论文基于非等距BFA—GM（1，1）模型尾翼疲劳寿命预测是适合不知如何写等距方面的相关专业大学硕士和本科毕业论文以及关于什么是等距数据论文开题报告范文和相关职称论文写作参考文献资料下载。
摘 要：针对非等距GM（1,1）模型中背景值系数α对模型的预测能力影响很大而最优值难以确定的问题,将细菌觅食算法和GM（1,1）模型相结合,提出了BFA-GM（1,1）优化模型.以飞机尾翼疲劳寿命预测为实例,分析比较了BFA-GM（1,1）模型、PSO-GM（1,1）模型和GA-GM（1,1）模型的性能.从试验的结果来看,本文提出的BFA-GM（1,1）模型消耗的时间少于其他2种模型消耗的时间,而平均预测误差低于其他2种模型的平均预测误差,这说明本文提出的BFA-GM（1,1）模型能够更快速、更准确地找到最优的背景值系数α,从而提高了“小样本”“贫信息”条件下的飞机尾翼疲劳寿命预测的精度.
关键词：细菌觅食算法；非等距GM（1,1）模型；疲劳；寿命预测；参数优化
中图分类号：TG146.2 文献标识码：A
Abstract：The background value coefficient α of the non-equidistant GM （1, 1） model has great influence on the predictive capability, but it is difficult to determine its optimal value. For these problems, the bacterial foraging algorithm and a GM （1, 1） model were combined and the BFA-GM （1, 1） optimization model was proposed. Taking the experiment of empennage fatigue life prediction as an example, the performances of the BFA-GM （1, 1） model, the PSO-GM （1, 1） model and the GA-GM （1, 1） model were analyzed and compared. The results have shown that the BFA-GM （1, 1） model consumes the least time and obtains the lowest average prediction error, and that the BFA-GM （1, 1） model proposed is competent to find the optimal background value coefficient α quickly and accurately, thereby increasing the empennage fatigue life prediction accuracy under the conditions of “small samples” and “poor information”.
Key words：bacterial foraging algorithm （BFA）；non-equidistant GM （1,1） model；fatigue； life prediction； parameter optimization
疲劳是航空航天装备运行不可忽视的问题,对结构寿命进行准确预测能有效避免事故的发生.传统的疲劳寿命预测方法大多建立在确定性理论或者概率统计基础之上[1],这需要大量而准确的试验数据,从而增加了试验的成本和周期,限制了其应用范围.GM（1,1）模型[2]由于其“小样本”“贫信息”建模的特点被应用于冶金[3]、隧道[4]、军事[5]、疲劳[6-8]等领域.非等距GM（1,1）模型修正了等距GM（1,1）模型要求数据必须是等间隔的局限,是目前研究和应用最多的一种.然而,在使用非等距GM（1,1）模型时,其预测精度受背景值系数α的影响很大[9],而最优α值难以确定,常凭经验选取,难以保证模型预测能力.为此,王国华等[10]、Hsu[11]采用遗传算法对模型参数进行选取；刘虹,于丽亚等[12-13]采用粒子群算法对模型参数进行选取,但由于遗传算法和粒子群算法本身的局限性,其优化的速度和精度不理想.
3.2 BFA-GM（1,1）建模和优化分析
为了验证本文方法的有效性,共进行了4组试验,编号分别为：T1,T2,T3,T4.前3组试验从表2中随机选取6组不同编号的样本作为建模样本,剩余2组数据作为测试样本,测试样本的选取分别位于试验数据序列的不同位置,以便说明模型的有效性,T4试验中将全部样本作为建模样本和测试样本.试验方案如表3所示.
比较表4中的4组试验的结果,从终止条件来分析,本文提出的BFA-GM（1,1）模型迭代次数均没有达到设定的最大次数Niter等于100就使种群满足ε<10-10,而其他2种模型迭代停止时达到了设定的最大迭代次数,这说明BFA-GM（1,1）模型的收敛速度比后2种模型的收敛速度快.BFA-GM（1,1）模型所需要的时间少于其他2种方法,依次为T1：1.72 s；T2：1.81 s；T3：1.80 s；T4：1.75 s；PSO-GM（1,1）模型消耗的时间次之,而GA-GM（1,1）模型消耗的时间最多,4组试验中最少也需要2.99 s.原因在于粒子群算法中粒子的运动特性受多个参数的共同控制,在实际应用过程中难以对粒子的寻优能力进行最优控制.遗传算法一方面需要对解进行编码及解码操作,而编码的长度直接影响算法的速度和解的精度,编码越长,精度越高,但计算时间就越长,编码短,则精度又无法保证；另一方面,遗传算法需要进行交叉、变异等操作,需要消耗很多的时间,影响了迭代的速度.从表4中的预测误差可以看出,本文提出的BFA-GM（1,1）模型的预测精度比其他2种方法高,依次为8.901 6%,12.868 4%,9.974 9%,8.745 3%,这表明本文提出的BFA-GM（1,1）模型具有优越性.
总结:本文是一篇关于等距论文范文，可作为相关选题参考,和写作参考文献。
参考文献：
1、 基于灰色系统GM（1，1）的济南市商品房房价预测模型 [摘 要] 以中华人民共和国国家统计局和山东省统计局发布的2010-2016年山东统计年鉴中有关住宅商品房的统计数据，根据全年商品房销售额和销售。
2、 一种证明（k，d）—强优美树的新方法 摘要：在现有研究的很多图优美问题中，发现了一种叫做悬挂和拆分的新方法。利用此新方法可以构造出较大规模的具有（k，d）-强优美标号，并证明了新方法。
3、 提单瑕疵出口退税法院缘何区别对待（1） （3）增加出口单证排除骗税疑点的规定。12号公告第五条第（五）项第3目规定，出口货物报关单、出口发票、海运提单等出口单证的商品名称、数量、金额等。
4、 金融业代销服务增值税应如何处理（1） （五）客戶接受分公司开票，但向总公司付款，能否抵扣进项税金？解析：可以抵扣。这涉及到三流合一的老问题。问题起源于国家税务总局《关于加强增值税。
5、 六个一给社会减负契约精神为民资护航（1） 3月20日，十三届全国人大一次会议在北京人民大会堂举行记者会，国务院总理李克强应大会发言人张业遂邀请会见中外记者，并回答了记者提问。记者会上，李。
6、 我国将规范政府财报会计调整、负债处理（1） 为加快推进政府会计改革，建立健全政府会计准则体系，财政部于4月19日、24日分别印发了《政府会计准则第X号——会计调整（征求意见稿）》（以下简称。