計算智能技術及其工程應用

前言

自20世紀80年代以來計算智能技術迅速發(fā)展，在過程建模與仿真方面顯示出強大的生命力，并為構建具有較強的知識獲取能力、具有容錯性與知識自增長能力的智能制造、設計、識別系統(tǒng)提供了基礎。計算智能技術包括神經網絡、進化計算、模糊系統(tǒng)，它模仿生物的思維方式及演化規(guī)律，讓計算機通過學習自動建立計算模型，從而吸引了很多學者對其研究，使智能算法的研究和應用成為人工智能領域研究的熱點問題。本書是在作者多年來對計算智能算法進行研究和應用所取得成果的基礎上撰寫的一本專著。全書分為三個部分，共12章。第1章緒論為綜述內容。第2章介紹了本書所使用的計算智能相關理論。第3、4章為第一部分。其中：第3章將共軛梯度算法作為在振動鉆削過程的小波神經網絡算法，并給出了基于局部學習的共軛梯度算法，該算法與普通的共軛梯度算法相比明顯改善提高了小波神經網絡性能；討論了振動鉆削過程仿真中基于局部學習的小波網絡權值初始化原則和網絡訓練方法；利用灰色關聯(lián)度分析法，尋找和挖掘振動鉆削過程中輸入數(shù)據(jù)和輸出數(shù)據(jù)之間所隱含的內在規(guī)律，并進行因素主次劃分，在此基礎上提出了用灰色理論關聯(lián)分析法來選取小波神經網絡的輸入?yún)?shù)。第4章具體實現(xiàn)振動鉆削仿真、參數(shù)優(yōu)化和預測，并分析了在仿真、優(yōu)化和預測過程中出現(xiàn)的結果的原因。第5～8章為第二部分。第5章介紹了結構可靠性優(yōu)化設計基本理論及其發(fā)展現(xiàn)狀。第6章利用隨機攝動、Edgeworth級數(shù)方法，將可靠性概率約束轉化為等價的確定型約束，解決了具有非正態(tài)隨機參數(shù)的可靠性優(yōu)化設計問題。利用隨機模擬小波神經網絡方法，對具有多失效模式的結構系統(tǒng)可靠性優(yōu)化設計中的設計變量與可靠度指標進行了較為精確的仿真，得到了關于兩者的顯性函數(shù)表達式，并分別利用BP神經網絡、普通的小波神經網絡、基于局部學習策略的小波神經網絡對工字型懸臂梁、空心壓桿、受剪螺栓聯(lián)接進行可靠性優(yōu)化設計仿真。第7章首先把可靠性靈敏度引入可靠性優(yōu)化設計模型之中，應用多目標決策的理論和方法建立了機械零部件半軸、前軸、后橋和拉桿的可靠性穩(wěn)健設計的多目標優(yōu)化設計模型。利用模糊理論將粒子群算法進行改進，提出了基于模糊的粒子群算法，并利用模糊粒子群算法對服從正態(tài)分布參數(shù)和服從任意分布參數(shù)的機械零部件的可靠性穩(wěn)健優(yōu)化設計多目標模型進行求解。

內容概要

本書在論述了計算智能技術中的神經網絡、模糊系統(tǒng)、粒子群算法和支持向量機等問題的基礎上，提出了適合機械加工、機械零部件可靠性設計、橋梁損傷識別等工程領域的仿真、優(yōu)化和識別的計算智能算法。    全書內容新穎，覆蓋面比較廣泛，體現(xiàn)了國內外在計算智能技術研究的最新進展。    本書可供從事計算智能的科技人員，工程技術人員參考。

書籍目錄

前言?第1章　緒論??　1.1　計算智能技術的發(fā)展概況??　1.2　計算智能技術在機械加工領域的應用狀況??　1.3　計算智能在可靠性優(yōu)化設計中的應用狀況??　1.4　計算智能在結構損傷識別中的應用狀況??　參考文獻??第2章　相關的計算智能基本理論??　2.1　人工神經網絡??　2.2　小波神經網絡??　2.3　神經網絡集成??　2.4　模糊數(shù)學??　2.5　粒子群算法??　2.6　支持向量機??　參考文獻??第一部分　基于計算智能技術的疊層材料變參數(shù)振動鉆削實驗研究?　第3章　小波神經網絡結構與改進算法??　　3.1　引言??　　3.2　小波神經網絡的結構??　　3.3　樣本的組織及網絡結構設計??　　3.4　基于灰色關聯(lián)分析的輸入?yún)?shù)選取??　　3.5　小波神經網絡模型的學習策略??　　3.6　基于局部學習的小波神經網絡共軛梯度算法??　　3.7　改進算法（LCG）性能分析??　　參考文獻??　第4章　基于小波神經網絡的變參數(shù)振動鉆削實驗研究??　　4.1　變參數(shù)振動鉆削實驗??　　4.2　基于小波神經網絡的振動鉆削過程仿真??　　4.3　參數(shù)優(yōu)化??　　4.4　基于小波神經網絡的振動鉆削質量預報及分析??　　參考文獻??第二部分　基于計算智能技術的結構可靠性優(yōu)化設計研究?　第5章　結構可靠性優(yōu)化設計基本理論及其發(fā)展現(xiàn)狀??　　5.1　可靠性分析的基本理論??　　5.2　機械零部件的可靠性優(yōu)化設計模型??　　5.3　可靠性優(yōu)化設計研究的發(fā)展現(xiàn)狀??　　5.4　穩(wěn)健設計研究的現(xiàn)狀與進展??　　參考文獻??　第6章　基于小波神經網絡的可靠性優(yōu)化設計??　　6.1　引言??　　6.2　可靠性分析的隨機攝動法及Edgeworth級數(shù)方法??　　6.3　基于局部學習策略的小波神經網絡在結構可靠性優(yōu)化設計仿真的性能比較??　　6.4　小波神經網絡的逆映射??　　6.5　引入懲罰函數(shù)的粒子群算法??　　6.6　結構系統(tǒng)的可靠性優(yōu)化設計方法??　　6.7　數(shù)值算例??　　6.8　小結??　　參考文獻??　第7章　基于模糊粒子群算法的可靠性穩(wěn)健優(yōu)化設計??　　7.1　引言??　　7.2　可靠性穩(wěn)健優(yōu)化設計模型??　　7.3　基于模糊的多目標粒子群算法??　　7.4　基于模糊粒子群算法的汽車半軸的可靠性穩(wěn)健優(yōu)化設計??　　7.5　基于模糊粒子群算法的前軸的可靠性穩(wěn)健優(yōu)化設計??　　7.6　基于模糊粒子群算法的后橋的可靠性穩(wěn)健優(yōu)化設計??　　7.7　基于模糊粒子群算法的拉桿的可靠性穩(wěn)健設計??　　7.8　小結??　　參考文獻??　第8章　基于灰色粒子群算法的可靠性穩(wěn)健優(yōu)化設計??　　8.1　引言??　　8.2　灰色粒子群算法優(yōu)化策略??　　8.3　基于灰色粒子群算法的扭桿的可靠性穩(wěn)健優(yōu)化設計??　　8.4　基于灰色粒子群算法的螺旋彈簧的可靠性穩(wěn)健優(yōu)化設計??　　8.5　基于灰色粒子群算法的鋼板彈簧的可靠性穩(wěn)健設計??　　8.6　基于灰色粒子群算法的前軸的可靠性穩(wěn)健優(yōu)化設計??　　8.7　基于灰色粒子群算法的后橋的可靠性穩(wěn)健優(yōu)化設計??　　8.8　小結??　　參考文獻??第三部分　基于計算智能技術的橋梁結構損傷識別研究?　第9章　結構損傷識別方法及其發(fā)展狀況??　　9.1　引言??　　9.2　基于動力特性的結構損傷識別方法??　　9.3　基于模型修正的損傷識別方法??　　9.4　損傷結構動力的有限元模型??　　9.5　橋梁結構損傷識別研究的現(xiàn)狀與發(fā)展??　　參考文獻??　第10章　基于粒子群算法的橋梁結構可靠性穩(wěn)健優(yōu)化設計與損傷識別研究??　　10.1　引言??　　10.2　多目標優(yōu)化問題??　　10.3　基于灰色粒子群算法的鋼筋混凝土簡支梁的可靠性穩(wěn)健優(yōu)化設計??　　10.4　基于粒子群算法和殘余力向量的結構損傷識別??　　10.5　小結??　　參考文獻??　第11章　基于支持向量機和粒子群算法的橋梁結構損傷識別研究??　　11.1　引言??　　11.2　基于支持向量機和粒子群算法的結構損傷識別方法??　　11.3　簡支梁橋的損傷識別??　　11.4　小結??　　參考文獻??　第12章　基于神經網絡的橋梁結構損傷識別??　　12.1　引言??　　12.2　基于小波神經網絡的橋梁結構損傷識別??　　12.3　基于灰色聚類神經網絡集成的損傷識別方法??　　12.4　小結??　　參考文獻

章節(jié)摘錄

插圖：進化計算是20世紀90年代興起的一門模擬生物進化與遺傳規(guī)律的計算學科。近年來，由于進化計算在機器學習、過程控制、經濟預測和工程優(yōu)化等領域取得的成功，引起了數(shù)學、物理、化學、生物學、計算機科學、社會科學、經濟學及工程應用等領域科學家們的極大興趣。當前，進化計算的研究內容十分廣泛，如進化計算算法的設計與分析、進化計算的理論基礎以及其在各個領域的應用等?？梢灶A計，隨著進化計算理論研究的不斷深入和應用領域的不斷拓廣，進化計算必將取得更大的成功。進化計算主要由遺傳算法、遺傳編程、進化策略、進化編程、DNA計算、螞蟻算法、粒子群算法、人工免疫、分子計算等不同的分支組成。粒子群優(yōu)化算法起源于對簡單社會系統(tǒng)的模擬。最初設想是模擬鳥群覓食的過程。設想這樣的一個場景：一群鳥在隨機搜索食物。在這個區(qū)域里只有一塊食物，所有的鳥都不知道食物在那里，但是它們知道當前的位置離食物還有多遠。那么找到食物的最優(yōu)策略是什么呢？最簡單有效的方法就是搜尋目前離食物最近鳥的周圍區(qū)域。粒子群算法就是從這種模型中得到啟示，并用于解決優(yōu)化問題。該算法與遺傳算法類似，它也是基于群體迭代，但沒有交叉、變異算子，群體在解空間中追隨最優(yōu)粒子進行搜索。由于粒子群優(yōu)化算法簡單容易實現(xiàn)，同時又有深刻的智能背景，所以既適合科學研究，又特別適合工程應用。近年來，國內外學者對粒子群算法的研究與應用作了大量的工作，并取得了顯著的成績。Parsopoulos等以標準函數(shù)為例，測試粒子群優(yōu)化算法解決整數(shù)規(guī)劃問題的能力。Salman將任務分配問題抽象為整數(shù)規(guī)劃模型并提出基于粒子群優(yōu)化的解決方法。Fjeldsend等利用粒子間的距離關系，提出了求解多目標優(yōu)化模型的多目標粒子群算法。張利彪等利用最優(yōu)解評估選取原則，對粒子群算法進行改進，也解決了傳統(tǒng)粒子群算法無法求解的多目標優(yōu)化模型問題。

編輯推薦

《計算智能技術及其工程應用》是由科學出版社出版的。

圖書封面

評論、評分、閱讀與下載

---

    計算智能技術及其工程應用 PDF格式下載

---