矩形优化排样
主要研究矩形零件的排样方法，遗传算法的用途在此处体现的淋漓尽致本文算子的选择是有效的为进一步验证算法,对零件数量从16~97的不同算例进行试验,每类有3个例子,其最优排放图均已知,各个算例的基本试验数据(零件数量,板材尺寸)和本文试验最好结果见表2,表2算例2的基本试验数据及本文试验结果Tab 2 Dimension of second exampleand best result given by this paper问题零件最优高度原最优板材所得最低高度()SA+文算法结果(b)SA+最低水平线算法结果种类数量mm尺寸/mmmm2020×2020图1算例1的排放图40×15Fig 1 Layout of first example2860×3032表1本文算法与最低水平线算法排样结果对比C4496060×6064Tab. 1 Difference between our algorithm and7360×90the lowest outline algorithm9712080×120129最小高度最小高度最大高度平均高度运行时间图2给出了部分算例的最好排放结果。 Hopper算法/mm出现频次/mm/mm/ms8. Turton对以上规模不同的矩形件采用BL、BLFSA+最低水平线481/5053.716算法进行排放,允许零件旋转90°,GA、NE、SA、HCSA+本文方法483/505 I48.6等算法搜索排放顺序。文中指出采用BLF排放效果优于BL算法10%~30%,采用SA+BLF算法所得4.2算例2结果最优,见表3。(a)C11(b)C41(c)C61图2算例2采用本文算法所得的排放图ig 2 Best layout of second example with our algorithm表3各类别实例的相对距离百分比1表4各实例运行时间对比表Tab3 Relative distance of best solution toTab 4 Average elapsed time foroptimum height for six cases%six cases with different algorithm问题种类BIBLF SA+BLF本文算法问题A+BLFSA+本文算法174种类ms162.824126.7C41816132120C657.5注:1)表中值表示所得最好结果U与最优值lO)pt差值的白分比C61528189447(U-Op:)/lOpt。宇航材料工艺2007年第4期17对比表2、表3知,本文算法和文献[6]中采用图3表明:矩形排放耗时10ms,经人机交互调BLF解码的综合算法结果相近,并且在零件数量较整后材料利用率为86.4%,比人工排样提高约11少(如n=16)时能获得最优解,与埋论分析一致;由8%。表4知,本文算法的运行时间大大少于BLF算法,这5结论是因为在排放R;时只需搜索当前轮廓线段,比BLF实际算例表明最低轮廓线搜索算法能有效地进算法(搜索所有空域区域)搜索空间减少,因此效率明行矩形件排放,与模拟退火算法相结合,能在较短时显提高。由于文献[6的运行环境是:处理器奔腾间内获得与BLF算法相近的排放结果,并且在零件200MHκ,RAM65M, Windows nt4.0;而本文运行数量较少时能获得最优解,是解决大规模矩形件排放环境为:CPU2.8GHz,RAM512M,其速度大约是问题的有效方法200MHz处理器的15倍,因此表4所给BLF混合算参考文献法的运行时间做了相应处理。可见采用轮廓搜索法1张丽萍,张春丽,蒋寿伟.皮料优化排样的有效方法与BLF算法可获得相近的排放效果,但前者效率明软件学报,2005;16(2):316~323显高于后者。文献[7采用启发式递归(HR)算法对2曹炬,周济,余俊.矩形件排样优化的背包算法.中国以上算例进行求解,大大提高了运行效率,但在零件机械工程,1994;5(2):11~12数量较多时其速度也明显低于本文算法。因此最低3曹炬.二维异形切割件优化排样的拟合算法.中国机轮廓搜索法可用于求解大规模矩形件的排样问题。械工程,2000;11(4):438~4414.3应用举例1 Jakobs S On genetic algorithms for the packing of针对不规则复合材料铺层,采用矩形包络法求出 polygons,Eur. of oper,Res.,1996881):165-181其包络矩形,然后采用上述算法进行排放。图3是飞5贾志欣.面向发电设备制造的下料优化排样原理与关机坐舱罩顶棚的铺层展开数据采用以上策略获得的键技术,四川大学博士学位论文,2002排放图。6 Hopper E, Turton B C H. An empirical investigationof meta-heuristic and heuristic algorithms for a 2D packingproblem. EurJ of Oper Res, 2001; 128(1): 34577 Zhang Defu, Kang Yan, Deng Ansheng. A new heuristicrecursive algorithm for the strip rectangular packing problemComputers &. Operations Research, 2006; 33(8): 2209-2 217图3复合材料铺层排放实例(编辑李洪泉)ig. 3 Layout for composites plys18宇航材料工艺2007年第4期矩形件优化排样的研究旧万数据WANFANG DATA文献链接作者:邓冬梅,厝米水,安鲁陵,王桂宾, Deng Dongmei, Zhou laishui, An Luling,Wang guibin作者单位:南京航空航天大学机电学院,南京,210016刊名宇航材料工艺sTc|PKU英文刊名:AEROSPACe mATERIALS technology年,卷(期):2007,37(4)被引用次数4次惨考文献(条)1.张丽萍.张春丽.蒋寿伟皮料优化排样的有效方法[期刊论文]软件学报2005(02)2.曹炬.周济.余俊矩形件排样优化的背包算法[期刊论文]中国机械工程1994(02)3.曹炬二维异形切割件优化排样的拟合算法「期刊论文]中国机械工程2000(044.Jakobs S On geretic algorithms for the packing of polygons 1996 (05.贾志欣面向发电设备制造的下料优化排样原理与关键技术[学位论文]20026. Hopper E Turton B C H An empirical investigation of meta-heuristic and heuristic algorithms for a 2Dpacking problem 2001(01)7. Zhang Defu. Kang Yan. Deng Ansheng A new heuristic recursive algorithm for the strip rectangularpacking problem 2006 (08)相似文献(1条)1.学位论文邓冬梅复合材料铺层排样抆术硏究与开发2007复合材料因其比强度高、比模量大、材料的刚度和强度可设汁等一系列优点,在航空航天领域得到广泛应用,但高昂的价咯成了复合材料应用的最大壁垒。国外的硏究和应用成果表明数字化技术是降低复合材料构件制造成本、提高构件性能的有效途径。目前国内主要还以手工没计和手工制造为主、自动化程度不高,不仅浪费人力、物力,而且产品质量难以保证,因此有必要对复合材料数字化技术进行研究。优化排样是复合材料构件数字化生产过程中的重要环节。本文在研宄各种排样算法的基础上,提岀丁新的矩形件排样算法、优化算法以及不规则样片的排样算法,并与复合材料铺层排样的特点相结合开发了复合材料铺层排样软仁。主要研究内容和创新点如下矩形件排样不仅适用于矩形样片的排放,也是不规则样片排咩的基础。本文在建立矩形件排样数学模型的基础上,介绍了各种常见的定序列矩形件排样算法并分析其特点,提出了一种新的启发式排样算法——最低轮廓线搜索算法。该算法满足“最下最左”条件,克服了其他排样算法对某些排栏图不能给出排列的缺点,实验结果表明该算法排样效果好于最低水平线算法和最下最左(BL)算法。利用该算法实现了大量不同规格图纸的集中出图,省时省力,节约氏张2050%。矩形件排样问题具有图形运算和组合优化两方面的特性,单纯的排样算法只能解决图形运算问题,样片的排放顺序对排样结果同样重要。针对较小规模(一般少于100个图形)的矩形件排样问题,本文提岀了模拟退火与最低轮廓线搜索算法相结合的综合优化算法。对于十多个图形的排样,该算法可短时间内求得最优舾:对于近百个图形的排样,在排样效果相当旳情冮下,该亥算法比其基于模拟退火的综合优化算法效率提髙百以饣。针对大规模矩形件排样问题本文提出了蚁群笪法与最低轸廓线搜索算法相结合旳综合优化算法,该算法比模拟退火与最低轮廓线算法相结合的综合优化算法效率提高十倍以上。不规则图形排栏是所有排样研究中的热点和难点。本文将不规则样片简化成多边形进行排样,提出了两种不同的解法方法:一是基于矩形的排样方法,二是直接对多边形进行排样。基于矩形求解不规则样片排样时,将图形运算、矩形件排样算法及交互调整相结合,提出了基于矩形的多边形综合排样算法。通过各种优化组合策略,对单一样片和多种样片进行组合求其最小包络矩形,从而将不规则形状样片排样转化为矩形件排样进行求解。直接冄放多边形时,重点研究两个多边形的临界多边形(NFP)的求解。首先对基于倾斜图法的NFP求解法进行了改进和优化,完善了凹、凸两多边形NFP的求解,然后提出了适用于任意两多边形N求解的边界绕行法,该方法比基于倾斜图的求解方法适用范围广,计算简单、效率高。根据复合材料构件数宇化生产的主要过程,分析总结了复合材料铺层排样的特点,并将伉化排样算法与复合材料铺层排样的特点相结合,设计丌发了复合材料构件铺层排栏软件系统。引证文献(3条)1.卢远志杨建新.文桂林.周兵.钟志华基于排样思想的工程图坐标尺寸防干涉方法[期刊论文]中南大学学报(自然科学版)2010(2)2.张伟.安鲁陵.邵挠眀.郑盈一种矩形件分层排样算法[期刊论文]宇航材料工艺2010(1)3.陈婷.许超钣金零件排样技术及其发展[期刊论文]锻压装备与制造技术2008(4)本文链接http://d.wanfangdata.comcn/periodicAlyhclgy200704005.aspx授权使用:广东工业大学图书馆( gdgydxtsg),授权号:4flc88c5-bfdd-4dec-8ebf-9ec501113fe6下载时间:2011年4月14日
- 2020-12-09下载
- 积分：1
反向传播算法推导—全连接神经网络
反向传播算法是人工神经网络训练时采用的一种通用方法，在现代深度学习中得到了大 规模的应用。全连接神经网络(多层感知器模型，MLP)，卷积神经网络(CNN)，循环神 经网络(RNN)中都有它的实现版本。算法从多元复合函数求导的链式法则导出，递推的 计算神经网络每一层参数的梯度值。算法名称中的“误差”是指损失函数对神经网络每一层 临时输出值的梯度。反向传播算法从神经网络的输出层开始，利用递推公式根据后一层的误 差计算本层的误差，通过误差计算本层参数的梯度值，然后将差项传播到前一层(w, x,)+b这个神经元接受的输入信号为向量(),向量()为输入向量的组合权重,为徧置项,是标量。神经儿对输入冋量进行加权求和,并加上偏置项最后经过激活函数变换产生输出为表述简洁,我们把公式写成向量和矩阵形式。对每个神经元,它接受的来自前一层神经元的输入为向量,本节点的权重向量为,偏置项为,该神经元的输出值为先计算输入向量与权重向量的内积,加上偏置项,再送入一个函数进行变换,得到输出这个函数称为激活函数,典型的是函数。为什么需要激活函数以及什么样的函数可以充当激活函数,在之前的公众号文章“理解神经网终的激活函数”中已经进行了介绍。神绎网络一般有多个层。第一层为输入层,对应输入向量,神绎元的数量等于特征向量的维数,这个层不对数据进行处理,只是将输入向量送入下一层中进行计算。中间为隐含层,可能有多个。最后是输出层,神经元的数量等于要分类的类别数,输出层的输岀值被用来做分类预测。下面我们来看一个简单神经网络的例了,如下图所示这个网络有层。第一层是输入层,对应的输入向量为,有个神经元,写成分量形式为(),它不对数据做任何处理,直接原样送入下一层。中间层有个神经元,接受的输入数据为向量,输出向量为,写成分量形式为。第三个层为输出层,接受的输入数据为向量,输出向量为,写成分量形式为()。第一层到第层的权重矩阵为(,第二层到第三层的权重矩阵为()。权重矩阵的每一行为一个权重向量,是层所有神经元到本层某一个神经儿的连接权重,这里的上标表小层数如果激活函数选用函数,则第二层神经元的输出值为+(-(+0)+(1+(0)(-(()第三层神经元的输出值为如果把代入上面二式中,可以将输出向量表示成输出向量的函数。通过调整权重矩阵和偏置项可以实现不同的函数映射,因此神经网终就是一个复合函数需要解决的·个核心问题是·旦神经网络的结构(即神经元层数,每层神经元数量)桷定之后,怎样得到权重矩阵和偏置项。这些参数是通过训练得到的,这是本文推导的核心任务个简单的例子首先以前面的层神经网络为例,推导损失函数对神经网络所有参数梯度的计算方法假设训练样本集中有个样本()。其中为输入向量,为标签向量。现在要确定神经网络的映射函数:什么样的函数能很好的解释这批训练栟本?答案是神经网络的预测输出要尽可能的接近样本的标签值,即在训练集上最小化预测误差,如果使用均方误差,则优化的目标为:∑‖()-其中()和都是向量,求和项内部是向量的范数平方,即各个分量的平方和。上面的误差也称为欧氏距离损失函数,除此之外还可以使用其他损失函数,如交叉熵、对比损失等。优化目标函数的自变量是各层的权重矩阵和梯度向量,一般情况下无法保证目标函数是凸函数,因此这不是一个凸优化问题,有陷入局部极小值和鞍点的风险(对于这些概念和问题之前的公众号文章“理解梯度下降法”,“理解凸优化”中己经做了详细介绍)这是神经网络之前一直被诟病的一个问题。可以使用梯度下降法进行求解,使用梯度下降法需要计算出损失函数对所有权重矩阵、偏置向量的梯度值,接下来的关键是这些梯度值的计算。在这里我们先将问题简化,只考虑对单个样本的损失函数()-‖后面如果不加说明,都使用这种单样木的损失函数。如果计算出了对单个样木损失函数的棁度值,对这些梯度值计算均值即可得到整个目标函数的梯度值。和(要被代入到网络的后一层中,是复合函数的内层变量,我们先考虑外层的和。权重矩阵是一个x的矩阵,它的两个行分别为向量(和是个维的列向量,它的两个元素为()和()。网络的输入是向量,第一层映射之后的输出是向量首先计算损失函数对权重矩阵每个元素的偏导数,将欧氏距离损尖函数展开,有((+))(())6(如果,即对权重矩阵第行的元素求导,上式分了中的后半部分对来说是常数。根据链式法则有S()+()O如果,即对矩阵第二行的元素求导,类似的有:可以统一写成可以发现,第一个下标决定了权重矩阵的第行和偏置向量的第个分量,第二个下标决定了向量的第个分量。这可以看成是一个列向量与一个行向量相乘的结果,写成矩阵形式为上式中乘法⊙为向量对应元素相乘,第二个乘法是矩阵乘法。是个维列向量,+也是一个维列向量,两个向量执行⊙运算的结果还是个维列向量。是一个元素的列向量,其转置为维行向量,前面这个:维列向量与的乘积为的矩阵,这正好与矩阵的尺寸相等。在上面的公式中,权重的偏导数在求和项中由部分组成,分别是网络输出值与真实标签值的误差激活区数的导数+(),本层的输入值。神经网络的输出值、激活函数的导数值本层的输入值都可以在正向传播吋得到,因此可以晑效的计算出来。对所有训练样本的偏导数计算均值,可以得到总的偏导数对偏置项的偏导数为:如果上式分子中的后半部分对来说是常数,有:()⊥()如果类似的有这可以统写成:写成矩阵形式为偏置项的导数由两部分组成,分别是神经网络预测值与真实值之间的误差,激活函数的导数值,与权重矩阵的偏导数相比唯一的区别是少了。接下来计算对和的偏导数,由于是复合函数的内层,情况更为复杂。()是个的短阵,它的个行向量为(),(,(,(。偏置项()是维向量,个分量分别是(),(,(),(。首先计算损失函数对的元素的偏导数:而上式分子中的两部分都有,因此都与有关。为了表述简活,我们令:根据链式法则有:其巾((和和都是标量和()是两个()向量的内积,的每一个分量都是()的函数。接下来计算和这里的一是个向量,衣示的每个分量分别对求导。当时有:后面个分量相对于求导变量(都是常数。类似的当时有:()0)(()和时的结果以此类推。综合起来有:同理有:()十如果令合并得到()()[()-)。()。()写成矩阵形式为()最后计算偏置项的偏导数()类似的我们得到:合并后得到()写成矩阵形式为:(0)至此,我得到了这个简单网络对所有参数的偏导数,接下来我们将这种做法推广到更般的情况。从上面的结果可以看岀一个规律,输出层的权重矩阵和偏置向量梯度计算公式中共用了()-)()对」隐含层也有类似的结果完整的算法现在考虑一般的情况。假设有个训练样本(),其中为输入向量,为标签向量。训练的目标是最小化样木标签值与神经网络预测值之闩的误差,如果使用均方误差,则优化的目标为:其中为神经网络所有参数的集合,包括各层的权重和偏置。这个最优化问题是·个不带约束条件的问题,可以用梯度下降法求解。上面的误差函数定义在整个训练样本集上,梯度下降法每一次迭代利用了所有训练样本,称为批量棁度卜降法。如果样木数量很大,每次迭代都用所有样木进计算成木太高。为了解决这个问题,可以采用单样本梯度下降法,我们将上面的损失函数写成对单个样本的损失函数之和:定义对单个样本()的损失函数为)=-()如果采用单个样本进行迭代,梯度下降法第次迭代时参数的更新公式为:nV如果要用所有样本进行迭代,根据单个样本的损失函数梯度计算总损失梯度即可,即所有样本梯度的均值用梯度下降法求解需要初始化优化变量的值。一般初始化为一个随机数,如用正态分布(a)产生这些随机数,其中G是一个很小的正数到日前为止还有一个关键问题没有解决:日标函数是一个多层的复合函数,因为神经网络中每一层都有权重矩阵和偏置向量,且每一层的输出将会作为下一层的输入。因此,直接计算损失函数对所有权重和偏置的梚度很复杂,需要使用复合函数的求导公式进行递推计算几个重要的结论在进行推导之前,我们首先来看下面几种复合函数的求导。又如下线性映射函数:其中是维向量,是×的矩阵,是维向量。问题:假设有函数,如果把看成常数,看成的函数,如何根据函数对的梯度值Ⅴ计算函数对的梯度值Ⅴ?根据链式法则,由于只和有关,和其他的≠无关,因此有:c∑(对于的所有元素有:写成矩阵形式为:问题:如果将看成常数,将看成的函数,如何根据V计算Ⅴ?由于任意的和所有的都有关系,根据链式法则有写成矩阵形式为这是一个对称的结果,在计算函数映射时用矩阵乘以向量得到,在求梯度时用矩阵的转置乘以的梯度得到的梯度。问题:如果有向量到向量的映射:
- 2020-12-09下载
- 积分：1
|
联系客服（QQ：3324461878）
