江门登高车出租，  肇庆登高车出租， 中山登高车出租    登高车外覆件的冲压工艺参数多目标优化的蝴蝶算法改进。  蝴蝶算法是一种启发式算法，它对蝴蝶的觅食行为进行了模拟：每只蝴蝶会分泌一定浓度的香味即信息素，并通过辨识其他蝴蝶信息素的强度，向浓度更高的区域进行移动：当蝴蝶A感知到某区域的蝴蝶B释放更高信息素时，A将会向B所在区域移动，即全局搜索；当A未感知到释放更高信息素的蝴蝶时，A将会随机移动，即局部搜索。对信息素浓度f进行了定义：式中，c为感知模态，是蝴蝶个体感官模态参数，它表征了信息素的输入；I为蝴蝶个体受到其他蝴蝶释放信息素的刺激强度参数；a为依赖于模态的幂指数，表征了信息素的衰减程度。 蝴蝶的全局搜索行为描述： txi为第t次迭代中第i只蝴蝶的位置，r表示在[0,1]之间的决策随机数，g表示当前迭代轮次中的最优解，fi表示第i只蝴蝶释放的信息素浓度。 同理，蝴蝶局部搜索的位置向量更新可描述： 式中，txi、txj、txk分别表示第i、j、k只蝴蝶在第t轮迭代中的位置向量。每轮迭代完成后判断是否符合结束条件，若符合则记录当前最优解，否则对感知模态参数c进行更新，Titer为最大迭代次数。 定义了蝴蝶路径搜索相关行为与蝴蝶算法的基本定义参照。在本文中，蝴蝶种群指的是落在登高车外覆件的冲压工艺参数与成形指标关联模型上的起始搜索点集合，通过在响应面模型上合理分布搜索点进行快速搜索，后文将以搜索点指代蝴蝶。 

       传统蝴蝶算法在解决本文的登高车外覆件的冲压工艺参数多目标优化问题时也存在不足：它在处理复杂非线性问题时收敛速度较慢且寻优精度不高，易陷入局部最优，对于本文的外覆盖件冲压成形问题，由于高斯径向基函数具有强非线性，关联模型在与之线性叠加后也变得比较复杂，加之传统蝴蝶算法存在容易陷入局部最优的问题，无法保证全局寻优精度。为改善成形质量，提高多目标优化精度，需要对传统蝴蝶算法解决方案进行改进，以满足外覆盖件冲压成形优化问题求解要求。由此，本文提出一种高精度寻优蝴蝶优化算法，用以解决登高车外覆件的冲压工艺参数多目标优化问题。 通过对传统蝴蝶算法进行改进，登高车外覆件的冲压工艺参数多目标优化问题可以得到有效解决。传统蝴蝶算法存在两个方面的缺陷：1）蝴蝶算法是一种元启发式算法，在种群初始化时采用随机生成的方式，造成初始种群分布的不均，导致算法在初期便陷入局部最优。2）作为一种群体智能算法，蝴蝶算法在处理多维度优化问题时存在搜索精度低、收敛速度慢的不足，以上两点不足将导致算法无法找到最优解，算法精度难以保证。由第二章可知，在登高车外覆件的冲压工艺参数多目标优化问题中，任何一个登高车外覆件的冲压工艺参数值的微小波动都会对成形结果造成一定影响，这表明寻优精度的不足将导致算法无法得到最优登高车外覆件的冲压工艺参数组，因此需要根据上一章冲压成形关联模型的特点对蝴蝶算法基本模型进行改进，提出高精度寻优蝴蝶算法，以提高多目标优化的求解精度。针对蝴蝶算法初始种群生成、局部与全局搜索时所带来的优化精度低、易陷入局部最优解的问题，提出三个方面的改进： 1）基于佳点集策略的蝴蝶种群初始化方法。 2）非线性惯性权重调整的全局搜索方法。 3）融入定向变异策略的局部搜索方法。

     江门登高车出租，  肇庆登高车出租， 中山登高车出租 

      1基于佳点集策略的蝴蝶种群初始化方法： 传统蝴蝶算法采用随机策略生成初始种群，这可能导致初始种群分布不均，种群多样性难以得到保证，算法在迭代过程中寻优性能下降，过早陷入局部最优且无法跳脱，由此需要对蝴蝶种群初始化策略进行改进。 将佳点集策略应用于蝴蝶种群初始化中，可在解空间中得到均匀分布的初始种群。基于佳点集策略的蝴蝶种群初始化方法描述如下： 设Gs是S维空间单位正方体，即xGsx(x1,x2,...,xs)=，其中有0 1xi，i=1,2,...,s。定义形式为Pn k（式4.5）的偏差(n)满足，其中C(x)是只与x有关的常数，则称Pn k为初始种群佳点集， x表示一个佳点。 根据佳点集定义建立初始蝴蝶种群生成步骤： 1）定义含n个点的初始种群佳点集X(xi1,xi2,...,xis)|i1,2,...,n。 2）佳点集中每一个点xi=(xi1,xi2,...,xij,...,xis),j=(1,2,...,s)，s表示空间维数，xij确定： 式中，p为满足最小素数： 3）通过式4.9调整xij的位置保证其处于各自的定义域中： 式中，Uxij、Lxij表示第j维度自变量定义域最大值与最小值。 根据基于佳点集策略的蝴蝶种群初始化方法，在二维平面上构造一个包含100个点的佳点集，同时采用随机策略生成100个点进行实验对比，基于佳点集策略生成的初始蝴蝶种群分布均匀，采用随机策略得到的初始蝴蝶种群分布散乱，证明了基于佳点集策略的蝴蝶种群初始化方法的可行性。 

      2非线性惯性权重调整的全局搜索方法： 传统蝴蝶算法对于复杂模型收敛速度慢，在寻优初期全局搜索能力不足，为保证采用蝴蝶算法解决登高车外覆件的冲压工艺参数多目标优化问题时的性能，从蝴蝶算法的全局搜索策略角度出发进行改进。 受到基本粒子群优化算法中惯性权重因子的启发，将惯性权重引入蝴蝶算法中，惯性权重是用于调节与控制算法全局搜索与局部挖掘能力的参数：当惯性权重较大时，算法全局搜索能力主导搜索点的搜索方向，同时局部搜索能力被削弱，不易得到精确解；当惯性权重较小时，算法局部搜索能力较突出，更偏向于搜索精确解。将引入蝴蝶算法搜索点全局位置更新公式中，实现算法全局搜索能力的调整，取值在[0,1]：在算法搜索前期，应保证算法有较强的全局搜索能力，且搜索范围应尽可能大，这有利于算法跳出局部最优，避免出现早熟；随着迭代次数增加，应保证算法在最优值附近的寻优精度，对全局搜索能力进行一定程度削弱，同时也应维持一定的种群活跃性与跳离局部极值点的能力。综上，提出非线性惯性权重函数max、min表示的最大值、最小值；t表示当前迭代轮次；Titer表示最大迭代轮次；k1、k2表示控制因子，用于调整与迭代轮次t变化关系曲线的平滑程度。 以作非线性惯性权重与迭代轮次t的变化关系曲线，其中k1 3=,k2 3=,max 0.9=,min 0.1=,200Titer=。 惯性权重的值随迭代轮次增大呈递减趋势，即在寻优初期惯性权重值较大，算法全局搜索能力较强，有利于算法跳出局部最优，在寻优中后期惯性权重值减小，保证算法较高的寻优精度与收敛速度，同时也维持了一定跳离局部极值点的能力。

        江门登高车出租，  肇庆登高车出租， 中山登高车出租