壓縮包內(nèi)含有CAD圖紙和說(shuō)明書,均可直接下載獲得文件,所見所得,電腦查看更方便。Q 197216396 或 11970985
一個(gè)處理夾具的多代理設(shè)計(jì)
V. SUBRAMANIAM,* A. SENTHIL KUMAR and K.C. SEOW
機(jī)械的和制造工程學(xué)部門,新加坡國(guó)立大學(xué),新加坡共和國(guó)
摘 要:夾具設(shè)計(jì)是一個(gè)高度復(fù)雜的過(guò)程,它需要人類設(shè)計(jì)師豐富的經(jīng)驗(yàn)。除此之外,對(duì)于一個(gè)給定的加工件,有多種加工途徑。通過(guò)開發(fā)CAD/CAM和人工智能,從而可以抑制多種途徑,只有好的設(shè)計(jì)(通過(guò)測(cè)試比較)才會(huì)被考慮。
在這篇文章中,一個(gè)多代理夾具設(shè)計(jì)系統(tǒng)擁有遺傳基因運(yùn)算法則和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)。此系統(tǒng)會(huì)捕獲相關(guān)領(lǐng)域的知識(shí)然后使用它提出有效地解決辦法。系統(tǒng)被應(yīng)用于一個(gè)基本問(wèn)題,然后將夾具設(shè)計(jì)方案與人類設(shè)計(jì)師的比較。一般兩種方案都非常接近。
關(guān)鍵詞:夾具設(shè)計(jì),神經(jīng)網(wǎng)絡(luò),背面增殖,遺傳基因運(yùn)算法則,多代理
1. 緒論
夾具是用于制造生產(chǎn)中固定工件的,例如加工,裝配,檢查,等等。(David and Reid, 1991; Nee et al., 1995)。對(duì)于一個(gè)給定的加工件,夾具設(shè)計(jì)并不唯一,因?yàn)槎喾N設(shè)計(jì)途徑都可行。傳統(tǒng)上夾具設(shè)計(jì)過(guò)多地依賴于設(shè)計(jì)師的專業(yè)技術(shù)與經(jīng)驗(yàn)。由于高度非線性的設(shè)計(jì)參數(shù),對(duì)于一個(gè)夾具設(shè)計(jì)方案也很難進(jìn)行性能評(píng)價(jià)。因此,對(duì)于一個(gè)給定的加工件,它也不能立即被加工出來(lái)即使有一個(gè)理想或者接近理想的加工方案。
這篇文章闡述用人工智能代理取代人類專業(yè)設(shè)計(jì)師(Dini, 1997; Nelson and Illington, 1991; Senthil Kumar et al., 1998)例如神經(jīng)網(wǎng)絡(luò)和遺傳運(yùn)算法則。一個(gè)神經(jīng)網(wǎng)絡(luò)和遺傳運(yùn)算法則的組合(Goonatilake and Khebbal, 1995; Kandel and Langholz, 1992)是形成多代理夾具設(shè)計(jì)系統(tǒng)(MAFDS)的基本組成。遺傳運(yùn)算法則據(jù)報(bào)道是一種在多種類似于夾具設(shè)計(jì)問(wèn)題方案中定位最佳或接近最佳的最有效的搜尋裝置。(Arena et al., 1993; Montana, 1995; Goldberg, 1989)。
上文所說(shuō)得多代理夾具設(shè)計(jì)系統(tǒng)包含兩個(gè)主要的組成部分,也就是夾具設(shè)計(jì)者和夾具求值程序(圖1)。對(duì)于特定的夾具設(shè)計(jì)問(wèn)題,工件和加工信息會(huì)被很容易的決定下來(lái)。夾具設(shè)計(jì)者和夾具求值程序在設(shè)計(jì)過(guò)程中將會(huì)使用這個(gè)依賴信息。
上文提到的多代理夾具設(shè)計(jì)系統(tǒng),我們可用一個(gè)包含一些簡(jiǎn)單特征的加工件來(lái)解釋,例如孔和階梯(圖2).對(duì)于這種加工件,夾具設(shè)計(jì)過(guò)程所必需的工件和加工信息可以作如下分類:
·工件信息
1. 工件重量
2. 外形尺寸
3. 加工特征
·加工信息
1. 成組尺寸
2. 主軸轉(zhuǎn)速
3. 操作類型
4. 基準(zhǔn)面
5. 主要定位面
6. 次要定位面
圖1 多代理夾具設(shè)計(jì)基本框架
另外,這些工件夾具的基本骨架要素可以有如下七部分來(lái)描述:
1. 基本定位鍵
2. 側(cè)定位鍵
3. 末端定位鍵
4. 加緊方向
5. 加緊類型
6. 加緊驅(qū)動(dòng)
7. 夾具體
圖2 用棱鏡分析的工件(定位點(diǎn))
這七個(gè)不同部分組合起來(lái)就構(gòu)成了夾具的設(shè)計(jì)空間(表1)。夾具設(shè)計(jì)者使用遺傳基因運(yùn)算法則通過(guò)這個(gè)空間來(lái)搜索一個(gè)理想或者接近理想的夾具設(shè)計(jì)。每一個(gè)夾具設(shè)計(jì)都被描繪成一個(gè)上述所列的七個(gè)組成的“染色體”(連接串狀)而把每一個(gè)單獨(dú)組成部分描繪成“因子”。夾具設(shè)計(jì)者選擇染色體進(jìn)行復(fù)制基于他們各自不同的價(jià)值。更有效率的夾具設(shè)計(jì)將通過(guò)遺傳傳遞途徑得到發(fā)展,例如“交叉”和“突變”。這種運(yùn)轉(zhuǎn)循環(huán)將被重復(fù)很多代直到獲得一個(gè)適合的好的夾具。
夾具求值程序使用神經(jīng)網(wǎng)絡(luò)來(lái)評(píng)估單獨(dú)染色體合適的價(jià)值。每一個(gè)染色體(夾具設(shè)計(jì))可以被求取價(jià)值通過(guò)工件和加工信息,工件結(jié)構(gòu)和下列性能標(biāo)準(zhǔn):
·裝卸工件的難易程度
·成本
·生產(chǎn)效率
所求的合適的價(jià)值被夾具設(shè)計(jì)者用于染色體的選擇和再生。
2. 夾具求值程序
夾具求值程序的基本構(gòu)架如圖3所示。夾具求值程序是有三個(gè)輸出的神經(jīng)網(wǎng)絡(luò),裝載,卸載,成本和生產(chǎn)效率。這些輸出是用來(lái)評(píng)價(jià)夾具設(shè)計(jì)的性能測(cè)量,就像大多數(shù)神經(jīng)網(wǎng)絡(luò)一樣,夾具求值程序在使用之前必須經(jīng)過(guò)測(cè)試。
對(duì)于夾具求值程序的練習(xí),包含工件,加工信息,夾具和性能標(biāo)準(zhǔn)(在裝載,卸載,成本和生產(chǎn)效率方面)的練習(xí)例子是必需的。然而,充足的工程實(shí)例幾乎很難收集。為了越過(guò)這段真實(shí)的工業(yè)數(shù)據(jù),筆者創(chuàng)建了一個(gè)性能矩陣來(lái)敘述夾具求值程序的輸入和輸出(表1),這個(gè)矩陣也能提供必需的練習(xí)例子。
三個(gè)輸出所對(duì)應(yīng)的每一個(gè)輸入(性能測(cè)量)可由如下語(yǔ)言變量描述:
典型的由專家進(jìn)行的夾具評(píng)估一般包括語(yǔ)言上的可變量,例如上面用到的那
些。為了達(dá)到合理評(píng)估的目的,一個(gè)適當(dāng)?shù)姆謹(jǐn)?shù)就被用于每一個(gè)單獨(dú)的語(yǔ)言的可變量上了。一個(gè)合理的評(píng)價(jià)已在圖2表2工件中闡明。最初,對(duì)3性能測(cè)量的每一個(gè)輸入的分?jǐn)?shù)和每一個(gè)性能測(cè)量的總分被記錄,之后合適的價(jià)值將被如下計(jì)算出來(lái):
合理度=總分(裝載卸載容易度)+總分(生產(chǎn)效率)-總分(成本)
筆者認(rèn)為這個(gè)方法忽視了輸入和輸出的聯(lián)合效果,就像表1預(yù)示的那樣對(duì)于性能測(cè)量的個(gè)別輸入的影響是完全不受約束的。盡管這個(gè)性能矩陣是不存在的,但是筆者相信它可被用來(lái)作為訓(xùn)練實(shí)例的源頭,來(lái)校驗(yàn)接近于夾具設(shè)計(jì)的多代理的可行性。在將來(lái),由性能測(cè)量產(chǎn)生的練習(xí)實(shí)例將會(huì)被充足的真實(shí)工業(yè)數(shù)據(jù)取代。
訓(xùn)練中,夾具求值程序的測(cè)試和驗(yàn)證,有4000個(gè)例子被使用,而且這些例子是從16個(gè)輸入口隨機(jī)選取的(也就是,3個(gè)工件信息,6個(gè)加工信息和7個(gè)家具構(gòu)成)。為了確保從所有搜索空間中有合理取樣,這個(gè)例子的取樣過(guò)程就必須做到,在任意兩個(gè)例子中,必須有至少四個(gè)不同的輸入。在4000個(gè)例子中,2500個(gè)用來(lái)練習(xí),1000個(gè)用來(lái)測(cè)試,500個(gè)用來(lái)確認(rèn)。
夾具求值程序最初被練習(xí)使用標(biāo)準(zhǔn)后增殖運(yùn)算法則。使用這種方法,夾具求值程序迅速的匯聚于局部極小點(diǎn)。后增殖運(yùn)算法則是基于梯度下降從而經(jīng)常匯聚于局部極小(Montana, 1995; Dirk et al., 1993; Munro, 1993)。近來(lái)有人試圖用遺傳基因運(yùn)算法則取代后增殖運(yùn)算法則。(Arena et al., 1993; Montana, 1995; Dirk et al., 1993)這種訓(xùn)練法則有潛在的高性能定位點(diǎn),但是由于遺傳基因運(yùn)算法則的隨機(jī)行為,我們只能期待一種近似(持續(xù)正常)的練習(xí)(Alba et al., 1993)。這個(gè)也曾經(jīng)在當(dāng)?shù)貎?yōu)化機(jī)構(gòu)雜志中報(bào)道過(guò),它充分證明了遺傳基因運(yùn)算法則的優(yōu)異性能(Ulder et al., 1990)。
表1 性能矩陣
因此,一個(gè)基于遺傳基因運(yùn)算法則的混合處理方法被提出,該法則使用后傳播作為局部?jī)?yōu)化的形式。局部?jī)?yōu)化曾經(jīng)被使用過(guò)一段時(shí)期,但經(jīng)驗(yàn)表明,在質(zhì)的增長(zhǎng)上是可以忽略的。這個(gè)經(jīng)過(guò)測(cè)試的運(yùn)算法則的偽代碼如下:
隨機(jī)產(chǎn)生的神經(jīng)網(wǎng)絡(luò)數(shù)目(遺傳基因運(yùn)算法則中的染色體)
局部數(shù)目?jī)?yōu)化
染色體合適度評(píng)估
直到重復(fù)(終止標(biāo)準(zhǔn))
{ 染色體變異
選擇品
交叉口
染色體后代局部?jī)?yōu)化
染色體后代合適度評(píng)估
重新植入
新生代局部?jī)?yōu)化
新生代合適度評(píng)估 }
表2 合理的計(jì)算采樣
這種混合訓(xùn)練方法有利于開發(fā)遺傳基因運(yùn)算法則和減弱后傳播訓(xùn)練運(yùn)算法則,反之亦然。這種混合方法執(zhí)行的細(xì)節(jié)在表3中總結(jié)出來(lái)。被培養(yǎng)的神經(jīng)網(wǎng)絡(luò)像染色體一樣被編碼,每一個(gè)因子就像斜線或者砝碼一樣。譯碼被設(shè)計(jì)好了以至于在神經(jīng)網(wǎng)絡(luò)中屬于同一節(jié)點(diǎn)的斜線和砝碼被集合起來(lái)。這個(gè)譯碼系統(tǒng)向訓(xùn)練方法內(nèi)整合了可利用的該領(lǐng)域內(nèi)的知識(shí)。它同樣允許一個(gè)更有效的截面在復(fù)制過(guò)程中出現(xiàn)。另外,一個(gè)相適應(yīng)的交叉口也被創(chuàng)建,用于斜線和砝碼的連續(xù)屬性。
大多數(shù)神經(jīng)網(wǎng)絡(luò)被制作成使用兩種運(yùn)算法則,即:
·后傳播運(yùn)算法則
·遺傳基因運(yùn)算法則與后傳播的局部?jī)?yōu)化
擁有160個(gè)染色體的入口無(wú)規(guī)則的產(chǎn)生。每一個(gè)染色體是一個(gè)神經(jīng)網(wǎng)絡(luò),通過(guò)SSE(立方誤差和)來(lái)測(cè)量。每一個(gè)入口都與2500個(gè)訓(xùn)練例子相交結(jié),使用兩個(gè)練習(xí)法則大約近似于中央處理器的時(shí)間。這些神經(jīng)網(wǎng)絡(luò)的排序全體被用于測(cè)試(1000個(gè)例子)與認(rèn)證裝置中?;谄骄阅埽覀儼炎詈煤妥顗牡娜w看成每一個(gè)訓(xùn)練法則。這些最好和最壞全體的染色體,用升序排列起來(lái)(也就是染色體1#和160#分別是最好和最壞的)。我們測(cè)試裝置(圖4)和確認(rèn)裝置(圖5)的計(jì)算結(jié)果都顯示混合的訓(xùn)練方法比標(biāo)準(zhǔn)的逆向傳播訓(xùn)練法則更有效。
圖3 神經(jīng)網(wǎng)絡(luò)反饋基本構(gòu)架
圖4 用于測(cè)試裝置的訓(xùn)練運(yùn)算法則性能
圖5 用于確認(rèn)裝置的訓(xùn)練運(yùn)算法則性能
表3 GA-BP混合神經(jīng)網(wǎng)絡(luò)訓(xùn)練運(yùn)算法則的概要
選擇方法 · 標(biāo)準(zhǔn)滾輪選擇
和理值的秩和定標(biāo)被依照集中比率調(diào)整
復(fù)制品 跨接結(jié)構(gòu) · 結(jié)狀跨接結(jié)構(gòu)
連線 屬于每個(gè)節(jié)點(diǎn)的砝碼和斜線被聚集到染色體串中的節(jié)點(diǎn)組。這種二元化法的改良版本確保了在不破壞每一個(gè)節(jié)點(diǎn)組完整性的情況下完成交叉。
· 對(duì)稱跨接結(jié)構(gòu)
這個(gè)算符滿足線和砝碼的連續(xù)屬性需要。它允許來(lái)自染色體最初層遺傳物質(zhì)的改寫,因此改善了收斂比率。
突變 · 為個(gè)別染色體適當(dāng)?shù)慕⑼蛔儽嚷?
這種個(gè)別的突變比率分配允許在不牢固的染色體中出現(xiàn)更多的突變。使用這種方法就會(huì)通過(guò)突變盡可能的減少遺傳物質(zhì)。
合適度評(píng)估 · 后傳播法
自身創(chuàng)造的產(chǎn)物由于BP而被局部?jī)?yōu)化。BP在產(chǎn)物上面適合兩種運(yùn)用:
1. 局部?jī)?yōu)化自身產(chǎn)物。這適當(dāng)?shù)母纳屏怂麄兊暮线m度,因此可以防止好的產(chǎn)物被放棄。
2. 提供產(chǎn)物的合適度值
再插入方法 · 杰出的再插入
在產(chǎn)物評(píng)估出合適度之后,它們與父代染色體結(jié)合,從而形成染色體層。這個(gè)層的染色體成員被挑出來(lái)形成下一代。
這種方法被采用在優(yōu)化過(guò)程后期來(lái)克服過(guò)渡的變動(dòng)。
局部最低額 · 逆向傳播
這個(gè)增加收斂比率
3. 夾具設(shè)計(jì)者
夾具設(shè)計(jì)者關(guān)心上述提到的MAFDS,也對(duì)任何工件的簡(jiǎn)潔夾具設(shè)計(jì)方案負(fù)責(zé)。夾具設(shè)計(jì)者使用遺傳基因運(yùn)算法則搜尋夾具設(shè)計(jì)空間來(lái)用于一個(gè)合適的夾具。
被用于夾具設(shè)計(jì)者的運(yùn)算法則 (偽代碼) 是依下列各項(xiàng):(注意,這個(gè)偽代碼預(yù)示著夾具求值程序已經(jīng)被測(cè)試而且有能力推廣萃取于訓(xùn)練例子中的夾具領(lǐng)域知識(shí))
隨機(jī)發(fā)生的一個(gè)夾具設(shè)計(jì)方法的總和(在遺傳基因運(yùn)算法則中的染色體)。
用于夾具求值程序中染色體合適度評(píng)估。
重復(fù)直到(中止條件)
{ 精選品
跨接結(jié)構(gòu)
突變
用于夾具求值程序的后代染色體合適度評(píng)估
再插入 }
表4 夾具設(shè)計(jì)者摘要
選擇方式 · 標(biāo)準(zhǔn)點(diǎn)線機(jī)齒輪選擇
對(duì)整個(gè)調(diào)查合理度的隊(duì)列與縮放比例是固定的
復(fù)制品 跨接結(jié)構(gòu) · 多節(jié)點(diǎn)跨接結(jié)構(gòu)
操作碼
可利用的標(biāo)準(zhǔn)多節(jié)點(diǎn)跨接結(jié)構(gòu)被使用
突變 · 個(gè)別染色體的適當(dāng)突變比率
這種個(gè)別突變比率的分配允許更多的突變發(fā)生在不牢固的染色體上。使用這種方法,在突變時(shí)就會(huì)更可能損失少一些遺傳物質(zhì)。
合適度評(píng)估 · 夾具求值程序(NN)
NN過(guò)去習(xí)慣于滿足不同輸入關(guān)聯(lián)之間的非線性本性。
再插入方法 · 高效率再插入
當(dāng)后代產(chǎn)物通過(guò)合適度評(píng)估之后,他們與從父代那里過(guò)來(lái)的染色體結(jié)合形成染色體層。這個(gè)染色體層的一部分被選擇來(lái)形成下一代。
這種方法被用來(lái)在優(yōu)化過(guò)程中消除過(guò)多的變動(dòng)。
表5 集中收斂比率
夾具設(shè)計(jì)細(xì)節(jié)已經(jīng)在表4種表示出來(lái)。MAFDS的一些特征如下:
· 夾具求值程序包含了設(shè)計(jì)知識(shí),這就使其能夠更快的評(píng)估夾具設(shè)計(jì)。
夾具設(shè)計(jì)程序被設(shè)計(jì)得很容易適合額外的實(shí)例,因?yàn)镸AFDS的測(cè)試與
設(shè)計(jì)階段是彼此獨(dú)立的。
· 系統(tǒng)不僅僅能提供一個(gè)最佳方案,而且能提供一組不理想的方案。這
就會(huì)幫助設(shè)計(jì)者從中選擇交流,如果需要的話。這種工具在傳統(tǒng)的優(yōu)
化技術(shù)中是沒(méi)有的,例如線性規(guī)劃設(shè)計(jì)。
為了測(cè)試MAFDS的效力,我們創(chuàng)造了330個(gè)樣本。每一個(gè)樣本都向MAFDS
反饋一個(gè)輸入,由三個(gè)工件信息和六個(gè)加工過(guò)程信息組成。系統(tǒng)的輸出是七個(gè)
夾具信息。為了在這個(gè)問(wèn)題中確保樣品被很好的分布,問(wèn)題選擇程序被迫于在兩
種樣品問(wèn)題中選擇,這樣至少有兩條輸入是不相同的。
對(duì)于每一個(gè)樣本問(wèn)題,十個(gè)不同的初始總值被隨機(jī)發(fā)生之后被最優(yōu)化用于
MAFDS。這些測(cè)試問(wèn)題的結(jié)果在表5種展示出來(lái)。結(jié)果表明需要系統(tǒng)來(lái)定位全局最小值的每一代是14.3那一代,在50代里面,樣本的99.9%都擁有定位最小值。在3300個(gè)樣本中只有四個(gè)實(shí)驗(yàn)(0.1%)沒(méi)有達(dá)到球形最小值。因此,基于這些結(jié)果,夾具設(shè)計(jì)者可以非常有效地為不同的樣本找到最好的夾具方案。
4. 研究與學(xué)習(xí)
為了論證MAFDS的可行性,在圖6中展示了一個(gè)“震動(dòng)手臂”,用來(lái)做研究。之后我們?cè)贛AFDS和人類設(shè)計(jì)師提供的夾具方案中進(jìn)行比較和分析。
在MAFDS上的輸入信息,用來(lái)加工#1孔(圖6),在表6中展示出來(lái)。為了公平比較,人類設(shè)計(jì)師被限制使用在表1中所示的7個(gè)夾具成分來(lái)設(shè)計(jì)夾具。
使用表6中的信息,利用MAFDS可以獲得夾具外形而夾具設(shè)計(jì)師的思路在表7種展示出來(lái)。這兩種解決方法都嚴(yán)格的存在于7個(gè)夾具成分中。不相一致的僅僅是基本定位的選擇與夾具體的選擇。
表6 機(jī)械振動(dòng)手臂的工件與加工信息
表7 夾具設(shè)計(jì)方案比較
通過(guò)仔細(xì)對(duì)機(jī)械振動(dòng)手臂(圖6和表6)進(jìn)行檢查,我們發(fā)現(xiàn)鉆孔操作是必需的,工件的基準(zhǔn)有一個(gè)機(jī)械再加工層。為了演練這個(gè)操作,一個(gè)適當(dāng)?shù)膴A具方案可以使用3點(diǎn)或者平面定位。一個(gè)夾具設(shè)計(jì)師一般選擇3點(diǎn)定位,因?yàn)樵诨鶞?zhǔn)上的機(jī)械再加工面是不可以忽略的,而且平面基準(zhǔn)定位類型對(duì)這個(gè)工件不太適合。如果有充足的定位區(qū)域用來(lái)定位,則MAFDS將無(wú)法決定使用哪一個(gè)。在缺乏這種信息的情況下,系統(tǒng)選擇平面作為定位面是合理的。如果所生產(chǎn)的工件的成組尺寸較小,則組合夾具體類型將會(huì)更合適。這個(gè)夾具體類型是可再利用的,成本也高。另一方面,如果成組尺寸很大,則焊接的夾具體類型比較合適。這個(gè)夾具體是不可再生的,但是他的單位成本是非常低的,從而形成一個(gè)合理的夾具。在我們的個(gè)別研究中,若成組尺寸處于中等,則任一個(gè)夾具體類型都是合理的選擇。
5. 總結(jié)
為了縮減來(lái)自于人類專業(yè)設(shè)計(jì)師設(shè)計(jì)中的依賴性與不明確性,一個(gè)MAFDS由基于神經(jīng)網(wǎng)絡(luò)的夾具求值程序和基于遺傳基因運(yùn)算法則的夾具設(shè)計(jì)理念所構(gòu)成。筆者所示的夾具求值程序在GA逆向傳播訓(xùn)練方案中被最好的測(cè)試過(guò)。
基于已獲得的結(jié)果,這個(gè)家具設(shè)計(jì)的多代理方法能夠?yàn)闃悠吩囼?yàn)提供理想或者接近理想的方案。另外,系統(tǒng)是動(dòng)態(tài)的,能夠不斷學(xué)習(xí)。當(dāng)更多的設(shè)計(jì)思路可供練習(xí),系統(tǒng)對(duì)夾具設(shè)計(jì)方案性能評(píng)估的可靠性和精確度會(huì)得到改良。從而,這將會(huì)導(dǎo)致設(shè)計(jì)更加優(yōu)化。
一個(gè)發(fā)展著的MAFDS系統(tǒng)可以從一個(gè)專業(yè)的人類設(shè)計(jì)師那里清晰和一貫的汲取廣泛的知識(shí)。人類設(shè)計(jì)師對(duì)于同樣的問(wèn)題有時(shí)可以提出很多不同的解決方案,或者對(duì)同一問(wèn)題不同的設(shè)計(jì)師提出不同的解決方案。
當(dāng)對(duì)事件進(jìn)行深入的學(xué)習(xí)時(shí),MAFDS的缺點(diǎn)是當(dāng)前存儲(chǔ)的信息是非常有限的。例如,它無(wú)法在一個(gè)工件的基準(zhǔn)面上找到可利用的區(qū)域用于定位。解決這個(gè)問(wèn)題的途徑是要求包含更多工件與加工過(guò)程細(xì)節(jié)信息的輸入更加精確。筆者目前正在深入研究這個(gè)問(wèn)題。
參考文獻(xiàn)
Alba, E., Aldana, J. F. and Troya, J. M. (1993) Genetic algorithms as heuristics for optimizing ANN design. Arti.cial Neural Networks and Genetic Algorithms: Proceeding of the International Conference in Innsbruck, Austria, 683-690.
Arena, P., Caponetto, R., Fortuna, L. and Xibilia, M. G. (1993) M.L.P. Optimal topology via genetic algorithms. Arti.cial Neural Networks and Genetic Algorithms: Proceeding of the International Conference in Innsbruck, Austria, 670-674.
David, T. and Reid (1991) Fundamentals of Tool Design, Society of Manufacturing Engineers.
Dini, G. (1997) Literature database on application of arti.cial intelligent methods in manufacturing engineering. CIRP, 46, 681±690.
Dirk, T., Suykens, J., Vandewalle, J. and Moor, B. D. (1993) Genetic weights optimization of a feedforward neural network controller. Artificial Neural Networks and Genetic Algorithms: Proceeding of the International Conference in Innsbruck, Austria, 658-663.
Goldberg, D. E. (1989) Genetic Algorithm in Search, Optimization, and Machine Learning, Addison- Wesley, New York.
Goonatilake, S. and Khebbal, S. (1995) Intelligent hybrid system: issues, classi.cations and future directions. Intelligent Hybrid System, 1-20.
Kandel, A. and Langholz, G. (1992) Hybrid Architecture for Intelligent System, CRC Press.
Montana, D. J. (1995) Neural network weights selection using genetic algorithms. Intelligent Hybrid System, 85-104.
Munro, P. W. (1993) Genetic search for optimal representation in neural networks. Arti.cial Neural Networks and Genetic Algorithms: Proceeding of the International Conference in Innsbruck, Austria, 628-634.
Nee, A.Y.C., Whybrew, K. and Senthil Kumar, A. (1995) Advanced Fixture Design for FMS, Springer-Verlag, UK.
Nelson, M. M. and Illingworth, W. T. (1991) A Practical Guide to Intelligent System, Addison-Wesley, New York.
Senthil Kumar A., Subramaniam, V. and Seow, K. C. (1998) Conceptual design using GA. Accepted for publication in International Journal of Advanced Manufacturing Technology.
Ulder, N. L. J., Aarts, E. H. L., Bandelt, H. J., Laarhovan, P. J. M. V. and Pesch, E. (1990) Genetic local search algorithms for the travelling salesman problem.
Parallel Problem Solving from Nature, Proceedings from the .rst Workshop, PPSN I, Dortmund, FRG, 109-116.