技术特征：
1.一种基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，其特征在于，包括：对收集的样本数据进行范化，采用范化样本数据训练并得到rf预测模型；根据rf预测模型构建适应度函数，对扫描参数设置约束条件，采用nsga
‑
ii算法对所述扫描参数进行优化，得到扫描参数的全局最优解；将所述全局最优解输入rf预测模型，根据输出结果确定全局最优解为三维激光扫描仪的实用扫描参数；采用所述全局最优解调整三维激光扫描仪，对结构件进行扫描；其中，rf预测模型为随机森林预测模型；nsga
‑
ii算法为非支配排序遗传算法。2.根据权利要求1所述的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，其特征在于，所述对收集的样本数据进行范化，包括：其中，y为范化后的标准值；y
min
为范化区间下限值；x为样本数据值；x
max
为样本数据值的最大值；x
min
为样本数据值的最小值。3.根据权利要求2所述的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，其特征在于，所述采用范化样本数据训练并得到rf预测模型，包括：随机抽取预设比例的范化样本数据作为训练集，剩余范化样本数据作为测试集，采用训练集对初级rf预测模型进行学习模拟，得到训练好的rf预测模型，采用测试集对训练好的rf预测模型进行测试，得到所述rf预测模型，采用均方根误差和拟合优度验证rf预测模型。4.根据权利要求3所述的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，其特征在于，所述根据rf预测模型构建适应度函数，包括：ming1(rf(x1,x2,...,x
n
))ming2(rf(x1,x2,...,x
n
))其中，rf为随机森林算法；x
n
为第n个扫描参数；ming1为三维激光扫描误差回归函数；ming2为三维激光扫描时长回归函数。5.根据权利要求4所述的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，其特征在于，所述对扫描参数设置约束条件，包括：a
il
＜x
i
＜a
iu
其中，x
i
为第i个扫描参数；a
il
为扫描参数的下限值；a
iu
为扫描参数的上限值。6.根据权利要求5所述的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，其特征在于，所述采用nsga
‑
ii算法对所述扫描参数进行优化，得到扫描参数的全局最优解，包括：设置初始种群，nsga
‑
ii算法将通过快速非支配排序后，采用遗传机制获得首批子代种群；从第二代开始，结合父代种群和子代种群进行快速非支配排序，根据非支配排序计算每个个体的拥挤度，将拥挤度小的个体组成新种群；引入精英策略，通过遗传算法的基本操作产生新的后代群体；直到当子代种群数达到最大子代数时结束计算，输出pareto最优解集；其中，种群为若干扫描参数组构成的扫描参数组集合。7.根据权利要求6所述的基于rf
‑
nsga
‑
ii的结构件三维激光扫描方法，其特征在于，所述采用遗传机制获得首批子代种群，包括：对初始种群进行选择、交叉和变异，得到首批子代种群。8.一种基于rf
‑
nsga
‑
ii的结构件三维激光扫描装置，其特征在于，包括：第一主模块，用于对收集的样本数据进行范化，采用范化样本数据训练并得到rf预测模型；第二主模块，
用于根据rf预测模型构建适应度函数，对扫描参数设置约束条件，采用nsga
‑
ii算法对所述扫描参数进行优化，得到扫描参数的全局最优解；第三主模块，用于将所述全局最优解输入rf预测模型，根据输出结果确定全局最优解为三维激光扫描仪的实用扫描参数；第四主模块，用于采用所述全局最优解调整三维激光扫描仪，对结构件进行扫描；其中，rf预测模型为随机森林预测模型；nsga
‑
ii算法为非支配排序遗传算法。9.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器和通信接口；其中，所述处理器、存储器和通信接口相互间进行通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行权利要求1至7任一项权利要求所述的方法。10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1至7中任一项权利要求所述的方法。
技术总结
本发明提供了一种基于RF
技术研发人员：吴贤国 郑诗弋 刘烁 冯宗宝 邓婷婷 田金科 陈彬 徐文胜 覃亚伟 吴克宝
受保护的技术使用者：华中科技大学
技术研发日：2021.06.28
技术公布日：2021/9/9