基于改进遗传算法的模具零件孔群加工路径优化(3)
【作者】网站采编
【关键词】
【摘要】表1 遗传算法与改进算法对比Tab.1 Comparison between the genetic algorithm and the improved algorithm实验次数路径长度/mm遗传算法/mm改进算法/mm122 598.448 219 933.716 6223 008
表1 遗传算法与改进算法对比Tab.1 Comparison between the genetic algorithm and the improved algorithm实验次数路径长度/mm遗传算法/mm改进算法/mm122 598.448 219 933.716 6223 008.562 719 939.649 0325 673.459 419 933.716 6422 400.550 819 934.151 5522 439.930 919 930.704 2623 917.376 319 932.781 3722 557.436 719 934.151 5825 158.486 023 373.856 5922 435.886 319 930.704 934.151 519 936.432 2平均路径长度/mm23 356.399 419 934.015 9最优路径长度/mm22 400.550 819 930.704 2平均运行时间/s10 547.475 03 839.202 4
由表1可知,经过10次路径优化实验,遗传算法的平均路径长度为Sgamean=23 356.399 4 mm,最优路径长度为Sgamin=22 400.550 8 mm,平均运行时间Tgamean=10 547.475 0 s,改进算法的平均路径长度为Simgamean=19 934.015 9 mm,最优路径长度为Simgamin=19 930.704 2 mm,平均运行时间Timgamean=3 839.202 4 s。与遗传算法相比,改进算法的平均路径长度缩短了14.65%,最优路径长度缩短了11.03%,平均运行时间缩短了63.60%。为了更好地对比算法性能,利用Matlab软件绘制出2种算法适应度进化曲线图,如图3所示。
图3 2种算法适应度值对比图Fig.3 Comparison of two algorithms’ fitness values
从图3中可以看出,在迭代次数相同时,改进算法的适应度值更大,故而路径更优,且与传统遗传算法相比,能更快收敛到全局最优。图4为遗传算法在上述参数下的最优加工轨迹图,图5为改进算法最优加工轨迹图。
图4 遗传算法最优加工轨迹图Fig.4 Optimal drilling trajectory of the genetic algorithm
图5 改进算法最优加工轨迹图Fig.5 Optimal drilling trajectory of the improved algorithm
3.2其他优化算法对比实验
为验证改进算法的先进性,分别采用自主研发的CAM系统算法、X向路径法、Y向路径法对该模具孔群进行路径优化。其中X向路径法是按照孔群X坐标值升序排列进行加工的过程,Y向路径法是按照孔群Y坐标值升序排列进行加工的过程。图6 a)为CAM系统算法生成的轨迹图,图6 b)为X向路径法生成的轨迹图,图6 c)为Y向路径法生成的轨迹图。
图6 不同方式轨迹图Fig.6 Trajectory of different methods
3.3实验结果及数据分析
由表2中不同优化方法孔群加工最优路径长度对比可知,改进算法优化后路径长度比CAM系统算法优化后路径长度缩短5.31%,比X向路径法缩短77.88%,比Y向路径法缩短77.63%,比最近邻算法缩短4.52%,进化代数500次且参数相同时,比遗传算法路径长度缩短14.65%。由此可见,改进算法优化后路径长度最短,能够有效缩短孔群加工路径长度,减少加工时间,从而提高了加工效率。
表2 不同优化方法孔群加工最优路径长度比较Tab.2 Comparison of optimal path lengths for different optimization methods优化方法最优路径长度/mm改进算法缩短率/%CAM系统算法21 051.962 05.31X向路径法90 137.131 477.88Y向路径法89 108.511 577.63最近邻算法20 876.604 54.52遗传算法23 356.399 414.65改进算法19 934.015 90.00
4其他模具实例应用
为验证改进算法的通用性,对非均匀,变化比较复杂的某孔类模具实例进行路径优化实验,该模具实例由197个非均匀分布的孔构成,分别用最近邻算法,自主研发的CAM系统算法,X向路径法,Y向路径法,遗传算法以及改进遗传算法对该模具孔群进行路径优化,不同算法最优加工轨迹见图7。表3为不同优化方法的最优路径长度结果及比较。
图7 不同算法轨迹图Fig.7 Trajectory of different algorithms表3 不同优化方法最优路径长度比较Tab.3 Comparison of optimal path lengths for different optimization methods
优化方法最优路径长度/μm改进算法缩短率/%CAM系统算法22 514.120 838.17X向路径法31 720.026 856.11Y向路径法60 466.093 176.98最近邻算法20 931.713 133.49遗传算法17 804..81改进算法13
从表3可知,提出的改进遗传算法相较其他算法加工路径长度明显缩短,可以有效提高加工效率。
5结语
提出的改进遗传算法,结合了最近邻和禁忌搜索的思想。采用最近邻算法选取一系列好的初始种群,加快了种群的搜索速度,同时将禁忌搜索中“禁忌”的思想引入到遗传算法中,使得种群在进化过程中保证了多样性,增强了算法的爬山能力,避免了算法出现早熟。轮胎实例以及其他模具实例表明,采用改进遗传算法进行孔群加工路径优化能以较快的速度找到更优的解,极大地提高了生产效率和节省资源消耗,在实际生产轮胎模具中已得到证实。同时,在其他类型实例的加工路径的优化问题中可利用本算法进行路径优化,也能取得较好的结果。但当孔群规模特别大时,算法运行效率有待提升,下一步的研究重心将放在提高超大规模孔群路径优化的运行效率方面。
文章来源:《应用数学和力学》 网址: http://www.yysxhlx.cn/qikandaodu/2021/0311/383.html
上一篇:教育过山车项目的探索与思考
下一篇:浅析应用数学在信息化中的应用与发展