CN110405343A 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 （山东大学）

一种基于Bagging集成的预测模型与粒子群本发明涉及一种基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方粒子群优化方法构成，预测模型为采用Bagging模型融合算法将多个基学习器进行模型融合后标粒子群优化算法最终得到优化后的激光焊接21.一种基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，构建机器人激光焊接工艺参数预测模型：采用Bagging模型融合算法将两个以上的基将最终的预测模型与多目标粒子群优化算法结合，对机2.根据权利要求1所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工合后将得到激光焊接工艺参数与单个焊缝质量评最终预测模型的输出将在随后的多目标粒子群优化算3.根据权利要求2所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工4.根据权利要求2所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工35.根据权利要求1所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工6.根据权利要求1所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工7.根据权利要求6所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工8.根据权利要求1所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工向量和速度向量v"=(v",",v",v"),设置初始权重ωi；4、分别更新支配子集各个粒子的位置向量X"=(",",",")和速度向量V(i)=)；9.根据权利要求8所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工410.根据权利要求8所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工Fimes=Σ,oy,(6)其中Fitness为适应度函数值，ωi为yi对应的权重，ω5[0001]本发明涉及一种基于Bagging算法将多个基学习器集成为新的预测模型，并通过[0002]现有的激光焊接工艺参数优化方法包括激光焊接工艺参数预测与参数优化两部[0004]针对现有技术的不足，本发明提供了一种基于Bagging算法将多个基学习器集成为新的预测模型，并通过与多目标粒子群优化算法结合进行激光焊接工艺参数优化的方[0006]一种基于Bagging算法将多个基学习器集成为新的预测模型，并通过新的预测模型与多目标粒子群优化算法结合进行激光焊接工艺参数优化的方法包括了激光焊接工艺[0009]构建机器人激光焊接工艺参数预测模型：采用Bagging模型融合算法将两个以上6型融合后将得到激光焊接工艺参数与单个焊缝质量[0018]最终预测模型的输出将在随后的多目标粒子群优化算法中被用来构建适应度函使预测精度高的模型对预测结果产生更大的影响。使得最终的预测模型预测结果更为精7[0026]优选的，所述激光焊接工艺参数包括激光功率(LaserPower,LP)、焊接速度(WeldingSpeed,WP)、离焦量(DefocusingAmount，DA)、激光脉冲宽度(LaserPulse位置向量x"=(f",⃞",",")和速度向量设置初始权重ωi；X"=(",",",")所对应的多目标值[0032]4、分别更新支配子集各个粒子的位置向量X"=(",型",",")和速度向量V(i)=(ν)；8[0048]图3为本发明基于Bagging集成预测模型与多目标粒子群优化算法结合的流程示[0052]确定激光焊接工艺参数优化目标，激光焊接工艺参数包括激光功率(Laser[0054]建立机器人激光焊接工艺参数预测模型：采用Bagging模型融合算法将三个基学9[0066]2)用划分好的数据集一分别训练支持向量回归SVR、RBF神经网络以及Kriging模为样本X＝x1的真实值，使最终预测模型lo。位置向量和速度向量v"-(v",",v",v"),设置初始权重ωi；x"=(",",",")[0088]每个粒子的位置向量为x"=(",",",")