#|使用基于非支配排序的鲸鱼优化算法的生产过程中关键质量特征识别的多目标特征选择（Matlab代码实现）算法|matlab|智能算法与应用(M

目录
1 概述
2 数学模型
3 流程图
4 算例及运行结果
5 Matlab代码及详细文章
6 写在最后

1 概述现代生产过程通常包含大量的质量特性 (QC)，包括过程参数、装配参数和零件参数 (Lee & Thornton, 1996)。在实践中，并非所有这些 QC 都可以在产品的早期生产阶段进行完美设计或控制。因此，选择对最终产品质量有显着影响的关键质量控制 (KQC) 是持续产品质量控制和改进的一项重要任务（Peres & Fogliatto，2018；Shang 等，2014）。随着数据采集技术的快速进步，从生产线采集的高维生产数据在现代制造业中出现的频率越来越高，这为数据驱动的KQC识别方法奠定了基础（Li et al., 2020a; Yang et al., 2019）。然而，高数据维度对传统统计方法提出了重大挑战，例如方差分析或多元线性回归方法。

识别生产过程中的关键质量特征 (QC) 对于产品质量控制和改进至关重要。本文介绍了一种基于多目标包装器的特征选择 (FS) 方法，用于使用新的改进的基于非支配排序的鲸鱼优化算法 (MNSWOA) 和理想点法 (IPM) 对不平衡生产数据进行关键 QC (KQC) 识别。在所提出的方法中，FS 问题被定义为最大化几何平均 (GM) 度量和最小化特征 (QC) 子集大小。为了解决已定义的FS问题，首先采用MNSWOA找到一组候选解（特征子集），然后采用IPM选择最终解。在 MNSWOA 中，提出了一种改进的快速非支配排序方法，以使单目标鲸鱼优化算法适应多目标场景。此外，在 MNSWOA 中嵌入了统一的参考解决方案选择策略和变异操作，以提高其搜索性能。在四个不平衡生产数据集上的实验结果表明，所提出的 FS 方法对 KQC 识别有效且高效。进一步比较表明，MNSWOA 比基准多目标优化方法获得更好的搜索性能，包括改进的 NSGA-II、SPEA2、MOEA/D、NSPSO 和 CMDPSO

2 数学模型

文章图片

详细数学模型见第5部分。
3 流程图 【#|使用基于非支配排序的鲸鱼优化算法的生产过程中关键质量特征识别的多目标特征选择（Matlab代码实现）】

文章图片

4 算例及运行结果

文章图片

文章图片

5 Matlab代码及详细文章本文仅展现部分代码，全部代码及详细文章见：正在为您运送作品详情

文章图片

MNSWOA 及其变体获得的收敛曲线比较如图 3 所示，其中放大了迭代 20 到 100 的收敛曲线以方便比较。首先，发现 MNSWOA 及其所有变体都可以快速降低 CD 指标在每个数据集上测量的距离值，这意味着所有这些方法都可以快速收敛。其次，根据收敛曲线的放大部分，MNSWOA 得到的曲线低于变体。这表明 MNSWOA 中使用的所有新组件都有效地提高了收敛性能。最后，MNSWOA-NS 和 MNSWOA-MU 的收敛曲线远高于 MNSWOA。同时，MNSWOA-UNI 的收敛曲线略高于 MNSWOA。这意味着改进的快速非支配排序方法和变异操作在提高搜索性能方面比统一选择策略更有效。综上所述，图 3 中的比较结果表明，改进的快速非支配排序方法、MNSWOA 采用的统一选择策略和变异操作都对提高搜索性能有效。上述比较表明，MNSWOA 比基于 GA 和 PSO 策略的基准方法获得了更好的收敛性，并且 MNSWOA 中使用的新组件有效地提高了其搜索性能。

6 写在最后部分理论引用网络文献，如有侵权请联系删除。