基于AGSCOA-Stacking特征加权的船用钢板焊接余量预测

作     者：谢久超 苌道方 

作者机构：上海海事大学物流科学与工程研究院 上海海事大学物流工程学院 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2024年

学科分类：12[管理学] 080503[工学-材料加工工程] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0805[工学-材料科学与工程（可授工学、理学学位）] 0824[工学-船舶与海洋工程] 0802[工学-机械工程] 0835[工学-软件工程] 082401[工学-船舶与海洋结构物设计制造] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：焊接余量预测 Stacking集成学习 代理模型 螯虾优化算法 折射反向学习机制 黄金正弦算法 

摘      要：为了提升钢板焊接的精度，从而提高船体质量和建造效率，提出一种AGSCOA-Stacking特征加权代理模型的方法用于解决船用钢板焊接余量预测问题。首先，基于Stacking集成学习策略，根据所提出的PC指标，从多种机器学习模型中筛选出兼具高预测精度和差异性的基学习器。其次，提出一种特征加权方法，针对所筛选基学习器的预测性能进行自适应特征加权，从而提高模型的泛化能力。最后，对传统螯虾优化算法进行多方面改进：引入正交折射反向学习机制来改进种群初始化，确保初始种群质量；提出自适应Lévy飞行策略来优化探索阶段，避免陷入局部最优；引入黄金正弦算法改进开发阶段，平衡全局搜索与局部开发能力。利用改进后的自适应黄金正弦螯虾优化算法（AGSCOA）对代理模型进行多参数优化，从而提升模型预测精度。实验结果表明，AGSCOA在优化性能和收敛速度上表现出色，所提出的代理模型相比于单一机器学习模型和线性组合模型具有更高的预测精度，均方根误差（RMSE）分别降低了35.78%、17.48%、22.31%和14.29%。