鍾添東Chung, Tien-Tung臺灣大學:機械工程學研究所范栩Fan, HsuHsuFan2010-06-302018-06-282010-06-302018-06-282007U0001-2407200807474700http://ntur.lib.ntu.edu.tw//handle/246246/187021本文提出結構最佳化遺傳演算之類神經網路近似法。首先，初始族群之所有個體皆以原始適應值函數計算其適應值。接著，利用這些適應值建立一個類神經網路作為演化時之近似模型。本文發展一同時整合世代控制及個體控制之演化控制方法，並將之用於最佳化過程中。當進行世代控制時，只有少數特定世代之所有個體以原始適應值函數計算其適應值，其餘世代之個體皆以近似模型計算以節省運算時間。於使用近似模型計算適應值之世代，個體控制將使用以防止將高估之個體作為該世代之最佳個體。接著，發展一套整合了遺傳演算法、有限元素分析軟體、電腦輔助設計軟體、類神經網路和演化控制之程式。以此整合程式對數個函數以及簡單結構最佳化範例進行試驗。最後，將本程式應用於兩個複雜結構最佳化範例。由結果可知，本文發展之近似方法及演化控制解省了大量耗時之原始適應值函數計算並獲得不錯的收斂解。This paper studies the neural network approximation for structural optimization using genetic algorithms. Firstly, the fitness values of the initial population are calculated using the original fitness function. Then a neural network is built with these fitness values as an approximate model for the following evolutions. An evolution control method, combined with both generation-based evolution control and individual-based evolution control, is developed and utilized in the optimization process. In the controlled evolution, exact fitness values of whole population are evaluated only at a few finite numbers of generations. For other generations, approximate fitness values are evaluated to save the computational time. For generations using approximate fitness values, individual-based evolution control is applied to prevent the overestimated individual from being regarded as the best individual in the generation. Next, an integrated program is developed by combing genetic algorithms, finite element analysis program, computer aided design program, neural network, and evolution control. Several functional and simple structural optimization examples are examined with this integrated program. Finally, optimum designs of two complex structural problems are carried out in the developed program. From the results, it shows that the approximate method and evolution control method developed in this thesis are able to reduce the time-consuming exact fitness evaluations with the same quality of convergent solution.誌謝 i要 iiiBSTRACT v錄 vii目錄 ix目錄 xi號說明 xiii一章 緒論 1-1 簡介 1-2 文獻回顧 2-3 研究動機與目的 5-4 研究方法 6-5 論文大綱介紹 7二章 遺傳演算法於結構最佳化設計 9-1 機械結構最佳化設計理論 9-1-1 設計變數之處理 9-1-2 目標函數之處理 10-1-3 限制條件之處理 10-2 遺傳演算法限制條件之處理 11-3 遺傳演算法概論 13-4 類神經網路概論 19-5 多層前饋網路 22-6 倒傳遞學習法則 24-7 演化控制 28三章 遺傳演算法之類神經網路近似法 31-1 利用類神經網路近似法計算遺傳演算法適應值 31-2 建立局部之類神經網路近似模型 32-3 演化控制 33-4 結構最佳化整合程式 37四章 函數與結構最佳化 41-1 Ackley函數最佳化 41-2 Keane結突函數(bump function)最佳化 43-3 Himmelblau函數最佳化 45-4 薄臂懸臂軸最佳化設計 46-5 三桿結構最佳化設計 49-6 十桿結構最佳化設計 50-7 二十五桿結構最佳化設計 52五章 實際結構最佳化設計 55-1 4x4機械式光開關結構最佳化設計 55-2 燃料電池結構最佳化設計 61六章 結論與建議 67-1 結論 67-2 建議 67考文獻 69錄A GALib使用方法 73錄B 整合型最佳化程式使用方法 75者簡歷 804385002 bytesapplication/pdfen-US遺傳演算法結構最佳化類神經網路近似法有限元素分析演化控制Genetic algorithmsStructural optimizationNeural network approximation methodFinite element analysisEvolution controlthesishttp://ntur.lib.ntu.edu.tw/bitstream/246246/187021/1/ntu-96-R94522623-1.pdf