အမှုန်ဆွမ်အရ optimize_hehehe ကို အခြေခံ. ကြီးမားသောအလှည့်ထောင့်နှင့်အတူလေးလံသော - တာဝန်ခံပတ်တာဒီဇိုင်းဒီဇိုင်း

ပတ်တာများသည်စက်ယန္တရားစက်များတွင်မရှိမဖြစ်လိုအပ်သောအစိတ်အပိုင်းများဖြစ်သည်။ အမျိုးမျိုးသောပတ်တိအုတ်တံတိုင်း, ဟောက်ဖဲ့ပတ်တာများ, အမှိုက်ပုံပတ်တာများ, ဥပမာအားဖြင့်, မိုးသည်းထန်စွာဝန်များအောက်တွင်ရိုးရာပတ်တာများသည်တင်းကျပ်မှုလိုအပ်ချက်များကိုဖြည့်ဆည်းနိုင်ရန်အတွက်အထူဖြစ်ရန်လိုအပ်သည်။ ထို့အပြင်အာကာသအကန့်အသတ်နှင့်ဝန်များရှိသည့်အထူးကိစ္စရပ်များတွင်ကြီးမားသောအရာများ၌ရိုးရာပတ်တူများသည်၎င်းတို့၏လုပ်ဆောင်မှုကိုဖြည့်ဆည်းရန်ရုန်းကန်နေရခြင်းဖြစ်နိုင်သည်။

ရလဒ်အနေဖြင့်ပတ်တာဒီဇိုင်းသစ်အသစ်များကိုလေ့လာခြင်းတွင်စိတ်ဝင်စားမှုရှိခဲ့သည်။ PSO 0 င်မှု (PSO) algorithm algorithm သည်အင်ဂျင်နီယာနယ်ပယ်များတွင်သိသာထင်ရှားသည့်ဖွံ့ဖြိုးတိုးတက်မှုနှင့်လျှောက်လွှာများသိသိသာသာဖွံ့ဖြိုးတိုးတက်မှုနှင့်လျှောက်လွှာများရရှိခဲ့သည်။ ဤ algorithm သည်တစ် ဦး ချင်းစီအကြားပူးပေါင်းဆောင်ရွက်မှုနှင့်ယှဉ်ပြိုင်မှုများမှတစ်ဆင့်အကောင်းဆုံးသောနေရာများတွင်အကောင်းဆုံးဖြေရှင်းနည်းများအောင်မြင်ရန်အစားအစာအတွက်အစားအစာများပျံသန်းနေသောငှက်အုပ်စုများ၏အပြုအမူကိုအသုံးပြုသည်။ PSO algorithms သည်အလွန်အမင်းထိရောက်မှုရှိပြီးအကောင်အထည်ဖော်ရန်လွယ်ကူပြီးအင်ဂျင်နီယာအလေ့အကျင့်တွင်ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုသည်။ PSO algorithm ၏အခြေခံဖြစ်စဉ်တွင်စတင်ခြင်း, အမှုန်လေယာဉ်ပျံသန်းခြင်းနှင့်ရလဒ်စိတ်ပိုင်းဖြတ်ချက်များပါဝင်သည်။ algorithm သည်ဖြစ်နိုင်ခြေရှိသောဒေသတွင်းတွင်ပြောင်းရွှေ့နေသောအမှုန်များကိုကျပန်းထုတ်လုပ်ခြင်းဖြင့်စတင်သည်။ အမှုန်တစ်ခုစီ၏ကြံ့ခိုင်မှုတန်ဖိုးကိုတွက်ချက်ခြင်းအားဖြင့် algorithm သည်အမှုန်တစ်ခုစီ၏လှုပ်ရှားမှုလမ်းကြောင်းနှင့်မြန်နှုန်းကိုဆုံးဖြတ်သည်။ အမှုန်လှုပ်ရှားမှုတစ်ခုစီတွင်အကောင်းဆုံးအမှုန်နှင့်သမိုင်းဆိုင်ရာအကောင်းဆုံးအမှုန်များသည်နောက်လာမည့်ရွေ့လျားမှုအပေါ်ပိုမိုကြီးမားသောသွဇာလွှမ်းမိုးမှုရှိသည်။ မျိုးစုံကြားတွင်အပြီး algorithm သည်အကောင်းဆုံးဖြေရှင်းနည်းကိုရရှိသည်။

PSO algorithm ၏ convergence ၏စွမ်းဆောင်ရည်ကိုရှီနှင့်အီလက်ဒွင်တို့ကအဆိုပြုထားသည့် Inertia အလေးများကိုမိတ်ဆက်ပေးခြင်းဖြင့်တိုးတက်ခဲ့သည်။ အမှုန်ဆင့်ကဲဖြစ်စဉ်ညီမျှခြင်းတွင် inertia, သိမှတ်ခြင်းနှင့်လူမှုရေးဆိုင်ရာပူးပေါင်းဆောင်ရွက်မှုအပါအ 0 င်အစိတ်အပိုင်းများစွာပါဝင်သည်။ အမှုန်မြန်နှုန်းနှင့်အရေအတွက်ကိုအမှုန်များကဲ့သို့သော algorithm parameters များကိုတိကျစွာလိုအပ်ချက်များအပေါ် အခြေခံ. ညှိနိုင်သည်။ PSO algorithms သည်အင်ဂျင်နီယာအက်ပလီကေးရှင်းများ၌ကျယ်ပြန့်စွာအသုံးပြုသောဉာဏ်ရည်ဉာဏ်စွမ်းအင်နှင့်များသောအားဖြင့်မျိုးရိုးဗီဇ algorithms ထက်သာလွန်သောကျွမ်းကျင်မှုကိုပိုမိုကောင်းမွန်စွာအသုံးပြုခဲ့သည်။ သို့သော် PSO algorithms သည်အချိန်မတန်မီသီး 0 တ္တရားများကဲ့သို့သောစိန်ခေါ်မှုများကိုရင်ဆိုင်နေရဆဲဖြစ်သည်။ ထို့ကြောင့် PSO algorithm ကိုတိုးတက်စေရန်နှင့်၎င်း၏အကန့်အသတ်များကိုကိုင်တွယ်ရန်ရည်ရွယ်ထားသောသိသာထင်ရှားသောသုတေသနများရှိခဲ့သည်။

ပတ်တာဒီဇိုင်း၏အခြေအနေတွင်စီမံကိန်းလိုအပ်ချက်များတွင်တန်ချိန် 3 တန်နှင့်အလှည့်အပြောင်းစွမ်းရည်များပါ 0 င်သည်။ ဤလိုအပ်ချက်များကိုဖြည့်ဆည်းရန် 2rpr ယန္တရားကိုပတ်တရေးယန္တရားအဖြစ်ရွေးချယ်သည်။ ဤယန္တရားသည်အလှည့်အပြောင်းတစ်စုံနှင့်ရွေ့လျားနေသောစုံတွဲတစ်တွဲပါဝင်သည်။ ထို့အပြင်ယန္တရားသည်အချိုးကျမှု,

Optimization Design Product တွင် Geometricricric ကန့်သတ်ချက်များလျှောက်ထားခြင်းဖြင့်လည်ပတ်မှုထောင့်နှင့်အရွယ်အစားလိုအပ်ချက်များကိုဖြည့်ဆည်းပေးသည်။ သို့သော်အဓိကစိန်ခေါ်မှုသည်ယန္တရားတွင်အလွန်ကောင်းမွန်သောအင်အားသုံးလှုံ့ဆော်မှုများရရှိစေရန်ဖြစ်သည်။ ဤသည်ပုံမှန်အားဖြင့်ယန္တရားအတွက်နိမ့်ဆုံးဂီယာထောင့် setting အားဖြင့်ပုံမှန်အားဖြင့်အောင်မြင်သည်။

အင်အားသုံးထုတ်လွှင့်မှုကိုခွဲခြမ်းစိတ်ဖြာရန် analysis အရာဝတ်ထုအဖြစ်ရွေးချယ်ထားသည့်ဒော့ဒ်ကိုရွေးချယ်သည်။ M နှင့်အယ်လ်ဒြပ်စင်နှင့်လည်ပတ်မှုစုံတွဲအကြား D ၏ 0 န်ဆောင်မှုအလေးနှင့်အကွာအဝေးကိုယူဆသည်။ တပ်ဖွဲ့များနှင့်ဒော့ဒ်၏ဒော့ဒ်အကြားထောင့်များအကြားထောင့်များကိုထည့်သွင်းစဉ်းစားခြင်းအားဖြင့်လှံတံနှင့် x-axis တို့အကြားထောင့်အကြားထောင့်ကိုကြည့်ခြင်းအားဖြင့်အင်အားချိန်ခွင်လျှာညီမျှခြင်းကိုဆင်းသက်လာသည်။ ဒီညီမျှခြင်းကယန္တရားရဲ့အင်အားသုံးထုတ်လွှင့်နိုင်မှုကိုသေချာစေတယ်။

ခွဲခြမ်းစိတ်ဖြာခြင်းရလဒ်များအပေါ် အခြေခံ. ရွေ့လျားမှုစုံတွဲသည်အညီဒီဇိုင်းပြုလုပ်ထားသည်။ လျှပ်စစ်ဆလင်ဒါဆလင်ဒါစံပြ Model, GSX40-1201 သည် Account, တွန်းကန်အားနှင့် axial dimensions များကိုထည့်သွင်းစဉ်းစားခြင်း, အစိတ်အပိုင်းအရွယ်အစားကဲ့သို့သောအခြားအချက်များကိုလည်းနောက်ဆုံးဒီဇိုင်းတွင်လည်းထည့်သွင်းစဉ်းစားသည်။ Aluminum Bronze ဖြင့်ပြုလုပ်ထားသောလျှောထားသောဝက်ဝံများကိုလှည့်ထားသောစုံတွဲများအတွက် 0 န်ဆောင်မှုခံယူနိုင်သောစွမ်းရည်နှင့်တိကျသောလိုအပ်ချက်များကိုထည့်သွင်းစဉ်းစားသည်။ အဓိကအစိတ်အပိုင်းများကို 35crmnsia Alloy သံမဏိဖြင့်ပြုလုပ်ထားပြီး၎င်းသည်ဆန့ ်. ခွန်အားနှင့် elastic modulus များကိုကမ်းလှမ်းသည်။

စက်မှုဒီဇိုင်းကိုပြီးစီးပြီးနောက်နောက်ဆုံးဒီဇိုင်းကိုမြင်ယောင်ကြည့်ရန် CAD ပုံစံကိုတည်ထောင်ခဲ့သည်။ အမှုန်များအနေဖြင့် algorithm သည်ကြီးမားသောလည်ပတ်မှုထောင့်လေးလံသောအံ 0 င်သောပတ်တာများကိုအောင်မြင်စွာကျော်လွှားနိုင်ခဲ့ပြီးဒီဇိုင်းလိုအပ်ချက်အားလုံးနှင့်ကိုက်ညီသည်။

နိဂုံးချုပ်အနေဖြင့်အမှုန် SWARM optimization algorithm သည်ကြီးမားသောလည်ပတ်မှုထောင့်၏ဒီဇိုင်းကိုပိုမိုကောင်းမွန်စေရန်ထိရောက်စွာသက်သေပြခဲ့သည်။ ဂရုတစိုက်ပြင်ဆင်ခြင်းနှင့်ခွဲခြမ်းစိတ်ဖြာခြင်းအားဖြင့် 2rpr ယန္တရား၏အကောင်းဆုံးဒီဇိုင်းကိုအောင်မြင်ခဲ့သည်။ အစိတ်အပိုင်းများနှင့်ပစ္စည်းများရွေးချယ်ခြင်းအပါအ 0 င်စက်မှုဒီဇိုင်းကိုအောင်မြင်စွာပြီးစီးခဲ့သည်။ CAD Model သည်နောက်ဆုံးဒီဇိုင်း၏အမြင်အာရုံကိုယ်စားပြုမှုကိုပေးသည်။ ယေဘုယျအားဖြင့်အမှုန် Swarm optimization algorithms သည်ထိရောက်သောနှင့်ထိရောက်သောထိရောက်သောဒီဇိုင်းအတွက်အဖိုးတန်သောကိရိယာတစ်ခုဖြစ်ပြီးစက်မှုလုပ်ငန်းအမျိုးမျိုးတွင်စက်ယန္တရားပစ္စည်းများ၏စွမ်းဆောင်ရည်နှင့်လုပ်ဆောင်နိုင်စွမ်းကိုတိုးတက်စေရန်အထောက်အကူပြုသည်။

ကိုးကားခြင်း:

1. zhang ဇွန်, Han Xianguo, Wei Minhe ။ 3-ups / s Parallel Billiard ဘောလုံးပြိုင်ပွဲအပေါ် optimization သုတေသန [ည] Aerospace ထုတ်လုပ်ခြင်းနည်းပညာ, 2011 (3): 19-23 ။

2. Chen Lishun, Li Li, Zhang Hongliang ။ အသစ်သော Super-Redundant Robotj ၏ပူးတွဲဒီဇိုင်း။ စက်မှုဒီဇိုင်းနှင့်ကုန်ထုတ်လုပ်မှု, 2010 (6): 148-150 ။

3. Cai Anjiang, Yang Shun ။ Electronic Acceleratorator Accelerather Voltage ညှိနှိုင်းမှုဆိုင်ရာသတ်မှတ်ချက်များကို အခြေခံ. RBF နှင့် Partyl SharM Movization algorithm [jorithm အပေါ် အခြေခံ. အကောင်းဆုံးဒီဇိုင်းပုံစံ။ စက်မှုဒီဇိုင်းနှင့်ကုန်ထုတ်လုပ်မှု, 2011 (1): 72-74 ။