本研究將採用遺傳演算法和類神經網路的混合法作結構的最佳化設計。遺傳演算法乃依據生物界之“物競天擇、適者生存”之理論所發展出的一套數學最佳化理論。藉由複製、交配與突變等三個基本運算元來搜尋空間上之最佳點。類神經網路乃依據生物神經網路訊息傳遞的資訊處理方式所創立的一種學習模型，只要利用了巨量的人工神經元加以連結，再經由反覆的訓練以做出適當的判斷，並將所做的訓練記憶起來，就可以求得最佳值。因此本文利用遺傳演算法優越的搜尋能力，搜尋出較適合類神經網路訓練的權重值，並透過遺傳演算法的演算過程，使類神經網路的訓練過程能夠更快速、更準確，以利於執行結構的最佳化設計。
    數值分析中將使用ANSYS有限元素分析軟體作結構分析，範例中包含壓電複材層板及一般材料桁架結構的輕量化設計和三次元量床之動態與靜態之最佳化設計。期望本研究之結果能對結構的設計提供一個實用且有效率的方法。

A hybrid method combined Genetic Algorithm and Artificial Neural Network will be adopted in this study. Genetic Algorithm is a well developed mathematic optimization theory based on the theory of “Survival of the fittest” in nature. The new design can be obtained by three basic operators: reproduction, crossover, and mutation. Neural network is a self learning model basing on the translations and procedures of creature-like neural network information. Once the connection from tremendous artificial neuron was established, the network could make the judgement of parameters by repeating trainings. By the superior searching ability of Genetic Algorithm, the optimum weights for neural network can be obtained precisely and efficiently.
    Structural analysis would be performed by a finite element analysis software ANSYS in this study. The optimum design of the piezoelectric composite material, truss and coordinate measuring machine structures would be demonstrated in the numerical analysis. We hope the result of this research would provide a practical and effective method for structural design.

目 錄

中文摘要	i
英文摘要	ii
目錄	iii
圖目錄	v
表目錄	vii
第一章  緒論	1
1.1 研究動機	1
1.2 文獻回顧	2
1.3 本文架構	6
第二章  遺傳演算法	7
2.1 基礎理論	7
2.2 決定初始族群	8
2.3 適存度	8
2.4 基因運算因子：選擇與複製、交配、突變	9
第三章  類神經網路	13
3.1 基礎理論	13
3.2 人工神經元	14
3.3 監督式學習網路	15
3.4 倒傳遞類神經網路	16
第四章  數值分析與討論	22
4.1 範例一：十桿件桁架結構最佳化設計	24
4.2 範例二：懸臂壓電雙層複材薄板結構之輕量化設計	26
4.3 範例三：壓電複合梯形斜板結構之自然頻率最大化設計	30
4.4 範例四：懸臂壓電多層複材薄板結構之輕量化設計	33
4.5 範例五：直昇機尾桁結構最佳化設計	36
4.6 範例六：倒V型三次元量床結構最佳化設計	38
4.7 範例七：倒Y型三次元量床結構最佳化設計	40
第五章  結論	42
參考文獻	44
附錄	77
附錄一：範例二之材料特性於ANSYS之輸入表格	78
附錄二：範例三之材料特性於ANSYS之輸入表格	80
附錄三：範例四之材料特性於ANSYS之輸入表格	82
附錄四：範例六APDL語法有限元素模型建構過程	84


圖目錄

圖一 遺傳演算法搜尋流程圖	47
圖二 人工神經元	48
圖三 類神經網路架構圖	49
圖四 類神經網路訓練流程圖	50
圖五 結合類神經網路與遺傳演算法之系統流程圖	51
圖六 範例一十桿件桁架結構外型圖	52
圖七 範例一十桿件桁架結構收斂圖	53
圖八 範例二懸臂壓電雙層複材薄板結構外型圖	54
圖九 範例二懸臂壓電雙層複材薄板結構收斂圖	55
圖十 範例三壓電複合梯形斜板結構外型圖	56
圖十一 範例三壓電複合梯形斜板結構收斂圖	57
圖十二 範例四懸臂壓電多層複材薄板結構外型圖	58
圖十三 範例四懸臂壓電多層複材薄板結構收斂圖	59
圖十四 範例五直昇機尾桁結構外型圖	60
圖十五 範例五直昇機尾桁結構收斂圖	61
圖十六 三次元量床結構模型	62
圖十七 範例六倒V型三次元量床有限元素分析模型	63
圖十八 範例六倒V型三次元量床結構之最佳化設計模型	64
圖十九 範例六倒V型三次元量床結構收斂圖	65
圖二十 範例七倒Y型三次元量床有限元素分析模型	66
圖二十一 範例七倒Y型三次元量床結構之最佳化設計模型	67
圖二十二 範例七倒Y型三次元量床結構收斂圖	68


表目錄

表一 範例一有限元素分析初始值與最佳值之比較	69
表二 範例二有限元素分析初始值與最佳值之比較	70
表三 範例三有限元素分析初始值與最佳值之比較	71
表四 範例四有限元素分析初始值與最佳值之比較	72
表五 直昇機尾桁之桿件分類	73
表六 範例五有限元素分析初始值與最佳值之比較	74
表七 範例六有限元素分析初始值與最佳值之比較	75
表八 範例七有限元素分析初始值與最佳值之比較	76

[1]Darwin, Charles Robert，”達爾文物種原始 / (英)達爾文Charles Robert Darwin撰; 馬君武譯”， 新文化叢書，1957.
[2]Holland, J. H., Adaptation in Natural and Artificial System University of Michigan Press, Ann Arbor. , 1975.
[3]Goldberg, D.E., Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, 1989.
[4]陳士毓，“多重進化遺傳演算法於結構最佳化設計之應用”台大機械工程研究所碩士論文，2001。
[5]Hajela, P., "Genetic Search-An Approach to the Nonconvex Optimization Problem, " AIAA Journal, pp.1205-1210, Vol.28, No.7, 1990.
[6]Chen, T. Y. and Chen, C. J., "Improvements of Simple Genetic Algorithm in Structural Design, " International Journal for Numerical Methods in Engineering, Vol.40, pp.1323-1334, 1997.
[7]林仲甫，“結合基因演算法及模擬退火法於結構最佳化設計之研究”，私立淡江大學航空太空工程學系研究所碩士論文，2005。
[8]Hopfiled, J., "Neural networks and physical systems with emergent collective computational abilities, "Proceedings of the National Academy of Sciences of the U.S.A. Vol.79,pp.2554-2558, 1982.
[9]Hopfiled, J., and Tank, D., 1985, "Neural computations of decisions in optimization problems," Biological Cybernetics, Vol.51, pp.141-152.
[10]Rumelhat, D.E., McClelland, J.L., and the PDP Research Group, Parallel Distributed Processing, Vol.1, MIT press, Cambridge, MA, 1986.
[11]Berk, L., and Hajela, P., "Applications of Artificial Neural Nets in Structural Mechanics," Structural Optimization, Vol.4, pp.90-98, 1992.
[12]Berke, L., Patnaik, S. N., and Murthy, P.L.N., "Optimum Design of Aerospace Structural Components Using Neural Networks," Computers & Structures, Vol.48, No.6, pp.1001-1010, 1993.
[13]傅文賢，“應用類神經網路於直昇機旋翼葉片之最佳化設計”，私立淡江大學航空太空工程學系研究所碩士論文，2003。
[14]許智淵，“基因演算法於類神經網路之應用”，國立成功大學航空太空工程學系研究所碩士論文，2000。
[15]Salajegheh, E., Gholizadeh, S., "Optimum Design of Structures by Improved Genetic Algorithm Using Neural Networks," Advances in Engineering Software, Vol.36, pp.757-767, 2005.
[16]廖偉成，“應用基因演算法於直昇機旋翼葉片之最佳化設計”，私立淡江大學航空太空工程研究所碩士論文，2001。
[17]蘇木春，張孝德，“機械學習：類神經網路、模糊系統以及基因演算法則”，全華科技圖書公司，民國93年。
[18]Adeli, Hojjat, Hung, Shih-Lin, Machine learning：neural networks, genetic algorithms, and fuzzy systems,  John Wiley & Sons, Ins., New York, 1995.
[19]Buckles B.P., Perty F.E., Kuester R.L., "Schema Survival rates and Heuristic Search in Genetic Algorithms, " IEEE Trans, Sys, Man, and Cybernetics, 1990.
[20]葉怡成，“類神經網路模式應用與實作”，儒林圖書有限公司，臺北，2003。
[21]楊宗龍，“類神經網路工程最佳化”，私立淡江大學機械所碩士論文，1994。
[22]Freeman J.A., and Skapura, D.M., Neural Networks：Algorithms Applications and Programming Techniques, Addison Wesley Publishing Company, 1991. 
[23]于化蛟，“類神經網路之全域最佳化應用”，私立淡江大學電機所碩士論文，1996。
[24]陳俊瑋，“壓電薄板結構之最佳化設計”，淡江大學航空太空工程學系碩士班論文，2004。