- 文献综述(或调研报告):
本课题的研究问题为基于MPI的机床夹具布局并行优化设计,主要分为两部分:优化算法的选择及实现,并行计算的实现。现有的并行计算硬件有服务器一台以及四核计算机2台。本课题拟采用智能优化算法—粒子群优化算法为优化设计方法,采用有限元分析软件ANSYS计算工件-夹具系统中的工件在加工过程的变形,并获取六点定位装夹方式下最佳夹具布局。
- 夹具布局优化算法的研究现状
Krishnakumar等[1]介绍了机床夹具布局优化中基于遗传算法的两种优化方法。文中利用3个例子对两种方法的收敛性进行了对比。例1为铣槽宽度的影响;例2为刀具运动路径的影响;例3为空心零件。值得注意的是,3个例子均是2维的。在本课题的研究中,可以参考文献[1]中的实例,首先对2维工件进行优化计算以比较粒子群算法的性能。
周孝伦等[2]提出了一种了应用遗传算法(GA)同步优化夹具布局和夹紧力的方法,主要适用于弱刚度零件。该方法假设工件为弹性体,使用弹簧边界条件代替接触,用弹性边界条件的连续插值近似代替夹具元件对工件的影响,用遗传算法搜索优化方向。与文献不同在于,本课题是在夹紧力确定的情况下优化夹具布局,该方法不能确保找到全局最优解。故条件允许的情况下可以进一步研究应用粒子群算法同步优化夹具布局和夹紧力。
Padmanaban等[3]介绍了一种基于蚁群算法(ACA)的连续夹具布局优化方法和离散夹具布局优化方法,结果发现(1)连续夹具布局优化方法得到的解比离散夹具布的优化方法的得到的解更好(2)基于ACA的离散夹具优化比基于ACA的连续夹具优化的收敛速率更快。
Prabhaharan等[4]利用有限元方法(FEM)模拟工件的变形,以解决夹具布局优化时减小尺寸误差和形状误差的问题。文中介绍了采用遗传算法(GA)和蚁群算法(ACA)的夹具布局优化方法,并对两者的性能进行了比较。结果发现ACA的收敛速度更快并且得到的解更精确。
综上所述,夹具优化主要有夹紧力和夹具布局的同步和异步优化,夹具布局优化,但几乎没有仅就夹紧力进行的优化,同时优化夹紧力和夹具布局比仅就夹具布局进行优化可以得到更好的解,其中同步优化得到的解会更接近真实解。此外,夹具优化还分为连续优化和离散优化,离散优化的好处在于减少计算量,但得到的也不如连续优化得到的解。
目前为止,夹具布局优化的演技中使用基于GA算法的优化方法较多,也有使用如基于ACA的优化方法,且ACA的性能优于GA的性能,但使用基于PSO的夹具布局优化的研究较少。
本课题利用PSO算法对夹具布局进行优化,前期研究中可以使用离散性的优化方法以加快收敛速度,当需要精确计算时可利用连续性的优化方法。
- 并行算法实现的研究现状
目前,基于种群的优化算法的并行模型共分为四类:主从式模型,粗粒度模型,细粒度模型和混合模型[5]。就粒子群算法而言,主从并行模型不会改变算法的基本结构特点,它只有一个粒子群,粒子的位置更新、粒子的个人最优位置更新和粒子群全局最优位置更新由主节点机(主处理器)串行进行,粒子适应度评估和计算由各从节点机(从处理器)并行执行。粗粒度模型,文献[6]中被称为静态亚群并行模型,是适应性最强和应用最广的一种并行模型。它将群体依照节点机(处理器)的个数分成若干个子群体,各子群体在各自的节点机(处理器)上并发独立运行PSO,每经过一定的迭代次数,各子群会交换若干个个体。细粒度模型在整个进化过程中虽然保持一个群体,但要求子群体的划分非常细小,最理想的状态是每个节点机(处理器)只有一个个体,虽然可以充分发挥算法的并行特性,但对节点机(处理器)的数量和通信能力要求很高,实现比较困难,目前为止对它的研究还很少。混合模型则是在前三种模型的基础上建立起来的,具有很好的并行特点,目前混合模型组合关系主要有三种:粗粒度—细粒度、粗粒度—粗粒度和粗粒度—主从式[5]。
针对夹具的夹具布局和加紧力的优化,并行粒子群算法又分为同步优化和异步优化。同步优化是将夹具布局和夹紧力同时进行优化;异步优化则忽略了夹具布局和夹紧力之间的相关性,布局优化时假定夹紧力不变,夹紧力优化时假定布局不变。
以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。