基于神经网络的输入/输出关联及遗传算法优化输入

Question

我目前正在进行激光切割的程序优化-在MATLAB中。我试图将工艺参数与切削质量联系起来，例如：

输入(工艺参数)

1. 切削速度
2. 激光功率
3. 辅助气体压力

产出(质量参数)

1. 切割深度
2. 切割宽度

我首先训练一个神经网络模型，从工艺参数来预测切削质量。

[inputs,targets] = lasercutting_dataset;

nLayers = 2;            % number of hidden layers
trainFcn = 'trainlm';   % Levenberg Marqhart training function

net = fitnet(nLayers,trainFcn);

这很好，现在我对表演不感兴趣。

接下来，我要用遗传算法优化(最大化)输入参数的切割速度。这意味着我的适应度函数(目标函数)是1/切割速度。

我已经为我的健身函数做了一个matlab函数：

function y = fitness(x)

    y = 1/x(1);

end

接下来，我设置了设计变量的数量及其上、下界：

nvars = 3;    % Number of variables
LB = [130 8130  4470];   % Lower bound
UB = [175 11255 8250];  % Upper bound

接下来，我定义了对切割宽度的约束(我也将为深度添加一个约束)。

function [c, ceq] = constraints(net,x) 

    outs = net(x)

    c = [outs(2)+495; outs(2)-505];
    % 495 <= outs
    % outs <= 505

    ceq = [];

end

这个功能是造成问题的！

最后，我为函数设置句柄并启动优化：

[x,fval] = ga(@fitness_func,nvars,[],[],[],[],LB,UB,@(x) ConstraintFunction(net,x));

我尝试在约束函数中为神经网络(net())定义一个输入向量，它独立于x-这很好：

dummyInput = [value; value; value];
net(dummyInput);

我和其他人一样会遇到错误，我的函数约束没有得到足够的输入参数。

问题似乎是将动态更改的"x“传递给一个函数，然后使用一组动态变化的约束的输出对其进行预测。

对于这个问题有什么想法吗？

我一直在用这和这作为灵感。

任何帮助都是感激的我有几篇关于这个问题的文章--没有一篇是在matlab中解释问题的，只是程序而已。

Answer 1

通过最大化1/x，这将给你最慢的切割速度，对此约束是有效的。我想你要的是最大的切割速度，而不是最小的速度。

此外，约束函数实际上并不有效。需要以x <= 0的形式给出约束。因此，如果输出应该是有界的，那么约束就变成x >= 495 <=> 0 >= 495 - x和x <= 505 <=> x - 505 <= 0。

但是，在您的函数中，您可以编写c = [outs(2)+495; outs(2)-505];，然后应该是c = [495 - outs(2); outs(2) - 505]。

关于函数中的额外参数，这个文档可能是帮助的。