張洋梅，沈振輝，花海燕

(1.福建江夏學(xué)院 工程學(xué)院，福建 福州 350108；2.福建工程學(xué)院 機(jī)械與汽車(chē)工程學(xué)院，福建 福州 350108）

隨著資源與能源的日益稀缺，最大限度的實(shí)現(xiàn)節(jié)能省材是結(jié)構(gòu)優(yōu)化設(shè)計(jì)的根本任務(wù)。為實(shí)現(xiàn)快速優(yōu)質(zhì)的結(jié)構(gòu)智能優(yōu)化設(shè)計(jì)，若直接利用傳統(tǒng)的數(shù)值算法已無(wú)法滿(mǎn)足結(jié)構(gòu)智能優(yōu)化數(shù)值尋優(yōu)的要求?，F(xiàn)有的結(jié)構(gòu)智能優(yōu)化數(shù)值尋優(yōu)方法大多是純數(shù)值尋優(yōu)算法與分析軟件相結(jié)合[1,2]，或是將2種不同數(shù)值算法相結(jié)合[3-5]，或是利用靜態(tài)知識(shí)模型引導(dǎo)數(shù)值尋優(yōu)過(guò)程[6,7]。例如，文獻(xiàn)[1]針對(duì)某機(jī)械的懸臂結(jié)構(gòu)的優(yōu)化設(shè)計(jì)問(wèn)題,建立了單目標(biāo)非線(xiàn)性?xún)?yōu)化設(shè)計(jì)數(shù)學(xué)模型,采用遺傳算法與Matlab軟件相結(jié)合進(jìn)行優(yōu)化計(jì)算；文獻(xiàn)[2]以弧形閘門(mén)結(jié)構(gòu)為研究對(duì)象,將改進(jìn)遺傳算法、Visual Basic編程語(yǔ)言、和有限元軟件ANSYS二次開(kāi)發(fā)技術(shù)相結(jié)合,利用Visual Basic建立弧形閘門(mén)結(jié)構(gòu)優(yōu)化系統(tǒng),以實(shí)自動(dòng)調(diào)用ANSYS進(jìn)行弧形閘門(mén)參數(shù)化建模,并對(duì)弧形閘門(mén)進(jìn)行結(jié)構(gòu)截面優(yōu)化和結(jié)構(gòu)尺寸優(yōu)化；文獻(xiàn)[5]針對(duì)復(fù)雜結(jié)構(gòu)優(yōu)化問(wèn)題，提出了HS（協(xié)調(diào)搜索）和FA（螢火蟲(chóng)算法）兩種算法，并證實(shí)了這兩種搜索算法可在較短的時(shí)間內(nèi)完成全局尋優(yōu)；文獻(xiàn)[6][7]提出了基于知識(shí)的遺傳算法，利用設(shè)計(jì)領(lǐng)域知識(shí)指導(dǎo)結(jié)構(gòu)遺傳尋優(yōu)過(guò)程。這些不同的解決方法均是探討數(shù)值算法的改進(jìn)或是把靜態(tài)系統(tǒng)知識(shí)與數(shù)值優(yōu)化算法相結(jié)合，一定程度上提高了優(yōu)化速率并改善了優(yōu)化結(jié)果，但均未能提取和利用優(yōu)化過(guò)程中產(chǎn)生的群體目標(biāo)知識(shí)及約束知識(shí)指導(dǎo)結(jié)構(gòu)優(yōu)化，致使在求解高維多約束復(fù)雜結(jié)構(gòu)優(yōu)化問(wèn)題時(shí)，無(wú)法最大限度地減少每一代優(yōu)化群體結(jié)構(gòu)全局尋優(yōu)時(shí)間的問(wèn)題,易陷入局部最優(yōu)解。為此，有必要研究?jī)?yōu)化過(guò)程知識(shí)引導(dǎo)的結(jié)構(gòu)智能數(shù)值尋優(yōu)方法，通過(guò)提取和利用優(yōu)化過(guò)程知識(shí)指導(dǎo)結(jié)構(gòu)數(shù)值尋優(yōu)過(guò)程。以挖掘機(jī)斗桿結(jié)構(gòu)為例，構(gòu)建基于優(yōu)化過(guò)程知識(shí)的斗桿結(jié)構(gòu)智能遺傳尋優(yōu)方法，實(shí)現(xiàn)充分提取和利用優(yōu)化過(guò)程知識(shí)指導(dǎo)結(jié)構(gòu)遺傳尋優(yōu)過(guò)程。

1 斗桿結(jié)構(gòu)智能遺傳尋優(yōu)算法

為有效提高斗桿結(jié)構(gòu)遺傳算法的全局尋優(yōu)效率，并最大限度地減少每一代優(yōu)化群體的約束處理時(shí)間和結(jié)構(gòu)全局尋優(yōu)時(shí)間的問(wèn)題，建立優(yōu)化過(guò)程知識(shí)引導(dǎo)的群體選擇算子、個(gè)體綜合狀態(tài)判斷算子、優(yōu)化過(guò)程知識(shí)引導(dǎo)的群體交叉算子和優(yōu)化過(guò)程知識(shí)引導(dǎo)的群體變異算子，以構(gòu)建基于優(yōu)化過(guò)程知識(shí)的斗桿結(jié)構(gòu)智能遺傳尋優(yōu)算法。

1.1 優(yōu)化過(guò)程知識(shí)引導(dǎo)的群體選擇算子

要實(shí)現(xiàn)斗桿各板件總體積最小化，需充分發(fā)揮結(jié)構(gòu)材料潛能，為此，根據(jù)各板件總體積大小與材料強(qiáng)度特征發(fā)揮程度建立個(gè)體適應(yīng)度值計(jì)算公式。以中型挖掘機(jī)耳板分離式斗桿結(jié)構(gòu)為例，建立個(gè)體適應(yīng)度值計(jì)算公式，如（公式 1）所示，其取值范圍為（0，1），結(jié)構(gòu)各板件總體積的數(shù)量級(jí)為107mm3，結(jié)構(gòu)最大應(yīng)力值的數(shù)量級(jí)為102Mpa。

式中：1）Pfi表示第i個(gè)個(gè)體的適應(yīng)度值；

2）Vi表示第i個(gè)個(gè)體的各板件總體積大??；

3）ESi表示第i個(gè)個(gè)體在綜合多工況下各應(yīng)力特征截面之間的應(yīng)力差；

4）K表示工況個(gè)數(shù)，C表示斗桿結(jié)構(gòu)應(yīng)力特征截面?zhèn)€數(shù)，Stresskc表示個(gè)體i的應(yīng)力特征截面c在工況k下的最大應(yīng)力值，MStressk表示個(gè)體i在工況k下的最大應(yīng)力值。

挖掘機(jī)斗桿結(jié)構(gòu)數(shù)值尋優(yōu)區(qū)間為高維復(fù)雜空間，在斗桿結(jié)構(gòu)全局尋優(yōu)階段，若優(yōu)秀個(gè)體選擇不當(dāng)，極有可能把某些存在候選最優(yōu)解的搜索區(qū)域過(guò)早排除，致使遺失部分最優(yōu)解或陷入局部最優(yōu)。為了能夠盡可能保存?zhèn)€體的多樣性，群體選擇算子的選擇策略為根據(jù)計(jì)算后所得的個(gè)體適應(yīng)度值大小，將優(yōu)化群體分為優(yōu)秀可行個(gè)體、可行個(gè)體、優(yōu)秀不可行個(gè)體和不可行個(gè)體，并將優(yōu)秀可行個(gè)體作為優(yōu)秀個(gè)體直接遺傳到下一代，把可行個(gè)體和不可行個(gè)體作為父代配對(duì)交叉?zhèn)€體，而優(yōu)秀不可行個(gè)體則作為父代變異個(gè)體，以得到斗桿結(jié)構(gòu)遺傳尋優(yōu)的下一代優(yōu)化群體。

1.2 個(gè)體綜合狀態(tài)判斷算子

為實(shí)現(xiàn)父代個(gè)體的綜合狀態(tài)判斷，有必要建立個(gè)體綜合狀態(tài)判斷算子。通過(guò)識(shí)別個(gè)體各應(yīng)力特征截面的應(yīng)力狀態(tài)，并結(jié)合實(shí)數(shù)編碼個(gè)體各個(gè)基因位的目標(biāo)靈敏度知識(shí)，判斷父代個(gè)體各個(gè)基因位的期望搜索方向及合理調(diào)整步長(zhǎng)，以有效提高斗桿結(jié)構(gòu)全局尋優(yōu)效率。應(yīng)力特征截面的應(yīng)力狀態(tài)是指在綜合多工況下斗桿結(jié)構(gòu)應(yīng)力特征截面的最大應(yīng)力與結(jié)構(gòu)材料許用應(yīng)力的關(guān)系，并以應(yīng)力狀態(tài)碼進(jìn)行標(biāo)識(shí)。由斗桿結(jié)構(gòu)各應(yīng)力特征截面應(yīng)力狀態(tài)碼組成的編碼串可有效表征個(gè)體應(yīng)力狀態(tài)，其個(gè)體應(yīng)力狀態(tài)編碼串表示如下：

式中：1）SiC表示父代個(gè)體i的第c個(gè)應(yīng)力特征截面的應(yīng)力狀態(tài)碼，其值大小表示該應(yīng)力特征截面c需被調(diào)整的期望大小，正負(fù)號(hào)則表示應(yīng)力特征截面c的期望調(diào)整方向，c=1,2,LC為應(yīng)力特征截面編號(hào)，C為斗桿結(jié)構(gòu)應(yīng)力特征截面?zhèn)€數(shù)；

2）Stressic表示父代個(gè)體i的第c個(gè)應(yīng)力特征截面在綜合多工況下的最大應(yīng)力值；

3）[σ]表示當(dāng)前斗桿結(jié)構(gòu)材料的許用應(yīng)力值。

實(shí)數(shù)編碼個(gè)體各基因位均為指定的全局優(yōu)化變量，根據(jù)父代個(gè)體應(yīng)力狀態(tài)編碼串Si=｛Si1，Si2，… ，SiC｝，可查詢(xún)父代個(gè)體i各個(gè)基因位的期望調(diào)整方向和調(diào)整幅度，得到父代個(gè)體i各基因位的操作碼mij，則父代個(gè)體i基因位操作編碼串Mi如下所示：

式中：1）Mi表示父代個(gè)體i的基因位操作編碼串，i=1,2,LI，I為父代個(gè)體的個(gè)數(shù)；

2）mij表示父代個(gè)體i的第j個(gè)基因位的操作碼，j=1,2,LJ，J為個(gè)體的基因位個(gè)數(shù)；

3）aijc表示父代個(gè)體i的第j個(gè)基因位對(duì)應(yīng)力特征截面c的應(yīng)力狀態(tài)碼Sic的響應(yīng)值；

4）rjc表示個(gè)體的第j個(gè)基因位對(duì)應(yīng)力特征截面c最大應(yīng)力值的影響程度值；

5）tj表示個(gè)體的第j個(gè)基因位對(duì)影響程度值rjV的響應(yīng)值。

式中：rjV表示個(gè)體的第j個(gè)基因位對(duì)各板件總體積V的影響程度值。

1.3 優(yōu)化過(guò)程知識(shí)引導(dǎo)的群體交叉算子

為了盡可能的提高子代個(gè)體優(yōu)于父代個(gè)體的概率，需充分提取父代個(gè)體目標(biāo)知識(shí)及約束知識(shí)，以用于判別父代交叉配對(duì)個(gè)體各基因位是否需要進(jìn)行交叉操作，并確定各基因位的期望搜索方向與合理搜索步長(zhǎng)，從而完成兩父代配對(duì)交叉?zhèn)€體各基因位的交叉操作。兩父代配對(duì)交叉?zhèn)€體的具體操作如下：

兩父代配對(duì)交叉?zhèn)€體為：X1={x11,x12,…,x1J}和X2={x21,x22,…,x2J}；得到新的子代個(gè)體為：X'1={x'11,x'12,… ,x'1J}和X'2={x'21,x'22,… ,x'2J}；交叉算子表達(dá)式為：

式中：1）m1j為個(gè)體1（即為父代配對(duì)交叉?zhèn)€體X1）第j個(gè)基因位的操作碼，m2j為個(gè)體2（即為父代配對(duì)交叉?zhèn)€體X2）第j個(gè)基因位的操作碼，其值由(公式6)計(jì)算可得；

2 ）a1j、a2j為[0,1]之間的均勻分布隨機(jī)數(shù)。

兩父代交叉?zhèn)€體X1和X2經(jīng)交叉算子操作后，得到兩個(gè)新的子代個(gè)體X'1和X'2，而兩父代交叉?zhèn)€體X1和X2的第j個(gè)基因位的交叉概率，如(公式12)所示：

式中：1）Pcj表示兩父代交叉?zhèn)€體X1和X2的第j個(gè)基因位的交叉概率；

2）rjc表示個(gè)體的第j個(gè)基因位對(duì)應(yīng)力特征截面c的應(yīng)力靈敏度值；

3）pch表示靈敏度值rjc≠0時(shí)父代交叉?zhèn)€體第j個(gè)基因位的交叉概率；

4）pcl表示靈敏度值rjc=0時(shí)父代交叉?zhèn)€體第j個(gè)基因位的交叉概率。

1.4 優(yōu)化過(guò)程知識(shí)引導(dǎo)的變異算子

為充分發(fā)揮每個(gè)個(gè)體的特點(diǎn)，需對(duì)變異個(gè)體的不同基因位進(jìn)行不同的變異操作。為了避免變異后個(gè)體質(zhì)量變差，本文對(duì)幾何形狀變量基因位和非幾何形狀變量基因位分別進(jìn)行不同的變異操作。根據(jù)幾何形狀約束知識(shí)，提取父代變異個(gè)體i的一級(jí)編碼串C1[i]知識(shí)，以獲取父代個(gè)體i的幾何形狀基因位j對(duì)應(yīng)的網(wǎng)格區(qū)間矩陣上、下限值Hij和Lij，通過(guò)限制父代個(gè)體i的幾何形狀基因位j在區(qū)間[Lij,Hij]內(nèi)進(jìn)行變異操作，以保證變異操作后得到的子代個(gè)體仍滿(mǎn)足結(jié)構(gòu)幾何形狀約束。父代變異個(gè)體的具體變異操作如下：

父代變異個(gè)體i為：Yi={yi1,yi2,…,yiJ}；得到新子代個(gè)體i為：Y'i={y'i1,y'i2,… ,y'iJ}；其中：i=1,2,… ,Nm，Nm為父代變異個(gè)體的個(gè)數(shù)；J為個(gè)體的基因位個(gè)數(shù)。

當(dāng)Sic＜0時(shí)，變異算子為：

在(公式 13)和(公式 14)中：

1）mij為父代變異個(gè)體i的第j個(gè)基因位的操作碼，其值由公式(5-6)計(jì)算可得；

2）Hij、Lij為父代變異個(gè)體i第j個(gè)基因位的幾何形狀一級(jí)碼C1i[j]所對(duì)應(yīng)的網(wǎng)格區(qū)間的上、下限值，其j=1,2,L,J1，J1為斗桿結(jié)構(gòu)幾何形狀變量的基因位編號(hào)；

3）J為基因位個(gè)數(shù)，即：斗桿結(jié)構(gòu)全局優(yōu)化變量個(gè)數(shù)；

4）aj為[0,1]之間的均勻分布隨機(jī)數(shù)。

父代變異個(gè)體i不同基因位發(fā)生變異的概率計(jì)算公式如下：

式中:1）Pmij為父代變異個(gè)體i的第j個(gè)基因位的變異概率,i=1,2,…,Nm，j=1,2,…,J；

2）rjc表示個(gè)體第j個(gè)基因位對(duì)應(yīng)力特征截面c的最大應(yīng)力值的影響效果；

3）pmh表示值rjc≠0時(shí)，父代變異個(gè)體第j個(gè)基因位的變異概率；

4）pml表示值rjc=0時(shí)，父代變異個(gè)體第j個(gè)基因位的變異概率。

2 優(yōu)化過(guò)程知識(shí)引導(dǎo)的斗桿結(jié)構(gòu)智能遺傳尋優(yōu)過(guò)程

圖1 知識(shí)引導(dǎo)的斗桿結(jié)構(gòu)遺傳尋優(yōu)過(guò)程Figure 1 Genetic optimization process of stick based on optimization knowledge

復(fù)雜斗桿結(jié)構(gòu)智能優(yōu)化設(shè)計(jì)過(guò)程可分為：結(jié)構(gòu)方案設(shè)計(jì)階段、結(jié)構(gòu)優(yōu)化前處理階段、結(jié)構(gòu)數(shù)值尋優(yōu)階段和結(jié)構(gòu)優(yōu)化后處理階段，利用已構(gòu)建的個(gè)體綜合狀態(tài)判斷算子、優(yōu)化過(guò)程知識(shí)引導(dǎo)的選擇算子、交叉算子和變異算子，以完成優(yōu)化過(guò)程知識(shí)引導(dǎo)的斗桿結(jié)構(gòu)智能遺傳尋優(yōu)，其主要流程如圖1所示。經(jīng)選擇算子操作確定直接遺傳至下一代的優(yōu)秀個(gè)體、交叉?zhèn)€體和變異個(gè)體，并利用綜合狀態(tài)判斷算子判斷交叉?zhèn)€體和變異個(gè)體各基因位的期望搜索方向及合理調(diào)整步長(zhǎng)，以有效提高全局尋優(yōu)效率。

（1）通過(guò)結(jié)構(gòu)智能遺傳尋優(yōu)軟件界面設(shè)置遺傳算法主要參數(shù),如圖2所示，并導(dǎo)入斗桿結(jié)構(gòu)優(yōu)化前處理結(jié)果。

（2）采用拉丁超立方抽樣法對(duì)全局優(yōu)化變量取值區(qū)間進(jìn)行均勻抽樣，得到斗桿結(jié)構(gòu)初始優(yōu)化群體。

（3）對(duì)優(yōu)化群體進(jìn)行結(jié)構(gòu)約束處理，并提取當(dāng)前優(yōu)化群體的靜態(tài)/動(dòng)態(tài)約束知識(shí)，確定各斗桿個(gè)體的應(yīng)力狀態(tài)值，作為群體優(yōu)化過(guò)程結(jié)構(gòu)應(yīng)力約束知識(shí)存儲(chǔ)于優(yōu)化過(guò)程知識(shí)庫(kù)。

（4）計(jì)算當(dāng)前優(yōu)化群體的目標(biāo)函數(shù)值，提取當(dāng)前優(yōu)化群體的目標(biāo)知識(shí)，并存儲(chǔ)于優(yōu)化過(guò)程目標(biāo)知識(shí)庫(kù)。

（5）利用已建立的智能遺傳算法適應(yīng)度計(jì)算公式，對(duì)當(dāng)前優(yōu)化群體進(jìn)行個(gè)體適應(yīng)度值計(jì)算。

（6）對(duì)當(dāng)前優(yōu)化群體的每個(gè)個(gè)體進(jìn)行實(shí)數(shù)編碼。

（7）利用優(yōu)化過(guò)程知識(shí)引導(dǎo)的選擇算子對(duì)當(dāng)前優(yōu)化群體進(jìn)行選擇操作，實(shí)現(xiàn)優(yōu)化群體的分類(lèi)。選取出可直接遺傳到下一代的個(gè)優(yōu)秀個(gè)體、需進(jìn)行交叉操作的個(gè)配對(duì)個(gè)體和需進(jìn)行變異操作的個(gè)個(gè)體。

（8）利用優(yōu)化過(guò)程知識(shí)引導(dǎo)的交叉算子對(duì)個(gè)父代個(gè)體進(jìn)行配對(duì)交叉操作，以得到個(gè)新的子代個(gè)體。

（9）利用優(yōu)化過(guò)程知識(shí)引導(dǎo)的變異算子對(duì)個(gè)父代個(gè)體進(jìn)行變異操作，以得到個(gè)新的子代個(gè)體。

（10）得到新一代的優(yōu)化群體。

（11）對(duì)新一代優(yōu)化群體進(jìn)行優(yōu)化結(jié)束條件判段，若迭代次數(shù)已滿(mǎn)或優(yōu)化群體已滿(mǎn)足收斂條件，則轉(zhuǎn)入（12）；若迭代次數(shù)未滿(mǎn)且優(yōu)化群體不滿(mǎn)足收斂條件，則轉(zhuǎn)入（3），進(jìn)入下一代遺傳進(jìn)化。

（12）進(jìn)入斗桿結(jié)構(gòu)優(yōu)化后處理階段，對(duì)最優(yōu)解進(jìn)行結(jié)構(gòu)參數(shù)圓整處理，并對(duì)圓整后的斗桿結(jié)構(gòu)進(jìn)行局部調(diào)優(yōu)。輸出斗桿結(jié)構(gòu)智能優(yōu)化設(shè)計(jì)結(jié)果，并將此優(yōu)化實(shí)例存儲(chǔ)于實(shí)例知識(shí)庫(kù)。智能遺傳尋優(yōu)結(jié)束。

3 斗桿結(jié)構(gòu)智能遺傳尋優(yōu)軟件

以VC++6.0為主開(kāi)發(fā)平臺(tái)，采用面向?qū)ο蟮木幊趟枷耄Y(jié)合Pro/E軟件二次開(kāi)發(fā)語(yǔ)言Pro/Toolkit、ANSYS分析軟件宏命令A(yù)PDL語(yǔ)言和遺傳算法，開(kāi)發(fā)了斗桿結(jié)構(gòu)智能遺傳尋優(yōu)模塊，如圖2所示。通過(guò)此軟件界面輸入已知參數(shù)和遺傳算法參數(shù)；然后，點(diǎn)擊“結(jié)構(gòu)方案設(shè)計(jì)”、“一鍵結(jié)構(gòu)優(yōu)化”和“優(yōu)化實(shí)例存儲(chǔ)”控件，便可完成結(jié)構(gòu)智能遺傳尋優(yōu)并將優(yōu)化結(jié)果存儲(chǔ)于實(shí)例知識(shí)庫(kù)。

圖2 挖掘機(jī)斗桿結(jié)構(gòu)智能遺傳尋優(yōu)模塊界面Figure 2 The software module of intelligent genetic optimization of excavator stick

4 斗桿結(jié)構(gòu)智能遺傳尋優(yōu)方法實(shí)例應(yīng)用

4.1 斗桿結(jié)構(gòu)優(yōu)化已知條件

以中小型反鏟挖掘機(jī)（標(biāo)準(zhǔn)斗容量）斗桿結(jié)構(gòu)為例，已知條件有液壓系統(tǒng)驅(qū)動(dòng)參數(shù)（取值如圖2所示）和斗桿機(jī)構(gòu)參數(shù)（各鉸孔之間的距離）取值如表1所示。斗桿結(jié)構(gòu)在不同工況下的受力情況不同，本文，以GB9141-88中規(guī)定的4種典型挖掘工況作為斗桿結(jié)構(gòu)智能優(yōu)化設(shè)計(jì)的主要計(jì)算工況。

表1 應(yīng)用實(shí)例已知斗桿機(jī)構(gòu)參數(shù)值 單位:Table 1 The value of mechanism parameters in testing case[mm]

4.2 斗桿結(jié)構(gòu)優(yōu)化目標(biāo)

要實(shí)現(xiàn)斗桿結(jié)構(gòu)各板件總體積最小化，應(yīng)在滿(mǎn)足設(shè)計(jì)強(qiáng)度要求的前提下，充分發(fā)揮結(jié)構(gòu)材料強(qiáng)度性能，本文以綜合4種典型挖掘工況下斗桿結(jié)構(gòu)最大應(yīng)力值與斗桿結(jié)構(gòu)各應(yīng)力特征截面最大應(yīng)力值之間的差值來(lái)表征斗桿結(jié)構(gòu)應(yīng)力分布狀況。因此，綜合多工況的斗桿結(jié)構(gòu)智能優(yōu)化模型可表示為：

式中：1）V(X)為斗桿各板件總體積的表達(dá)式；

2）fn(X)為綜合4種典型工況下斗桿結(jié)構(gòu)的最大應(yīng)力值與斗桿結(jié)構(gòu)各應(yīng)力特征截面最大應(yīng)力值之差；

3）Mmax=max｛M1(X)，M2(X)，… ，MN(X)，｝為綜合 4種典型工況下的斗桿結(jié)構(gòu)最大應(yīng)力值；

4）Mn(X)為斗桿結(jié)構(gòu)第n個(gè)應(yīng)力特征截面在綜合4種典型工況下的的最大應(yīng)力值，n=1,2，…，N，N為斗桿結(jié)構(gòu)應(yīng)力特征截面的個(gè)數(shù)。

4.3 優(yōu)化過(guò)程知識(shí)引導(dǎo)的斗桿結(jié)構(gòu)遺傳尋優(yōu)過(guò)程

斗桿結(jié)構(gòu)智能優(yōu)化設(shè)計(jì)包括：結(jié)構(gòu)方案設(shè)計(jì)階段和結(jié)構(gòu)遺傳尋優(yōu)階段。

在斗桿結(jié)構(gòu)方案設(shè)計(jì)階段，根據(jù)已知條件，利用設(shè)計(jì)規(guī)范知識(shí)引導(dǎo)斗桿結(jié)構(gòu)方案設(shè)計(jì)，完成斗桿結(jié)構(gòu)方案設(shè)計(jì)，確定當(dāng)前待優(yōu)化斗桿結(jié)構(gòu)方案為耳板分離式斗桿，結(jié)構(gòu)圖如圖3所示。

圖3 挖掘機(jī)斗桿結(jié)構(gòu)圖Figure 3 Structure diagram of excavator stick

結(jié)構(gòu)遺傳尋優(yōu)階段，在斗桿結(jié)構(gòu)智能遺傳尋優(yōu)模塊界面 （如圖2所示），輸入已知參數(shù)和遺傳算法參數(shù)；點(diǎn)擊“結(jié)構(gòu)方案設(shè)計(jì)”控件，導(dǎo)入斗桿結(jié)構(gòu)參數(shù)體系；點(diǎn)擊 “一鍵結(jié)構(gòu)優(yōu)化”控件，完成斗桿結(jié)構(gòu)智能遺傳尋優(yōu)過(guò)程，得到最優(yōu)斗桿結(jié)構(gòu)；點(diǎn)擊 “優(yōu)化實(shí)例存儲(chǔ)”控件，將優(yōu)化結(jié)果存儲(chǔ)于實(shí)例知識(shí)庫(kù)。為滿(mǎn)足結(jié)構(gòu)加工工藝要求，對(duì)結(jié)構(gòu)參數(shù)值進(jìn)行圓整，并對(duì)圓整后的斗桿結(jié)構(gòu)進(jìn)行局部調(diào)優(yōu)，以得到滿(mǎn)足斗桿結(jié)構(gòu)加工工藝要求與斗桿結(jié)構(gòu)強(qiáng)度要求的最優(yōu)斗桿結(jié)構(gòu)。該最優(yōu)斗桿結(jié)構(gòu)在4種典型挖掘工況下的應(yīng)力云圖，如圖4所示，該最優(yōu)斗桿結(jié)構(gòu)的樣本名稱(chēng)為“”。

圖4 優(yōu)化后處理所得最優(yōu)斗桿結(jié)構(gòu)的應(yīng)力云圖Figure 4 Stress nephogram of the best-optimized stick structure by optimized post-processing

圖4為4種典型挖掘工況下最優(yōu)斗桿結(jié)構(gòu)的應(yīng)力云圖，其結(jié)構(gòu)最大應(yīng)力發(fā)生在挖掘工況三，其值為，小于許用應(yīng)力，滿(mǎn)足斗桿結(jié)構(gòu)強(qiáng)度約束條件。此最優(yōu)斗桿結(jié)構(gòu)的各板件總體積大小、總優(yōu)化時(shí)間、綜合多況結(jié)構(gòu)應(yīng)力最大值與最小值、結(jié)構(gòu)前3階固有頻率值，如表2所示。

表2 優(yōu)化后處理所得最優(yōu)斗桿結(jié)構(gòu)數(shù)據(jù)Table 2 The data of best-optimized stick by optimized post-processing

4.4 斗桿結(jié)構(gòu)智能優(yōu)化設(shè)計(jì)結(jié)果對(duì)比分析

為證實(shí)優(yōu)化過(guò)程知識(shí)引導(dǎo)的斗桿結(jié)構(gòu)遺傳尋優(yōu)方法的有效性，從數(shù)值尋優(yōu)方法和知識(shí)庫(kù)構(gòu)建方面，說(shuō)明本文遺傳尋優(yōu)方法與純數(shù)值遺傳尋優(yōu)方法、靜態(tài)知識(shí)引導(dǎo)的遺傳尋優(yōu)方法（文獻(xiàn)[7]）的區(qū)別，如表3所示。對(duì)比這三種不同方法所得最優(yōu)斗桿結(jié)構(gòu)部分主要板件體積大小，如表4所示，對(duì)比這三種方法所得最優(yōu)斗桿結(jié)構(gòu)數(shù)據(jù)，如表5所示。

表3 三種不同優(yōu)化方法的主要區(qū)別Table3 Themain differenceof threedifferentoptimization methods

表4 對(duì)比不同遺傳尋優(yōu)方法所得最優(yōu)斗桿的部分結(jié)構(gòu)參數(shù)Table 4 Compare the part structural parameters of best-optimized stick by different genetic optimization methods[mm]

由表4可知，優(yōu)化過(guò)程知識(shí)引導(dǎo)遺傳尋優(yōu)方法應(yīng)用實(shí)例最優(yōu)斗桿結(jié)構(gòu)上蓋板、下蓋板、彎板、側(cè)板、斗桿液壓缸耳板的體積均有大幅度降低，其耗材量與文獻(xiàn)[7]最優(yōu)斗桿結(jié)構(gòu)的對(duì)應(yīng)板件耗材量相比，降低了15.2% 、21.7% 、34.2% 、22.7% 、24.1%；但鏟斗液壓缸耳板、鉸孔F加強(qiáng)板的體積，與文獻(xiàn)[7]最優(yōu)斗桿結(jié)構(gòu)相比，分別增大了、。鏟斗液壓缸耳板與鉸孔F的加強(qiáng)板僅是斗桿局部結(jié)構(gòu)，其耗材量在斗桿結(jié)構(gòu)整體耗材量中所占比例甚小。因此，在結(jié)構(gòu)優(yōu)化過(guò)程中，通過(guò)合理增大個(gè)別斗桿局部結(jié)構(gòu)體積的方式，實(shí)現(xiàn)斗桿主要板件結(jié)構(gòu)體積最大限度的減小，是可取的。

表5 三種不同優(yōu)化方法所得的最優(yōu)斗桿結(jié)構(gòu)數(shù)據(jù)Table 5 The data comparison of best-optimized stick by three different optimization methods

由表5所示數(shù)據(jù)可知，優(yōu)化過(guò)程知識(shí)引導(dǎo)遺傳尋優(yōu)方法應(yīng)用實(shí)例所得最優(yōu)斗桿結(jié)構(gòu)各板件總體積為、耗時(shí)為；與純數(shù)值尋優(yōu)方法最優(yōu)斗桿結(jié)構(gòu)總體積、耗時(shí)相比，總體積減小了、效率提高了；與文獻(xiàn)[7]尋優(yōu)方法最優(yōu)斗桿結(jié)構(gòu)總體積、耗時(shí)相比，總體積減小了、效率提高了。材料許用應(yīng)力為，三種尋優(yōu)所得最優(yōu)斗桿結(jié)構(gòu)均滿(mǎn)足結(jié)構(gòu)應(yīng)力約束要求，前3階固有頻率均大于，均可有效避免斗桿結(jié)構(gòu)發(fā)生共振，故優(yōu)化過(guò)程知識(shí)引導(dǎo)遺傳尋優(yōu)方法是可取的。

5 小結(jié)

將群體優(yōu)化過(guò)程知識(shí)與遺傳尋優(yōu)算法進(jìn)行了充分結(jié)合，構(gòu)建了優(yōu)化過(guò)程知識(shí)引導(dǎo)的斗桿結(jié)構(gòu)遺傳尋優(yōu)方法，開(kāi)發(fā)設(shè)計(jì)了斗桿結(jié)構(gòu)智能遺傳尋優(yōu)功能需求模塊，實(shí)現(xiàn)了優(yōu)化過(guò)程知識(shí)引導(dǎo)的斗桿結(jié)構(gòu)遺傳尋優(yōu)，提高了結(jié)構(gòu)優(yōu)化求解的自動(dòng)化程度及智能化水平。以斗容的中型挖掘機(jī)耳板分離式斗桿結(jié)構(gòu)優(yōu)化設(shè)計(jì)為例，結(jié)果表明：與靜態(tài)知識(shí)引導(dǎo)的遺傳尋優(yōu)方法相比，斗桿結(jié)構(gòu)優(yōu)化效率提高了79.1%，結(jié)構(gòu)耗材量減少了20.5%，結(jié)構(gòu)耗材量的減少，主要體現(xiàn)在斗桿結(jié)構(gòu)上蓋板、下蓋板、彎板及左右側(cè)板等主要板件結(jié)構(gòu)體積的減小，證實(shí)了優(yōu)化過(guò)程知識(shí)引導(dǎo)的斗桿結(jié)構(gòu)遺傳尋優(yōu)方法可顯著降低結(jié)構(gòu)耗材量，提高結(jié)構(gòu)優(yōu)化效率，體現(xiàn)了優(yōu)化過(guò)程知識(shí)引導(dǎo)的斗桿結(jié)構(gòu)遺傳尋優(yōu)方法的可行性和有效性。