文摘
人工智能的快速发展,工艺品设计开发了从人工设计人工智能设计。传统工艺品设计的问题长时间消耗和低输出,因此有必要改进过程技术。人工智能技术能提供工艺优化设计步骤设计和提高设计效率和工艺水平。手工艺品被视为重要的社交产品,存在于人们的日常生活。在当前的社会,许多人做手工艺品,有主要的展览。此外,手工艺品的陈设也非常伟大和令人震惊的。手工艺品设计中,传统的设计方法无法完全跟上手工艺品的生产速度和效率。因此,本文采用多节点分支multi-intelligent决策融合算法设计工艺品的设计方法。算法模型结合用于分析和设计工艺品的布局,加快了设计效率和生产的工艺品。在本文中,将使用两种智能算法融合; they are genetic algorithm and GA-PSO fusion algorithm obtained by particle swarm optimization and they are embedded in handicraft design method for application through mathematical model construction and function construction. After comparing the performance parameter index data of three intelligent algorithms and GA-PSO fusion algorithm, it is obtained that GA-PSO fusion algorithm is 97% correct and has 82% readability, 72% robustness, and 61% structure, making it have better important indicators. Four algorithms optimize each design problem in all aspects of handicraft design at present. Design efficiency, image distribution rate, image optimization degree, and image clarity are compared by simulation experiments. Compared with three intelligent algorithms, traditional design methods, and manual design methods, GA-PSO fusion algorithm can effectively improve the design method and design effect of handicrafts with 92.1% design efficiency, 82.7% image distribution rate, 94.3% image optimization degree, and 84% layout void rate. Finally, the space complexity experiment of four algorithms shows that GA-PSO algorithm can achieve 9.73 dispersion with 11.42 space complexities, which makes the dimension reduction relatively stable, and the algorithm can maintain stability in the design and application of handicrafts.
1。介绍
决策支持系统应该能够为决策提供各种辅助手段,如信息的收集、传输、加工。然而,即使在相同的环境信息,不同的决策者可能做出不同的决定,这是许多相关因素,如决策者的风险态度和他们采取的决策标准。对复杂系统的决策或主要问题,为了提高决策的准确性和科学性,常常需要使群体决策或多级决策(1]。因此,决策支持系统必须结合和合并多个决策得到最终的决定。需要解决以下两个问题(2]。首先,决策理论的基本决策标准包括拉普拉斯和野蛮的最大和最小后悔标准(3]。他们有自己的适用范围,没有标准在各种条件下是最优的。综合应用不同的标准会导致最满意的决定。第二,许多决策者往往不一致的决策结果由于因素如信息占有和自己的特点4]。平等团体之间的通常的团体决策理论不能完全应用集成多个决策时,考虑决策者的可信性和重要性。为了解决上述问题,应该引入分布式智能决策支持系统(5),和决策融合机制是核心问题。我们已经注意到,人工神经网络(ANN) (6)吸引了人们的注意,因为它类似于人类大脑的组织结构和学习能力。尽管它并不完美,有些研究成果广泛应用于函数拟合,自动控制,优化,等等。工艺美术设计在当今社会已经完全融入人们的生活,影响人们的生活的各个领域,所以它已经成为现实的使用一个创建设计风格。因此,面对这样的一个环境(7),我们应该不断地创新和广泛使用各种创新思维和创造性的研究在改变我们的生活。创新思维表达全面的思维方式,包括创新思维,思维图像,和反向思维,所以这是一个先进的设计方法将完美的手工艺品。有很多优势和好处的设计方法。这可以促进人民工艺品设计的效率,大大提高成品的数量的手工艺品,并极大地节省人力资源(8]。在工业生产中,在现实生活中,在行政管理中,在科研实践中,我们经常采用的合作类型水平决策的系统,也就是说,每个代理合作组可以独立解决问题9]。通过使用不同的知识和数据代理原因采用不同的推理机制,可以获得不同的决策方案,然后可以大大提高解决方案的可信度通过代理之间的交互。多个代理多重代理系统中会产生各种不同的决策方案。在这种情况下,这是不可避免的,他们(10]。才可以在多个代理之间的交互和合作系统中进一步开展获得可信度较高的解决方案(11]。这些不同的智能建筑的个人决策研究和分析,我们可以设置不同的优点和缺点来构建他们。在最近的20年里,研究决策方案在不同领域和行业的排名已进入一个崭新的发展阶段,取得了可观的成果。后发现一系列的多目标决策问题的决策方法,这些解决方案有可能不能满足决策者的要求。如何消除的解决方案不满足决策者的要求需要保留设置的一系列可行的解决方案,满足决策者的意愿(12]。这常常需要一些信息来源和信息渠道在一个更高的水平13),这些信息源和数据需要确定最终的最优解根据决策者的具体分析。有些是业余的,有些是定性的,和一些积累了经验14]。multi-intelligent决策算法的研究基础上本文一系列解集可以通过自适应地调整隶属函数进一步优化整合这些信息,这使得最终的决策结果更加人性化15]。最后,multi-intelligent决策算法的可行性和有效性,工艺品设计方法是理解本文通过仿真对比实验。它使得multi-intelligent决策算法实现算法的设计方法,并为人们的生活质量带来了好消息。
2。融合决策算法
融合多智能算法在当今社会并不陌生,这常常给人们带来了许多便利的科研和社会进步。融合算法一般采用数据融合的方法,这是一种融合模型和算法对多传感器或单一传感器的内容,所以算法的计算过程都可以交互和相互溶解。采用不同的数据融合算法对不同应用程序的问题。
BP模型和GA算法被用于许多人工神经网络模型(16];是应用最广泛的BP网络模型。它的算法是基于最小化二次性能指标函数,也可以称为成本函数。 在哪里l生成训练样本变量的数量和吗C我网络的输出值计算输出的吗jth样本在节点我。Cij是预期的输出值。通过学习样本的数据的一部分,从输入数值的一代n维欧几里得空间域到输出米维欧几里得空间完成(17]。因此,它可用于完整的非线性分类问题和预测数据开发和其他问题;也就是说,它可以用在军事领域的预测,海底电缆,工艺品设计。然而,经典的BP网络主要有一些缺陷,如收敛速度慢,稳定性差,容易陷入局部最小值,这就极大地限制了神经网络的应用和推广。
这是一个公式变量的遗传操作(18),P我获得的个人健身价值在吗我自适应个人和交叉算子的数量的产品价值f我尺寸可以得到变异在变量的数量,反映了信息交互的频率在生物学生物遗产。
然而,一个全新的信息化建设决策算法和处理结构,研究了特定单方面的问题。这也可以称为相关性的多个数据源,数据源的多向合成,决策的多传感器融合算法,等等。然而,相对更接受的名字是源多传感器的数据融合方法的信息,也可以称为融合决策算法。因为它的普遍性和多样性研究内容,很难给出一个统一的数据融合的定义。因此,评估方案的最优位置是派生19),然后综合评价最优解的距离测量每个距离测量的优势。
根据目标函数,解决方案的重要的重量参数f1 (x),f2 (x),…fn(x)提前给出,目标函数解,通过满足下面的公式:
这种方法一般适用于两个目标的优化命题;也就是说,
这通常是一种技术,使用计算机自动分析的独特的技术信息收集,观察,通过传感器获得不同数量的算法获得的时间序列分割与合作在某些特定的标准。然后,进行优化和合成完成最后的决策算法和多任务处理的信息合作处理过程(20.]。根据这个定义,各种传感器数据融合的基础;例如,他们可以用来构建和解决非线性规划问题。
通过构建第一个范围参数和第二个范围参数的线性解和非线性解f1 (x),f2 (x),的具体问题的最优解h(F(x)可以通过构造函数曲线方程。
进化算法还引入了交叉操作HPSO [21]的算法模型。首先,交叉机制选择的粒子是交叉粒子群有一定的交叉概率,然后构造新的粒子称为后代粒子随机交叉操作。后代粒子的位置和速度如下:
多源信息是数据融合的处理对象,这是小的和准确的。常用的模型是基于PCA融合算法。它结合了相关系数矩阵来构造数学模型,计算特征矩阵的特征值和特征向量,然后计算数据,得到图像的值范围。非常适合手工艺品的设计领域,可以准确、快速计算图像的布局模式和特点。领域的融合算法的流程图如图工艺品设计方法1。
3所示。设计方法和评价指标
3.1。手工艺品的设计方法
在我们的生活中,作为工艺品而言,他们可以分为两个类别从设计的观点。一个是日常工艺品,另一种是家具工艺品。从古代到现在,历史沿革和现代社会,手工艺品的特点及其艺术形式大致可以分为三个类别:传统的手工艺品,现代工艺产品,和民间自制的手工艺品22]。本文只讨论的工艺品设计是指日常工艺品设计和现代艺术的工艺设计。设计有自己的特殊规律,因此我们必须深入研究设计原则、设计方法、设计艺术和指导设计工作的结果,所以multi-intelligent决策算法可以使模型建设和融合为工艺设计计算。这种设计是科学的,可以提高设计效率的手工艺品。过程工程的目标是获得高质量的工艺美术作品。几十年来,工艺品设计一直是一个个人和手工劳动。问题,设计师可以发明一种方法来解决它,没有任何法规遵循[23]。但是当进入大规模生产,它不再是个体的结果而是集体劳动的结果,所以设计面临的第一个问题是纪律和制度化。诞生的设计涉及到很多人,包括客户和设计师的两个方面。有很多人在每边。每个人都有不同的看法和理解。通过这种方式,不同的问题会有不同的解决方案。如果设计周期长,即使是由同一个人,会有不同的理解和解决问题的方法在不同时期的设计。此外,随着科学技术水平的逐步改善,有更多的选择来处理问题。在流程设计,缺乏严格的内部纪律,和每个人都可以做自己的事情,然后通过这种方式将注定导致危机的后续发展(24]。因此,根据艺术设计未来的发展前景,提出了设计方法的研究和建议整合multi-intelligent决策算法。这使得手工艺品有顺序的设计,质量,和有效的算法设计过程。也有一个标准的标准化设计的标准化指数一定的艺术设计。因为各种设计方法有不同程度的灵活性,试探性的,设计方法不能解决问题与简单的过程像自动售货机25]。虽然这里的设计方法可以通过使用构造算法,创新能力和图像需要由人创造的。因此,它是不现实的,完全自动化的设计手工艺品。工具只是一个方面,仅仅是用来协助设计。设计方法提出了明确的工作步骤、工作流程、标准文档格式,设计工具的基础,因此,研究方法是先进的研究工具26),和实现工具促进发展的方法。的组合方法和工作环境。就本文而言,手工艺品的设计方法的基础上融合multi-intelligent决策算法,变换的工具,一套系统的设计方法,和一组支持设计工具进行手工艺品的设计方法,它提供了一个良好的设计环境,可以覆盖整个设计流程的人员,设计者可以在车间生产手工艺品如汽车生产线。现代工艺品的设计流程图如图2。
3.2。评价指标的数学模型
在模糊理论n维向量一个和b、模糊和操作可以被定义为以下数学公式模型。在这个模型中,我们可以看到模糊理论的定义和操作模式。在向量的个数,以及其他功能由分支机构的数量,这有点类似于遗传算法。在这个数学模型,Tj是一个变量,控制材料选择的变量。在这个区间,它可以通过维度指数我,b是一个模糊子集的一个,这样的模糊程度的模糊子集Wj可以获得。
模型中,神经元的输入通过权重代表连接强度和重量可以积极或消极的。通过计算加权输入神经元点燃某种控制信号的作用下得到的输出值y,这取决于变化区间域的功能f。在这个区间域的值y改变积极的改变f,显示一个积极的趋势。
因为每个子系统相对独立,对于分布式系统,本地决策更可训练的,和地方决策的准确性决定了系统的最终决策。我们可以训练每个subdecision管理员,这往往是更可行的总体情况。工作很简单,容易学习。该算法分为两个阶段:前馈计算阶段和反向调整阶段。权重调整使系统模型符合所提供的样本。初始权值可以被定义为平均值;也就是说,各种各样的决策模型和决策者有相同的重量,然后他们被训练从实际经验来提高系统的性能。
首先,健身价值E(一个我)每个代码字符串一个我在当前的人口计算,总健身价值F的人口计算;然后每个代码字符串被选中的概率计算,计算公式如下:
这种方法的优点是简单、可行,快速,有效,它可以有效地分解单级数据。有效的解决方案的上下点值在正常波动区间域,在遗传算法中,可以有效地获得最优解。当变量的值F和Pj分钟,不是固定的吗y所产生的波动可以分解算法的离散性。然后的重量参数E(一个我)可以通过相应的权重和参数权重。可以解释为其他目标权重系数。这一目标的重要性可以反映决策者的意图。当多个目标的重要性是不清楚,决策者可以解决这个问题通过改变结构解决方案的重量值数学模型;给出一组初始值,首先,和一系列的解决方案是通过计算,然后一个新的一系列的解决方案是通过调整权重系数值根据增量步系数。
因为这个问题不涉及重量参数,重量值f1,f2默认情况下是等价的,这多目标智能决策算法转化为一个简略智能优化决策算法问题,可以表示如下:
当个人的健身价值的区别更健康和健身价值的平均人口和人口的平均健身价值在字符串跨越很小,为了消除一个劣质个体,个人电脑应该相对较大。相反,个人电脑应该采取一个更小的值,以防止高的个人健身在进化过程中消除。当字符串的健身价值的区别是突变和平均健身价值的人口很小,点应该是大为了消除数值差的个人健身;相反,为了保护优秀个体,点应该采取一个更小的值间隔适当领域,因此,通过不同的算法计算和实验研究,我们可以得到交叉概率和有效降低误差范围和平衡重量参数和重量参数系数指数。可以确定的值。
这个方法是一个线性回归算法的智能决策算法。Cα通过该算法可以由遗传算法。当H没有分配值的范围P可以解决,在此基础上,回归线性方程可以获得。通过这种方式,布局的布局模式矩阵的工艺品设计,布局和能源矩阵可以量化。最后,工艺品的权重系数方法可以通过方差系数的解决方案。
4所示。方法比较
4.1。数据选择的工艺品设计实验
在众多工艺品在市场中,随机变量提取方法用于选择几个目前流行的手工艺品,和三种不同材料的工艺品,也就是说,铁手工艺品,现代手工艺品,和铜工艺品,选择研究和分析。目前,大多数铁工艺品生产企业特别完整的选择,设计,生产,销售的铁手工艺品。通过这种方式,其相应的原材料是一种铁工艺品模具与矩形相对固定参数的长度,宽度和高度。每个工艺品的设计和生产都有它的意义。首先,他们都需要设计师设计一个结构模型的手工艺品。有一个通用设计理念和概念。这是扩大其平台图从设计模型。然后,根据目前所有材料的数量和在平面图形显示的图像分布区间扩大,以及图像的比例和图像大小分布规律,布局的布局图像和消耗材料的数量和成本计算,分别对矩形薄板进行模具提前准备,然后工艺品是削减和建造根据准确的布局结果只是一步一步获得的布局,最后组装和加工工艺。在所有的设计和制造过程中,我们需要处理的问题是一些命令所有肿块的布局和不规则形状的工艺品模型后展开大规模的飞机。嵌套的目的是大大提高速度,,与原手工嵌套材料相比,利用率增加了约3%。 Through this, it is obvious that it is very difficult to get the optimal solution interval of the layout matrix problem. As soon as I looked at it, the solutions to irregular layout can be roughly divided into three categories, which all use the array sequence equivalent to matrix shape to carry out regular and planned layout. The layout method based on this matrix sequence and the nested intelligent decision algorithm are presented. Considering the complexity of layout of irregular shapes, through the analysis of the steps, a relatively successful and simple way will be firstly used to solve the layout problem, that is, to use the matrix shape layout method to solve the layout area problem of the selected handicrafts. Therefore, the first problem to be solved is how to transform irregular layout into rectangular layout. At this point, we once again go through the simple way of cycling step by step. The operation steps of orderly combination are carried out on some irregular places, so that the irregular arrangement figures think the rectangular array as closely as possible, and make them look like a rectangular arrangement as much as possible. The layout of three different materials will be different. In the layout of copper handicrafts, there will be some deviation in the layout graphics using the optimized multi-intelligent decision-making algorithm. All the histograms for the selection quantity of handicrafts with three different materials are shown in Figure3显示了数量和规模的工艺品设计方法中选择智能决策算法。
4.2。GA-PSO融合算法的性能指标
粒子群优化算法(PSO)是一种很常见的智能,可以分解成一些特征,如平均粒子饱和程度。一些基本过程是相关的外部价值的总和计算粒子和粒子的周围地区活动相应的权重,然后得到结果值。每个相对粒子的权重粒子群的平均饱和度是相同的,和粒子的权重分布的距离相对终止测试距离的距离。这种数据处理方法无法区分粒子群优化的边缘活动信息。例如,在粒子活动强烈,一个简单的改进方法是设定一定的阈值。当粒子数之间的距离在活跃的间隔和中央粒子之间的差异大于阈值,设置重量很小,甚至为零。因此,它从原始算法略有不同粒子活动相对较近地区本身。边缘地区,当粒子权重值变化很大,它可以有效地保留原始信息,减少活动的频率,并且保留了边缘距离重量信息。遗传算法通常不需要搜索和其他外部信息演化过程,但使用评价函数来评估个人或解决方案的优点和缺点,只有未来的遗传操作的基础。在遗传算法的适应度函数必须比较和分类,然后选择概率计算适应度函数积极。 In many cases, we need to map the objective function to the function with maximum and nonnegative values. The operation of selecting higher individuals from the population and excluding lower individuals is called selection. The selection operator is sometimes called the regeneration operator. The purpose of selection is to transfer the optimized individual directly to the next generation or to get a new individual through pairing and crossover operation with the next generation. This selection operation is based on the evaluation method of individual fitness index area in the group, and the most commonly used selection operators are fitness proportion method, random sampling method, and local selection method. Artificial neural network is also a common intelligent algorithm. Neural network can be known from its algorithm name as a kind of data simulation of human brain. It contains similar neuronal structure with the human brain, and its mode of action is close to imitating the human brain, but it is only a rough imitation, far from reaching a comprehensive level. Different from the tentative construction put forward by scientists, neural network calculates an intelligent algorithm model which is nondigital, imprecise, and highly parallel and has self-learning function. Generally speaking, common nerve cells are generally called neurons, which are the most basic unit of the whole neural structure. Every nerve cell has some internal connections, so neurons are intricately connected together to form artificial nerves. Signals are transmitted to each other, and the transmitted signal can go to the range of change interval of neuron potential, so once the potential is higher than the given prevalue, it will cause intense movement of each neuron, and the induction of this neuron will transmit electrical signals through axons in each neuron. GA-PSO fusion algorithm is obtained by data function fusion of genetic algorithm and particle swarm optimization. As shown in Figure4,GA-PSO融合算法具有优越的计算模式和计算复杂度,可以更有效地处理工艺品设计中的一些问题。
从图可以看出4人工神经网络的正确性仅为14%,和结构仅为34%,但鲁棒性和有限性相对较高,达到52%在一个相对饱和的状态,和可读性和结构是相对稳定的。遗传算法的正确性是相对较高,达到63%,但可读性很差,只有11%。粒子群优化算法平均在各个方面,但是鲁棒性较低,仅为17%,正确性不是足够高,只有52%,有限性仅为12%。另一方面,至于GA-PSO融合算法的性能数值指数两种智能算法的融合后,可以看出,这四种算法的性能指标非常优秀,平均只有61%的相对贫穷的结构,这是10%高于第二高的遗传算法这三个算法。可以看出GA-PSO融合算法,基于人工神经网络的融合,粒子群优化和遗传算法,有效地扩展了性能指标如正确性、可读性、健壮性、结构、有限性和确定性的算法。它可以用来构造数学模型和功能领域的工艺品设计,它可以显示一个积极的趋势工艺品设计中存在的问题。
4.3。融合算法的实验比较
有一些问题在当代工艺品设计;这些通常由人为无法控制的人引起的。摘要布局问题的算法和融合算法中遇到现代工艺品设计用来模拟工艺品设计,以提高设计水平的手工艺品。比较布局的仿真实验数据差距,图像处理、工艺品设计效果,等等,建立算法模型,构建函数过程工艺的平面结构材料、形式在机器通过算法仿真图功能计算,然后进行排版设计和模式模拟设计工艺设计。布局问题是一个完整的数据最高的复杂性问题。对于矩形金属板的布局,其复杂性密切相关的几何特征的布局对象。目前,没有有效的解决方案为不规则的布局,但在实际应用中,需要在最短的时间内得到最优解或接近最优可行解。针对遗传算法、粒子群算法、人工智能网络,和GA-PSO融合算法,设计效率,图像分布率、图像优化、布局缺口,表面平滑,图像清晰,颜色填充,嵌入式计算系统和其他工艺品设计的问题来计算相应的数值数据比较和分析。根据遗传算法,构建和嵌入一些工艺品设计中存在的问题,和获得的数据在图所示5。
从这可以看出,在构建遗传算法函数的几个设计问题和优化工艺设计,与传统的工艺品设计相比,有一个特别明显的改进和优化,提高了工艺设计的方法和工艺品的艺术设计在一定程度上。在四个重要设计问题,设计遗传算法的效率提高了19.9%,图像分布率提高了18.5%,图像优化度提高了19.1%,布局空隙率提高了40%。人工神经网络的数据,粒子群优化和遗传算法在这七个设计问题是相对稳定的。与三个算法相比,GA-PSO融合算法更优秀,有明显的改善在七手工艺品的设计问题。与传统的设计过程和手工设计相比,GA-PSO融合算法有更多的数据值,只有87%在图像分布率和图像清晰但超过90%其他五个方面。
将人工神经网络与遗传算法相结合,在粒子群优化和GA-PSO融合算法,有很多工艺品设计中存在的问题。针对工艺品的形象问题,如图像集成模式磨合程度,材料结合率、像素融合程度,和艺术设计学历,它需要投入大量的人力和财力来构造算法模型的传统算法和手工设计和生产。因此,对于这些工艺品设计的形象问题,构建的算法和嵌入式,最后结果如图所示6。
从图可以看出6,在模拟实验数据的比较GA-PSO算法之间的工艺品设计和手工设计,设计效率和形象问题的分布率,手工设计方法低于GA-PSO融合算法的建筑设计方法。手工设计是只有85%的图像融合。在模式磨合度的问题,手工设计仅为83%,但高于其他三种智能算法在这两个方面。在像素融合程度和材料组合程度、手动设计达到57%和64%,均高于其他三种智能算法。GA-PSO融合算法性能更好的这五个问题。算法结合率,由于GA-PSO融合算法的复杂结构的组合,它不仅可以充分显示了处理问题的能力,但它显示了更好的能力来处理其他四个工艺品设计问题。
有许多问题需要优化工艺设计中,如粘性的布局,布局的周转率,当地的抛光度,材料的成本,材料的复合程度。然而,传统的设计方法往往忽略或有很多漏洞。GA-PSO融合算法得到的融合multi-intelligent算法和其他三个智能算法。解决这些问题的遗传算法,粒子群优化和人工神经网络,我们可以获取数据对比图如图7,我们可以看到性能和一些特殊功能的智能算法和GA-PSO融合算法在处理这些问题。
从图可以看出7遗传算法和人工神经网络相对平均处理工艺品设计的布局问题。对比两种智能算法的数据相对比较平稳。几乎没有波动。与这两种智能算法相比,粒子群优化有一些优势在处理布局问题。它只是不太多。当地的抛光度甚至低于这两个算法。然而,GA-PSO融合算法的优点还可以显示的处理速度和数据布局的问题,这两个达到约90%的数据。当三种智能算法处理材料成本的最困难的问题,GA-PSO融合算法可以用87%的数据也接近饱和。
GA-PSO融合算法得到的数据融合粒子群优化和遗传算法。multi-intelligent融合算法嵌入后工艺品设计数学模型建模和功能建设融合。工艺品设计问题上,传统的设计,和手工设计,其他三个智能仿真实验对算法进行了比较。实验数据图如图8。从图中,可以看出是否multi-intelligent GA-PSO融合算法可以提高整体处理一些问题的工艺设计方法,是否可以优化设计方法和设计效果可以改善。因此,图像的仿真实验进行喷墨学位,树脂分离率、树脂绘画程度,模型雕刻速度和整体研磨程度。
从图8后,我们可以看到手工艺品的设计GA-PSO融合算法融合形成的遗传算法和粒子群优化算法。融合算法结合了遗传算法和粒子群优化算法的功能,并显示了两种算法的优点。在工艺设计的应用领域,融合multi-intelligent算法远远超过传统的设计方法和手工设计方法在处理五个工艺品设计问题。这使得GA-PSO融合算法更快和更准确的工艺设计方法和更准确的和精致的图像处理。GA-PSO融合算法在图像喷墨程度达到92.1%,在树脂分离率86.7%,94.3%树脂绘画,模型雕刻率为84%,72%,整体抛光程度。因此,可以看出multi-intelligent算法是非常有效的融合模型建立的工艺设计方法。它也可以带来积极的发展趋势,目前的工艺设计。
4.4。空间复杂度的比较实验
合并后的模型建设基于GA-PSO算法两种算法是复杂的。融合函数很容易改变尺寸,所以,基于融合multi-intelligent算法获得融合两种算法后,比较了三种智能算法的空间复杂性,和降维处理程度和权重的误差指数区间的四个算法可以获得。为了最小化算法的小应用程序中错误的工艺品设计、工艺品生产的波动和散射的稳定性。因此,实验的空间复杂性进行尽可能减少误差,以便multi-intelligent算法能够更好地展示的优势和效率工艺品设计领域的工艺设计。实验数据比较的空间复杂性multi-intelligent融合算法与其他三个算法如图9。
从图9,我们可以看到GA-PSO算法得到的融合两种算法。虽然空间复杂性增加到11.42,分散的性能不会增加太多,但只有1.41高于粒子群优化,也是相对稳定的降维。在人工智能网络,空间复杂度不高,只有4.37,但分散达到8.32,降维低,这可以使计算函数相对稳定。因此,在融合multi-intelligent工艺品设计的应用程序的算法,算法可以进行施工,适用于解决问题的工艺设计方法,可以有效地优化手工艺品的设计效果。GA-PSO算法的性能参数进行了比较,通过仿真实验。通过对比正确性,可读性、健壮性和实验数据结构和有限的确定性,得出GA-PSO融合算法有97%的正确性,可读性82%,61%和72%的鲁棒性和结构,该算法的主要性能参数远高于其他三个算法。它使得算法的优势发挥更好的作用在解决一些常见问题工艺品设计方法。
5。结论
摘要三种智能算法与GA-PSO算法相比,这是一个融合multi-intelligent数据融合算法的遗传算法和粒子群优化算法。GA-PSO算法的性能参数进行比较,仿真实验。通过正确性、可读性和算法的鲁棒性,实验数据与结构和有限的确定性。得出GA-PSO融合算法正确性97%,82%的可读性,健壮性、72%和61%的结构,以及该算法的主要性能参数远高于其他三个算法,使得算法的优势发挥更好地作用在工艺品设计方法解决一些常见的问题。在粒子群优化算法,遗传算法,人工神经网络,和其他智能算法相结合的方法与传统的设计和手工设计的工艺品设计效率,图像分布率、图像优化程度,和放电孔隙度进行比较和分析。工艺品设计仿真实验在很多问题,如图像清晰,表明三种智能算法远不如GA-PSO工艺品设计融合算法在处理问题,和GA-PSO融合算法可以提高工艺品设计的设计效果与94.3%的高程度的图像优化,提高92.1%的设计方法与设计效率,并改善形象的美学分布的分布率为86.7%。问题四手工艺品的设计比传统的设计方法和手工设计方法设计的手工艺品。最后,GA-PSO融合算法获得的融合这两种智能算法与粒子群优化算法相比,遗传算法,人工神经网络,并用于分析空间的复杂性。仿真实验的几个算法包括散射无线电频率和波动在不同时期。实验数据结果。 After GA-PSO fusion algorithm is used, a high space complexity of 11.42 is reached. However, in terms of discrete type, only 9.73 is relatively stable. In the aspect of dimension reduction, it also reaches the normal value range, which can tend to be stable in the calculation of function construction based on multi-intelligent algorithm, which is very beneficial to the application field of handicraft design at present and can bring positive trend, higher efficiency, and more optimized design effect to handicraft design. In the future development, the structure and function construction of fusion multi-intelligent algorithm will be relatively complex and lengthy. If the fusion mode of multi-intelligent algorithms can be better optimized, the GA-PSO fusion algorithm will be applied to more fields, including military, science and technology, and industrial manufacturing. The fusion of multi-intelligent algorithms can maximize their advantages and bring people more development prospects.
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突的这方面的工作。