PARAMETER OPTIMIZATION OF TRACTOR'S STEERING TRAPEZOID MECHANISM BASED ON IMPROVED ADAPTIVE DIRECTION STRATEGY TEACHING-LEARNING-BASED OPTIMIZATION
Notice bibliographique
Résumé
ABSTRACT The parameter optimization of the tractor's steering trapezoid mechanism is a traditional optimization problem, and the teaching-learning-based optimization (TLBO) has a better solving ability for parameter optimization of the tractor's steering trapezoid. However, the teacher stage and student stage of TLBO limit the accuracy and stability and the ability to jump out of the local optimization solution. To obtain an optimal solution with an higher accuracy, an improved adaptive direction strategy teaching-learning-based optimization (IADS-TLBO) was used. This improved the feedback stage based on the adaptive direction strategy teaching-learning-based optimization (ADS-TLBO). The IADS-TLBO was verified by three different testing functions, and the results showed that the improved ideas are valid and feasible. Finally, the IADS-TLBO was used to optimize the steering trapezoid mechanism of JOHN DEERE T600. The optimal parameters obtained were as follows: the bottom angle was 35.4º, and the steering arm length was 154 mm. A verification experiment was conducted in the farm tool laboratory of Northeast Agricultural University (China). The experimental results showed that the average bottom angle was 35.48º, and the relative error between the measured and optimized bottom angles was 0.23%, which is less than 5%. This result showed that the results obtained by IADS-TLBO were reliable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».