人工神經網絡在機械優(yōu)化設計中的應用

王志剛++邢鵬皎

摘 要：人工神經網絡是一種在人工智能的基礎上建設的一種特殊的網絡，這種網絡技術以信息處理為根本，將人腦之中的神經元網絡抽象化，通過簡單的模型來建設網絡系統(tǒng)，建設的方法也極其多樣化，這種網絡技術經常會被應用于工業(yè)的優(yōu)化機械設計過程中。使用這種網絡方法進行優(yōu)化，主要是為了對過去使用的計算機優(yōu)化方法具有的缺點進行彌補，隨著智能技術的不斷前進，這種網絡技術的適用性也就變得更強，本文根據對人工神經網絡技術的了解，對其被應用于機械優(yōu)化工作之中的情況進行分析。

關鍵詞：人工神經網絡；機械優(yōu)化設計；應用

機械優(yōu)化設計使機械設計過程之中的重要環(huán)節(jié)，設計人員需要將幾種可應用的方案列舉出來，從其中找出最適合機械設計工作的方案，達到最優(yōu)設計的目的，當前設計者經常使用的優(yōu)化方法主要是借助計算機技術自動尋求效果最優(yōu)的設計方案，但是隨著機械設計工作逐漸變得更加復雜，計算機選擇的方法現(xiàn)有的缺陷也逐漸影響其選擇的效果，而新型的優(yōu)選方案的技術有很多，人工神經網絡技術非常適合機械設計，本文基于對優(yōu)化機械設計工作的了解，對人工神經網絡的應用進行研究。

1 人工神經網絡概述

人工神經網絡是上個世紀八十年代的一個研究熱點，隨著智能技術以及其他智能化技術不斷提升，相關人員對這種技術的研究也逐漸深入。作為一種在機械設計環(huán)節(jié)經常會被應用的運算模型神經網絡主要是有許多神經元構成的，不同的神經元之間持有相互聯(lián)接的關系，系統(tǒng)之中的每一個節(jié)點都可以被看作輸出類型的函數，設計人員也將其稱為激勵函數，這種設計技術的應用范圍也逐漸被擴大，不僅僅可以被應用與智能機械設計領域，同時在生物、自動控制以及經濟等多種不同的領域之中也會被用到。

人工神經網絡是由大量處理單元互聯(lián)組成的非線性、自適應信息處理系統(tǒng)。它是在現(xiàn)代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。人工神經網絡具有四個基本特征：

非線性關系是自然界的普遍特性。大腦的智慧就是一種非線性現(xiàn)象。人工神經元處于激活或抑制二種不同的狀態(tài)，這種行為在數學上表現(xiàn)為一種非線性人工神經網絡。具有閾值的神經元構成的網絡具有更好的性能，可以提高容錯性和存儲容量；非局限性：一個神經網絡通常由多個神經元廣泛連接而成。一個系統(tǒng)的整體行為不僅取決于單個神經元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯(lián)想記憶是非局限性的典型例子；非常定性：人工神經網絡具有自適應、自組織、自學習能力。神經網絡不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。經常采用迭代過程描寫動力系統(tǒng)的演化過程；非凸性：一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數。

2 應用分析

2.1 BP神經網絡分析

BP神經網絡是一種模仿類型的神經網絡，借助BP神經網絡技術可以有效地對信息進行處理，其模仿的對象主要是人類大腦的神經網絡的功能與結構，在對信息進行處理的時候，主要借用一些人腦常常會應用的方法，包括聯(lián)想記憶以及形象思維等，處理信息的方法主要是記憶、識別等，其使用優(yōu)勢在于極高的自組織性以及適應性，同時器非線性的映射技術也使其能夠以最快的速度對實物進行分類，并開展實時處理的活動。

在開展機械設計活動時，設計人員需要對機械系統(tǒng)的多目標以及結構兩部分進行機械設計，設計人員的設計思想一般是通過結構分析的方法，對數量的基本結構進行研究，取得一定的樣本，借助樣本對神經網絡系統(tǒng)進行構建，在開展數據訓練活動時，也需要應用樣本，借助網絡系統(tǒng)可以實現(xiàn)結構分析的需要，設計人員的計算量也會相對減少，這種方法經常會與其他同樣能夠起到優(yōu)化作用的算法結合使用。

利用 BP 神經網絡模型還可以進行機械產品的多目標優(yōu)化設計。在機械產品系列化設計過程中，同一個產品需要保證的產品性能可能是多方面的，即優(yōu)化設計中的目標函數由很多個組成，同時影響各個方面的產品性能的參數即優(yōu)化設計中的設計變量也有很多個，每一個設計變量對若干個目標函數都產生影響，在利用下式的線性加權法進行多目標優(yōu)化設計時，利用 BP 神經網絡的非線性映射能力，在進行優(yōu)化設計時，可以避開確定各個目標函數的權重，較為有效地進行多目標優(yōu)化設計。其方法是：首先根據產品的具體情況構造一個 BP 神經網絡，以各個設計變量作為這個神經網絡的輸入向量，以各個分目標函數作為這個神經網絡的輸出向量，利用已有的經驗數據訓練該網絡，確定網絡各個聯(lián)接的聯(lián)接權重，即確定設計變量空間到目標函數空間的映射關系，然后在進行系列產品設計時，根據業(yè)已確定的設計變量空間到目標函數空間的映射關系，確定各個設計變量的取值，從而達到新產品的綜合性能最優(yōu)，達到多目標優(yōu)化設計的目的。由于 BP 算法是基于梯度下降技術的算法，因此利用 BP 算法訓練多層前向神經網絡易使網絡陷于局部極值點而得不到全局最優(yōu)解。解決的辦法是采用全局優(yōu)化算法進行網絡的訓練。

2.2 反饋神經分析

該神經網絡模型是由一些相互雙向連接的神經元組成，每個聯(lián)接有一個權值。網絡中每個神經元的輸出均反饋到同一層次其它神經元的輸入上。由這種拓撲結構構成的網絡在沒有外部輸入的情況下，網絡自身狀態(tài)的演化使得網絡收斂到一個穩(wěn)定態(tài)；在該穩(wěn)定狀態(tài)下，兩神經元之間的聯(lián)接權值相等，網絡趨于平衡，Hopfield 等人將能量函數引入到該網絡結構中，并以此來判定該方法的穩(wěn)定性。將 Hopfield 神經網絡模型應用到機械優(yōu)化設計中，其關鍵是在機械優(yōu)化設計問題與 Hopfield 神經網絡模型之間建立一種對應關系，用人工神經網絡有效地表示優(yōu)化設計中的設計變量、約束條件和目標函數，將該種神經網絡的動態(tài)演化過程與機械優(yōu)化設計的在解空間尋優(yōu)過程對應起來。但該模型本身存在的一些局限性如容易陷入局部最小點等，影響了它的應用。

3 結束語

人工神經元類型的網絡技術具有的幾方面特點都將其優(yōu)勢體現(xiàn)出來，隨著我國工業(yè)對于機械設計的要求不斷提升，機械設備的內部系統(tǒng)的構造也就變得更加復雜化，如果僅僅只依靠單一的計算機設計技術，很難全面地滿足優(yōu)化機械的設計需求，因此在對方案進行擇優(yōu)選擇的時候，設計人員可以將幾種新型擇優(yōu)技術結合使用，除了本文提到的人工神經網絡技術之外，可以模擬退火等智能技術，但是將人工化的神經網絡技術應用于復雜的機械設計環(huán)節(jié)之中時，還會出現(xiàn)一些算法方面的優(yōu)化問題，技術人員需要繼續(xù)對其展開研究。

參考文獻：

[1] 金全意. 基于培養(yǎng)卓越工程師的機械優(yōu)化設計課程改革研究[J]. 教育教學論壇. 2013（31）

[2] 吳亞明. 機械優(yōu)化設計的應用發(fā)展分析[J]. 中小企業(yè)管理與科技（中旬刊）. 2015（06）

[3] 周淑娟. 遺傳算法與人工神經網絡在流體機械研究領域中的應用[J]. 廊坊師范學院學報（自然科學版）. 2011（02）

[4] 董立立，趙益萍，梁林泉，朱煜，段廣洪. 機械優(yōu)化設計理論方法研究綜述[J]. 機床與液壓. 2010（15）