多目标优化方法在材料成型中的应用

1　遗传算法
　1.1 遗传算法的生物学基础
　　1.1.1 遗传与变异
　　1.1.2 进化
　　1.1.3 差传与进化的系统观
　1.2 遗传算法的发展
　1.3 遗传算法的特点
　1.4 遗传算法的应用
　1.5 遗传算法优化
　　1.5.1 遗传算法优化的基本原理和步骤
　　1.5.2 遗传算法优化的特点
2　人工神经网络
　2.1 人工神经网络简介
　2.2 人工神经网络发展历史
　2.3 人工神经元模型
　　2.3.1 生物神经元的结构
　　2.3.2 人工神经元模型
　2.4 神经网络基本概念
　　2.4.1 典型的神经网络结构
　　2.4.2 学习方式
　　2.4.3 学习算法
　　2.4.4 bp神经网络
　2.5 人工神经网络的技术特性及优势
3　模糊数学
　3.1 模糊数学的发展
　3.2 模糊集
　　3.2.1 模糊集合的相关概念
　　3.2.2 模糊子集的定义
　　3.2.3 截集
　3.3 模糊数学模型
　　3.3.1 对称性模糊优化数学模型
　　3.3.2 非对称性模糊优化数学模型
　　3.3.3 水平截集法
　　3.3.4 水平截集法的改进
　　3.3.5 基于二级模糊评判理论确定*优水平值λ*的方法
4　多目标优化
　4.1 多目标优化问题概述
　4.2 多目标优化的基本概念
　4.3 传统多目标优化问题求解方法
　　4.3.1 求解方法
　　4.3.2 局限性
　4.4 求解多目标问题的演化算法
　　4.4.1 求解多目标问题演化算法的发展过程
　　4.4.2 主要算法
　　4.4.3 按照适应度和选择方式进行分类
5　多目标遗传算法
　5.1 多目标遗传算法的优化机理
　5.2 多目标遗传算法的常用求解方法
　5.3 基于matlab遗传工具箱的优化方法
　　5.3.1 matlab遗传算法工具箱的通用函数
　　5.3.2 matlab遗传算法的终止
　5.4 多目标遗传算法计算步骤
　5.5 棒材孔型多目标遗传优化设计
　　5.5.1 孔型多目标优化设计中的目标函数
　　5.5.2 棒材孔型多目标优化设计的约束条件
　　5.5.3 惩罚函数法
　　5.5.4 棒材全连轧孔型优化设计
6　多目标遗传算法和有限元法相结合的优化方法及应用
　6.1 多目标遗传算法和有限元法相结合的优化思想
　6.2 多目标遗传算法和有限元程序的结合方法
　　6.2.1 apdl语言简介
　　6.2.2 多目标遗传算法和有限元法相结合的方法
　6.3 多目标遗传算法和有限元法相结合程序的计算步骤
　6.4 多目标遗传算法和有限元法相结合的程序
　6.5 多目标遗传算法和有限元法相结合优化波纹轨腰钢轨的波纹参数
　　6.5.1 优化的有限元模型
　　6.5.2 优化方法
　　6.5.3 优化分析
　6.6 多目标遗传算法和有限元法相结合优化连铸坯冷却参数
　　6.6.1 优化数学模型
　　6.6.2 两种优化算法
　　6.6.3 异型坯连铸二冷配水方案优化结果
　　6.6.4 算法比较
　6.7 多目标遗传算法和有限元法相结合优化机架圆角
　　6.7.1 优化的有限元模型
　　6.7.2 优化方法
　　6.7.3 优化分析
7　bp-nsga相结合的优化方法
　7.1 bp-nsga相结合的优化思想
　　7.1.1 非支配分类遗传算法
　　7.1.2 带精英策略的非支配分类遗传算法
　　7.1.3 基于bp神经网络的预测模型
　　7.1.4 bp神经网络和带精英策略的非支配分类遗
　传算法相结合
　7.2 bp—nsga-ⅱ相结合的优化方法
　7.3 bp—nsga相结合的优化方法的计算步骤
　7.4 bp-nsga相结合的优化机架圆角
　　7.4.1 机架的有限元分析
　　7.4.2 机架载荷的施加
　　7.4.3 机架有限元计算的结果分析
　　7.4.4 训练样本
　　7.4.5 测试神经网络的预测性能
　　7.4.6 基于nsga-ⅱ的轧机机架结构参数的多目标优化
8　模糊综合评判在多目标优化中的应用
　8.1 模糊优化设计的概述
　8.2 模糊优化分析的方法
　　8.2.1 采用模糊贴近度法寻求*优解
　　8.2.2 一级模糊综合评判方法
　8.3 模糊多目标优化步骤
　8.4 y型轧机轧辊的优化设计
　　8.4.1 轧辊有限元分析
　　8.4.2 设计变量
　　8.4.3 设计约束
　　8.4.4 目标函数
　　8.4.5 轧辊优化方法的选取
　　8.4.6 多目标优化的结果
　　8.4.7 模糊综合评判
　　8.4.8 优化结论
参考文献