Page 206 - 数值模拟驱动的高温合金热加工技术

Numerical Simulation Driven Hot Working Technology for High-temperature Alloys
数值模拟驱动的高温合金热加工技术

方法快速确定。但是神经网络结构的优化问题相当复杂，无法用解析方法求解。
此外，神经网络的性能难以直接计算，通常需要通过训练集和测试集的分类准确
率来进行预测。所以，可以通过试错来寻找最佳的神经网络结构。不过，这种方

法往往需要大量的计算资源和耗费大量的时间。因此，科学家们开始寻找一些更
为有效的方法，来提高神经网络结构的优化效率。
遗传算法是一种仿生算法，其灵感来源于生物进化过程中的基因遗传过程。
遗传算法的主要思路是通过创造“个体”、环境选择和遗传方法结合的方式，逐
步迭代出更优秀的解决方案。在经过多次迭代后，遗传算法能够找到最优解（或

者达到更优近似解）。基于遗传算法的优点，科学家们开始将其应用在神经网络
结构的优化中。以“群体创新”为核心思想的遗传算法可以大幅提高神经网络结
构优化的效率。
在神经网络结构的寻优过程中，遗传算法的主要任务是搜索最优的结构。一

般来讲，遗传算法选择的参数包括神经元的数量、网络的层数和激活函数等。遗
传算法通常考虑的是在上一代神经网络结构的基础上进行修改。首先，遗传算法
生成一组随机解，也就是神经网络结构的种群。然后，对这一组解进行评估，并
仅仅选择其中最优秀的结构。评估的方法通常会利用训练集和测试集的分类准确
率等指标。接下来，通过交叉、变异等方式生成新的种群，并对这些新的结构进
行一次迭代来找到更优秀的解决方案。通过多次遗传演化的过程，遗传算法可以

逐步找到最优秀的神经网络结构。
综上所述，遗传算法在神经网络结构优化中的应用，在提高优化效率的同时，
避免了枚举搜索的复杂运算。此外，由于遗传算法的并行性，可以快速地求解高
维优化问题。在神经网络结构的优化中，随着遗传算法的成熟和应用，我们相信

未来可以得到更好的结果和应用。

第三节 数字孪生技术与实时工艺调控

一、数字孪生技术在机械加工中的应用

近年来，随着《中国制造 2025》和《智能制造发展规划（2016—2020 年）》
等政策的颁布，智能制造成为推动制造业转型升级的重要方向。数字孪生技术作
为智能制造的核心技术之一，通过构建物理对象的虚拟模型，实现对生产过程的

190