1、“.....本文利用正交试验数据作为神经网络的训练及测试样本，建立了连杆衬套的旋压工艺参数减薄率进给比与其力学性能中抗拉强度伸长率之间的神经网络非线性关系，并将此非线性关系作为适应度函数，基于遗传算法对强力旋压连杆衬套工较好的连杆衬套，可为实际生产中多目标工艺参数的优化提供参考。正交试验是种基于正交性从全面试验中挑选出具有代表性的特定点进行的试验，这些有代表性的点具有均匀齐整的特点，是种快速高效经济的试验设计方法。遗传算法是根据生物进化论和遗传学机制建立的种计算模型，其搜索最优解的过程类似自然选择中的适者生存和优胜劣汰，近年来遗传算法及神经探讨强力旋压连杆衬套工艺参数多目标优化中遗传算法的应用非线性科学论文个体分布图根据锡青铜旋压成形件的应力应变曲线可知，应力超过后，应变可逼近甚至有超过的趋势。结合实际生产经验......”。

2、“.....如表所示的最优解集中满足此条件的有号解其中号解和号解相同号解号解。所以，将这个最优解作为本次优化的解集，为了验证优化解集的有效性，技术，王志伟强力旋压连杆衬套工艺参数对性能影响正交试验研究太原中北大学，佘勇强力旋压连杆衬套力学性能预测研究及工艺参数优化太原中北大学，张远绪，程换新，宋生建基于改进的神经网络的滚动轴承故障诊断工业仪表与自动化装臵，公茂果，焦李成，杨咚咚，等进化多目标优化算法研究软件学报，段少军基于遗传算法的性能参数多遗传算法对强力旋压连杆衬套的工艺参数进行多目标优化，可对实际生产中工艺参数的多目标优化提供条路径。对于两个目标函数抗拉强度与伸长率都维持在较好的水平下，组减薄率和进给比的优化组合分别为，和。结果可为连杆衬套强力旋压的实际生产过程中工艺参数的设计提供参考。参考文献卫原平......”。

3、“.....选取减薄率进给比作为网络的输入，选取抗拉强度伸长率作为网络的输出，输入层和输出层节点数都为，隐含层节点数由网络函数自动设臵。本次所建立神经网络模型的训练样本和测试样本来自正交试验的结果。利用随机打乱数字序列函数，将表中个试验号的顺序打。探讨强力旋压连杆衬套工艺参数多目标优化中遗传算法的应用非线性科学论文。表正交试验因素及水平表表正交试验方案及结果试验结果分析图伸长率和抗拉强度的正交试验结果对比图为伸长率和抗拉强度的正交试验结果对比图。从图中可以看出，在次试验中，伸长率和抗拉强度有着朝相反方向变化的趋势。由此看出，在实际生产中这两个力学性能指标是互斥的的，出现了此消彼长的现象。神经网络模型的建立径向基神经网络是种具有层结构的前向网络......”。

4、“.....其特点是输入层至隐含层之间为非线性变换，隐含层空间到输出层空间为线性变换，这种结构的优点是可以在很大程度上加快学习速度并能避免局部极小的问题。该神经网络对于非线性拟合的能力较强，可对于复杂的非线性关系进神经网络工具箱函数创建个严格的神经网络。选取减薄率进给比作为网络的输入，选取抗拉强度伸长率作为网络的输出，输入层和输出层节点数都为，隐含层节点数由网络函数自动设臵。本次所建立神经网络模型的训练样本和测试样本来自正交试验的结果。利用随机打乱数字序列函数，将表中个试验号的顺序打乱，打乱后的序号为连杆衬套工艺参数对性能影响正交试验研究太原中北大学，佘勇强力旋压连杆衬套力学性能预测研究及工艺参数优化太原中北大学，张远绪，程换新，宋生建基于改进的神经网络的滚动轴承故障诊断工业仪表与自动化装臵，公茂果，焦李成，杨咚咚......”。

5、“.....段少军基于遗传算法的性能参数多目标优化武汉武汉科探讨强力旋压连杆衬套工艺参数多目标优化中遗传算法的应用非线性科学论文出现了此消彼长的现象。神经网络模型的建立径向基神经网络是种具有层结构的前向网络，由输入层隐含层及输出层组成，其特点是输入层至隐含层之间为非线性变换，隐含层空间到输出层空间为线性变换，这种结构的优点是可以在很大程度上加快学习速度并能避免局部极小的问题。该神经网络对于非线性拟合的能力较强，可对于复杂的非线性关系进行映情况下，要使多个目标同时达到最优是非常困难的，个目标的改善可能会相应地引起其他目标性能的降低，因而，只能通过种方法使各目标之间进行协调权衡并折中处理，使得所有目标函数尽量接近或达到最优状态。本文的优化目标抗拉强度和伸长率即属于其中个目标改善会引起另个目标下降的情况，所以......”。

6、“.....可对实际生产中工艺参数的多目标优化提供条路径。对于两个目标函数抗拉强度与伸长率都维持在较好的水平下，组减薄率和进给比的优化组合分别为，和。结果可为连杆衬套强力旋压的实际生产过程中工艺参数的设计提供参考。参考文献卫原平，王轶为工艺参数对筒形件强力旋压过程的影响模具技术李涛，樊文映射。图伸长率实测值与预测值的对比图抗拉强度实测值与预测值的对比通过对比发现，伸长率个点的预测相对误差分别为，其中平均相对误差为抗拉强度个点的预测相对误差分别为，其中平均相对误差为。可以看出，神经网络模型对两个力学性能指标的预测误差都没有超过，说明所建立的神经网络模型具有较为精确的预测性能。多目标优化模型的建立在很，和，将前个样本作为网络的训练样本，后个样本作为神经网络的测试样本......”。

7、“.....从图中可以看出，在次试验中，伸长率和抗拉强度有着朝相反方向变化的趋势。由此看出，在实际生产中这两个力学性能指标是互技大学，李涛强力旋压连杆衬套本构关系试验与建模研究太原中北大学，佘勇，占刚，樊文欣，毛卫秀，余世捷基于遗传算法的强力旋压连杆衬套工艺参数多目标优化锻压技术，基金国家自然科学基金资助项目贵州省经济和信息化委员会资助项目。探讨强力旋压连杆衬套工艺参数多目标优化中遗传算法的应用非线性科学论文。神经网络模型的训练利用，王志伟，等强力旋压连杆衬套力学性能的试验研究热加工工艺陈魁试验设计与分析北京清华大学出版社，马永杰，云文霞遗传算法研究进展计算机应用研究樊文欣，李众，冯再新，等基于遗传算法的强力旋压成形工艺参数优化铸造技术，吉梦雯，樊文欣，尹馨妍......”。

8、“.....王志伟强力旋探讨强力旋压连杆衬套工艺参数多目标优化中遗传算法的应用非线性科学论文大，可以得到伸长率和抗拉强度都较好的连杆衬套，可为实际生产中多目标工艺参数的优化提供参考。结论神经网络对强力旋压连杆衬套的力学性能具有较高的预测精度，可以反映工艺参数对强力旋压连杆衬套力学性能的影响规律，能够建立强力旋压工艺参数减薄率进给比与力学性能抗拉强度伸长率之间的非线性关系，并作为适应度函数基于遗传算法对强力旋压参数进行了多目标优化。图第前端个体分布图根据锡青铜旋压成形件的应力应变曲线可知，应力超过后，应变可逼近甚至有超过的趋势。结合实际生产经验，具有良好力学性能的连杆衬套的伸长率超过抗拉强度超过，如表所示的最优解集中满足此条件的有号解其中号解和号解相同号解号解。所以......”。

9、“.....是连杆衬套旋压工艺参数设计的重要工具。樊文欣等基于遗传算法研究了强力旋压的锡青铜连杆衬套，并得出强力旋压筒形件的优化参数组合吉梦雯等利用神经网络实现了对连杆衬套强力旋压轴线直线度误差的预测。神经网络对旋压件的性能预测已得到广泛的认可，但多数仅仅是对性能的预测研究，在针对强力旋压连用本次优化得到的组最优解集作为试验工艺参数，在相同的热处理温度及其他试验因素条件下，设计了对比试验组，得出优化解集与实测值的对比，如表所示。表最优解集表优化解集与实测值的对比根据表可知，利用优化的工艺参数进行试验，两个力学性能指标的实测值都能达到个较好的水平，与优化值相差不大，可以得到伸长率和抗拉强度标优化武汉武汉科技大学，李涛强力旋压连杆衬套本构关系试验与建模研究太原中北大学，佘勇，占刚，樊文欣，毛卫秀......”。