多通道旋转操作流程优化使用混合遗传模拟退火算法

文摘

多年来,已经有越来越多的关注放在金属切削过程,如车削和铣削操作;研究人员从不同的地区集中在切削条件优化。切削条件的优化是一个至关重要的步骤,计算机辅助工艺设计(CAPP);它的目标是选择最优切削参数(切削速度、进给速率等,深度,和程数)因为这些参数影响生产成本以及生产日期。摘要多通道将操作优化使用提出的混合遗传模拟退火算法(HSAGA)。SA-based本地搜索是正确嵌入遗传算法搜索机制,以便将GA远离被封闭在当地的最适条件。单位生产成本被认为是在这个工作在不同的实践和操作为目标函数最小化约束。田口方法是用于校准的参数提出了优化方法。最后,不同的结果通过各种优化算法获得解决方案相比,提出的混合进化技术比其他算法优化已经证明了其有效性。

1。介绍

金属切削过程,如车削操作涉及不同的变量从输入变量(切削速度、进给速率、切割深度,和程数),输出变量(生产成本、生产时间、刀具寿命、尺寸精度、表面粗糙度、切削力,切削温度和功耗,等等)。选择适当的切削条件对加工成本产生重大影响,产品质量,出货和生产时间。这些参数是饲料率(),切割速度(),切割深度()和程数()。将操作可以见图1。

第一篇论文相关参数选择问题提出的多通道将胫骨和Joo [1发起了一系列的研究。作者来自不同背景的尝试使用各种优化方法优化同样的问题(2,3]。

陈和蔡4)提出了一种混合动力技术,基于模拟退火算法和Hooke-Jeeves模式搜索(SA-PS)单位生产成本降到最低;Onwubolu和Kumalo5)提出了一种基于遗传算法的优化方法,表明GA优化技术提供了更好的结果比4]。然而,M.-C。陈和K.-Y。陈(6)表明,获得的结果(5)是无效的,因为不正确的处理等式约束的切削深度。Vijayakumar et al。7)尝试同样的问题使用蚁群优化(ACO)算法。随后,王(8]证明了最优解,发现(7),也是无效的。斯等人。9]使用粒子群优化(PSO)单位生产成本最小化与陈和蔡4]。

在过去的十年中,混合优化技术继续吸引更多研究人员的能力来解决复杂的组合优化问题和各种组合方法提出了几个作者。科斯塔et al。10)提出了一种混合粒子群优化(HPSO)技术解决多通道将提出的优化问题(4]。李和Ponnambalam [11)使用一种混合算法结合遗传算法和人工免疫算法和尝试相同的模型7]。谢和郭12)结合蚁群优化(ACO),通过列举方法,降低单位生产成本以及[4]。

Yildiz实现几个优化技术解决多通道将业务问题,如混合方法基于微分进化算法(13),混合动力强劲的微分进化算法(HRDE) (14),混合人工蜂群算法(15),和混合动力强劲Teaching-Learning-Based优化(HRTLBO)算法(16)和混合算法结合受体免疫系统的编辑属性(17]。然而,任何信息提供了加工参数的最佳值。

Aryanfar和Solimanpur18)提出了一种优化基于遗传算法的多通道将操作技术旨在降低单位生产成本。Jabri et al。19]提出的GA方法解决多目标问题,加工成本和生活成本的同时优化工具。饶和Kalyankar20.)使用Teaching-Learning-Based优化算法来解决同样的问题(多通道将操作)。他们得出的结论是,TLBO可以收敛到最优解在一个较低的迭代次数。Belloufi et al。21)提出了萤火虫算法(FA),但约束限制,如切削力是错误的处理。

Mellal和威廉姆斯(22)利用杜鹃优化算法寻求最小化生产成本和比较结果与之前发表的结果。在这项研究中,该算法得到的最优参数在一个案例中,但在另一个失败。Chauhan et al。23)提出了一个完全扰乱了粒子群优化(TDSPO)这个问题混乱的现象是嵌入在PSO为了扰乱粒子在以后的迭代来防止停滞。与基本PSO相比该方法给了最好的结果。贾亚特里和Baskar24)开发了一种连续的混合方法的融合,SA和PSO优化技术来解决多通道将问题。在他们的工作,三个不同的选择方法的遗传算法研究了线性排名,比赛的选择,和轮盘赌选择;前乔治亚州技术的方法是最好的选择方法和混合方法已被证明效果相比。另一个多通道将工作问题是最近出版的(25];它是基于一种新的优化技术称为花授粉算法(FPA)。全球和本地搜索运营商这种优化技术的一个强大的方法,给出令人满意的结果。

正如上面的文献综述,将过程是一个复杂的问题,因为它涉及许多元素。事实上,作者提出的各种优化方法从不同领域希望提高质量结果的精度和计算时间。不幸的是,似乎更多的是需要努力协助规划师过程可靠的工具而选择最佳加工参数。在这项工作中,混合遗传模拟退火算法开发的单位生产成本降到最低多通道将过程;提出的性能优化方法获得的结果进行了比较,突出不同的最优成本提出的各种优化技术。

剩下的纸是组织如下。在下一节中,我们提出有关问题的目标函数最小化各种操作和实际的约束。节3提出了多通道将混合算法优化操作。然后参数标定算法的研究和结果,相比以前发表在部分工作4。最后,结束语和一些可能的未来的工作。

2。多通道将数学模型

提出的多通道将操作的数学模型(1)仍然是一个主题感兴趣的人员;本文采用和约束条件的单位生产成本将最小化。约束条件包括参数范围和工具和工件切削条件限制的考虑。详细介绍下面的目标和约束。

2.1。目标函数

单位生产成本,加州大学,多通道将运营成本可分为四个基本元素。(我)削减成本的实际时间: (2)机器闲置成本由于装卸操作和空转刀具运动: (3)工具重置成本: (iv)工具成本: 在哪里最后,目标函数的总和这些成本可以表示如下:

2.2。约束

约束是技术和业务的局限性,应该考虑在粗和完成操作。这些限制包括参数范围、操作约束和切削条件的关系。

(我)参数范围

(2)操作限制。粗的切削力和权力约束和完成操作表示如下: chip-tool界面约束(10)遵循制定Hati和拉奥(1976)(26]: 稳定的切割区域约束(11)和表面光洁度的约束(17)按照配方纳和费舍尔(1993)(27]:

(3)切削参数的关系

3所示。建议的解决方案的算法

拟议中的HSAGA基于GA算法之间的组合和SA-based本地搜索。在这一部分中,我们将简要概述在SA和遗传算法技术。遗传算法是一种随机全局搜索技术,解决问题通过模仿自然进化过程观察到;它介绍了荷兰在1960年代,进一步描述戈德堡(28]。到目前为止,遗传算法已成功采用许多复杂优化问题在传统的优化方法并显示其优点。GA开始人口的候选解决方案,发展到接近最优解。每位候选人通常是编码为一个二进制字符串“染色体”为了进行繁殖;健身后,再计算每个染色体解码的操作。

另一方面,SA算法模拟一个物理系统的行为,加热,然后慢慢冷却,如生长晶体或退火金属。首次提出了通过柯克帕特里克et al。29日),它可以用来解决许多组合流程优化问题。这种技术首先选择一个初始随机过程决策向量和移动到新的地区决策向量提高目标函数值。SA技术可以接受劣质决策向量基于某些概率措施””被称为玻耳兹曼统计(见(18)),这有助于算法逃离截留在当地最适条件,最终达到全球最适条件: 在哪里代表的差异之间的客观价值生成的解决方案和当前的解决方案(见(19))。””是退火初始温度遗传算法优化技术具有较强的全局搜索能力,但它也有局限性,如过早和收敛速度缓慢,以及局部搜索能力弱的问题。另一方面,SA算法具有较强的局部搜索能力和没有过早的问题。摘要混合模拟退火遗传算法(HSAGA)提出了克服的两种技术的局限性,发挥各自优势,提高求解效率。

3.1。初始化

在这一步中遗传算法种群的个体(每个变量)是使用生成的随机均匀分布在定义的时间间隔,对粗和完成操作。进给速率()是一个实数之间产生 ;切削速度()和深度(整数中生成范围) , ,分别。为了考虑之间的关系和,得到粗切的深度,受到他们的谎言之间的接受的极限。应该注意的是,人口规模”Popsize“有相当大的影响质量解决方案和计算时间;因此,需要固定在适当的值。每个元素的解决方案空间”“是有成本的价值获得使用目标函数:。

3.2。评价和约束处理

这种优化的目的是计算的最小成本转向操作。得分函数值与每个元素的解决方案空间(竞争力)。罚函数是用来惩罚那些违反约束。违反的约束越多,更重的惩罚将会完成。因此,他们的健康将是很小的。这样,不可行的解决方案有更多机会被淘汰的解空间。使用目标函数选择的概率计算如下: 在哪里目标函数的值是当前元素””。是当前解决方案空间的最坏值(目标函数的最大值)。

的概率给元素被复制基于其竞争力的机会。

3.3。解决方案的编码

个人代表加工参数进行交叉和变异等遗传操作。这样做,他们应该适当的编码。一个合适的编码方案,说明解决方案的特点,有着相当大的影响力的性能质量的解决方案。在这一步中我们采用同样的编码方案4),个人代表string-bit块称为(染色体)转换为一个二进制字符串,并分配给一个22-bit块。

将每个转换为一个二进制字符串的操作从一个实数””一个二进制字符串计算通过使用以下方程: 然后转化为一个二进制字符串。例如,“0.729”的进给速率值字符串烈性黑啤酒如下: 用这个表示遗传算子可以应用于个人和他们又可以再转换成整数或实数,使用二进制映射技术。

3.4。遗传模拟退火操作符扰动

3.4.1。两个分割点交叉

交叉是一个机制多样化鼓励GA检查,并且区域。两点交叉要求两个随机生成的点上选择父字符串和两个点之间的所有比特交换父母之间的字符串,呈现两个子字符串。例如,两个字符串的第一块,在切割速度值78和108米/分钟,分别交叉操作后,成为110和76米/分钟,分别为:

3.4.2。突变和邻居原则

突变是随机选择的随机修改部分。这个操作符执行修改成染色体有一定概率””,被认为是一个扰动机制探索的邻居可能的解决方案。例如,前面的新字符串1(突变位置是下划线) 应用交叉和变异操作,生成新的不同的个体从父母的字符串。(表达的大都市验收标准19)然后应用选择的个体进入下一代。事实上,Old_pop和New_pop通过竞争去下一代;在整个比赛中,两个元素提取新的解决方案:f_newbest和f_worst(最小和最大的解决方案的后代个体,职责)。该算法接受替换旧的解决方案在两种情况下:(我)例1:如果_newbest不如_best(人口)父母的最佳解决方案(2)例2:当_newbest优于_best和概率(表达的19)优于生成随机值之间

3.5。冷却时间和终止条件

摘要温度下降已经使用的线性模式,温度在哪里得到以下方程: 当程序终止条件迭代没有改善的最佳解决方案。HSAGA算法算法所示1。

开始
集,,,
产生可行解的流行⁰
为对pop_size
计算适应度值(流行⁰)
结束


而:
而:
选择两个人从
如果:
应用交叉
如果:
应用突变
结束

结束
新天
为pop_size:
计算新健身值(新天后)
结束


如果:

Temp-pop =新天,:]
其他的如果:
Temp-pop =新天

如果:


如果:
Temp-pop =新天[,:]
结束
新天= Temp-pop


结束
返回最优值
结束

4所示。结果与讨论

在本节中,单位生产成本最小化在文献中报道。混合传奇优化技术是为了计算进行优化金属切削加工参数的问题。考虑的例子是一个圆柱形工件长度500毫米和50毫米直径和所需的深度削减是6毫米。加工数据在表中1。


参数	价值

	50毫米

	500米/分钟
	0.9毫米/牧师
	1毫米
	3毫米
	200 Kgf
	1000°C
	108年
	2.5
	1.75
	0.95

	1.2毫米
	2.5美元/分钟
	0.75分钟/件
	300毫米
	500米/分钟
	50米/分钟
	0.1毫米/牧师
	3毫米
	25分钟
	5千瓦
	0.5
	132年
	1.0
	0.75
	0.85
	0.4
	0.105

	6毫米
	50米/分钟
	0.1毫米/牧师
	0.9毫米/牧师
	1毫米
	45分钟
SC	140年
	10µ米
	1.0
	5
	0.75
	2
	0.2
	0.5美元/分钟
	0.3
	1.5分钟/边

混合传奇写在python 3.5和英特尔(R)上运行核心(TM) i5 - 2430 m CPU @2.4 GHz, 4 GB的RAM。一组参数参与该算法;表2显示了该优化算法参数。如第二列所示,给出了一系列为每个参数。因此,需要调优参数选择的最佳值,确保程序收敛性和稳定性。


参数	/值范围

人口规模(Popsize)	20 - 100
最大迭代次数	50 - 200
交叉概率()	70% - -80%
变异概率()	10% - -30%
初始温度	500 - 900
冷却速率(α)	0.70 - -0.90
点球($)	1 - 10

4.1。参数调优

在这个阶段中,田口方法用于选择合适的上述因素水平组合。广泛应用于稳健设计、田口方法是一种普遍的方法(30.]。的参数设计是基于最小化确定噪声的敏感性的因素水平。在这样的优化,反应在每个设置的参数被视为衡量表明一些质量的均值和方差的特点。这两个指标结合成一个单一的衡量工作表现的所谓的信噪比( )定量。田口方法提出了不同类别的稳健参数设计,小更好,更大更好的,等等31日]。类别小更好的为我们的问题是合适的函数,它表示在哪里,,表示试验数量、响应变量,分别和复制的数量。在该算法中,七个因素应该校准,每个国家都有三个层次。

选中L27正交阵列有27个不同的参数组合的水平,这意味着总共27进行测试,每个测试复制五次为了获得更可靠的结果。表3显示结果的田口方法提出的每一个因素的组合。


Popsize	临时		Cool-Rate		Max-It	钢笔。

20.	500年	0,70	0、7	0,10	50	1	2,34	2,39	2,79	3,06年	3,05年
20.	500年	0,70	0、7	0,15	One hundred.	5	3、15	2,39	2,50	2、15	2,70
20.	500年	0,70	0、7	0,20	200年	10	2,61	2,41	2,63	2,70	2、16
20.	750年	0,75	0,8	0,10	50	1	2,46岁	2,76	2、26日	2,51	2、45
20.	750年	0,75	0,8	0,15	One hundred.	5	4,74	2,34	3、16	2,87	2,08年
20.	750年	0,75	0,8	0,20	200年	10	3、11	2、21	2,18	2,50	2,48
20.	900年	0,80	0、9	0,10	50	1	2,68	2,55	3、11	2,08年	2、40
20.	900年	0,80	0、9	0,15	One hundred.	5	3,59岁	2,07年	2,37	2,56	2,49
20.	900年	0,80	0、9	0,20	200年	10	3、14	3、11	2,55	2,87	2、32
50	500年	0,75	0、9	0,10	One hundred.	10	2,18	2、21	2,07年	2,07年	2,44
50	500年	0,75	0、9	0,15	200年	1	2,07年	2,08年	2,07年	2,08年	2,08年
50	500年	0,75	0、9	0,20	50	5	2,44	2、21	2,07年	2,48	2,09年
50	750年	0,80	0、7	0,10	One hundred.	10	2,18	2,08年	2、21	2,07年	2、19
50	750年	0,80	0、7	0,15	200年	1	2,18	2,08年	2,08年	2,18	2,07年
50	750年	0,80	0、7	0,20	50	5	2、21	2,08年	2,39	2,08年	2,07年
50	900年	0,70	0,8	0,10	One hundred.	10	2,07年	2,07年	2,07年	2、19	2,08年
50	900年	0,70	0,8	0,15	200年	1	2、21	2,07年	2,07年	2、19	2,07年
50	900年	0,70	0,8	0,20	50	5	2、19	2,07年	2、17	2,08年	2,07年
One hundred.	500年	0,80	0,8	0,10	200年	5	2,20	2,08年	2,07年	2,07年	2、21
One hundred.	500年	0,80	0,8	0,15	50	10	2,07年	2,08年	2,07年	2,07年	2、12
One hundred.	500年	0,80	0,8	0,20	One hundred.	1	2,07年	2,07年	2,07年	2,07年	2、12
One hundred.	750年	0,70	0、9	0,10	200年	5	2,08年	2,07年	2,07年	2,08年	2,08年
One hundred.	750年	0,70	0、9	0,15	50	10	2,08年	2、12	2、10	2,07年	2,08年
One hundred.	750年	0,70	0、9	0,20	One hundred.	1	2,06年	2,07年	2,08年	2,07年	2、17
One hundred.	900年	0,75	0、7	0,10	200年	5	2,08年	2,07年	2,07年	2,06年	2、21
One hundred.	900年	0,75	0、7	0,15	50	10	2,07年	2,07年	2、21	2,39	2、16
One hundred.	900年	0,75	0、7	0,20	One hundred.	1	2,07年	2,08年	2,09年	2,07年	2、14

为了说明田口方法的性能,图2礼物的进化意味着每个因素的S / N比率。水平最高的信噪比的值被选中作为他们每个人的最优值;这些参数值聚集在桌子上4。


算法参数	最优值

人口规模(Popsize)	One hundred.
最大迭代次数	200年
交叉概率()	70%
变异概率()	10%
初始温度()	500年
冷却速率()	0.70
点球(刑法)	1

4.2。比较与其他结果

使用上述算法因素,获得了最优切削参数和相关的最小的成本是2.06美元。表5总结了最佳加工参数、约束值,和限制;同时可以清楚的看到,所有的约束都是尊重。此外,收敛曲线的单位成本使用HSAGA图3。从这个图可以观察到,获得成本为每个测试解决方案都是相同的,这表明该算法与选定的参数值基于田口方法具有良好的稳定性。


	变量	范围/限制	HSAGA结果

工艺参数	(米/分钟)	50 - 500	111年
	(毫米/牧师)	0.1 - -0.9	0.565
	(毫米)	1.0 - -3.0	3
	(米/分钟)	50 - 500	171年
	(毫米/牧师)	0.1 - -0.9	0.225
	(毫米)	1.0 - -3.0	3

约束为粗纹	(分钟)	25-45	44.26
	(Kgf)	200年	199.16
	(千瓦)	5	4.22
	可控硅	140年	2278年
	(°C)	1000年	866年

约束完成切割		25-45	24.87
	(Kgf)	200年	98.5
	(千瓦)	5	3.25
	SCs	140年	2164年
	(°C)	1000年	857年
	(µ米)	10	5.3

限制变量的关系		1.0	1.54
		2.5	2.51
		1.0	1

最小成本($)			2.06

在介绍,提出了在文献中有丰富的结果使与别人比较我们的结果很重要。混合的方法,用于工作报告,相比之下,结果之前的一些研究论文引用的文献。表6表明我们的优化技术提供了更好的解决方案与其他优化方法相比。


引用	Opti。方法	切削参数						单位成本($)	开口。const。
引用	Opti。方法							单位成本($)	开口。const。

现在	HSAGA	111年	0.565	3	171年	0.225	3	2.06	- - - - - -
(25]	平安险	109.66	0.5655	3	169.97	0.2262	3	2.03	- - - - - -
(24]	硫化汞	499.99	0.8939	2.5	93.89	0.8836	1	2.22	力
(23]	混沌算法	123.34	0.5655	3	169.97	0.2262	3	1.95	刀具寿命
(22]	我看	123.34	0.5655	3	169.978	0.2262	3	1.959	刀具寿命
(21]	萤火虫	98.4	0.82	3	162.28	0.25	3	1.93	力
(20.]	TLBO	110年	0.565	3	170年	0.226	3	2.28	刀具寿命
(18]	遗传算法	109.663	0.566	3	169.986	0.226	3	1.12
(17]	混合算法	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	2.04
(16]	HDRE 友邦保险	- - - - - - - - - - - -	- - - - - - - - - - - -	- - - - - - - - - - - -	- - - - - - - - - - - -	- - - - - - - - - - - -	- - - - - - - - - - - -	2.04 2.12
(15]	HABC	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	2.04
(14]	HRTLBO	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	2.04
(13]	溪谷美国广播公司德	- - - - - - - - - - - - - - - - - -	- - - - - - - - - - - - - - - - - -	- - - - - - - - - - - - - - - - - -	- - - - - - - - - - - - - - - - - -	- - - - - - - - - - - - - - - - - -	- - - - - - - - - - - - - - - - - -	2.04 2.11 2.13
(12]	华	109.66	0.565	3	169.97	0.226	3	2.07	- - - - - -
(11]	GA-AIS 算法	133.28 141.7	0.8 0.71	2.9 2.8	333.23 330.74	0.8 0.71	2.5 2.3	1.5 1.6	力力
(10]	HPSO	109.66	0.5655	3	169.97	0.2262	3	2.03	刀具寿命
(9]	算法	106.69	0.897	2	155.89	0.28	2	2.27	- - - - - -
(8]	分析方法	103.05	0.9	3	162.02	0.24	3	1.96	力
(7]	华	103.05	0.9	- - - - - -	162.02	0.24	- - - - - -	1.62	力
(6]	遗传算法	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	2.3
(5]	遗传算法	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	1.76
(4]	SA-PS	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	- - - - - -	2.29

5。结论

这项工作涉及金属切削过程,特别是多通道操作。提出一种新的优化方法应用于找到这把操作的最小单位生产成本。这种方法是基于SA本地搜索技术与遗传算法全局优化组合提供一个强大的可能性,避免局部最小值的遗传算法及其性能有明显改善。比较各种优化技术,结果表明,HSAGA是一种有效的优化技术,它可以很有趣在CAPP中实现。

命名法

:	单位生产成本,包括材料成本(美元/件)
:	实际时间削减成本的削减(美元/件)
:	机器闲置成本由于装卸操作和工具空转时间(美元/件)
:	工具重置成本(美元/件)
:	工具成本(美元/件)
和:	分别在粗糙和精加工切削速度(米/分钟)
和:	上下边界粗加工的切割速度,分别(米/分钟)
和:	上下边界精加工的切削速度(米/分钟)分别
和:	深度的减少通过粗、精加工分别(毫米)
和:	粗切削深度的上下边界,分别(毫米)
和:	上下边界完成切割的深度,分别(毫米)
和:	饲料在粗、精加工分别(毫米/牧师)
和:	上下边界粗加工的进给速率分别(毫米/牧师)
和:	上下边界精加工的进给速率分别(毫米/牧师)
:	粗糙的削减,一个整数
:	深度的金属被删除(毫米)
,:	直径和长度分别为工件(毫米)
:	直接人工费用,包括管理费用(元/分钟)
:	前沿成本(美元/边缘)
和:	所需的时间交换的工具和工具更换时间,分别(分钟)
和:	常量与工具有关旅行和方法/离开时间,分别(分钟)
和:	预期为粗糙和精加工刀具寿命,分别(分钟)
:	刀具寿命的加权组合和(分钟)
:	体重,
,:	上界和下界为工具,分别(分钟)
,,,:	, , , 分别
SC:	稳定极限切削区域
:	刀具刀尖半径(毫米)
和:	分别削减部队在粗糙和精加工(kgf)
:	最大允许切削力(kgf)
,,:	切削力方程的常数
和:	分别削减权力在粗糙和精加工(千瓦)
:	最大允许切削功率(千瓦)
:	功率效率
,:	常量表达式相关的稳定切削区域
和:	约束chip-tool界面温度在粗、精加工分别(°C)
:	最大允许chip-tool界面温度(°C)
,,,:	常量chip-tool界面温度的相关方程
,,:	常数为粗和加工参数的关系
:	最大允许表面粗糙度(mm)。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

y . c . Shin和y s Joo)“优化加工条件与实际约束,”国际期刊的生产研究,30卷,不。12日,第2919 - 2907页,1992年。视图:出版商的网站|谷歌学术搜索
n . Yusup a . m . Zain和s . z . m . Hashim”进化技术在优化加工参数:审查和最近的应用程序(2007 - 2011),“专家系统与应用程序,39卷,不。10日,9909 - 9927年,2012页。视图:出版商的网站|谷歌学术搜索
Naithani和s . Chauhan“数学建模的方法确定最优的加工参数将与计算机数控(CNC)机器,”国际计算机辅助工程和技术杂志》上,4卷,不。5,403 - 419年,2012页。视图:出版商的网站|谷歌学术搜索
M.-C。陈和D.-M。蔡”,模拟退火优化方法多次操作,“国际期刊的生产研究,34卷,不。10日,2803 - 2825年,1996页。视图:出版商的网站|谷歌学术搜索
g·c·Onwubolu和t . Kumalo”,与遗传算法优化的多通道将操作”,国际期刊的生产研究,39卷,不。16,3727 - 3745年,2001页。视图:出版商的网站|谷歌学术搜索
M.-C。陈和K.-Y。陈”,用遗传算法优化的多通道将操作:请注意,“国际期刊的生产研究第41卷。。14日,第3388 - 3385页,2003年。视图:出版商的网站|谷歌学术搜索
k . Vijayakumar g . Prabhaharan p同,r·萨拉瓦南”使用蚁群优化多次把操作系统,”国际机床制造杂志》上,43卷,不。15日,第1639 - 1633页,2003年。视图:出版商的网站|谷歌学术搜索
研究。王”,注意在使用蚁群优化多次把操作系统“,”国际机床制造杂志》上卷,47号12 - 13,2057 - 2059年,2007页。视图:出版商的网站|谷歌学术搜索
j .斯r . Giri工程学系。杨”,使用粒子群优化多次把情报。”国际先进制造技术杂志》上,40卷,不。1 - 2日,56 - 66,2009页。视图:出版商的网站|谷歌学术搜索
a·科斯塔、g . Celano和s . Fichera”优化多次通过混合粒子群优化技术,将经济”国际先进制造技术杂志》上,53卷,不。5 - 8,421 - 433年,2011页。视图:出版商的网站|谷歌学术搜索
y z李和s . g . Ponnambalam”优化的多通道使用PSO和GA-AIS算法,将操作”国际期刊的生产研究,50卷,不。22日,第6518 - 6499页,2012年。视图:出版商的网站|谷歌学术搜索
谢和y郭”,优化加工参数的多次使用蚁群优化切屑,”国际期刊的加工和切削加工性能的材料,11卷,不。2、204 - 220年,2012页。视图:出版商的网站|谷歌学术搜索
A . r . Yildiz”,基于优化算法的比较研究将操作,“信息科学卷,210年,第88 - 81页,2012年。视图:出版商的网站|谷歌学术搜索
a . r . Yildiz“混合Taguchi-differential进化算法优化多次操作,“应用软计算杂志,13卷,不。3、1433 - 1439年,2013页。视图:出版商的网站|谷歌学术搜索
a . r . Yildiz”,优化切削参数的多次使用人工蜜蜂colony-based方法,”信息科学卷,220年,第407 - 399页,2013年。视图:出版商的网站|谷歌学术搜索|MathSciNet
a . r . Yildiz”,多次把操作的优化使用基于混合教学学习方法,“国际先进制造技术杂志》上,卷66,不。9 - 12,1319 - 1326年,2013页。视图:出版商的网站|谷歌学术搜索
A . r . Yildiz”,一种新的粒子群优化方法对产品设计和制造,”国际先进制造技术杂志》上,40卷,不。5 - 6,617 - 628年,2009页。视图:出版商的网站|谷歌学术搜索
a . Aryanfar和m . Solimanpur”,使用遗传算法优化多程将操作”《国际工业工程与运营管理会议2012年,伊斯坦布尔,土耳其,。视图:谷歌学术搜索
a . Jabri a . e . Barkany和a . e . Khalfi”使用遗传算法多目标优化的多路转弯过程中,“工程,5卷,不。07年,601 - 610年,2013页。视图:出版商的网站|谷歌学术搜索
r . v . Rao, v . d . Kalyankar多次使用teaching-learning-based优化工艺参数优化算法,”Scientia Iranica,20卷,不。3、967 - 974年,2013页。视图:出版商的网站|谷歌学术搜索
a . Belloufi m集团,即Rezgui,“聪明的选择加工参数多通道旋转使用萤火虫算法,”建模和模拟在工程文章ID 592627卷,2014年,2014年。视图:出版商的网站|谷歌学术搜索
m·a·Mellal和e·j·威廉姆斯,“杜鹃的单位生产成本优化算法多次操作,“国际先进制造技术杂志》上,卷76,不。1 - 4、647 - 656年,2015页。视图:出版商的网站|谷歌学术搜索
p . Chauhan m .喘气,k .深,“多次使用混沌算法,参数优化”国际期刊的机器学习和控制论》第六卷,没有。2、319 - 337年,2015页。视图:出版商的网站|谷歌学术搜索
r·贾亚特里和n . Baskar”评估工艺参数的多程将使用混合遗传模拟群算法过程,”先进制造系统杂志》上,14卷,不。4、215 - 233年,2015页。视图:出版商的网站|谷歌学术搜索
王许,y, f .黄”优化多次把参数通过一种改进的花授粉算法,”国际先进制造技术杂志》上卷,88年,页1 - 12,2016。视图:出版商的网站|谷歌学术搜索
s . k . Hati和s . s . Rao”,确定最优加工Conditions-Deterministic和概率方法,”工业工程杂志》上,卷98,不。1,第359 - 354页,1976。视图:出版商的网站|谷歌学术搜索
r . v .纳·g·w·费舍尔,“开发框架自动化流程的规划功能和确定加工参数,“国际期刊的生产研究没有,卷。31日。8,1921 - 1942年,1993页。视图:出版商的网站|谷歌学术搜索
d·e·戈德堡遗传算法在搜索、优化和机器学习美国,addison - wesley,纽约,纽约,1998年。
s .柯克帕特里克j . Gelatt和m . p . Vecchi“由模拟退火优化”美国科学促进会。科学,卷220,不。4598年,第680 - 671页,1983年。视图:出版商的网站|谷歌学术搜索|MathSciNet
s . m . Phadke质量工程使用稳健设计,Prentice Hall,纽约,纽约,美国,1989年。
Chowdhury g . g .田口s, s .田口强大的工程美国麦格劳-希尔,纽约,纽约,2000年。

建模和模拟在工程

文摘