建模技术论文范文

前言：我们精心挑选了数篇优质建模技术论文文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。

第1篇

本文将对斜齿轮的关键结构齿廓在UG中进行细致分析，确保其精确性。斜齿轮的端面齿廓曲线是标准的渐开线，要想在UG中实现齿轮的精确化建模，就不能用样条曲线来代替，而必须采用标准的渐开线。我们需要先把渐开线的标准方程转化为UG的表达式，然后驱动公式曲线得到标准的渐开线，再通过诸多特征功能实现齿廓的外形曲线，UG中的公式曲线是在直角坐标系中绘制的，所以需要我们把渐开线的极坐标参数化方程转化为直角坐标系中的方程。

2斜齿轮精确建模

1)建立各参数表达式。需要在菜单的表达式对话框中添加各参数，如压力角，各圆直径，齿宽，螺旋角，模数，螺距，倒角半径，齿数，渐开线的轴坐标X,Y,Z。

2)做渐开线跟分度圆。利用基础功能模块，设置相应的数据，得到渐开线跟分度圆。

3)绘制原点与分度圆和渐开线交点的直线，并在变换对话框中操作将其顺时针旋转90/，将渐开线对旋转后的直线做镜像处理。

4)做齿顶圆跟齿根圆，此时的齿顶圆半径最好输入值+0.1，它能保证在后面的布尔操作中不至于出现失败。

5)螺旋线的绘制，并完成单个齿廓。这需要测量直线之间的角度，并运用特征命令，此时操纵需谨慎，防止出现错误。

6)运用倒斜角，选择齿顶和齿根边缘曲线，刀具体为整个轮廓，得到单个斜齿。

7)实体特征的圆形阵列命令得到全部整周的齿廓。

8)进入草图，完成轮毂、轮辐的设计，拉伸并通过求差得到，并对相关部位进行倒圆角跟倒斜角处理，最终得到斜齿轮如图4斜齿轮的模型参数化我们在对斜齿轮的设计过程中，需要通过现有的模型进行稍作修改参数就可得到不同的斜齿轮，其模型可以自动更新，生成新齿轮，这就需要对斜齿轮进行各结构的参数化，在需要时，修改数据即可。

3结束语

第2篇

论文关键词：遗传算法

 

1 引言

“物竞天择，适者生存”是达尔文生物进化论的基本原理，揭示了物种总是向着更适应自然界的方向进化的规律。可见，生物进化过程本质上是一种优化过程，在计算科学上具有直接的借鉴意义。在计算机技术迅猛发展的时代，生物进化过程不仅可以在计算机上模拟实现，而且还可以模拟进化过程，创立新的优化计算方法，并应用到复杂工程领域之中，这就是遗传算法等一类进化计算方法的思想源泉。

2 遗传算法概述

遗传算法是将生物学中的遗传进化原理和随[1]优化理论相结合的产物，是一种随机性的全局优算法。遗传算法不但具有较强的全局搜索功能和求解问题的能力，还具有简单通用、鲁棒性强、适于并行处理等特点数学建模论文，是一种较好的全局优化搜索算法。在遗传算法的应用中，由于编码方式和遗传算子的不同，构成了各种不同的遗传算法。但这些遗传算法都有共同的特点，即通过对生物遗传和进化过程中选择、交叉、变异机理的模仿，来完成对问题最优解的自适应搜索过程。基于这个共同点，Holland的遗传算法常被称为简单遗传算法（简记SGA），简单遗传算法只使用选择算子、交叉算子和变异算子这三种基本遗传算子，其遗传进化操作过程简单，容易理解，是其他一些遗传算法的雏形和基础，这种改进的或变形的遗传算法，都是以其为基础[1]。

2.1遗传算法几个基本概念

个体(IndividualString)：个体是遗传算法中用来模拟生物染色体的一定数目的二进制串，该二进制串用来表示优化问题的满意解。

种群(population)：包含一组个体的群体，是问题解的集合。

基因模式(Sehemata)：基因模式是指二进制位串表示的个体中，某一个或某些位置上具有相似性的个体组成的集合，也称模式。

适应度(Fitness)：适应度是以数值方式来描述个体优劣程度的指标，由评价函数F计算得到。F作为求解问题的目标函数，求解的目标就是该函数的最大值或最小值。

遗传算子(genetic operator)：产生新个体的操作，常用的遗传算子有选择、交叉和变异。

选择(Reproduetion)：选择算子是指在上一代群体中按照某些指标挑选出的，参与繁殖下一代群体的一定数量的个体的一种机制龙源期刊。个体在下一代种群中出现的可能性由个体的适应度决定，适应度越高的个体，产生后代的概率就越高。

交叉(erossover)：交叉是指对选择后的父代个体进行基因模式的重组而产生后代个体的繁殖机制。在个体繁殖过程中，交叉能引起基因模式的重组，从而有可能产生含优良性能的基因模式的个体。交叉可以发生在染色体的一段基因串或者多段基因串。交叉概率（Pc）决定两个个体进行交叉操作的可能性数学建模论文，交叉概率太小时难以向前搜索，太大则容易破坏高适应度的个体结构，一般Pc取0.25~0.75

变异(Mutation)：变异是指模拟生物在自然的遗传环境中由于某种偶然因素引起的基因模式突变的个体繁殖方式。在变异算子中，常以一定的变异概率（Pm）在群体中选取个体，随机选择个体的二进制串中的某些位进行由概率控制的变换（0与1互换）从而产生新的个体[2]。如果变异概率太小，就难以产生新的基因结构，太大又会使遗传算法成了单纯的随机搜索，一般取Pm=0.1~0.2。在遗传算法中，变异算子增加了群体中基因模式的多样性，从而增加了群体进化过程中自然选择的作用，避免早熟现象的出现。

2.2基本遗传算法的算法描述

用P(t)代表第t代种群，下面给出基本遗传算法的程序伪代码描述：

基本操作：

InitPop（）

操作结果：产生初始种群，初始化种群中的个体，包括生成个体的染色体值、计算适应度、计算对象值。

Selection（）

初始条件：种群已存在。

操作结果：对当前种群进行交叉操作。

Crossover（）

初始条件：种群已存在。

操作结果：对当前种群进行交叉操作。

Mutation（）

初始条件：种群已存在。

对当前种群进行变异操作。

PerformEvolution（）

初始条件：种群已存在且当前种群不是第一代种群。

操作结果：如果当前种群的最优个体优于上一代的最优本，则将其赋值给bestindi，否则不进行任何操作。

Output（）

初始条件：当前种群是最后一代种群。

操作结果：输出bestindi的表现型以及对象值。

3 遗传算法的缺点及改进

遗传算法有两个明显的缺点：一个原因是出现早熟往往是由于种群中出现了某些超级个体，随着模拟生物演化过程的进行，这些个体的基因物质很快占据种群的统治地位，导致种群中由于缺乏新鲜的基因物质而不能找到全局最优值；另一个主要原因是由于遗传算法中选择及杂交变异等算子的作用，使得一些优秀的基因片段过早丢失，从而限制了搜索范围，使得搜索只能在局部范围内找到最优值，而不能得到满意的全局最优值[3]。为提高遗传算法的搜索效率并保证得到问题的最优解，从以下几个方面对简单遗传算法进行改进。

3.1编码方案

因实数编码方案比二进制编码策略具有精度高、搜索范围大、表达自然直观等优点数学建模论文，并能够克服二进制编码自身特点所带来的不易求解高精度问题、不便于反应所求问题的特定知识等缺陷，所以确定实数编码方案替代SGA中采用二进制编码方案[4]。

3.2 适应度函数

采用基于顺序的适应度函数，基于顺序的适应度函数最大的优点是个体被选择的概率与目标函数的具体值无关，仅与顺序有关[5]。构造方法是先将种群中所有个体按目标函数值的好坏进行排序，设参数β∈(0,1)，基于顺序的适应度函数为：

（1）

3.3 选择交叉和变异

在遗传算法中，交叉概率和变异概率的选取是影响算法行为和性能的关键所在，直接影响算法的收敛性。在SGA中，交叉概率和变异概率能够随适应度自动调整，在保持群体多样性的同时保证了遗传算法的收敛性。在自适应基本遗传算法中，pc和pm按如下公式进行自动调整：

（2）

（3）

式中：fmax为群体中最大的适应度值；fave为每代群体的平均适应度值；f′为待交叉的两个个体中较大的适应度值；f为待变异个体的适应度值；此处，只要设定k1、k2、k3、k4为（0，1）之间的调整系数，Pc及Pm即可进行自适应调整。本文对标准的遗传算法进行了改进，改进后的遗传算法对交叉概率采用与个体无关，变异概率与个体有关。交叉算子主要作用是产生新个体，实现了算法的全局搜索能力。从种群整体进化过程来看，交叉概率应该是一个稳定而逐渐变小，到最后趋于某一稳定值的过程；而从产生新个体的角度来看，所有个体在交叉操作上应该具有同等地位，即相同的概率，从而使GA在搜索空间具有各个方向的均匀性。对公式（2)和（3）进行分析表明，适应度与交叉率和变异率呈简单的线性映射关系。当适应度低于平均适应度时，说明该个体是性能不好的个体数学建模论文，对它就采用较大的交叉率和变异率；如果适应度高于平均适应度，说明该个体性能优良，对它就根据其适应度值取相应的交叉率和变异率龙源期刊。

当个体适应度值越接近最大适应度值时，交叉概率和变异概率就越小；当等于最大适应度值时，交叉概率和变异概率为零。这种调整方法对于群体处于进化的后期比较合适，这是因为在进化后期，群体中每个个体基本上表现出较优的性能，这时不宜对个体进行较大的变化以免破坏了个体的优良性能结构；但是这种基本遗传算法对于演化的初期却不利，使得进化过程略显缓慢[6]。因为在演化初期，群体中较优的个体几乎是处于一种不发生变化的状态，而此时的优良个体却不一定是全局最优的，这很容易导致演化趋向局部最优解。这容易使进化走向局部最优解的可能性增加。同时，由于对每个个体都要分别计算Pc和Pm，会影响程序的执行效率，不利于实现。

对自适应遗传算法进行改进，使群体中具有最大适应度值的个体的交叉概率和变异概率不为零，改进后的交叉概率和变异概率的计算公式如式（4）和（5）所示。这样，经过改进后就相应地提高了群体中性能优良个体的交叉概率和变异概率，使它们不会处于一种停滞不前的状态，从而使得算法能够从局部最优解中跳出来获得全局最优解[7]。

(4)

(5)

其中：fmax为群体中最大的适应度值；fave为每代群体的平均适应度值；f′为待交叉的两个个体中较大的适应度值；f为待变异个体的适应度值；pc1为最大交叉概率；pm1为最大变异概率。

3.4 种群的进化与进化终止条件

将初始种群和产生的子代种群放在一起，形成新的种群，然后计算新的种群各个体的适应度，将适应度排在前面的m个个体保留，将适应度排在后面m个个体淘汰数学建模论文，这样种群便得到了进化[8]。每进化一次计算一下各个个体的目标函数值，当相邻两次进化平均目标函数之差小于等于某一给定精度ε时，即满足如下条件：

(6)

式中，为第t+1次进化后种群的平均目标函数值，为第t次进化后种群的平均目标函数值，此时，可终止进化。

3.5 重要参数的选择

GA的参数主要有群里规模n，交叉、变异概率等。由于这些参数对GA性能影响很大，因此参数设置的研究受到重视。对于交叉、变异概率的选择，传统选择方法是静态人工设置。现在有人提出动态参数设置方法，以减少人工选择参数的困难和盲目性。

4 结束语

遗传算法作为当前研究的热点，已经取得了很大的进展。由于遗传算法的并行性和全局搜索等特点，已在实际中广泛应用。本文针对传统遗传算法的早熟收敛、得到的结果可能为非全局最优收敛解以及在进化后期搜索效率较低等缺点进行了改进，改进后的遗传算法在全局收敛性和收敛速度方面都有了很大的改善，得到了较好的优化结果。

参考文献

[1]邢文训,谢金星.现代优化计算方法[M].北京:清华大学出版社,1999:66-68.

[2]王小平,曹立明.遗传算法理论[M].西安交通大学出版社,2002:1-50,76-79.

[3]李敏强,寇纪淞,林丹,李书全.遗传算法的基本理论与应用[M].科学出版社, 2002:1-16.

[4]涂承媛,涂承宇.一种新的收敛于全局最优解的遗传算法[J].信息与控制,2001,30(2):116-138

[5]陈玮,周激,流程进,陈莉.一种改进的两代竞争遗传算法[J].四川大学学报:自然科学版,2003.040(002):273-277.

[6]王慧妮,彭其渊,张晓梅.基于种群相异度的改进遗传算法及应用[J].计算机应用,2006,26(3):668-669.

[7]金晶,苏勇.一种改进的自适应遗传算法[J].计算机工程与应用,2005,41(18):64-69.

[8]陆涛,王翰虎,张志明.遗传算法及改进[J].计算机科学,2007,34(8):94-96

第3篇

关键词：数学建模；科技论文；撰写；成长

1.数学建模简介

1985年，数学建模竞赛首先在美国举办，并在高等院校广泛开设相关课程。我国在1992年成功举办了首届大学生数学竞赛，并从1994年起，国家教委正式将其列为全国大学生的四项竞赛之一。数学建模是分为国内和国外竞赛两种，每年举行一次。三人为一队，成员各司其职：一个有扎实的数学功底，再者精于算法的实践，最后一个是拥有较好的文采。数学建模是运用数学的语言和工具，对实际问题的相关信息（现象、数据等）加以翻译、归纳的产物。数学模型经过演绎、求解和推断，运用数学知识去分析、预测、控制，再通过翻译和解释，返回到实际问题中[1]。数学建模培养了学生运用所学知识处理实际问题的能力，竞赛期间，对指导教师的综合能力提出了更高的要求。

2.数学建模科技论文撰写对学生个人能力成长的帮助

2.1.提供给学生主动学习的空间

在当今知识经济时代，知识的传播和更新速度飞快，推行素质教育是根本目标，授人与鱼不如授人与渔。学生掌握自学能力，能有效的弥补在课堂上学得的有限知识的不足。数学建模所涉及到的知识面广，除问题相关领域知识外，还要求学生掌握如数理统计、最优化、图论、微分方程、计算方法、神经网络、层次分析法、模糊数学、数学软件包的使用等。多元的学科领域、灵活多变的技能方法是学生从未接触过的，并且也不可能在短时间内由老师一一的讲解清楚，势必会促使学生通过自学、探讨的方式来将其研懂。给出问题，让学生针对问题去广泛搜集资料，并将其中与问题有关的信息加以消化，化为己用，解决问题。这样的能力将对学生在今后的工作和科研受益匪浅[2]。

在培训期间，大部分学生会以为老师将把数学建模比赛所涉及到的知识全部传授给学生，学生只要在那里坐着听老师讲就能参加比赛拿到名次了。但是当得知竞赛主要由学生自学完成，老师只是起引导作用时，有部分学生选择了放弃。坚持下来的学生，他们感谢学校给与他们这样能够培养个人能力的机会，对他们今后受用匪浅！

2.2.体验撰写综合运用知识和方法解决实际问题这一系列论文的过程

学生在撰写数学建模科技论文的时候，不光要求学生具备一定的数学功底、有良好的计算机应用能力、还要求学生具备相关领域知识，从实际问题中提炼出关键信息，并运用所学知识对这些关键信息加以抽象、建立模型。这也是教师一直倡导学生对所学知识不光要记住，而且要会运用。千万不要读死书，死读书，读书死。

2.3.培养了学生的创新意识和实践能力

在撰写过程中潜移默化的培养了学生获取新知识、新技术、新方法的能力，并在解决实际问题的过程中培养学生的创新意识和实践能力。有别于其他竞赛活动，数学建模竞赛培养学生运用所学知识将实际问题数字化的能力，学生要有良好的洞察力，具有从现象抓本质的能力。给出的实际问题，没有唯一的解决方案，要求学生大胆假设，运用所学知识将问题由最简单、最直接的科学方法求解出来[3]。

2.4.团队精神的培养。

数学建模竞赛是由三人组队参加比赛的集体项目。三个人必须要配合默契，团结协作，发挥各自的优势，深刻理解了由三人组队的规则，充分发挥团队精神；不能夸大个人能力，不能自大骄傲，要本着整体高于个人的原则，积极合作。竞赛所提倡的团队精神，将会培养学生尊重他人，具有合作意识，，取长补短，团结协作，患难与共的集体主义优良品格[4]。

有些队伍在组队前期，由于每个人的性格迥异，再加上年龄小，经常会因琐碎小事起争端。比如看待问题、解决问题的思路不统一；生活习惯造成其他人的反感；说话处事不能圆满表达，致使产生矛盾等。经过一年的团队磨合，学生看问题不会从自我出发，面对问题时，会先聆听他人的想法，然后再阐述自己的观点；生活习惯也趋于常理化，不会特立独行；为人处世不会有那么多棱角，会选择以让人能够接受的方式表达出来。

2.5.诚信。

比赛期间，每支参赛队伍都会以诚信为原则，绝不会去窃取他人作品，实事求是。作为学生的指导教师更是以身作则，要求学生自己独立完成，要脱离教师的指导，并且会在全程进行监督。

3.数学建模科技论文的撰写对我校学生的现实影响。

我校06级学生宣海，小时候因手术后遗症不能正常行走，曾多次辍学。最终凭自己的努力圆了自己的大学梦。大二初始学校选派学生参加全国大学生数学建模大赛，大部分同学由于不能忍受比赛所带来的诸多困难，都相继退出了比赛，而宣海同学经历了能力和意志力的魔鬼训练，并被选任为所有队伍的队长。全国赛时限为三天三夜，宣海在此期间只睡了四个小时。经过队伍上下齐心努力，宣海所在队拿到了河北省一等奖，全国二等奖的优异成绩。次年，宣海对自己提出了更高的要求，要在更高的舞台上施展自己的能力，参加了国际数学建模大赛，属于世界最高水平的数学建模比赛。一整年没回过家的宣海，克服了身体及家庭的种种困难，再加上四天四夜的连续作战，获得了国际二等奖。数学建模比赛对宣海的影像是潜移默化的，在毕业之际，多家用人单位都希望将宣海抢到手。目前宣海有了自己的家庭，生活变得越来越好。

参考文献

[1]杨红伟.数学建模与创新能力的培养.兵团教育学院学报，2003，3：76～77.

[2]赵慧琴.数学建模与大学生综合素质的培养.甘肃政法学院学报.2002，4；100～102