《2022年遗传算法多目标函数优化 .pdf》由会员分享，可在线阅读，更多相关《2022年遗传算法多目标函数优化 .pdf（6页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、多目标遗传算法优化铣削正交试验结果序号vc(m/min)fz(mm/z)ae(mm)ap(mm)F(N)Ra(m)1 40 0.02 0.25 4 46.3 0.174 2 40 0.04 0.5 6 59.7 0.211 3 40 0.06 0.75 8 106.5 0.288 4 40 0.08 1.0 10 123.0 0.348 5 60 0.02 0.25 8 99.3 0.252 6 60 0.04 0.5 10 134.0 0.302 7 60 0.06 1.0 4 139.7 0.238 8 60 0.08 0.75 6 130.4 0.276 9 80 0.02 0.75 1
2、0 255.8 0.298 10 80 0.04 1.0 8 255.8 0.288 11 80 0.06 0.25 6 110.4 0.259 12 80 0.08 0.5 4 140.8 0.258 13 100 0.02 1.0 6 314.2 0.240 14 100 0.04 0.75 4 233.4 0.239 15 100 0.06 0.5 10 278.6 0.330 16 100 0.08 0.25 8 144.7 0.328 说明：1.建立切削力和表面粗糙度模型如：3.190.08360.8250.5640.45410cepzFvfaa（1）aR此模型你们来拟合（上面有实验
3、数据，剩下的两个方程已经是我帮你们拟合好的了）（2）?=10-0.92146?0.14365?0.16065?0.047691?0.384571000 2/czpeQvfaaD（3）变量约束范围：401000.020.080.251.0210czepvfaa公式（1）和（2）值越小越好，公式（3）值越大越好。=3.14 D=8 2.请将多目标优化操作过程录像（同时考虑三个方程，优化出最优的自变量数值），方便我后续进行修改；将能保存的所有图片及源文件发给我；将最优解多组发给我，类似于下图（黄色部分为达到的要求）名师资料总结-精品资料欢迎下载-名师精心整理-第 1 页，共 6 页 -遗传算法的结果
4、:名师资料总结-精品资料欢迎下载-名师精心整理-第 2 页，共 6 页 -名师资料总结-精品资料欢迎下载-名师精心整理-第 3 页，共 6 页 -vc fz ae ap F Ra Q 69.4951 0.0201 0.5936 2.0301 44.4569 0.1507-133.923 77.7604 0.08 0.8004 7.7189 298.8056 0.3241-3058.34 69.8432 0.0429 0.7923 7.316 175.0653 0.2827-1383.01 70.213 0.0282 0.6945 7.6443 117.28 0.2673-837.413 69.
5、4951 0.0201 0.5936 2.0301 44.4569 0.1507-133.923 程序如下:clear;clc;%遗传算法直接求解多目标优化D=8;%Function handle to the fitness function F=(X)10(3.19)*(X(1).(-0.0836).*(X(2).0.825).*(X(3).0.564).*(X(4).0.454);Ra=(X)10(-0.92146)*(X(1).0.14365).*(X(2).0.16065).*(X(3).0.047691).*(X(4).0.38457);Q=(X)-1000*2*X(1).*X(2
6、).*X(3).*X(4)/(pi*D);名师资料总结-精品资料欢迎下载-名师精心整理-第 4 页，共 6 页 -nvars=4;%Number of decision variables lb=40,0.02,0.25,2;%Lower bound ub=100,0.08,1.0,10;%Upper bound A=;b=;%No linear inequality constraints Aeq=;beq=;%No linear equality constraints%遗传算法设定约束options=gaoptimset(ParetoFraction,0.3,PopulationSize
7、,200,Generations,300,StallGenLimit,200,TolFun,1e-100,PlotFcns,gaplotpareto);%the data of Pareto1 FUN=(X)F(X);Ra(X);x,fval=gamultiobj(FUN,nvars,A,b,Aeq,beq,lb,ub,options);%开启一个新的图形figure;%画出 Pareto1 plot(fval(:,1),fval(:,2),mp);%画出网格grid on;%设定横坐标xlabel(F);%设定纵坐标ylabel(Ra);%设定题目title(Pareto front 1);
8、%the data of Pareto2 FUN=(X)F(X);Q(X);x,fval=gamultiobj(FUN,nvars,A,b,Aeq,beq,lb,ub,options);%开启一个新的图形figure;%画出 Pareto2 plot(fval(:,1),fval(:,2),mp);%画出网格grid on;%设定横坐标xlabel(F);%设定纵坐标ylabel(Q);%设定题目title(Pareto front 2);%the data of Pareto3 FUN=(X)Ra(X);Q(X);名师资料总结-精品资料欢迎下载-名师精心整理-第 5 页，共 6 页 -x,f
9、val=gamultiobj(FUN,nvars,A,b,Aeq,beq,lb,ub,options);%开启一个新的图形figure;%画出 Pareto3 plot(fval(:,1),fval(:,2),mp);%画出网格grid on;%设定横坐标xlabel(Ra);%设定纵坐标ylabel(Q);%设定题目title(Pareto front 3);%the data of Pareto(F,Ra,Q)FUN=(X)F(X);Ra(X);Q(X);x,fval=gamultiobj(FUN,nvars,A,b,Aeq,beq,lb,ub,options);%开启一个新的图形figu
10、re;%画出 Pareto4 plot3(fval(:,1),fval(:,2),fval(:,3),m.);%画出网格grid on;%设定横坐标xlabel(F);%设定纵坐标ylabel(Ra);%设定竖坐标zlabel(Q);%设定题目title(Pareto front 4);%重新设定遗传算法options=gaoptimset(ParetoFraction,0.3,PopulationSize,5,Generations,1000,StallGenLimit,200,TolFun,1e-100,PlotFcns,gaplotpareto);%遗传算法求解x,fval=gamultiobj(FUN,nvars,A,b,Aeq,beq,lb,ub,options);%显示结果format shortg xfval=x,fval%保存结果到 Excel xfval=round(xfval*10000)/10000;xlswrite(data.xlsx,xfval,sheet1,A1)名师资料总结-精品资料欢迎下载-名师精心整理-第 6 页，共 6 页 -