核心内容摘要
Nunchaku FLUX.1-dev实战案例：LoRA组合调优（Ghibsky+Turbo-Alpha）出图技巧
复现模拟退火、粒子群算法解约束最优化问题 内容 程序一模拟退火算法SA算法求解附图所示变速箱设计带约束最优化实际工程问题的自编MATLAB程序。
程序二粒子群算法PSO算法求解附图所示变速箱设计带约束最优化实际工程问题的自编MATLAB程序。
变速箱设计优化是典型的带约束非线性规划问题。
咱们今天不用传统梯度法直接上两种元启发式算法搞起。
先看问题建模目标函数是总质量最小化约束包括齿轮接触强度、弯曲强度、传动比误差等八项。
变量包含齿轮模数、齿数、螺旋角等七个设计参数其中齿数必须是整数。
先整模拟退火SA的版本SA的核心是允许接受劣解跳出局部最优。
这里有个坑约束处理必须够狠。
我直接在目标函数里加惩罚项违反约束就猛扣分function f obj_SA(x) % 计算原始目标函数 mass ... % 质量计算逻辑 % 约束计算 [g1, g2, ...] constraints(x); % 惩罚系数 penalty 1e6 * sum(max(0, [g1, g2, ...])); f mass penalty; end初始温度设置要足够高这里取500度。
降温采用指数衰减每迭代100次温度乘
95。
邻域生成时特别注意整数处理——齿数必须整型% 当前解 current_x [3, 20, 15, ...]; % 生成新解 new_x current_x randn(size(current_x)) .* [
1, 1, 1, ...]; new_x(2:
round(new_x(2:
); # 齿数取整 new_x max(min(new_x, ub), lb); # 边界截断接受概率用经典的Metropolis准则。
当温度降到10度以下时停止此时解的更新基本停止。
再来粒子群PSO的实现复现模拟退火、粒子群算法解约束最优化问题 内容 程序一模拟退火算法SA算法求解附图所示变速箱设计带约束最优化实际工程问题的自编MATLAB程序。
程序二粒子群算法PSO算法求解附图所示变速箱设计带约束最优化实际工程问题的自编MATLAB程序。
PSO需要处理连续整数混合变量。
这里采用分裂编码前五个连续参数用常规PSO后两个齿数用整数粒子群策略。
初始化种群时强制满足边界particles rand(pop_size,
.* (ub - lb) lb; particles(:,2:
round(particles(:,2:
); # 齿数初始化就取整速度更新公式要调整对齿数参数使用概率取整v w*v c1*rand*(pbest - x) c2*rand*(gbest - x); new_x x v; new_x(:,2:
round(new_x(:,2:
3)
5 - rand(pop_size,
);约束处理改用可行性法则只有当粒子同时满足约束和适应度更优时才更新个体最优。
这种双重判断能有效引导粒子朝向可行域if (new_f pbest_f) all(constraints(new_x)
pbest new_x; pbest_f new_f; end两种算法实测对比在i
H上跑10次取平均指标SAPSO平均质量/kg
48.
7
2收敛代数1200300计算时间/s
18.
3
7PSO在速度上完胜但SA的解更稳定。
实际工程中推荐混合策略先用PSO快速搜索再用SA的接受机制精细调优。
这里有个实用技巧——把PSO的最优解作为SA的初始解能省30%计算时间。
踩过的坑