計(jì)算智能技術(shù)及其工程應(yīng)用

前言

自20世紀(jì)80年代以來(lái)計(jì)算智能技術(shù)迅速發(fā)展，在過(guò)程建模與仿真方面顯示出強(qiáng)大的生命力，并為構(gòu)建具有較強(qiáng)的知識(shí)獲取能力、具有容錯(cuò)性與知識(shí)自增長(zhǎng)能力的智能制造、設(shè)計(jì)、識(shí)別系統(tǒng)提供了基礎(chǔ)。計(jì)算智能技術(shù)包括神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì)算、模糊系統(tǒng)，它模仿生物的思維方式及演化規(guī)律，讓計(jì)算機(jī)通過(guò)學(xué)習(xí)自動(dòng)建立計(jì)算模型，從而吸引了很多學(xué)者對(duì)其研究，使智能算法的研究和應(yīng)用成為人工智能領(lǐng)域研究的熱點(diǎn)問(wèn)題。本書(shū)是在作者多年來(lái)對(duì)計(jì)算智能算法進(jìn)行研究和應(yīng)用所取得成果的基礎(chǔ)上撰寫(xiě)的一本專著。全書(shū)分為三個(gè)部分，共12章。第1章緒論為綜述內(nèi)容。第2章介紹了本書(shū)所使用的計(jì)算智能相關(guān)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(dòng)鉆削過(guò)程的小波神經(jīng)網(wǎng)絡(luò)算法，并給出了基于局部學(xué)習(xí)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(jīng)網(wǎng)絡(luò)性能；討論了振動(dòng)鉆削過(guò)程仿真中基于局部學(xué)習(xí)的小波網(wǎng)絡(luò)權(quán)值初始化原則和網(wǎng)絡(luò)訓(xùn)練方法；利用灰色關(guān)聯(lián)度分析法，尋找和挖掘振動(dòng)鉆削過(guò)程中輸入數(shù)據(jù)和輸出數(shù)據(jù)之間所隱含的內(nèi)在規(guī)律，并進(jìn)行因素主次劃分，在此基礎(chǔ)上提出了用灰色理論關(guān)聯(lián)分析法來(lái)選取小波神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。第4章具體實(shí)現(xiàn)振動(dòng)鉆削仿真、參數(shù)優(yōu)化和預(yù)測(cè)，并分析了在仿真、優(yōu)化和預(yù)測(cè)過(guò)程中出現(xiàn)的結(jié)果的原因。第5～8章為第二部分。第5章介紹了結(jié)構(gòu)可靠性優(yōu)化設(shè)計(jì)基本理論及其發(fā)展現(xiàn)狀。第6章利用隨機(jī)攝動(dòng)、Edgeworth級(jí)數(shù)方法，將可靠性概率約束轉(zhuǎn)化為等價(jià)的確定型約束，解決了具有非正態(tài)隨機(jī)參數(shù)的可靠性優(yōu)化設(shè)計(jì)問(wèn)題。利用隨機(jī)模擬小波神經(jīng)網(wǎng)絡(luò)方法，對(duì)具有多失效模式的結(jié)構(gòu)系統(tǒng)可靠性優(yōu)化設(shè)計(jì)中的設(shè)計(jì)變量與可靠度指標(biāo)進(jìn)行了較為精確的仿真，得到了關(guān)于兩者的顯性函數(shù)表達(dá)式，并分別利用BP神經(jīng)網(wǎng)絡(luò)、普通的小波神經(jīng)網(wǎng)絡(luò)、基于局部學(xué)習(xí)策略的小波神經(jīng)網(wǎng)絡(luò)對(duì)工字型懸臂梁、空心壓桿、受剪螺栓聯(lián)接進(jìn)行可靠性優(yōu)化設(shè)計(jì)仿真。第7章首先把可靠性靈敏度引入可靠性優(yōu)化設(shè)計(jì)模型之中，應(yīng)用多目標(biāo)決策的理論和方法建立了機(jī)械零部件半軸、前軸、后橋和拉桿的可靠性穩(wěn)健設(shè)計(jì)的多目標(biāo)優(yōu)化設(shè)計(jì)模型。利用模糊理論將粒子群算法進(jìn)行改進(jìn)，提出了基于模糊的粒子群算法，并利用模糊粒子群算法對(duì)服從正態(tài)分布參數(shù)和服從任意分布參數(shù)的機(jī)械零部件的可靠性穩(wěn)健優(yōu)化設(shè)計(jì)多目標(biāo)模型進(jìn)行求解。

內(nèi)容概要

本書(shū)在論述了計(jì)算智能技術(shù)中的神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、粒子群算法和支持向量機(jī)等問(wèn)題的基礎(chǔ)上，提出了適合機(jī)械加工、機(jī)械零部件可靠性設(shè)計(jì)、橋梁損傷識(shí)別等工程領(lǐng)域的仿真、優(yōu)化和識(shí)別的計(jì)算智能算法。    全書(shū)內(nèi)容新穎，覆蓋面比較廣泛，體現(xiàn)了國(guó)內(nèi)外在計(jì)算智能技術(shù)研究的最新進(jìn)展。    本書(shū)可供從事計(jì)算智能的科技人員，工程技術(shù)人員參考。

書(shū)籍目錄

前言?第1章　緒論??　1.1　計(jì)算智能技術(shù)的發(fā)展概況??　1.2　計(jì)算智能技術(shù)在機(jī)械加工領(lǐng)域的應(yīng)用狀況??　1.3　計(jì)算智能在可靠性優(yōu)化設(shè)計(jì)中的應(yīng)用狀況??　1.4　計(jì)算智能在結(jié)構(gòu)損傷識(shí)別中的應(yīng)用狀況??　參考文獻(xiàn)??第2章　相關(guān)的計(jì)算智能基本理論??　2.1　人工神經(jīng)網(wǎng)絡(luò)??　2.2　小波神經(jīng)網(wǎng)絡(luò)??　2.3　神經(jīng)網(wǎng)絡(luò)集成??　2.4　模糊數(shù)學(xué)??　2.5　粒子群算法??　2.6　支持向量機(jī)??　參考文獻(xiàn)??第一部分　基于計(jì)算智能技術(shù)的疊層材料變參數(shù)振動(dòng)鉆削實(shí)驗(yàn)研究?　第3章　小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與改進(jìn)算法??　　3.1　引言??　　3.2　小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)??　　3.3　樣本的組織及網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)??　　3.4　基于灰色關(guān)聯(lián)分析的輸入?yún)?shù)選取??　　3.5　小波神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)策略??　　3.6　基于局部學(xué)習(xí)的小波神經(jīng)網(wǎng)絡(luò)共軛梯度算法??　　3.7　改進(jìn)算法（LCG）性能分析??　　參考文獻(xiàn)??　第4章　基于小波神經(jīng)網(wǎng)絡(luò)的變參數(shù)振動(dòng)鉆削實(shí)驗(yàn)研究??　　4.1　變參數(shù)振動(dòng)鉆削實(shí)驗(yàn)??　　4.2　基于小波神經(jīng)網(wǎng)絡(luò)的振動(dòng)鉆削過(guò)程仿真??　　4.3　參數(shù)優(yōu)化??　　4.4　基于小波神經(jīng)網(wǎng)絡(luò)的振動(dòng)鉆削質(zhì)量預(yù)報(bào)及分析??　　參考文獻(xiàn)??第二部分　基于計(jì)算智能技術(shù)的結(jié)構(gòu)可靠性優(yōu)化設(shè)計(jì)研究?　第5章　結(jié)構(gòu)可靠性優(yōu)化設(shè)計(jì)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(jī)械零部件的可靠性優(yōu)化設(shè)計(jì)模型??　　5.3　可靠性優(yōu)化設(shè)計(jì)研究的發(fā)展現(xiàn)狀??　　5.4　穩(wěn)健設(shè)計(jì)研究的現(xiàn)狀與進(jìn)展??　　參考文獻(xiàn)??　第6章　基于小波神經(jīng)網(wǎng)絡(luò)的可靠性優(yōu)化設(shè)計(jì)??　　6.1　引言??　　6.2　可靠性分析的隨機(jī)攝動(dòng)法及Edgeworth級(jí)數(shù)方法??　　6.3　基于局部學(xué)習(xí)策略的小波神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)可靠性優(yōu)化設(shè)計(jì)仿真的性能比較??　　6.4　小波神經(jīng)網(wǎng)絡(luò)的逆映射??　　6.5　引入懲罰函數(shù)的粒子群算法??　　6.6　結(jié)構(gòu)系統(tǒng)的可靠性優(yōu)化設(shè)計(jì)方法??　　6.7　數(shù)值算例??　　6.8　小結(jié)??　　參考文獻(xiàn)??　第7章　基于模糊粒子群算法的可靠性穩(wěn)健優(yōu)化設(shè)計(jì)??　　7.1　引言??　　7.2　可靠性穩(wěn)健優(yōu)化設(shè)計(jì)模型??　　7.3　基于模糊的多目標(biāo)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(shè)計(jì)??　　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(shè)計(jì)??　　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(shè)計(jì)??　　7.7　基于模糊粒子群算法的拉桿的可靠性穩(wěn)健設(shè)計(jì)??　　7.8　小結(jié)??　　參考文獻(xiàn)??　第8章　基于灰色粒子群算法的可靠性穩(wěn)健優(yōu)化設(shè)計(jì)??　　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(shè)計(jì)??　　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(shè)計(jì)??　　8.5　基于灰色粒子群算法的鋼板彈簧的可靠性穩(wěn)健設(shè)計(jì)??　　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(shè)計(jì)??　　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(shè)計(jì)??　　8.8　小結(jié)??　　參考文獻(xiàn)??第三部分　基于計(jì)算智能技術(shù)的橋梁結(jié)構(gòu)損傷識(shí)別研究?　第9章　結(jié)構(gòu)損傷識(shí)別方法及其發(fā)展?fàn)顩r??　　9.1　引言??　　9.2　基于動(dòng)力特性的結(jié)構(gòu)損傷識(shí)別方法??　　9.3　基于模型修正的損傷識(shí)別方法??　　9.4　損傷結(jié)構(gòu)動(dòng)力的有限元模型??　　9.5　橋梁結(jié)構(gòu)損傷識(shí)別研究的現(xiàn)狀與發(fā)展??　　參考文獻(xiàn)??　第10章　基于粒子群算法的橋梁結(jié)構(gòu)可靠性穩(wěn)健優(yōu)化設(shè)計(jì)與損傷識(shí)別研究??　　10.1　引言??　　10.2　多目標(biāo)優(yōu)化問(wèn)題??　　10.3　基于灰色粒子群算法的鋼筋混凝土簡(jiǎn)支梁的可靠性穩(wěn)健優(yōu)化設(shè)計(jì)??　　10.4　基于粒子群算法和殘余力向量的結(jié)構(gòu)損傷識(shí)別??　　10.5　小結(jié)??　　參考文獻(xiàn)??　第11章　基于支持向量機(jī)和粒子群算法的橋梁結(jié)構(gòu)損傷識(shí)別研究??　　11.1　引言??　　11.2　基于支持向量機(jī)和粒子群算法的結(jié)構(gòu)損傷識(shí)別方法??　　11.3　簡(jiǎn)支梁橋的損傷識(shí)別??　　11.4　小結(jié)??　　參考文獻(xiàn)??　第12章　基于神經(jīng)網(wǎng)絡(luò)的橋梁結(jié)構(gòu)損傷識(shí)別??　　12.1　引言??　　12.2　基于小波神經(jīng)網(wǎng)絡(luò)的橋梁結(jié)構(gòu)損傷識(shí)別??　　12.3　基于灰色聚類神經(jīng)網(wǎng)絡(luò)集成的損傷識(shí)別方法??　　12.4　小結(jié)??　　參考文獻(xiàn)

章節(jié)摘錄

插圖：進(jìn)化計(jì)算是20世紀(jì)90年代興起的一門(mén)模擬生物進(jìn)化與遺傳規(guī)律的計(jì)算學(xué)科。近年來(lái)，由于進(jìn)化計(jì)算在機(jī)器學(xué)習(xí)、過(guò)程控制、經(jīng)濟(jì)預(yù)測(cè)和工程優(yōu)化等領(lǐng)域取得的成功，引起了數(shù)學(xué)、物理、化學(xué)、生物學(xué)、計(jì)算機(jī)科學(xué)、社會(huì)科學(xué)、經(jīng)濟(jì)學(xué)及工程應(yīng)用等領(lǐng)域科學(xué)家們的極大興趣。當(dāng)前，進(jìn)化計(jì)算的研究?jī)?nèi)容十分廣泛，如進(jìn)化計(jì)算算法的設(shè)計(jì)與分析、進(jìn)化計(jì)算的理論基礎(chǔ)以及其在各個(gè)領(lǐng)域的應(yīng)用等。可以預(yù)計(jì)，隨著進(jìn)化計(jì)算理論研究的不斷深入和應(yīng)用領(lǐng)域的不斷拓廣，進(jìn)化計(jì)算必將取得更大的成功。進(jìn)化計(jì)算主要由遺傳算法、遺傳編程、進(jìn)化策略、進(jìn)化編程、DNA計(jì)算、螞蟻算法、粒子群算法、人工免疫、分子計(jì)算等不同的分支組成。粒子群優(yōu)化算法起源于對(duì)簡(jiǎn)單社會(huì)系統(tǒng)的模擬。最初設(shè)想是模擬鳥(niǎo)群覓食的過(guò)程。設(shè)想這樣的一個(gè)場(chǎng)景：一群鳥(niǎo)在隨機(jī)搜索食物。在這個(gè)區(qū)域里只有一塊食物，所有的鳥(niǎo)都不知道食物在那里，但是它們知道當(dāng)前的位置離食物還有多遠(yuǎn)。那么找到食物的最優(yōu)策略是什么呢？最簡(jiǎn)單有效的方法就是搜尋目前離食物最近鳥(niǎo)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(wèn)題。該算法與遺傳算法類似，它也是基于群體迭代，但沒(méi)有交叉、變異算子，群體在解空間中追隨最優(yōu)粒子進(jìn)行搜索。由于粒子群優(yōu)化算法簡(jiǎn)單容易實(shí)現(xiàn)，同時(shí)又有深刻的智能背景，所以既適合科學(xué)研究，又特別適合工程應(yīng)用。近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)粒子群算法的研究與應(yīng)用作了大量的工作，并取得了顯著的成績(jī)。Parsopoulos等以標(biāo)準(zhǔn)函數(shù)為例，測(cè)試粒子群優(yōu)化算法解決整數(shù)規(guī)劃問(wèn)題的能力。Salman將任務(wù)分配問(wèn)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(guān)系，提出了求解多目標(biāo)優(yōu)化模型的多目標(biāo)粒子群算法。張利彪等利用最優(yōu)解評(píng)估選取原則，對(duì)粒子群算法進(jìn)行改進(jìn)，也解決了傳統(tǒng)粒子群算法無(wú)法求解的多目標(biāo)優(yōu)化模型問(wèn)題。

編輯推薦

《計(jì)算智能技術(shù)及其工程應(yīng)用》是由科學(xué)出版社出版的。

圖書(shū)封面

評(píng)論、評(píng)分、閱讀與下載

---

    計(jì)算智能技術(shù)及其工程應(yīng)用 PDF格式下載

---