简介:目的:解决考虑模糊环境条件影响下的复杂机械产品并行拆卸路径规划问题,并给出成本和模糊时间最优的拆卸方案。创新点:建立混合模糊模型,引入三角模糊数表示拆卸工序加工时间,提高拆卸路径规划的环境适应性;采用并行加工方法,尽可能地提高生产资源利用效率,缩短加工时间和降低加工成本;使用混合编码方式,用同一条染色体表示拆卸工序和工位信息,简化模型表达和运算;在遗传算法中引入高斯变异方法,提高算法的收敛速度。方法:1.引入一个包含N个工位和L个零部件的拆卸序列规划问题,提出混合模糊拆卸模型实现对此问题的数学描述;2.采用包含高斯变异算子的遗传算法,对结果进行优化计算,以得到最短的模糊加工时间和加工成本;3.将本文所述方法的计算结果与快速搜索随机树算法的运行结果进行比较。结论:在算法分别迭代50次、100次和150次的情况下,本文所述方法得到的最优解均优于快速搜索随机树算法的解,并且运行时间均短于快速搜索随机树算法。
简介:开展了机器学习在翼型气动力计算和反设计方法中的应用研究,实现了在更大翼型空间范围内,人工神经网络的训练和优化,建立了翼型气动力计算模型,和给定目标压力分布的翼型反设计优化模型.作为机器学习领域兴起的研究热点,人工神经网络的研究工作不断深入,有研究者尝试将其应用于流体力学的学科范畴内.文章实现人工神经网络在翼型计算领域中应用的方法如下:首先通过Parsec参数化方法,围绕基准翼型构造了一定翼型空间范围的翼型库,利用XFOIL进行数值模拟,搭建了和翼型库具有一一映射关系的流场信息库.通过训练和优化神经网络,实现了基于此模型的快速、高可信度的翼型气动力预测,以及新型的翼型优化设计方法.通过自动化编程实现样本库的批量生成,实现了不同翼型空间的样本量下,神经网络的训练和优化过程.实验结果表明,在机器学习领域中,基于神经网络的翼型反设计模型的精确性高度依赖于训练样本量的大小和覆盖范围.
简介:使用高阶间断Galerkin(discontinuousGalerkin,DG)方法求解双曲守恒律方程组时,非物理效应常常导致计算过程的中断,这在很大程度上制约着该方法在计算流体力学中的应用.文章结合局部单元上原始流动变量的Taylor展开,设计了一种新型的限制器,通过对各阶空间导数的重构,有效地消除了非物理振荡的不利影响.对二维Euler方程的计算结果表明,该限制器不仅能够捕捉高质量的激波,而且能够保证残值的有效收敛.