一种调整混凝土级配智能化的方法及混凝土级配智能系统的制作方法

文档序号:1796187阅读:626来源:国知局
专利名称:一种调整混凝土级配智能化的方法及混凝土级配智能系统的制作方法
技术领域
本发明涉及一种调整混凝土级配智能化的方法及混凝土级配智能系统。
背景技术
目前在公路工程沥青路面施工技术规范中,明确要求在沥青混合料生产中要做沥青混合料组成设计,以便确定符合质量要求的混合料配比。同样,在水泥混凝土的配合比设计方面也要求石料的级配设计,以满足一定的结构强度。
现在用得比较多的“级配图解法”只做一些集料用量的大致计算,比较麻烦,而且还的进行校合调整,比较烦琐,给设计人员带来很大的工作量。由于现代计算机的发展和普及,如果用算计机采用新的计算方法处理这些问题,就使得级配设计变得很方便。

发明内容
本发明的目的在于改进现有技术之缺点,而提供一种调整混凝土级配智能化的方法及混凝土级配智能系统。利用计算机程序把优化设计的思想用于混凝土级配设计,使其实现了智能化。该系统在功能上使级配曲线和造价实现了动态的微调。要求保护的技术方案所属的技术范围涉及混凝土级配设计的智能化方法和动态微调的重要思想。
为实现上述目的,本发明采取以下设计方案一种混凝土级配智能系统由输入数据装置、优化模型计算装置、遗传算法优化装置、判断装置、微调装置和报告装置组成,输入数据装置接受输入的数据选择所需级配类型、填写原始材料的筛分情况、填写原材料单价、填写筛孔权值,连接优化模型计算装置;优化模型计算装置存储有优化模型,连接遗传算法优化装置;遗传算法优化装置利用高非线性优化求解法遗传算法进行优化求解,连接判断装置;判断装置将遗传算法优化装置优化求解的结果进行判断,输出满意或不满意的提示;满意的数据连接传送给报告装置显示或打出级配报告;不满意的数据连接传送给微调装置,调整微调装置的微调按钮,得到满意的数据连接传送给报告装置显示或打出级配报告。
一种调整混凝土级配智能化的方法,运用级配指数的概念和运用遗传算法优化计算混合料配合比设计中各种材料的性能最佳百分比用量,得到最佳级配曲线;考虑价格因素得到满足规范规定的成本最低的级配曲线;考虑不同筛孔权值得到理想的级配曲线;考虑筛孔权值和价格因素得到性价比最优的级配曲线;有手动进行全动态微调的步骤。
用到的背景技术包括混凝土级配理论;级配指数理论;改进型遗传算法;全动态微调技术。
该发明所要解决的技术问题是合理建立混凝土级配设计的优化模型;求解该模型的优化算法;全动态微调的构思。
解决这些技术问题采用的技术方案有采用级配指数的理论建立优化模型;利用改进型遗传算法求解该优化模型;用可视化编程语言(Borland c++ builder 6.0)实现全动态微调的构思。
本发明有益效果界面友好,操作方便,精度较高。它不仅给混凝土级配设计人员带来极大的方便,而且大大提高了级配设计的工作效率和工作质量。


图1本发明的混凝土级配智能系统的连接2本发明混凝土级配智能系统的流程3本发明混凝土级配智能系统的主界面4本发明赌盘示意5本发明优化结果示意6本发明优化结果示意7本发明优化结果示意8本发明优化结果示意9本发明微调结果示意10本发明出具的矿料级配曲线图具体实施方式
实施例1如图1所示,本发明一种混凝土级配智能系统由输入数据装置、优化模型计算装置、遗传算法优化装置、判断装置、微调装置和报告装置组成,输入数据装置接受输入的数据选择所需级配类型、填写原始材料的筛分情况、填写原材料单价、填写筛孔权值,连接优化模型计算装置;优化模型计算装置存储有优化模型,连接遗传算法优化装置;遗传算法优化装置利用高非线性优化求解法遗传算法进行优化求解,连接判断装置;判断装置将遗传算法优化装置优化求解的结果进行判断,输出满意或不满意的提示;满意的数据连接传送给报告装置显示或打出级配报告;不满意的数据连接传送给微调装置,调整微调装置的微调按钮,得到满意的数据连接传送给报告装置显示或打出级配报告。
实施例2优化模型计算装置为普通级配优化模型装置或加权级配优化模型装置或优化模型为既考虑权值又考虑造价级配优化模型装置或造价级配优化模型装置。
实施例3一种调整混凝土级配智能化的方法,运用级配指数的概念和运用遗传算法优化计算混合料配合比设计中各种材料的性能最佳百分比用量,得到最佳级配曲线;调整价格因素得到满足规范规定的成本最低的级配曲线;调整不同筛孔权值得到理想的级配曲线;调整筛孔权值和价格因素得到性价比最优的级配曲线;有手动进行全动态微调的步骤。如图2所示,程序开始步骤1输入数据填写数据卡片的内容选择所需级配类型;填写原始材料的筛分情况;填写原材料单价;填写筛孔权值;步骤2选择优化模型,普通级配优化模型或加权级配优化模型或既考虑权值又考虑造价级配优化模型或造价级配优化模型;步骤3运用高度非线性求解法遗传算法进行优化求解;步骤4判断是否为最优结果;步骤5不满意则进行微调步骤,直到满意的结果为止。步骤6步骤4有最优结果或步骤5有最优结果输出混凝土级配报告。步骤7程序结束。
实施例4一种调整混凝土级配智能化的方法,步骤1建立输入数据卡片,卡片内容1、选择所需级配类型;2、填写原始材料的筛分情况;3、填写原材料单价;4、填写筛孔权值;步骤2选择优化模型为普通级配优化模型{minJ=Σj=1m(Σi=1nzimij-pj)2mstzil≤zi≤ziufindzi]]>其中zi——第i种矿料的组分(%);mij——第i种矿料在第j个筛孔的通过率(%);pj——要求级配范围在第j个筛孔通过率的中值(%);zil——第i种矿料的组分上限(%);ziu——第i种矿料的组分下限(%);J——级配指数;或步骤3选择优化模型为加权级配优化模型{minJ=Σj=1mqj(Σi=1nzimij-pj)2ΣJ=1mqjstzil≤zi≤ziufindzi]]>
其中qj——第j个筛孔权值;或步骤4选择优化模型为造价级配优化模型 其中Cost——总造价;ci——第i种矿料的单价;pju——第j个筛孔要求级配范围通过率的上限(%);pjl——第j个筛孔要求级配范围通过率的下限(%);或步骤5选择优化模型为既考虑权值又考虑造价级配优化模型 对以上高度非线性的优化模型,改进型遗传算法是比较合适的。
步骤6遗传算法优化算法的步骤遗传算法的基本原理;软件采用遗传算法作为优化手段,是由模拟生物遗传进化机制而发展起来的一种新算法,遗传算法(Genetic Algorithm,GA)是模仿自然界生物进化思想而得出的一种自适应启发式全局概率搜索方法。它起源于60年代对自然和人工自适应系统的研究,该算法最初是由密歇根大学的Joho Holland教授提出的。1989年Goldberg教授进行归纳总结,形成了遗传算法的基本框架,并用于结构优化设计中。
遗传算法的实施过程是首先随机生成一组模型,模型的每个参数表示为二进制数码(一个模型对应于反问题的一个可能解,模型的每个参数与反问题待求变量的分量相对应),全部参数用许多串联在一起的二进制代码组成的字符表示。然后对种群内各模型根据具体问题所给的目标函数所对应的适应度函数决定其生存概率,来进行优胜劣汰,再把剩下的较优个体进行交叉和变异,最终完成一次对种群的繁殖。反复循环,来模拟生物进化的规律优选模型。
1、染色体编码方法由于遗传算法不能直接处理解空间的解数据,必须通过编码将它们表示成遗传空间的基因型串结构数据。基本遗传算法使用固定长度的二进制符号串来表示群体中的个体,其等位基因是由二值符号集{0,1}所组成的。初始群体中各个个体的基因值可用均匀分布的随机数来生成。如X=10011100100就可以表示一个个体,该个体的染色体长度是n=11。
2、初始群体的生成由于遗传算法群体型操作的需要,必须为遗传算法准备一个由若干初始解组成的初始群体。需要说明的是,初始群体的每个个体都是通过随机方法产生的。
3、个体适应度函数值评价遗传算法在搜索进化过程中一般不需要其它外部信息,仅用评估函数值来评估个体或解的优劣,并作为以后遗传操作的依据。评估函数值又称作适应度(Fitness)。首先要把基因型个体译码成表现型个体,即搜索空间中的解。
在遗传算法中,以个体适应度大小来确定该个体被遗传到下一代群体中的概率。个体的适应度越大,该个体被遗传到下一代的概率也越大;反之,个体的适应度越小,该个体被遗传到下一代的概率也越小。基本遗传算法使用比例选择算子来确定群体中各个个体遗传到下一代群体中的数量。为正确计算不同情况下各个个体的遗传概率,要求所有个体的适应度必须为正数或零,不能是负数。
对于求目标函数最小值的优化问题理论上只需简单的对其增加一个负号就可以将其转化为求目标函数最大值的优化问题,即min f(X)=max(-f(X))当优化目标是求函数最大值,并且目标函数总取正值时,可以直接设定个体的适应度F(X)等于相应的目标函数值f(X),即F(X)=f(X)但实际优化问题中的目标函数值有正也有负,优化目标有求函数最大值,也有求函数最小值,显然上面两式保证不了所有情况下个体的适应度都是非负数这个要求。所以必须寻求一种通用且有效的由目标函数值到个体适应度之间的转换关系。
为满足适应度取非负数的要求,基本遗传算法一般将目标函数值f(X)变换为个体的适应度F(X)。
4、选择(Selection)选择或复制算子是根据当代个体的适应度函数值来进行个体选择的运算过程。其作用是从当前代群体中选择出一些比较优良的个体,并将其复制到下一代群体中。具有较大适应度函数值的个体对下一代个体的形成作出较多贡献。这一操作借用了达尔文适者生存的进化原则,即个体适应度函数值越高,其被选择的机会就越多。
选择算子有多种实现方法。最常用和最基本的选择算子是比例选择算子。实际上,它是一种有退还随机选择,也叫做赌盘(RouletteWheel)选择,判断个体优良与否的准则就是各自的适应度值。如图4所示为一赌盘示意图。
比例选择算子的具体执行过程首先计算群体中所有个体适应度函数值的总和∑f。
其次计算出每个个体的适应度函数值所占的比例fi/∑f,它既为各个个体被遗传到下一代群体中的概率。
最后再使用模拟赌盘操作(即0到1之间的随机数)来确定各个个体被选中的次数。
5、交叉算子(Crossover)在生物的自然进化过程中,两个同源染色体通过交配而重组,形成新的染色体,从而产生出新的个体。交配重组是生物遗传和进化过程中的一个重要环节。模仿这个环节,在遗传算法中也使用交叉算子来产生新的个体。
所谓交叉运算,是指对两个相互配对的染色体按照某种方式相互交换其部分基因,从而形成两个新的个体。交叉运算是遗传算法区别于其他进化算法的重要特征,它在遗传算法中起着关键作用,是产生新个体的主要方法。
通过选择得到下一代临时群体后,再对临时个体进行简单的基因交配运算,形成下一代的个体。简单的交叉(即单点交叉)是最常用和最基本的交叉操作算子。具体执行过程如下(1)对群体中的个体进行两两随机配对。若群体大小为M,则共有[M/2]对相互配对的个体组。其中[x]表示不大于x的最大的整数。
(2)对每对相互配对的个体,随机设置交叉点。若染色体的长度为n,则共有(n-1)个可能的交叉点位置。随机确定1和n-1之间的一个整数k,即基因交换位置。
(3)对每一对相互配对的个体,依设定的交叉概率Pc在其交叉点处相互交换两个个体的部分染色体,从而形成两个新的个体。
交叉运算如下所示,交叉后产生两个新的个体。
6、变异(Mutation)变异操作是按位进行的,即把某一位的内容进行变异。基本位变异是最简单和最基本的变异算子。对于二进制编码符号串所表示的个体,若某一基因座上的原有基因值为0,则变异操作将该基因值变为1;反之,若原有基因值为1,则变异操作将其变为0。变异操作也是随机进行的。其具体执行过程如下(1)对个体的每一个基因座,依变异概率Pm指定其为变异点。
(2)对每一个指定的变异点,对其基因值做取反运算或用其他等位基因来代替,从而产生出一个新的个体。
基本位变异运算如下所示。
上述的遗传算法操作过程构成了标准的遗传算法,有时也叫简单遗传算法,简称SGA(Simple GA)。SGA的特点是(1)采用赌轮选择方法;(2)随机配对;(3)采用一点交叉并生成两个子个体;(4)群体内允许有相同的个体存在。
标准的遗传算法在任意初始化,任意交叉算子以及任意适应度函数下,都不能收敛至全局最优解。而通过改进遗传算法,即在选择作用前(或后)保留当前最优解,则能保证收敛到全局最优解。本文采用的是改进的遗传算法。
步骤7微调装置全自动微调步骤1、当zi减少Δi时,zi=zi-Δi
zj=zj+ΔizjΣk=1k≠inzk]]>2、当zi增加Δi时,zi=zi+Δizj=zj-ΔizjΣk=1k≠inzk]]>从而可以得到改变以后的混和料的分级筛孔的通过率Pj=zimij这样可以实现动态调整。
以上技术都是通过可视化编程语言(Borland c++builder 6.0)实现而形成了混凝土级配智能分析系统软件。
实施例5一种调整混凝土级配智能化的方法,步骤11 填写输入卡片1、类型AC-25I;2、集料类别名称及价格; 表5.1 输入卡片及数据 3、填写筛孔权值表5.2 输入卡片及数据4、填写筛分情况 表5.3 输入卡片及数据2 填写运行方式1、普通优化,得到表5.4出具的矿料筛分及矿料级配表的结果。
表5.4 出具的矿料筛分及矿料级配表
权利要求
1.一种混凝土级配智能系统,其特征在于由输入数据装置、优化模型计算装置、遗传算法优化装置、判断装置、微调装置和报告装置组成,输入数据装置接受输入的数据;连接优化模型计算装置;优化模型计算装置存储有优化模型,连接遗传算法优化装置;遗传算法优化装置利用高非线性优化求解法遗传算法进行优化求解,连接判断装置;判断装置将遗传算法优化装置优化求解的结果进行判断,输出满意或不满意的提示;满意的数据连接传送给报告装置显示或打出级配报告;不满意的数据连接传送给微调装置,调整微调装置的微调按钮,得到满意的数据连接传送给报告装置显示或打出级配报告。
2.据权利要求1所述的一种混凝土级配智能系统,其特征在于优化模型计算装置为普通级配优化模型装置或加权级配优化模型装置或优化模型为既考虑权值又考虑造价级配优化模型装置或造价级配优化模型装置。
3.根据权利要求1或2所述的一种混凝土级配智能系统,其特征在于微调模型装置通过改变矿料组分,可改变混和料的分级筛孔的通过率,从而实现动态调整。
4.一种调整混凝土级配智能化的方法,其特征在于运用级配指数的概念和运用遗传算法优化计算混合料配合比设计中各种材料的性能最佳百分比用量,得到最佳级配曲线;考虑调整价格因素得到满足规范规定的成本最低的级配曲线;考虑调整不同筛孔权值得到理想的级配曲线;考虑调整筛孔权值和价格因素得到性价比最优的级配曲线;有手动进行全动态微调的步骤。
5.据权利要求4所述的一种调整混凝土级配智能化的方法,其特征在于步骤如下步骤1输入数据填写数据卡片的内容选择所需级配类型;填写原始材料的筛分情况;填写原材料单价;填写筛孔权值;步骤2选择优化模型,普通级配优化模型或加权级配优化模型或既考虑权值又考虑造价级配优化模型或造价级配优化模型;步骤3运用高度非线性求解法遗传算法进行优化求解;步骤4判断是否为最优结果;步骤5不满意则进行微调步骤,直到满意的结果为止;步骤6步骤4有最优结果或步骤5有最优结果输出混凝土级配报告。
6.根据权利要求4或5所述的一种调整混凝土级配智能化的方法,其特征在于普通级配优化模型为 其中zi--第i种矿料的组分(%);mij--第i种矿料在第j个筛孔的通过率(%);pj--要求级配范围在第j个筛孔通过率的中值(%);zil--第i种矿料的组分上限(%);ziu--第i种矿料的组分下限(%);J--级配指数;
7.据权利要求4或5所述的一种调整混凝土级配智能化的方法,其特征在于加权级配优化模型 其中第j个筛孔权值。
8.据权利要求4或5所述的一种调整混凝土级配智能化的方法,其特征在于造价级配优化模型 其中Cost--总造价;ci--第i种矿料的单价;pju--第j个筛孔要求级配范围通过率的上限(%);pjl--第j个筛孔要求级配范围通过率的下限(%)。
9.据权利要求4或5所述的一种调整混凝土级配智能化的方法,其特征在于既考虑权值又考虑造价级配优化模型
10.据权利要求4或5所述的一种调整混凝土级配智能化的方法,其特征在于运用高度非线性求解法改进型遗传算法,即在选择作用前或后保留当前最优解,则能保证收敛到全局最优解。
11.据权利要求4或5所述的一种调整混凝土级配智能化的方法,其特征在于微调模型装置改变混和料的分级筛孔的通过率实现动态调整,模型为当zi减少Δi时,zi=zi-Δizj=zj+ΔizjΣk≠ik=1nzk]]>当zi增加Δi时,zi=zi+Δizj=zj-ΔizjΣk≠ik=1nzk]]>从而可以得到改变以后的混和料的分级筛孔的通过率Pj=zimij这样实现动态调整。
全文摘要
本发明涉及一种调整混凝土级配智能化的方法及混凝土级配智能系统。一种混凝土级配智能系统由输入数据装置、优化模型计算装置、遗传算法优化装置、判断装置、微调装置和报告装置组成,运用级配指数的概念和运用遗传算法优化计算混合料配合比设计中各种材料的性能最佳百分比用量,得到最佳级配曲线;调整价格因素得到满足规范规定的成本最低的级配曲线;调整不同筛孔权值得到理想的级配曲线;调整筛孔权值和价格因素得到性价比最优的级配曲线;有手动进行全动态微调的步骤。本发明有益效果界面友好,操作方便,精度较高。它不仅给混凝土级配设计人员带来极大的方便,而且大大提高了级配设计的工作效率和工作质量。
文档编号B28C7/04GK1616202SQ20041000956
公开日2005年5月18日 申请日期2004年9月15日 优先权日2004年9月15日
发明者常崇义, 王欣, 吕俊文 申请人:常崇义
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1