论文部分内容阅读
金属疲劳问题,已经成为人们在现代世界中必须要面对和研究的重点问题。其中对金属疲劳时间进行预测的课题,已经成为最流行和最受关注的课题。目前对金属疲劳时间的预测的方法主要是依据物理方法,首先通过对金属材料的研究和对试验环境的控制,得出需要的试验数据,最后通过一些定理和法则对数据进行处理得出结论。在数据处理的过程中,误差是不可避免,而演化计算具有自组织、自适应和自学习等智能特征,利用已知的数据求出未知的函数。本文首先介绍演化计算的一种方法—基因表达式编程,然后对其算法的实现进行了具体的研究,经过系统的研究,发现基因表达式编程中遗传算子的概率,只是依赖于人工设定的参数,可靠性较差,影响结果的精确性。因此本文提出了一种改进的GEP算法,并在此方法的基础上给出了相应的算法流程。最后把它运用到金属疲劳时间预测中,比较了原来的GEP算法和改进的算法的优劣,得出了比较理想的试验结果。本文主要研究内容如下：(1)研究了GEP算法的基本原理和过程。详细的研究了基因表达式编程的编码方式、适应值函数、遗传因子,给出了具体的算法流程。总结了GEP的特点并比较了其与其它遗传算法的区别。(2)提出了一种改进的GEP算法。该方法是在原来的算法的基础上,对GEP的遗传因子进行改变,即通过一种分层的原理,把GEP的表达式分成几部分。通过对不同的部分采取相应的策略,使个体更好的演化,最终达到适应值函数的取值范围。新的基因表达式编程与传统的算法比较,能够使问题的全局最优解更好的取到,能够很好的抑制早熟发生和收敛到局部最优。新的GEP算法的整体结构更加简洁,理解更加容易,算法更加可靠。(3)利用改进的GEP算法对金属疲劳时间进行了预测。首先,给出了金属疲劳预测的模型,对此模型进行了详细的介绍,研究了模型中各个参数的意义；其次,用改进的GEP算法得出金属疲劳预测中参数K的表达式；最后,通过程序的求解得出金属疲劳时间预测的结果。本文的创新成果是提出一种改进的GEP算法,结合原来基因表达式编程的原理,利用改进的GEP算法对金属疲劳时间进行预测,得出了比较好的结果。改进的GEP算法,提高了算法的效率,使问题的最优解更容易达到,避免了局部最优。实验的结果表明,改进的GEP算法对金属疲劳时间预测比传统的方法更准确,有很大的实用价值。