摘 要：本文首先介紹了機械設計和人工神經網絡，并且討論了舊有的機械優(yōu)化設計的計算方式中存在的問題，進而介紹了BP神經網絡模型以及反饋神經網絡模型，進而探討如何將其運用在機械設計工作中，為相關的設計工作提供了基本思路。

關鍵詞：人工神經網絡；機械優(yōu)化設計；BP神經網絡；反饋神經網絡

對于機械工程設計工作來說，如何把工程設計問題轉化為最優(yōu)，是其中最重要的課題，這就需要我們選擇一個最為合適的方式，利用計算機進行方案設計，然后選取一個最優(yōu)的方案來加以采用。對于機械設計來說，其任務就是在一定條件下，進行一定條件下的評價和比較以及計算分析，尋求符合實際要求的方案。而對于機械優(yōu)化設計來說，其目的則是在已經符合設計要求的方案中選取一個最優(yōu)、最好的方案。本文主要針對人工神經網絡神經技術進行介紹，并且說明其如何在機械優(yōu)化設計領域中進行靈活運用。

1 機械優(yōu)化設計概說

當前在世界范圍內，對于機械進行優(yōu)化設計，已經有了幾十年的歷史了，并且已經取得了一定的研究成果，已經在工程實踐中獲得了較為廣泛的應用。其運算手段大多都基于原有理論中的優(yōu)化算法，主要運用到的方式有懲罰函數、復合形法，這些方法對于目標函數來說要求非常嚴格，尤其是對于局部極值來說，要求是很苛刻的，另外優(yōu)化的結果和初始值之間往往存在很大的相關性，因為這些缺點的存在，對于優(yōu)化設計的要求都是無法滿足的。當前智能理論已經逐漸完善，計算機技術也得到了長足的進步，很多智能計算方法相繼出現(xiàn)，例如人工神經網絡就是其中比較具有優(yōu)勢的一種。

2 關于智能神經網絡在機械優(yōu)化設計工作中的應用情況

采用物理方面可實現(xiàn)的系統(tǒng)來直接對人腦神經細胞進行模擬，來重現(xiàn)其結構和功能，就是人工神經網絡系統(tǒng)，英文簡寫是ANN。人工神經網絡系統(tǒng)針對生物神經系統(tǒng)的特征進行了反映，尤其對于生物系統(tǒng)的基本特征進行了反映，這樣就可以直接通過抽象的方式，模擬生物神經系統(tǒng)。人工神經網絡的提出比較早，在二十世紀四五十年代就已經有人提出了相關理論，但是到了八十年代后期這項技術才開始被人們認識，并且開始將其實踐在應用領域。當前已經有兩種機械優(yōu)化設計方式運用比較廣泛了，一個是BP神經系統(tǒng)，另一個是反饋神經網絡，下面對這兩個系統(tǒng)進行詳細說明。

2.1 BP神經網絡

BP神經網絡是一種應用比較廣泛的人工神經網絡，是模仿大腦神經網絡結構和功能而建立的一種新型智能信息處理系統(tǒng)。它通過對人腦的形象思維、聯(lián)想記憶等的模擬和抽象來實現(xiàn)與人腦相似的識別、記憶等信息處理功能。BP網絡具有一些傳統(tǒng)技術所沒有的特點，如較強的自適應性和自組織性、高度并行信息處理能力、強大的非線性映射能力，硬件實現(xiàn)后分類速度快，可以快速準確的實時處理等。BP網絡由輸入層、隱含層和輸出層組成。其中，輸入層和輸出層的神經元節(jié)點數是由具體問題的輸入層參數和輸出層參數來確定的：而隱含層的神經元節(jié)點數則是網絡構造中的關鍵問題，它由具體問題的復雜程度及誤差下降等情況來確定。根據Kosmagoro定理：在有合理的結構和恰當權值的條件下，三層前饋網絡可以逼近任意的連續(xù)函數，所以從簡捷實用的角度一般只選取一個隱層。標準的BP網絡相鄰兩層的神經元之間全連接，每層內的神經元沒有連接。

機械優(yōu)化設計中，可利用BP神經網絡的非線性映射能力進行機械系統(tǒng)的結構優(yōu)化設計和多目標優(yōu)化設計。用于結構優(yōu)化設計的基本思想是：首先運用結構分析軟件如有限元分析軟件進行一定數量的結構分析，取得訓練多層前向神經網絡的樣本，構造一個人工神經網絡；并利用所獲得的樣本數據訓練，然后利用該網絡來進行結構分析，取代需要大量計算的有限元結構分析，將結構分析的結果與其它優(yōu)化算法結合起來進行結構設計。

利用BP神經網絡模型還可以進行機械產品的多目標優(yōu)化設計。在機械產品系列化設計過程中，同一個產品需要保證的產品性能可能是多方面的，即優(yōu)化設計中的目標函數由很多個組成，同時影響各個方面的產品性能的參數即優(yōu)化設計中的設計變量也有很多個，每一個設計變量對若干個目標函數都產生影響，在利用下式的線性加權法進行多目標優(yōu)化設計時，一個難以確定的量就是各個分目標函數的權重。利用BP神經網絡的非線性映射能力，在進行優(yōu)化設計時，可以避開確定各個目標函數的權重，較為有效地進行多目標優(yōu)化設計。其方法是：首先根據產品的具體情況構造一個BP神經網絡，以各個設計變量作為這個神經網絡的輸入向量，以各個分目標函數作為這個神經網絡的輸出向量，利用已有的經驗數據訓練該網絡，確定網絡各個聯(lián)接的聯(lián)接權重，即確定設計變量空間到目標函數空間的映射關系，然后在進行系列產品設計時，根據業(yè)已確定的設計變量空間到目標函數空間的映射關系，確定各個設計變量的取值，從而達到新產品的綜合性能最優(yōu)，達到多目標優(yōu)化設計的目的。

2.2 關于反饋神經網絡

早在二十世紀八十年代初，加州理工學院就有物理方面的學者提出反饋神經網絡的概念，這個神經網絡其原理是模擬人腦的聯(lián)想記憶功能而形成的神經網絡模型。這個神經網絡模型的基本組成元件是神經元，這些神經元互相之間都是相互連接的，每個連接之間都有一個權值，網絡中的每一個神經元都將其反饋輸出到其他神經元之中，這種網絡結構如果沒有挖補輸出，網絡自身狀態(tài)會通過演化而讓網絡通過收斂，而形成一個穩(wěn)定的狀態(tài)，在這個穩(wěn)定的狀態(tài)之下，神經元之間的連接權值是相等的，這樣一來，網絡的狀態(tài)就是平衡的。后來在這個網絡系統(tǒng)中套用了能量函數，希望能夠查驗該方式的穩(wěn)定性能。把該網絡模型運用到機械設計之中后，就可以建立一個機械優(yōu)化問題和整個網絡模型之間的對應關系，通過其中的約束條件要素。設計變量要素就可以把整個神經系統(tǒng)的演化過程和機械優(yōu)化設計工作尋找最優(yōu)方案的過程進行對應。但是這個模型本身存在著一系列的局限性，容易陷入局部最小點，這樣就給應用造成了一些負面影響，所以仍然有待于改善。

結束語

當前的機械系統(tǒng)結構已經變得越來越復雜、其內部零件越來越精密，用戶已經對于機械產品的性能提出了更高的要求，當前基于數學規(guī)劃方式的優(yōu)化設計理論已經難以滿足當前系統(tǒng)優(yōu)化設計方面的需求了，所以應該對傳統(tǒng)的設計理論進行革新。本文主要針對反饋神經網絡模型以及BP神經網絡模型如何運用在機械優(yōu)化設計工作中的方法進行了介紹，希望可以有助于在一定程度上解決機械設計方面的問題，并且克服相關工作中存在的問題，給優(yōu)化設計帶來一定的便利。

參考文獻

[1]閔之賢.探析機械優(yōu)化設計方法[J].科技經濟導刊，2016（06）.

[2]吳亞明.機械優(yōu)化設計的應用發(fā)展分析[J].中小企業(yè)管理與科技（中旬刊），2015（06）.

[3]陳波.機械優(yōu)化設計理論方法研究綜述[J].科技風，2014（09）.

作者簡介：邢忠正，身份證號：220802198511157012。endprint