（服装设计与工程专业论文）订单型服装企业流水线设备配置比例的预测及生产计划的优化[服装设计与工程专业优秀论文].pdf

p r e d i c t i o no ft h ea s s e m b l yl i n ee q u i p m e n ta l l o c a t i o nr a t i o a n do p t i m i z a t i o no f t h ep r o d u c t i o ns c h e d u l ea b o u tt h e o r d e rt y p ec l o t h i n ge n t e r p r i s e a b s t r a c t b e c o m i n gm o r e d i v e r s i f i e dw i t hf i e r e e n e s sa n dm a r k e td e m a n d d a yb yd a yo ft h em a r k e tc o m p e t i t i o n ，m o r ea n dm o r ee n t e r p r i s ec h o o s e m a n yv a r i e t y s h o r tr u nt h em o d eo fp r o d u c t i o nc o m ef a s t a d a p t a t i o n c h a n g eo fm a r k e t i nt h ec u r r e n tm a r k e t ，t h ec o m p e t i t i o n so fe n t e r p r i s e s d e p e n do nt h e s t o c k c y c l e ，q u a l i t y a n dp r o d u c t i o nc o s to ft h ep r o d u c t s m a i n l y a d v a n c e dm a n a g e m e n t i s r e a l i z i n g i na n i m p o r t a n c em e a n so f a b o v e m e n t i o n e d g o a l s t h e d i s p a t c h e r i st h e k e y c o n t e n to ft h e p r o d u c t i o nm a n a g e m e n t a n d k e yt e c h n o l o g y ，i t s t a s ki su n d e rt h e c i r c u m s t a n c e st h a tl i m i t e dr e s o u r c eo f e n t e r p r i s e a r e r e s t r a i n e d ， g u a r a n t e et h a tt h es e l e c t e dp r o d u c t i o ng o a lis o p t i m u m t h ea r r a n g e m e n t s c h e m eo ft h es c i e n t i f i cp r o d u c t i o ns c h e d u l e ，f o rc o n t r o l l i n gt h em a t e r i a l i n p r o c e s s o fe n t e r p r i s e s s t o c k ，i m p r o v et h ep r o d u c t s a n dd e l i v e rt h e s a t i s f y i n gr a t e ，s h o r t e n t h e p r o d u c t s a n d s u p p l yc y c l e a n dr a i s e e n t e r p r i s e l sp r o d u c t i v i t yt op l a ya ne s s e n t i a lr o l e ， t h ist e x th a si n t r o d u c e do r d e rt y p et h ec h a r a c t e r i s t i c so fc l o t h i n g e n t e r p r i s e s a t f i r s t ，i t ist h e d e v e l o p i n g d i r e c t i o no ft h e p r o c e s s i n g e n t e r p r i s eo ft h ec l o t h i n gt op o i n to u tf l e x i b i l i t ya n dp r o c e s s ，a n di t i sa d e v e l o p m e n t t r e n dt o ot h a ti n t e l l i g e n tt e c h n o l o g ys h o u l dp l a yai m p o r t a n t r o l ea m o n gt h e m ，p a s st oh o ta r t i f i c i a l ，t ot h e i rc h a r a c t e r i s t i ca n dd e f e e t t h i st e x th a s p r o p o s e d t h a tak i n d o fb p g a i n t e l l i g e n c e b a s e do n a r t i f i c i a ln e u r a ln e t w o r ka n dg e n e t i ca l g o r i t h mm i x e sa l g o r i t h m s ，a n dh a s p r o v e dt h ev a l i d i t y o ft h isk i n do fa l g o r i t h mt h r o u g ht h e e x p e r i m e n t u t i l i z eb p g a i n t e l l i g e n c e m i xb e t w e e n a l g o r i t h m a n do r d e r t y p e c l o t h i n ge q u i p m e n ta l l o c a t i o nr a t i o o fm a n u f a c t u r i n ge n t e r p r i s e p r e d i c t t h a ts t u d ya tt h es a m et i m e ，a i ma ti t t h r o u g hm a k i n gu s eo fe q u i p m e n tt o r a i s et h eu t i l i z a t i o nr a t eo f e q u i p m e n t a n di n s t a l l a t i o n s ，r e d u c et h e p r o d u c t i o nc o s tr a t i o n a l l y ，a m o n gt h e mt h ei n t r o d u c t i o np a r a m e t e ro ft h e n e t w o r ki s t h r o u g hr e s o l v i n gt oe v e r yp a r to ft h ec l o t h i n g ，f i n dc l o t h i n g e v e r yc o m m o nc h a r a c t e r i s t i ca n da n a l y s ec h a r a c t e r i s t i ca n dr e l a t i o no f d e v i c e l a y o u t t h e s ec o m ea n dc o n f i r mo fp a r t ，o u t p u tf u n c t i o nf r o m e x p e r te q u i p m e n t a l l o c a t i o nr a t i os c h e m e ，i m p l yl a y e rf o r ma n dc o u n ta n d r e c e i v e t h r o u g he x p e r i m e n t t op r e d i c t i n g t h a tm o d e lsc a r r i e do n e m u l a t i o n ，t h ee m u l a t i o nr e s u t ti ss a t i s f a c t o r y ，p r o v e dt h ef e a s i b i l i t yo f t h i sm e t h o df i n a l l y w i t ht h e d e v e l o p m e n to fm a r k e te c o n o m yo fo u rc o u n t r y ，t h eh i g h o u t p u tv a l u eh a sa l r e a d yn ol o n g e rb e e nt h em a i ng o a lt h a te n t e r p r i s e s p u r s u e ，a n dp r o d u c eo nt i m ed e l i v e r i n gg o o d so nt i m e ( j u s ti nt i m e ，j i t ) p r o d u c ea n db e c o m ee n t e r p r i s ew i ne s s e n t i a lc o n d i t i o na m o n gm a r k e t ， w h e t h e rt h e r e f o r ei tr e f l e c tj i tt h o u g h ti ti st h er e l a t e dt o d e l i v e r yd a t e a n da h e a do ft i m e t o wt h e r ea r e n ti s s u e so fi s s h e w h e t h e rt h i st e x t p r o d u c t i o ns c h e d u l et h ea h e a do ft i m e l a s ti s s u e so f t h er es e a r c hs t a t e so f is s u e ，h a v es e tu pam a t h e m a t i c sm o d e lo f t h i sq u e s t i o n ，o nt h i sb a s i s ，u s e t h e h e r e d i t a r ya l g o r i t h m ，w h e t h e ri t i sf o r d e l i v e r y d a t et h ew i n d o w s u n d e ri ti st h ea h e a d0 ft i m e t o wb e c a u s et h e r ea r e n ti s s u e so fi s s u e ，a n d m u s tu s ei nc o m p u t e rt h e r ea r e n te m u l a t i o n e m u t a t i o nr e s u l ti n d i c a t e s ， t h i sa l g o r i t h mi sn o tr e s t r i c t e d b ys c a l eo fq u e s t i o n ，d e m o n s t r a t eh i s s u p e r i o r i t y e v e nm o r ei n s o l v i n g t h e p r o b l e m t h a te x t e n s iv ea n d c o m p l i c a t e d ，h a v eo f f e r e dt h ef a v o r a b l et o o lf o rm r p i ia n dc o m b i n a t i o n i nt h ep r o d u c t i o np l a no ft h ew o r k s h o po fj i t t h o u g h t z h a n g l a n ( g a r m e n td e s i g n & e n g i n e e r i n 9 1 s u p e r v i s e db y ! ! q 女i ! g y ! k e y w o r d ：g a r m e n t g e n e t i ca l g o r i t h m ( g a ) a r t i f i c i a ln e u r a ln e t w o r k ( a n n ) d e v i c el a y o u tp r o d u c t i o ns c h e d u l e 东华大学学位论文原创性声明 本人郑重声明：我恪守学术道德，祟尚严谨学风。所呈交的学位论文是本人在导师的 指导下独立进行研究工作所取得的成果。除文中己明确注明和引用的内容外，本论文不包 含任何其他个人或集体已经发表或撰写过的作品及成果的内容。论文为本人亲自撰写，我对 所写的内容负责，并完全意识到本声明的法律结果由本人承担。 学位论文作者签名：渊 日期：珈专年d - 月，日 东华大学学位论文版权使用授权书 学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有 关部门或机构送交论文的复印件和电子版允许论文被查阅或借阅。本人授权东华大学可以 将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复 制手段保存和汇编本学位论文。 保密口在年解密后适用本版权书。 本学位论文属于 不保密圃。 签寸先 日期：一j 年，明名日 搠阳 名 月 签 眵 者 年 作 弓 做 沙 位 期 学 日 引言 引言 一、本文的研究意义 进入2 0 世纪9 0 年代以来，由于经济的不断发展，全球化信息网 络和全球化市场的逐步形成，国际化的生产竞争使市场上的产品越来 越多，用户的要求和期望也越来越高。在这个大的竞争环境下，服装 行业也受到了强烈的冲击，服装企业所面临的环境是复杂多变的，如： 越来越短的产品生命周期、快速的技术革命、供应资源的不确定性、 订单生产和个性服务、准时生产和敏捷制造等。如何在这种变化的环 境中站住脚取得胜利是每个服装企业都要面对的严峻考验。随着我国 外贸经济的蓬勃发展，外贸加工的订单型服装生产企业越来越多，客 户的要求各不相同，而且需要对市场的变化有快速的反应能力，为了 增强企业的竞争力，“敏捷”和“柔性”的加工方式不可避免的出现了。 在外贸订单的服装企业中，订单的要求越来越高，但是同时要求价格 不能太高，所以提高生产效率和减少加工成本成了服装加工型企业竞 争的焦点，设备的利用率就是流水线效率的一方面体现，本文的生产 设备配置比例预测正是针对这一问题进行的研究。另外订单型服装企 业的特点是要快速交货，如何能更好的利用现有的资源进行生产计划 和调度同样是增强企业竞争力的一方面，所以本文针对这两个方面进 行了研究。 在研究敏捷制造的过程中，随着科学技术的发展，智能技术的应 用越来越成为人们关注的焦点，其中人工神经网络和遗传算法在各个 行业和领域得到了广泛的运用。人工神经网络由于其本身所具有的学 习、非线性映射以及并行处理能力，使得其在各种智能算法中脱颖而 出，在预测方面中的应用也是其中之一。遗传算法是模仿自然选择、 物种进化和群体遗传学而建立的一种随机搜索技术，它特别适合用来 求解组合优化问题的最优解。在服装生产管理中存在着很多复杂的非 线性的问题，通过一般的数学方法很难求得最优解，利用先进的智能 引言 技术解决这些问题是发展的必然方向。 二、智能技术在服装中的应用 神经网络经过5 0 多年的发展，作为一种新的信息处理方法和处理 非线性不确定性问题的强大工具，目前在全球范围内在信息处理、智 能控制、模式识别等许多工程技术和社会经济领域得到了越来越多的 应用，同时也给服装业的传统研究方法带来了较大的变革。 1 、织物风格识别的研究 对于服装用纺织材料而言，织物风格是十分重要的性能之一。设计 思想的表达和服装形态美不仅依赖于款式和结构，还与面料的形态特 征和造型能力有密切关系。因此，面料的风格也是服装设计人员和消 费者关心的重要内容之一。织物风格是人们凭触觉、视觉等感官获得 的关于纺织织物品质的评价。长期以来，织物的风格评价一直由专家 的主观感官评价来进行，但主观方法不但浪费时间，而且因人而异， 易受情绪等主观因素的影响，评定结果很难有良好的一致性。人工神 经网络具有自适应和自组织学习能力，对织物风格主观评定的尺度变 化具有较强的适应性，通过对不同学习样本集的训练可适应于特定条 件的模式识别。 首先建立一个反向传播神经网络( b p ) 模型，经过多次训练，网 络完成了自适应、自组织过程，具备了对学习样本的记忆和联想能力。 根据与织物手感有关因素包括织物的基本力学特征和织物表面特性， 可以通过输入织物的特征属性来识别织物的基本风格。选取织物的一 些具有代表性的特征属性和几个基本风格分别作为网络的输入层和输 出层。织物特征属性的提取在y g 8 2 1 国产风格仪上完成。 有关研究选取了1 0 个特征属性和3 个基本风格。共测试织物2 0 个， 其中15 个样品作为训练。5 个样品做识别。织物特征值经过归一化处 理后输入网络。被测试样品的基本风格由1 0 名专家进行了主观评定。 结果表明：系统通过对学习样本的学习，具备了一定的联想识别能力， 引言 可以对陌生样本进行识别。系统的精度取决于学习样本的代表性和数 量的大小。 2 、在服装加工性能预测中的应用 由于服装市场的竞争越来越激烈，服装企业能够在高效率的生产线 上生产出高质量的服装也显得十分的重要。一些企业为此建立了实验 室，通过对织物性能的测试结果分析控制织物的进货质量、指定服装 生产工艺和预测服装质量。专业的服装科研人员也致力于织物性能及 其在服装加工过程中的行为的关系研究来实现生产前的有目的且有效 的质量控制。人工神经网络技术为织物在服装加工中的行为预测提供 了一种新的有效的手段。 研究表明，在服装生产、铺料、裁剪、缝制和熨烫几个过程中，织 物都会受到拉伸力，会直接影响到农片的匹配、线缝的起拱以及服装 形态的保持；弯曲和剪切性能则会影响到织物被加工成三维服装的能 力；织物的表面结构和摩擦性能对铺料、衣片分离、缝制加工和服装 外观都有影响。根据以上理论，建立一个三层b p 网络。在k e s 仪上 测得影响织物线缝起拱、衣片匹配、形状保持、服装手感、衣片分离 等1 7 个织物性能指标和纬向伸长率之比以及织物克重在内的】9 个指 标，作为神经网络的训练输入向量。网络的预测输出向量是经过实验 得到的织物在裁剪、缝制和熨烫三大加工环节中的1 1 种行为。 训练好网络后，输入织物的性能指标，经过网络计算就会得到对织 物在加工过程中行为的预测。这样就可以在面料投产之前预测到织物 的行为，可以减少不必要的浪费，有效的提高生产线的效率。研究结 果表明，根据织物的力学机械性能用a n n 技术预测其在服装加工过程 中的行为特征是可行的，预测误差在较低的范围内。 3 、面料疵点的识别 在服装生产的准备过程中，识别疵点是非常重要一个环节，如果让 有疵点的面料投入生产则会给厂家带来很大的损失。目前工厂一般由 引言 人工进行验布，不但需要大量的人力和时间，而且会有漏验的现象。 现在已有专家研究出一种用来识别和织物疵点分类的神经网络系统。 这个系统首先用带有光学傅立叶变换透镜的c c d 采入织物表面图 象，经过处理得到织物的能量谱图。为了节省处理时间，只提取沿x 轴、y 轴方向上的谱图的信息。五种不同的信息可以从这两个不同的 一维谱图中得到，从而产生有9 3 个成分的输入向量。从各种输入样本 中得到的输入向量就被用来训练b p 神经网络，实验中每种疵点用五块 样本来训练。实验结果表明神经网络可以识别系统库中十二中疵点的 九种，而且每种样本的识别时间只需要0 2 秒。 三、本文所要解决的问题 本文主要包括三部分内容： 第一部分为b p g a 混合算法的研究，包括第二章和三章，其中第 二章为智能算法的介绍，第三章为b p g a 混合算法的研究，针对人工 神经网络和遗传算法的特点和缺陷，本文提出一种以人工神经网络和 遗传算法为基础的混合智能算法，为设备配置比例的预测做好准备工 作； 第二部分为订单性服装厂缝纫设备配置比例的预测，设备配置比 例的预测是实现服装流水线优化以及流水线智能化的一部分，对服装 生产管理的研究具有十分重要的意义； 第三部分是订单性服装加工企业生产计划的优化，如何合理的安 排订单的加工流水线配置是能否按期交货以及企业能否获得最大利润 的关键因素，本章就生产计划的编排问题进行了研究。 4 第一章订单型服装厂流水线及其特点 第一章订单型服装厂流水线及其特点 第一节流水线的特征及分类 1 流水线的特征 流水生产是先进的生严组织形式，它可以满足“生产专业化”和 生产过程连续性及“同步”、有节奏生产的要求，它电为组织自动生产 线提供有利条件。流水线生产组织方式在1 9 13 年产生于美国福特汽车 公司，最初用于汽车装配，使生产效率大大提高，随着流水生产组织 技术的不断改进、完善和运用，其它产品的生产也逐步使用了流水线 生产组织方式，可以说流水线拉开了现代工业生产的序幕。 所谓流水线，是指劳动对象( 在制品) 在生产加工过程中，按照 规定的路线、速度，有节奏的连续不断的如同流水一样进行加工的生 产组织形式。它能满足合理组织生产过程的基本要求。具体表现为： 1 ) 工作场地专业化程度高。在流水线中个工作地一般固定生产一 种或几种制品，作业分工很细，每个工作地就固定的完成一道或几道 工序，提高了专业化程度，有利于提高操作工人的熟练程度，从而提 高生产效率。 2 ) 流水线中的在制品在加工过程中连续性强。流水线上各工作地 是依照制品工艺路线的要求，即按“对象原则”排列的呈链状的生产 线。这样就缩短了在制品的加工过程中的运输路线，密切了各工作地 的联系，有利于采用专用的运输设备，减少在制品的储备，及时发现 和解决问题，以保证在制品的质量，并促进相互协作，保证整个生产 线的正常运行。 3 ) 流水线中各工作地配置比例协调，达到了“同期化”( 即“同 步”生产) 。安排在流水线的生产任务要与各个工作地的生产能力成比 例，协调平衡。各工序的二二作节拍( 或工序节拍) 应与流水线的平均 节拍相等或相近，也就是各工序加工的生产速度与流水线的速度要“同 步”。这样就有利于按平行移动的力式组织生产。 虽然流水线有着显著的优势特征，但流水线也存在一些不足。最 突出的是它只能生产一种或一类产品，一旦市场需求有了变化，它的 第一章订单型服装厂流水线及其特点 适应变化能力则往往跟不上。其次，流水线生产由于自身条件限制， 它的最大产量固定，在流水线上超产受制约。再次，流水线生产时， 由于操作者始终固定在一个工作地或工序上进行重复性劳动，给工人 身心健康带来一些不当的影响。 2 流水线的分类 流水线的分类可以从不同的角度来划分： l 、按对象轮换方式分类：可分为固定流水线( 加工对象在生产过 程中不动) 和移动流水线( 加工对象在生产过程中移动) 两种。 2 、按对象数目分类：可分为单一对象流水线( 只生产一种加工对 象) 和混合流水线( 能生产两种或两种以上加工对象) 两种。 3 、按对象的移动方式分类：可分为不变流水线( 主产加工的对象 固定不变) 、可变流水线( 加工对象变更时，流水线做适当调整) 和成 组流水线( 加工对象变更时，流水线无须做调整) 三种。 4 、按连续程度分类：可分为连续流水线( 加工连续不断) 和间断 流水线( 加工有停顿) 两种。 5 、按节奏分类：可分为强制节拍流水线( 节拍受限制) 和自由节 拍流水线( 节拍不受限制) 两种。 6 、按机械化程度分类：可分为自动流水线( 加工过程自动输送、 机械流水线加工过程机械输送) 和手工流水线( 加工过程中手工输送) 三种。 7 、按产品的生产数量限制分类：柔性流水线( 无品种限制，任务 调整) 和非柔性流水线( 无品种、产量变更限制) 两种。 8 、按产品产出数量是不是成比例关系分类：固定比例( 生产线不 调整时产品产出按规则成比例) 和非固定比例( 生产线不调整时产品 可以不规则产出) 两种。 各种不同的流水线可以分类组合，形成不同用途的流水线。本文研 究的基于订单多品种流水线是一种以上8 种流水线的组合方式，即移 动流水线+ 混合流水线+ 可变流水线+ 间断流水线+ 强制节拍流水线+ 手 工流水线+ 柔性流水线+ 非固定比例流水线。 第一章订单型服装厂流水线及其特点 第二节订单型服装厂流水线及其组织特点 进入2 0 世纪9 0 年代以来，由于经济的不断发展，全球化信息网 络和全球化市场的逐步形成，国际化的生产竞争使市场上的产品越来 越多，用户的要求和期望也越来越高。服装行业在加工形式上发生了 很大的变化，一大批以加工生产外贸订单的生产型企业如雨后春笋般 出现。这就要求服装产品的花样品种呈现多样化和个性化要求，这种 多样化要求既高又不很确定，所以，越来越多的企业选择多品种小批 量这种生产方式来快速的适应市场的变化。 与以往的服装生产相比现代中小型服装企业的生产有以下几个特 点： 1 ) 一般以多品种、小批量生严模式为主： 2 ) 在客户订单的驱动下安排生产； 3 ) 生产任务随客户的订单不断发生变化，需要动态调整生产的进 度，由于生产能力有限，系统中剩余生产能力不断变化，生产进度规 划十分的复杂： 4 ) 完成复杂的生产任务时需要频繁的对外协作； 5 ) 车间生产系统一般相对独立，结构完整。 订单型服装企业的特点如下： 1 ) 订单型服装厂流水线是一种在同流水线上，生产多种产品的 流水线，是多品种、小批量生产型企业按照大量流水生产去组织生产 的方式，这样既能适应市场需求，不断进行产品生产的变换，又能发 挥流水线生产的效率优势，使企业效率得到提高。 2 ) 基于订单生产，就：黾企业的生产计划是以客户订单为驱动的一 种生产方式，较之传统的生产计划制定。它主要有企业生产什么、生 产多少、何时交货等都是目客户决定的特点。因此，如何在满足客户 要求的前提下，降低生产成本、提高利润就成为企业所面临的紧要课 题。 3 ) 订单生产使得产品的产量与生产时间的波动性特别大。因此， 较之传统的生产组织方式，基于订单的生产模式对企业的主产系统的 笙= 里塑兰型矍薹 鎏查垡墨基笪皇一 柔性提出了更高的要求，如生产设备的柔性化、高效的物流调度、人 员的多岗位适应性等。这样就对企业的生产组织提出更高的要求，即 如何根据生产订单配置生产人员从而使得生产成本得到极好的控制。 4 ) 订单型服装厂流水线是在流水线的基础上用科学的办法编制各 个不同加工款式的投产顺序，按其加工产量及加工时问来实现品种、 数量、工时的均衡生产，这样既可实现加工工时、产品品种和产量的 均衡，又不需要调整时间，实现了多个款式利用流水线生产的好处。 小结：第章主要介绍了流水线的特征和分类，在此基础上分析 了订单型服装企业的特征。 4 第二章人工神经网络与遗传算法原理及算法 第二章人工神经网络与遗传算法原理及算法 第一节人工神经网络 1 人工神经网络的基础 1 1 人工神经网络的产生与发展 对人工神经网络的研究始于2 0 世纪4 0 年代初，1 9 4 3 年，m c c u l i o c h 和p i t t s 融会了生物物理学j 阳数学，提出了第一个神经网络计算机模型 ( m p ) 模型，从此开始了冻索人脑奥秘的过程。历经了几十年的曲折 发展和演变之后，到了8 0 年代中期，神经网络的研究进入“柳暗花明” 的新境界，1 9 8 2 年美国加州立功学院的jjh o pf i e l d 提出了h o pf i e l d 人工神经网络模型并采用全互连型人工神经网络模型，所以所定义的 计算能量函数，成功的求解了计算复杂度为n p 完全型的旅行商问题 ( t r a v e l i n gs a l e s m a np r o b 】e m ，称为t s p ) 。这项突破性的进展掀起了 研究人工神经网络的兴盛期。 目前，对人工神经网络的理论模型、学习算法、开发工具等方面进 行了深入的探索，其应用已渗透到许多领域，在机器学习、专家系统、 智能控制、模式识别、计算机视觉、自适应滤波、信息处理、非线性 系统识别以及非线性系统组合优化等领域已经取得了显著的成绩。人 工神经网络的自组织性、自适应性、联想能力、模糊推理能力和自学 习能力等，获得了众多研究人员和工程人员的青睐。 1 2 神经网络的基本概念【2 j 神经网络的基本单元称为神经元，它是对生物神经元的简化与模 拟。神经元的特征在某种程度上决定了神经网络的总体特征。大量简 单神经元的相互连结即构成了神经网络，一个典型的具有r 维输入的 神经元模型可以用图2 1 来加以描述。 1 ) 输入 p 。，p ：，风代表神经元的r 个输入。 2 ) 网络权值和阂值 w 。，w 。，w 。代表网络的权值，表示输入与神经元间的连接 强度；b 为神经元闽值，可以看作是一个输入恒为1 的网络权值。 第二章人工神经网络与遗传算法原理及算法 不论是网络权值还是阈值都是可调的。正是基于神经网络权值和阈 值的动态调节，神经元乃至神经网络才得以表现出某种行为特征。因 此，网络权值和阈值的可调性是神经网络学习特征的基本内涵之一。 3 ) 求和单元 求和单元完成对输入信号的加权求和，即 r p h w ，+ b i = 1 这是神经元对输入信号处理的第一个过程。 4 ) 传递函数 在图2 1 中，f 表示神经元的传递函数或激发函数，它用于求和单 元的计算结果进行函数运算，得到神经元的输出，这是神经元对输入 信号处理的第二过程。 输入神经元 r _ 一、厂一、 p r b - ： r i、，一j【、，。，j a f “矿b ) 图2 1神经元模型 5 ) 输出 输入信号经神经元加权求和及传递函数作用后，得到最终的输出为 a = f ( w p + b ) 1 3 人工神经网络的应用 神经网络理论的应用取得了令人瞩目的进展，特别是在人工智能、 自动控制、计算机科学、信息处理、机器人、模式识别、c a d c a m 等 方面都有重大的应用实例。下面列出一些主要的应用领域。 第二章人工神经网络与遗传算法原理及算法 1 ) 模式识别和图像处理 印刷体和手写体字符识别、语音识别、签字识别、指纹识别、人 脸识别、人体病理分析、目标检测与识别、图像压缩和图像复原等。 2 ) 控制和优化 化工过程控制、机器人运动控制、家电控制、半导体生产中掺杂 控制、石油艏炼优化控制和超大规模集成电路布线设计等。 3 ) 预测和智能信息管理 股票市场预测、地震预报、有价证券管理、借赁风险、i c 卡管理 和交通管理。 4 ) 通讯 自适应均衡、会波抵消、路由选择和a t m 网络中的呼叫接纳识别 及控制等。 5 ) 空间科学 空间交会对接控制、导航信息智能管理、飞行器制导和飞行程序 优化管理等。 目前，人工神经网络的学习算法有【3 j ：h e b b 算法、无监督学习算 法、加强信号监督学习算法、b p 算法等。神经网络计算操作时，有各 种各样的模型，常用的有：自适应共振理论模型( a r t ) 、雪崩模型 ( a v a ) 、反向传播模型( b p ) 、双向联想存储器( b a m ) 等。其中，b p 神经网络是应用最广泛的，它是一种多层机构的映射网络 4 】，b p 神经 网络是本文研究的重点。 2 b p 神经网络算法描述 2 1 基本理论d j b p 神经网络的基本思想是利用l m s ( 即6 规则) ，通过梯度搜索 技术使网络的实际输出和希望输出的均方误差最小化。该网络具有很 强的映射能力，如果假定网络中隐含层神经元数目可以根据需要自由 设定，那么只需加入一个隐含层，b p 网络就能实现以任意精度近似任 何连续函数。 对于加入了隐含层神经元的多层网络，当输出存在误差时必须确定 7 第二章、工神经网络与遗传算法原理及算法 是哪个连接权产生了“过错”，然后对其进行调整。b p 在解决该问 题时，通过把神经元的误差逐层向输入层逆向传播，把“过错”分摊 给各层神经元，从而得到各层神经元的参考误差以调整相应的连接权。 最基本的b p 网络是由三个神经元层次组成的前馈型网络，即输入 层三。、隐含层三。和输出层三，相邻层的神经元之间形成全互连连接， 同一层内的神经元之间没有连接。假设三层各有n 、p 、q 个神经元， 则网络拓扑结构如图2 2 所示： 糯擞爨乙c l 擀 疆簸蘸k 弦 l 瓣睦献 图2 - 2标准的b p 神经网络模型 在此要特别加以说明的是，实际的b p 网络是非常灵话的，它可以 有很多个隐含层，不同层的神经元可以跨层连接，同层的神经元也可 以横向连接，各神经元还可以有自反馈连接。这种灵活性正是b p 网络 得到广泛应用的原因之一。 对图2 2 的基本b p 网络进行训练时，首先要提供一个训练的样本 集，其中每个样本都由输入模式和希望输出模式组成。假设训练集中 有m 个样本，那么样本就可以形式化为模式对( a 。，c 。) ( k = 1 ，2 ， 第二章人工神经网络与遗传算法原理及算法 r n ) ，其中a 。第k 个样本的输入模式( c ：，c ：，c ：) ，它们分别对应于三。 层的n 个神经元和三。层的( 1 个神经元。 当网络的实际输出和希望输出一致时，学习过程结束。否则学习系 统将根据实际输出个希望输出之间的误差，通过调整连接权值使网络 的实际输出趋向于希望输出。由于隐含层神经元的输出误差不能直接 计算，因此在b p 网络中不能直接采用的占规则，必须将其加以推广。 首先，我们定义v 。为z 。层神经元h 到k 层神经元i 的连接权，wd 为上。层神经元i 到。层神经元j 的连接权，p ，为三。层神经元的闽值， 如图2 2 所示。 假设对于某一模式对( a 。，c 。) ，网络在三。层上的代价函数为： 1目 e 。2 寺( c ，1 ；) 2 k = l ，2 ，m ( 2 1 ) 1 = 1 其中c ，为。层神经元j 的实际输出，c ? 为其希望输出。 则整个训练集上的全局代价函数为： e = e k ( 2 2 ) = 1 对于第k 个模式对，三。层神经元j 的加权输入为： n e t c j 2 岛w f 该神经元的实际输出为： c j2 f ( n e t c j + 0 ) 其中f ( u ) 为s 型函数( s i g m o i d 函数) ： f ( u ) = 专 与三。层神经元j 相连的三。层神经元i 的加权输入为： n e t b ，= 叫 其实际输出为： b ，= f ( n e t b ，+ o i ) ) ) ) ) ) 3 4 5 6 7 2 2 2 2 2 ( ( ( ( ( 第二章人工神经网络与遗传算法原理及算法 其中“u ) 也是s 型函数， 由于s 型函数f ( u ) j , 3 可微非递减函数，因此，对于。层神经元j 可以定义一般化误差为： d ：兰殳( 2 8 ) 翻e t c 考虑到式24 ，上式可以写成下面的形式： d ，：一警旦：磐( 眦，w ，) ( 29 ) 。d c | o n e t c j。c 。 由式2 1 可得到： c ；) 2l _ = 2 c 再根据s 型函数的性质，可以得到： f 。( n e t c j + 0 ) 2c j ( 1 一c j ) 将式2 1 0 、21 1 代入式29 ，即可得到： d j ，( 1 - c ，) 一c ，) 对于上。层神经元i 同样可以定义一般化误差为： e ，一：斋 类似地，考虑到2 7 ，可以推出： e ，一鲁t 3 b 鑫= 一鲁确啦训t i 一 ，抛以a 6 。“。7 = 一喜鑫c 锄e t c 等儿嘲训 笥，。、 。“ 再由式28 和式23 ，有 。，：弘警帅扔，m 嘞吖协 铂 与式21 1 相似，根据s 型函数的性质，可以得到 1 0 ( 2 1 1 ) f 2 1 2 ) ( 2 13 ) ( 2 1 4 ) ( 2 15 ) ，o 0 一a 。旦 一2 一 r 引l 一 = 堕畸 兰三兰! ：三塑丝圈堑兰垄堡墨堕堕望墨竺堕 陋舾，+ 啪一，( 1 一玩) ( 2 1 6 ) 于是，式2 15 可以写成： 乌= 6 ，( 1 “，疙w 。d ， ( 2 17 ) 为了减小代价函数e 。，：残们可以使用梯度下降规则，即令连接权的 变化与一当成正比。因此，对于三。层到三。层的连接权w f ，有： 毗象一a 毒鲁刊， ( 2 18 ) 同理，对于三。层和工。层的连接权”有： a v , = - 7 - 襄一声鑫等；以 ( 2 式218 和21 9 中的口( 0 ( 口 1 ) 和p ( o ( p ( 1 ) 通常称为学习率。 2 2b p 网络的学习算法 b p 网络的学习算法可以描述如下： 1 ) 初始化网络，将工。层神经元到k 层神经元的连接权、三。层 神经元到l c 层神经元的连接权w i 以及l 。层神经元的阈值日，、三。层神经 元的阂值r ，赋卜l ，+ 1 区间的随机值； 2 ) 对于每一个训练模式对( a 。，c 。) ( k = 1 ，2 ， ，m ) ，进行下 面的操作： 将a 。的值输入l 。层神经元，再将三。层神经元的输出值吒通过连 接权矩阵v 送到。层神经元，根据式2 6 和式2 7 计算出如层神经元 的输出值6 ，： 将。层神经元的输出值6 ，通过连接权矩阵w 送到三。层神经元， 根据式2 3 和式2 4 计算出l 。层神经元的输出值c ，； 根据式2 12 计算出。层神经元的一般化误差； 、一 扣百 r d l 第二章 工神经网络与遗传算法原理及算法 根据式2 17 计算出三。层神经元相对于每个d ，的误差； 根据式2 18 调整三。层神经元到上，层神经元的连接权： 根据式2 19 调整层三。神经元到三。层神经元的连接权； 按下式调整厶层神经元的阈值： 奶= 6 d j ( 2 2 0 ) 其中j = 1 ，2 ，p ； 按下式调整三。层神经元的闽值： 9 = 肛 ( 2 2 1 ) 其中i = l ，2 ，p ； 3 ) 不断重复步骤2 ) ，直到对于训练样本集中的所有样本，三，层 神经元的输出误差d ，变为零或变得足够小为止。 3b p 神经网络的限制和不足 虽然反向传播法得到了广泛应用，但它也存在自身的限制与不足， 其主要表现在于它的训练过程的不确定性上，具体说明如下： 1 ) 需要较长的训练时间 对于一些复杂的问题，b p 算法可能要进行几小时甚至几天或更长 的时间训练。这主要是由于学习速率小和本身运算量大所造成的。 2 ) 完全不能训练 、 主要表现在网络出现的麻痹现象上，在网络的训练过程中，当其 联结权值调得过大，可能使得所有的或大部分神经元的联结权重和n 偏大，这使得激活函数的输入工作在s 型转移函数的饱和区，从而导 致其导数，如) 非常小，从而使得对网络权值的调节过程几乎停顿下来。 为了避免这种现象的产生，一是选取较小的初始权值，二是采用较小 的学习速率，但这又增加了训练时间。 3 ) 局部极小值 b p 算法可以使网络权值收敛到一个解，但它并不能保证所求为误 差超平面的全局最小解，很可能是个局部极小解。这是因为b p 算法采 用的梯度下降法，训练是从某一起始点沿误差函数的斜面逐渐达到误 差的最小值。对于复杂的网络，其误差函数为多维空间的曲面，就像 第二章人工神经网络与遗传算法原理及算法 一个碗，其碗底是最小值点。但是这个碗的表面是凸凹不平的，因而 在对其训练过程中，可能陷入某一小谷区，而这一小谷区产生的是一 个局部极小值。由此点向a 方向变化均使误差增加，以至于使训练无 法逃出这一局部极小值。 第二节遗传算法基础 1 遗传算法的发展与现状 遗传算法的产生归功于美国m i c h i g a n 大学的h o l l a n d 在2 0 世纪 6 0 年代末、7 0 年代初的开创性工作，其本意是在人工适应系统中涉及 的一种基于自然演化原理搜索机制。大约在同一时间，f o e g l 和 r e c h e n b e r g 及s c h w e f e l ，引入了另两种基于自然演化原理的算法，演 化程序( e v o l u t i o n a r yp r o g r a m m i n g ) 和演化策略( e v o l u t i o ns t r a t e g i e s ) a 这三种算法构成了目前演化计算( e v o l u t i o n a r yc o m p u t a t i o n ) 领域的三 大分支，他们从不同层次、不同角度模拟自然演化原理，以达到求解 问题的目的 6 1 。 遗传算法的发展高潮开始于2 0 世纪8 0 年代，而且延续至今。人 们对遗传算法兴趣的目益增长有琵个背景1 6 j ：其一是工程领域，特别是 人工智能与控制领域，不断涌现出超大规模的非线性系统，在这些系 统的研究中存在着大量的经典优化方法所不能有效求解的优化问题； 其二，遗传算法本身就是一种模拟自然演化这一学习过程的求解问题