变异操作，引入新的基因信息；
- 变异操作可以随机改变一个或多个基因的值。
6. 更新种群：
- 将父代和后代个体合并，更新种群，生成新一代。
7. 终止条件判断：
- 根据预设条件（如达到最大迭代次数、适应度足够高等），判断是否满足终止条件；
- 如果满足，停止算法；否则，返回第2步。
最终，遗传算法通过不断地迭代、选择、交叉和变异操作，在搜索空间中寻找到最优解或近似最优解。
遗传算法 算法原理
遗传算法算法原理（原创实用版）目录1.遗传算法的概述2.遗传算法的原理3.遗传算法的应用正文一、遗传算法的概述遗传算法（Genetic Algorithm，简称 GA）是一种模拟自然界生物进化过程的优化算法。
其核心思想是基于自然选择、遗传和突变等生物学原理，通过群体中的个体在不断迭代中进行优胜劣汰，达到解决问题和优化目标的效果。
遗传算法在解决复杂问题、非线性问题和全局最优解问题等方面具有较强的优势，广泛应用于各个领域。
二、遗传算法的原理1.遗传操作遗传算法的基本操作包括选择、交叉和变异。
选择操作是根据适应度函数对当前群体中的个体进行评估，选择优秀个体进行繁殖。
交叉操作是将选中的优秀个体进行染色体互换，产生新的后代。
变异操作是在后代中随机选择某个位点进行变异，以一定的概率产生新的特性。
2.适应度函数适应度函数是遗传算法中的重要概念，用于评估每个个体的优劣程度。
适应度函数的取值范围为 [0, 1]，其中 1 表示最优解，0 表示最劣解。
在遗传算法中，适应度函数的取值会直接影响到个体的选择和淘汰。
3.遗传算法的基本流程遗传算法的基本流程如下：（1）初始化种群：创建一个初始种群，包括多个随机生成的个体，每个个体表示一个解。
（2）评估适应度：计算种群中每个个体的适应度值。
（3）选择操作：根据适应度值对种群进行选择，选择一定数量的优秀个体进行繁殖。
（4）交叉操作：对选中的优秀个体进行染色体互换，生成新的后代。
（5）变异操作：在后代中随机选择某个位点进行变异，以一定的概率产生新的特性。
（6）更新种群：将新产生的后代替换掉原种群中一些适应度较低的个体，形成新的种群。
（7）重复步骤 2-6，直至满足停止条件。
三、遗传算法的应用遗传算法在许多领域都取得了显著的应用成果，如机器学习、控制系统、信号处理、图像处理、运筹学等。
遗传算法公式
遗传算法公式遗传算法是一种优化算法，它模拟了生物进化中的遗传过程，通过不断迭代和优化，寻找最佳的解决方案。
遗传算法的核心是基因编码和遗传操作。
在遗传算法中，每个解决方案都被看作是一个个体，而每个个体都具有一组基因，这些基因决定了个体的特征和性能。
为了优化问题，遗传算法会对这些基因进行遗传操作，包括选择、交叉和变异，以产生更好的后代。
在本文中，我们将介绍遗传算法的公式和应用。
基因编码在遗传算法中，每个个体都被编码为一个染色体，而染色体则由一组基因组成。
基因编码可以采用不同的方式，包括二进制编码、实数编码和排列编码等。
其中，二进制编码是最常用的一种方式，它将个体的每个基因都表示为一个二进制位，0表示基因不存在，1表示基因存在。
例如，假设我们要优化一个问题，其中每个解决方案都由4个变量组成，分别是x1、x2、x3和x4，而这些变量的取值范围都在[0,1]之间。
则我们可以将每个变量都用10位二进制数来表示，例如，x1=0.1011010110，x2=0.0010100011，x3=0.1100111010，x4=0.0111100101。
这样，每个个体就可以用一个40位的二进制串来表示。
选择操作选择操作是遗传算法中的基本操作之一，它的目的是从当前种群中选出一部分个体，作为下一代种群的父代。
选择操作通常根据个体的适应度值来进行，适应度值越高的个体被选中的概率就越大。
在遗传算法中，适应度值通常由目标函数来计算，目标函数的值越小，个体的适应度值就越高。
选择操作可以采用多种方式，包括轮盘赌选择、竞标选择和锦标赛选择等。
其中，轮盘赌选择是最常用的一种方式，它的原理是根据个体的适应度值来分配一个相对概率，然后随机选择一个个体作为父代。
具体来说，假设当前种群中有N个个体，每个个体的适应度值为f(i)，则个体i被选中的概率可以用下面的公式来计算：P(i)=f(i)/Σf(j)其中，Σf(j)表示当前种群中所有个体的适应度值之和。
- 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)。
作业1： 1、多目标优化的基本方法是什么？ 答：1）传统方法 绝大多数传统的多目标优化方法是将多个目标通过某种技术转换为一个或者一系列的单目标的
优化问题，然后再借助数学规划工具求解一个或一系列单目标优化问题来完成多目标优化问题的求解。常见的传统优化方法有：加权求和法、约束法和目标规划法。 (1)加权求和法 该方法就是将多目标优化中的各个目标函数加权(即乘以一个用户自定义的权值)然后求和，将其转换为单目标优化问题进行求解。 利用加权求和可以将多目标优化转化为以下形式：
xtosubjectxfXFMinimize
m
iii1
通过选取不同的权重组合可以获得不同的Pareto最优解。这也是最为简单有效的一种求解多目标优化问题的经典方法，而且对与Pareto最优前端为凸的多目标优化问题，这种方法可以保证获得Pareto最优解。 (2 )约束法 约束法的实质是在多目标优化问题中选取其中的一个子目标作为新优化问题的目标函数，将其它子目标转化为约束条件。设选取的子目标为第k个子目标，则其它n-1个子目标转化为约束条件。其表达式如下： max)min(& )1)(()(Nkxfxfyk
..ts ),2,1,,1()()(Nnkinixfxgiii
],,[21Ddxxxxx，，， ),,2,1(max-min-Ddxxxddd 其中，i为人为设定的下界，通过调节i搜索Pareto最优解。可见这种方法实现多目标最优化时也存在人为因素，同加权法一样需要技术人员的经验的积累。 (3)目标规划法 目标规划法则首先单独求出各子目标函数的最优解)(*xf然后进行归一化求和，最终实现多目标优化。其归一化求和表达式如下： 21**)()()()(NiiiixfxfxfxF 目标规划法的关键在于求的各个子目标函数的最优解)(*xf。这种方法虽然可以避免人为因素的影响，但归一化求和后所得的Pareto最优解往往不能满足多目标优化问题的实践要求。 2）多目标遗传算法 遗传算法GA(Genetic Algorithm)是受生物学进化学说和遗传学理论的启发而发展起来的，是一类模拟自然生物进化过程与机制求解问题的自组织与自适应的人工智能技术，是一种借鉴生物界自然选择和自然遗传机制的随机的搜索算法。 (1)并列选择法 此方法先将种群中全部个体按子目标函数的数目均等分成若干个子种群，对各子群体分配一个子目标函数，各子目标函数在其相应的子群体中独立进行选择操作后，再组成一新的子种群，将所有生成的子种群合并成完整群体再进行交叉和变异操作，如此循环，最终求得问题的Pareto最优解。 (2 )非劣分层遗传算法 是一种基于Pareto最优概念的多目标演化算法。首先，找出当代种群中的非劣解并分配最高序号(如零级)，赋给该层非劣解集与当前种群规模成比例的总体适应值。为了保持解的多样性，所有该层非劣解基于决策向量空间距离共享此总体适应值。此后，该层非劣解集将不予考虑。然后，开始下一层非劣解集的搜索，在该层得到的非劣解集称为第二层 ，分配排列序号(如一级)，并赋给与该层种群规模(除去以上各层已被赋予适应度的非劣解)成比例的总体适应值，同样，必须在该层非劣解集中实行适应值共享。如此重复直到当前种群中最后一个个体被赋予适应度值。在前面的研究基础上，Deb等人于2002年又提出了一种非劣分层选择法2(NSGA-II)，这种方法的主要思想是对种群中的个体按Pareto进行排序，按照序值从小到大选择个体，若某些个体具有相同的序值，则偏好于那些位于目标空间中稀疏区域的个体。 （3）基于目标加权法的遗传算法 其基本思想是给问题中的每一个目标向量一个权重，将多有目标分量乘上各自相应的权重系数后再加和合起来构成一个新的目标函数，将其转化成一个单目标优化方法求解。若以这个线性加权和作为多目标优化问题的评价函数，则多目标优化问题可以转化为单目标优化问题。 （4）多目标粒子群算法 粒子群优化算法是一种进化计算技术。PSO初始化为一随机粒子种群，然后随着迭代演化逐步找到最优解。在每次迭代中，粒子通过跟踪两个“极值”来更新自己，一个是粒子本身所找到的个体极值，另一个是该粒子所属邻居范罔内所有粒子找出的全局极值。。 (5)微遗传算法 它是一种包含小的种群和重新初始化过程的遗传算法GA，其过程如下：首先，产生随机的种群，并注入种群内存，种群内存分为可替代和不可替代两部分。不可替代部分在整个运行过程中保持不变，提供算法所需要的多样性；可替代部分则随算法的运行而变化。在每一轮运行开始，Micro—GA的种群从种群内存的两部分选择个体，包含随机生成的个体和进化个体；Micro—GA使用传统的遗传操作；其后，从最终的种群选择两个非劣向量，与外部种群中的向量比较，若与外部种群的向量比较，任何一个都保持非劣，则将其注入外部种群，并从外部种群中删除所有被它支配的个体。
2、通过一个实例，叙述该混合遗传算法的基本思想是什么？其基本构成原则是什么？ 答：实例：基于混合遗传算法的随机结构可靠性优化设计 问题描述：针对结构系统刚度以及外荷载、强度等在应用中所表现出的随机性，提出了考虑随机因素的结构系统优化设计方法。 如图1所示，16杆静不定桁架结构，全部杆件的屈服应力均为σ= ±276ＭＰａ，屈服应力的变异系数为05.0CV；弹性模量为aMPE1006.2，材料比重为33/107.2mkg；载荷均值为kNFi45.44，载荷变异系数为1.0FCV。设计变量连接关系为:16131512119108761443521,,,,,,,AAAAAAAAAAAAAAAA，具有连接关系的杆件强度之间完全相关，否则相互独立.系统的可靠性指标限制为265.4as(即510afP)，323-12102.0103.0)16,2,1(1200，，，icmA
i。
图1 16杆椼架结构 试用混合遗传算法进行基于可靠度的结构重量优化分析。其中，取个体数Ｍ=100。采用ffPffffkffkc,{)max)(max(13,，式（1）和ffPffffkffkm,{)max)(max(2
4,
式（2）的自适应算子，Ｌ=0.5(个
体之间的距离)，20min10),(jiXXF(罚函数)。式（1）中，α<1;maxf是群体中的最大适应值;f是群体的平均适应值;f是两个用于交叉个体中的较大适应值.这样，当ff时，对于适应值较高的个体，可适当增加其交换概率以加快其进化速度.调整α和1k的值，可以改变cP随()/()(maxmaxffff变化的剧烈程度和幅度，进而保证cP值在合理的范围内。 式（2）中，β>1;f为变异个体的适应值.对于性能较好的个体可减小其变异概率以避免破坏高性能的结构模式.式(1)、(2)中的参数与,,,,4321kkkk可根据不同的优化问题作相应的调整，一般可根据经验取值。 分别采用最佳矢量法、标准遗传算法和混合遗传算法进行优化分析，结果见表1。从表1可知，
3种算法的优化结果都满足约束条件。其中最佳矢量法、标准遗传算法和混合遗传算法的目标函数分别为18.19、17.79和17.44，表明混合遗传算法的优化结果有所改善，较标准遗传算法减少1.97%，较最佳矢量法减少4.12%;进化代数分别为16、40和14，混合遗传算法的迭代次数减少，明显优于标准遗传算法。 表1
杆件号 2/mmA
i
最佳矢量法 标准遗传算法 混合遗传算法 1 3.475 3.512 3.512 2，5 8.630 8.201 7.513 3，4，14 4.744 4.744 4.744 6 1.678 1.678 1.678 7，8，10 3.889 3.654 3.654 9 2.752 2.740 2.712 11，12，15 1.448 1.448 1.448 13，16 0.720 0.740 0.740
混合遗传算法的思想：遗传算法具有全局搜索、高度适应性、较强鲁棒性以及隐含并行性的优点。但由于遗传算法收敛相对较慢，编码长度对精度影响大等因素， 对非线性方程组求解， 与传统数值方法相比并不具有优势。另外，遗传算法也无法避免多次搜索同一个可行解，这也是影响遗传算法运行效率的一个因素。在遗传算法的搜索过程中融合这些牛顿法的思想、构成一种混合遗传算法以提高遗传算法运行效率和求解质量。 另一方面，除了牛顿法，梯度法、爬山法、模拟退火算法、列表寻优法等—些优化算法也具有很强的局部搜索能力，将 GA与其它启发式的搜索方法相结合构成混合遗传算法的主要目的是改善基本GA的局部搜索能力 ，进一步提高优化质量和搜索效率 ，以弥补单一优化方法的某些不足之处 ，如遗传算法与模拟退火法的集合、遗传算法与列表寻优法的集合。 混合遗传算法的基本构成原则： 1）尽量采用原有算法的编码。这是为了有利于利用原有算法的相关知识，也方便实现混合遗传算法。 2）充分利用原有算法的优点。这是为了保证由混合遗传算法所求到的解的质量不会低于用原有算法所求得解的质量。 3）改进遗传算子。设计能适应新编码方式的遗传算子，且在遗传算子中融入与问题相关的启发式知识，以使混合遗传算法既具有遗传算法全局寻优的优点，又具有较强的局部搜索能力，从而提高运行效率。 3、试对平面连杆机构进行优化设计，要求采用两种方法：传统的优化设计方法和遗传算法。 一曲柄摇杆机构，M为连秆BC上一点，mm为预期的运动轨迹，要求设计该曲柄摇杆机构的有关参数，使连杆上点M在曲柄转动一周中，其运动轨迹(即连杆曲线)MM最佳地逼近预期轨迹mm。 设计一再现预期轨迹mm的曲柄摇杆机构。已知xA＝67mm，yA＝10mm，等分数s＝12，对应的轨迹mm上12个点的坐标值见表，许用传动角[γ]＝30°。