基于非支配排序遗传算法-II的镍钴磷三元化学镀层多目标优化研究

工程科学与技术，国际期刊19（2016）1526完整文章基于非支配排序遗传算法-II的镍钴磷三元化学镀层多目标优化Jhumpa Dea，Jumpa，Tushar Banerjeeb，Rajat Subhra Senc，Buddhadeb Oraonc，Gautam Majumdarca印度胡格利技术学院机械工程系b印度理工学院机械工程系，Kharagpur，西孟加拉邦721302，印度c印度Jadavpur大学机械工程系阿提奇莱因福奥文章历史记录：2015年12月14日收到2016年4月10日修订2016年4月29日接受2016年5月26日在线发布保留字：化学镀p值多目标优化遗传算法NSGA-IIA B S T R A C T研究了纯铜表面化学镀镍钴磷合金的工艺。已选择通过能量色散X射线分析评估的沉积物质中的镍和钴的重量百分比作为用于统计分析的响应变量。中心复合设计的响应面模型，以解释预测响应的曲率的影响。Student响应曲面图和p值预测结果相同。Fisher采用多目标优化方法，寻求工艺参数的最佳值，以使响应最大化。从NSGA-II获得的Pareto最优解前沿，为决策者提供了更大的灵活性和最优工艺参数的值©2016 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍通过水溶液的金属沉积可以分为两种类型-电解和无电。化学镀Ni-P是一种化学还原工艺，它包括在含有还原剂的水溶液中自催化还原镍盐，然后在浸入的基体上沉积Ni-P化合物，而不需要任何外部电源。然而，为了防止金属磷酸盐在浴中沉淀，为了活化次磷酸根离子，为了加速沉积速率，为了更长时间地控制pH和为了增加润湿性;为了各个目的，使用添加剂如络合剂、促进剂、缓冲剂和润湿剂。化学镀Ni-P镀层具有良好的物理、机械、电学、耐腐蚀和耐磨性能。这种性能可以在涂层的热处理上进一步增强，这导致结晶相的演变，并且随后它们发现各种工业应用，如医疗设备、阀和阀座、输油管道等。然而，为了满足特定应用的需要，化学三元和四元沉积物如*通讯作者。电子邮件 地址： de. gmail.com（J. De）。由Karabuk大学负责进行同行审查Ni–Cu–P 然而，除镍之外的第二金属的添加受到某些约束的限制，例如，在第二金属成分存在下的主要成分镍必须对沉积过程具有催化活性，并且第二金属的还原由其对还原过程的催化活性决定。钴作为合金元素，赋予沉积物磁性[8]。虽然各种技术如喷雾沉积、湿热氧化、大气压化学气相沉积等可用于沉积磁性膜，但化学镀工艺被认为是最合适的方法，因为其能够提供均匀的厚度和工艺的成本效益[9，10]。许多作者已经报道了通过化学镀途径和不同的特征合成沉积速率取决于Co2+和Ni2+的金属比、还原剂浓度、镀液pH值和镀覆时间[1，10钴的添加改善了沉积物的电磁屏蔽性能、饱和磁化强度、剩磁和矫顽力[1，10]。研究表明，对沉积的非晶Ni-Co-P沉积物进行热处理粉煤灰空心微珠和SiC粉末表面化学镀http://dx.doi.org/10.1016/j.jestch.2016.04.0112215-0986/©2016 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch3J. De等人 /工程科学与技术国际期刊19（2016）1526-15331527在文献中也有报道[16一些作者还研究了电解和化学镀镍涂层之间的差异[9，26]。这些研究表明，化学镀镍层比电解镀镍层具有优势，因为其沉积均匀，不受表面几何形状和电流密度的影响，而且对环境友好。本文着重分析了在不同钴源浓度、还原剂浓度和镀液温度条件下化学镀Ni-Co-P镀层的化学成分。采用X射线能量色散分析（EDAX）来定量沉积物中三种元素即镍、钴和磷的重量百分比。数据分析采用中心复合设计试验方法[2，27然后采用多目标遗传算法进行优化获得钴和镍的最大重量百分比的工艺参数。早期的研究表明，钴和镍的重量百分比的增加将分别增加化学镀Ni-Co-P涂层的磁性和耐腐蚀性2. 实验细节铜条（纯度99.99%），尺寸采用20× 15× 0： 1mm厚的基底材料，并 在 悬 浮 于 涂 布 浴 中 之 前 在 蒸 馏 水 中 漂 洗 。 以 六 水 硫 酸 镍（NiSO4·6H2O）为镍源，七水硫酸钴（CoSO4·7H2O）为钴源，次磷酸钠（NaH2PO2·H2O）为还原剂，柠檬酸三钠（Na3C6H5O7·2H2O）为配位剂，硫酸铵（（NH4）2SO4）为缓冲剂。改变钴离子源的浓度、还原剂的浓度和浴温，并且保持其它沉积参数的值固定，如表1中所示。然后在与JEOLJSM 6300扫描电子显微镜相关联的EDAX设备的帮助下进行涂层的化学分析3. 工艺参数为了确定单个工艺参数及其相互作用的显著性，可以形成回归方程。它估计响应和输入过程参数之间的相关性。23完全析因试验设计考虑了6个添加中心点，以估计实验误差。表3给出了通过以随机顺序的试验编号进行实验获得的实验数据化学镀Ni-Co-P镀层中镍、钴和磷的重量百分比分别N、C和P的拟合方程如下：发送研究。首先通过浸入稀HCl中对基材进行脱脂，随后在蒸馏水中冲洗以从其表面去除残余的酸然后浸入氯化钯溶液中进行表面活化表1不同的实验因素及其范围[2]。因子范围六水合硫酸镍（镍离子源）20 g l-1（固定）七水合硫酸钴（钴离子源）4-柠檬酸三钠二水合物（络合剂）60 g l-1（固定）硫酸铵（缓冲剂）40 g l-1（固定）温度70溶液pH 4.5（固定）沉积时间1 h（固定）活化温度55 °C（固定）浴槽容积200 cm3（固定）水浴加载（AV-1）0.03 cm-1（固定）电话：0755- 88888888传真：0755-88888888-0： 193X1X3- 0： 020X1X2X3R -平方英尺 87： 9%氯化钠C/V14：32：30X1-0：135X2-0：673X3-0：220X1X2-0：505X2X3-0： 062X1X3mm 0： 025X1X2X3R -平方英尺 86： 2%双金属2019-01-2900：00尺寸0： 256X1X3- 0： 004X1X2X3R -平方尺 75： 0%厚3 mm进行Student输入过程参数及其相互作用的估计可以看出，在5%显著性水平和五个自由度（v = n c - 1 = 5）下的从表4中可以看出，仅单个工艺参数X1（钴硫酸盐七水合物，即，第二金属离子源）具有显著的命名法XinfnanclkZnN^C^C法案第i个自变量阶乘点数轴点数中心点数水平许多因素观察总数回归方程中的系数个数镍的重量百分比估计值钴的重量百分比估计值确认运行中钴重量百分比的实际值确认运行中镍重量百分比的实际值Zita，tRb活动RestiR2eR2res第i个过程参数显著性水平和t自由度的Student t分布的值回归系数变异性的标准差第i次观测的响应的实际值或观测值第i个观测的响应估计值重复方差（误差估计值）残差方差Fa;t1，t2显著性水平和t1自由度的Fisher F比值N行11528J. De et al. /工程科学与技术，国际期刊19（2016）1526表2不同工艺参数的实际值和编码值[2]。实际值CoSO4·7H2 O，g l-1Z1 NaH2 PO2·H2 O，g l-1Z2温度，°CZ3X1X2X34 12 70-a-a-a8.05 19.30 74.05-1-1-114.00 30.00 80.00 0 0 019.95 40.70 85.95 1 1 124 48 90 +a+a+a表3对于不同的工艺参数设置，观察到的Ni、Co和P的重量百分比运行编号参数的编码值镍重量百分比（N）钴重量百分比（C）磷重量百分比（P）-1-1表4输入过程参数及其相互作用的估计t值e表5三个响应的相应系数的p值含量，%均p0p1p2p3p12第二十三页p13第123页镍0.0000.0010.8430.4400.8790.3370.6970.968钴0.0000.0010.7490.1460.6040.2560.8820.952磷0.0000.0120.3110.2190.5050.9680.2610.986涂层中镍、钴和磷的重量百分比在5%显著性水平下的影响p值有助于估计结果是否具有统计学显著性。如表5所示，只有七水硫酸钴的浓度是具有统计学意义的参数。4. 结果和讨论4.1. 二阶响应面化学反应的速率甚至反应的产物可以是反应物浓度和温度的非线性函数，因此，包含这些输入参数的二次项的电流响应响应面模型估计的相互作用，甚至二次效应，并给出了响应面的性质的想法。在接近最优时，二次模型和二阶设计是需要模拟曲率。响应面法（RSM）用于确定输入过程参数和响应变量之间 的 数 学 关 系 。 为 了 确 定 二 阶 响 应 面 模 型 ， 使 用 中 心 复 合 设 计（CCD）。CCD由lk个阶乘点、2k个轴向点和nc个中心点组成。阶乘点用1编码。a的合适值是cho-感测以使CCD可旋转，其中1/4nf=4[30]。除了RSM之外，还有其他几种替代方法，即Kriging，Arti-神经网络，支持向量机（SVM）等，但由于没有足够多的数据来训练神经网络和低阶非线性响应函数，因此在本研究中使用了RSM[31]。SVM和RSM给出几乎更接近的预测[32]。在这里，响应面方法被应用于建模和分析的问题，其中的重量百分比镍、钴和磷的含量分别受三个输入变量的影响，其变化如表2所示。X1X2X312-1+1个-1-174.11 ± 0.08768.23 ± 0.11411.78 ± 0.13516.99 ± 0.20414.11 ± 0.08114.78 ± 0.1203-1+1个-172.74 ± 0.2713.01 ± 0.12314.25 ± 0.07545+1个-1+1个-1-1+1个67.24 ± 0.08174.25 ± 0.22817.24 ± 0.13511.62 ± 0.17715.52 ± 0.09614.14 ± 0.1026+1个-1+1个67.68 ± 0.44116.48 ± 0.17115.85 ± 0.1297-1+1个+1个74.93 ± 0.14110.73 ± 0.14414.33 ± 0.1028+1个+1个+1个68.58 ± 0.21614.81 ± 0.09616.61 ± 0.129900070.50 ± 0.10515.17 ± 0.14414.33 ± 0.1261000072.31 ± 0.14713.30 ± 0.13814.39 ± 0.1021100069.75 ± 0.11114.80 ± 0.08715.45 ± 0.087含量，%R2Rb的t0t1t2t3t12t23t13t123镍1.93480.4917143.786.18260.19930.79310.15251.00060.39040.0406钴1.34030.409234.94625.62070.32991.64470.53761.23410.15150.0610磷0.409380.226265.873.275861.01241.25550.64540.03981.13170.017712J. De等人 /工程科学与技术国际期刊19（2016）1526-15331529表6通过EDAX获得的RSM镍、钴和磷的实测重量百分比。运行编号1234567891011121314151617181920表7反应之间的相互关系镍的重量百分比钴的重量百分比钴的重量百分比磷-0.968-0.7700.585图1a. N^=f（X1，X2）的响应曲面和等值线图，保持值：X3=0。本研究的预测响应面方程如下：2019-06-1800：0002 2©2018- 2019www.cn-hotels.com版权所有并保留所有权利R-Sq 485：9%;p值¼0： 003ð4Þ1：20-2：20- 3：20 -4：20- 5：20- 6：20- 7：20-1 2-0： 063X3- 0： 220X1X2- 0： 505X2X3- 0： 062X1X3R-Sq 78：9%;p-值¼0： 018± 5 mm图1c. N^=f（X3，X1）的响应曲面等高线图，保持值：X2=0。图1b. N^=f（X2，X3）的响应曲面等值线图，保持值：X1=0。参数的编码值镍重量百分比（N）钴重量百分比（C）磷重量百分比（P）X1X2X3我在等你+1-1-1-1 +1-1+1 +1-1-1-1 +1+1-1 +1-1 +1 +1+1 +1 +174.11 ± 0.08768.23 ± 0.11472.74 ± 0.2767.24 ± 0.08174.25 ± 0.22867.68 ± 0.44174.93 ± 0.14168.58 ± 0.21611.78 ± 0.13516.99 ± 0.20413.01 ± 0.12317.24 ± 0.13511.62 ± 0.17716.48 ± 0.17110.73 ± 0.14414.81 ± 0.09614.11 ± 0.08114.78 ± 0.12014.25 ± 0.07515.52 ± 0.09614.14 ± 0.10215.85 ± 0.12914.33 ± 0.10216.61 ± 0.129-1.682 0 0+1.682 0 00 - 1.682 00 +1.682 00 0-1.6820 0+1.6820 0 00 0 075.54 ± 0.12668.53 ± 0.07570.59 ± 0.21372.43 ± 0.08771.29 ± 0.16570.00 ± 0.10570.50 ± 0.10572.31 ± 0.14711.02 ± 0.13215.72 ± 0.0614.52 ± 0.06912.35 ± 0.04813.33 ± 0.10215.02 ± 0.0615.17 ± 0.14413.30 ± 0.13813.45 ± 0.13515.75 ± 0.10514.89 ± 0.15315.22 ± 0.08115.38 ± 0.11414.97 ± 0.17114.33 ± 0.12614.39 ± 0.1020 0 00 0 00 0 00 0 069.75 ± 0.11171.29 ± 0.11768.21 ± 0.09370.50 ± 0.10514.80 ± 0.08713.23 ± 0.10516.17 ± 0.11715.17 ± 0.14115.45 ± 0.08715.48 ± 0.08715.61 ± 0.15914.33 ± 0.1112·1530J. De et al. /工程科学与技术，国际期刊19（2016）15261817161514131221 2010-1-1X2- 2-2X1图2a. 响应曲面等高线图C^=f（X1，X2），保持值：X3=0。图3a. P^=f（X1，X2）的响应曲面和等值线图，保持值：X3=0。16.51615.51514.521 2010-1X3- 2-2X2图3b. 响应曲面和等值线图P^=f（X2，X3），保持值：X1=0。图2b. 响应曲面和等高线图C^=f（X2，X3），保持值：X1=0。P^2 2沪公网安备31010502000114号电话：021- 88888888传真：021-88888888R-Sq 76：6%;p-值¼0：028 ± 6 ℃生成MATLAB代码以根据表6中获得的数据绘制响应曲面图。从表7中可以明显看出，钴的重量百分比和镍的重量百分比高度相关。其他相关性为中度。4.2. 响应面及其解释图图1分别示出了N^=f（X1，X2）、N^=f（X2，X3）和N^=f（X3，X1）的曲面和等高线图。 图 2、显示表面和等高线图 C^=f（X1，X2），C^=f（X2，X3）， C^=f（X3，X1）图2c. 响应曲面图和等高线图，C^=f（X3，X1），保持值：X2=0。各自的Ly。 图图 2分别显示了P^=f（X1，X2）、P^=f（X2，X3）和P^=f（X3，X1）的曲面图和等高线图。 图1（a）和1（c）表明第二金属离子源七水合硫酸钴显著影响镍含量。图图1（c）和图2（c）表明，第二合金化金属（CoSO4 7H2 O）的来源对镍和钴含量的影响比沉积温度的影响显著。 图3 （b）显示磷的重量百分比磷的重量百分比-1-¼¼保留地电话：+86-21- 22222220J. De等人 /工程科学与技术国际期刊19（2016）1526-15331531表9解的Pareto最优前沿及相应的工艺参数最优值。181C^1X1X2X3Z1Z2Z3N^17161514131221010-1X1- 2-2X32019 - 05 - 22 0.0152 1.682-0.8450-1.12267 24 20.96 730.1187 0.0128-1.6621 1.6225 1.6685 4.11 47.36 900.1028 0.0131-1.4577 1.4539 1.0892 5.33 45.56 870.1154 0.0129-1.6365 1.6076 1.5410 4.26 47.20 890.0746 0.0138-0.8220 0.9238-0.8591 9.11 39.88 750.0874 0.0134-1.5218 0.2433-0.8333 4.94 32.60 750.0576 0.0149 1.0960 0.1368-0.7161 20.52 31.46 760.0913 0.0133-1.4467-0.2630-0.0612 5.39 27.19 800.0131-1.6565 0.4376 0.4221 4.14 34.68 820.0647 0.0144-0.0420 1.3395-1.0500 13.75 44.33 742.0904 0.0134-1.2574 0.7283 0.4597 6.52 37.79 830.0843 0.0135-1.3221 0.6485-0.5268 6.13 36.94 770.0608 0.0146 0.6464-0.2481-0.9910 17.85 27.34 740.0802 0.0137-0.5550 0.3510 0.6660 10.70 33.75 840.1094 0.0130-1.5838 1.4076 1.3578 4.58 45.06 880.0967 0.0132-1.5584-0.1298 0.6796 4.73 28.61 84图3c. P^=f（X3，X1）的响应曲面和等值线图，保持值：X2=0。磷含量分别随还原剂浓度和温度变化不大。采用FisherF比可以从随后的方程[2，28，29，33]中获得：钴和镍的重量百分比高度相关。考虑到这些原因，如前所述 已经观察到，镍（N^）的估计重量百分比和钴（C^）的估计重量百分比由于X1、X2和X3的变化而彼此矛盾，如图1A和1B中的响应曲面图所示。 1和2和Eqs. （1）和（2）。既然这两个是矛盾的-F¼r2=r2其中，r21/4XRacti-Restið7Þð8Þ它们之间的相互依赖关系，可以看作是一个多目标优化问题。在解决这个多目标优化问题之后，将有机会获得Pareto最优解阵面，其代表工艺参数的最优值1/1Z-n为了获得适当的搜索的最佳值的亲，1%显著性水平下的F值以及自由度上限为10（v1=Z-n）和自由度下限为5（v2=nc（1）10.05。从表8中可以看出，所有预测响应的F值（钴的重量百分比-年龄为1.1624，镍的重量百分比为0.8685，磷的重量百分比为0.6498）均小于10.05，因此，可以得出结论，所建立的响应面预测方程提供了与观测数据的良好拟合，并且二阶方程的R-Sq值更接近于1，因此，该模型是可靠的。响应面法主要用于制造过程的建模和分析，以了解输入过程参数对响应的影响，但它不适合多响应问题。为了克服这一缺点，提出了非显性排序遗传算法-Ⅱ（NSGA-Ⅱ）。当遗传算法的参数X1、X2和X3都不存在时，就需要寻找最优的遗传算法参数，如变异概率、交叉概率、种群规模和最大代数等。因此，进行了全面的GA参数研究，以确定其最佳值，最佳GA参数的结果见表9[35，36]。5. 多目标优化采用非优势排序遗传算法（NSGA-II）求解该多目标优化问题。NSGA-II如果被视为最小化问题则性能更好[35，37]。然而，本研究的主要目标是使钴和镍的重量百分比最大化，因此，为了获得最小化问题，从方程考虑以下方程：（2）和（1）。II）用于评价本研究中的一组最佳工艺参数。即使现实生活中的问题有混合的设计变量和不等式约束的目标函数，遗传算法是有用的研究现实世界的机械系统和过程优化相关的问题[34]。目标11C^目标21N^ð9Þð10Þ方程的回归系数（R-Sq）（1）和（2）被观察到接近于1，这表明这些模型足以用于进一步的预测。由于钴源浓度（X1）、还原剂浓度（X2）和浴温（X3）的变化，没有观察到磷的重量百分比有太大的偏差（表3），从表7中也可以明显看出，表8Fisher's F -ratio的估计一个多目标优化问题，制定这两个目标的基础上，这是最小化。从数学上讲，它可以表述如下：最小化目标1最小化目标2受预测响应面方程残差方差复制差异估计F值46x16 24X1;X2;X3的N^¼=1.6804 1.93480.8685C^^f=0.000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000P^^f=X1;X2;X3=0.2660 0.40940.6498126x26 48706x36 90磷的重量百分比res-11532J. De et al. /工程科学与技术，国际期刊19（2016）1526表10确认运行。X1X2X3Z1Z2Z3C法案N行为C^N^1.682-0.8450-1.122672420.967318.6164.9819.0565.790.8220 0.9238-0.8591 9.11 39.88 751.5218 0.2433-0.8333 4.94 32.60 7512.7010.5272.4374.4013.4011.4472.4674.631.0960 0.1368-0.7161 20.52 31.46 7617.1566.9617.3667.11表11确认运行的实际值与算法计算值之间的相关性。0.0155来自NSGA II的钴的实际重量%来自NSGA II的0.0150镍的实际重量%0.0145选择遗传算法的主要原因是它可以用于复杂的多参数分析，因为它搜索最优值而不使用目标函数的导数由于这个原因，遗传算法的解决方案被限制在局部极小的机会是少的，这是一个主要的缺点，transmitting优化方法。在过去的几年中，遗传算法已被广泛应用于不同的领域，以获得最佳参数[35]。5.1.遗传参数研究交叉率为0.1，交叉概率在0.4和1.0之间变化，保持其他参数，即。0.01400.01350.01300.01250.05 0.06 0.07 0.08 0.09 0.10 0.11 0.121/钴的估计重量百分比见图4。 帕累托最优解前沿。突变概率、群体大小和最大世代数固定为0.002、100和100。本研究中交叉概率值取0.8对于0.8的交叉此后，突变概率在0.001和0.01之间以0.001的步长变化，其中其他诸如交叉概率、群体大小和最大世代数分别被设定为固定值0.8、100和100。突变概率为0.003时，获得了最佳值。然后，交叉概率，变异概率和最大代数保持固定为0.8，0.003和100。种群规模在20 ~ 200之间变化，步长为20，相应的最佳种群规模为80。最后，交叉概率、变异概率和种群规模分别固定为0.8、0.003和80，最大代数范围为20 - 300，步长为10。在运行GA的90代的最大值，最小的适应值被发现。在以下条件下确定GA参数的最佳值：交叉概率= 0.8。突变概率= 0.003。人口规模= 80。最大代数= 90。在求解多目标优化问题后，利用这些遗传算法参数的最优值得到解的Pareto最优前沿。在解决该多目标优化问题之后，获得解的帕累托最优前沿并在图4中示出，并且以表格形式呈现工艺参数的相应最优值（表9）。在获得这个Pareto最优解阵面之后，可以选择一个特定的工艺参数根据其具体要求。这些帕累托最优解集有助于决策者即使在不可预测的情况下也能获得过程参数的值[38]。帕累托前沿的实现显示了多目标解决方案策略的有效性[39]。表10显示了为确定观察数据与NSGA-II所得结果之间的相关性而进行从表11中可以明显看出，算法计算的数据与实际数据高度相关，因此，确认运行与NSGA II结果收敛。6. 结论在铜基体上化学镀Ni-Co-P三元合金镀层。研究了金属离子浓度（七水硫酸钴）、还原剂和温度等工艺参数对反应的影响。进行EDAX分析以找出涂覆样品中镍、钴和磷含量的重量百分比。发现磷含量变化不大，而镍含量与钴含量成反比。对不同工艺参数对化学镀层中镍、钴含量的影响进行了统计分析。研究发现，钴离子源浓度对镀层中镍和钴含量有显著影响。确定了预测响应的响应面方程，并分别得到了响应的三维曲面图和等值线图。这些表面和等高线图显示了两种反应的方式，即，镍和钴的重量百分比随不同的工艺参数而变化。Fisher’s F检验表明1/镍的估计重量百分比J. De等人 /工程科学与技术国际期刊19（2016）1526-15331533与观察到的数据吻合。利用NSGA-II建立了一个多目标优化问题，从Pareto最优解中获得一组优化参数组合，以改善涂层工艺。已发现确认试验的结果与NSGA-II的值高度相关引用[1] TSN Sankara Narayanan，S. Selvakumar，A. Stephen，“化学镀Ni-Co-P三元合金镀层：制备和特性”，Surf. 外套 Technol. 172（2-3）（2003）298-307。[2] Tushar Banerjee，R.S.森湾奥拉翁湾Majumdar，预测化学镀镍-钴-使用响应面方法的P涂层，Int.J.Adv.Manuf.Technol.64（9）（2013）1729-1736。[3] 刘军军，王旭东，田志勇，袁明，马喜娟，“铜含量对镁合金化学镀Ni-Cu-P镀层性能的影响”，应用。Sci. 356（2015）289-293。[4] 舒鑫，王玉新，卢鑫，刘楚明，高伟，化学镀Ni-W-P工艺参数优化，Surf.外套276（2015）195-201.[5] J.N. 巴拉茹S。MillathJahan角Anandan，K.S.Rajam，化学镀Ni-W-P和Ni-W-Cu-P合金镀层的研究，Surf.外套200（16 -17）（2006）4885-4890。[6] 李振，王静波，卢进军，孟军虎，化学镀Ni-P-MoS 2复合镀层的高温摩擦学性能，应用力学，2001。冲 浪 。Sci. 264（2013）516-521。[7] I. Sivandipoor，F. Ashrafizadeh，化学镀Ni-P-WS 2复合镀层的合成和摩擦学行为，应用。Sci. 263（2012）314-319。[8] S.A. Armyanov，G.S.宋文，磁记录用化学镀Co-Ni-P薄膜，电子化学杂志。Soc.136（5）（1989）1575-1578。[9] W. Reidel，化学镀镍，整理出版有限公司，联合王国，1991年。[10] A. Abdel Aal，A. Shaaban，Z.陈晓，低温化学沉积镍钴磷纳米软磁薄膜的研究，应用化学工程学报。冲浪。Sci. 254（7）（2008）1966-1971。[11] Y.高湖，加-地作者：Huang，Zheng，H. Li，M.朱，钴对铝基体上化学镀Ni-Co-P镀层耐蚀性和电磁屏蔽的 影 响 ， 应 用 。冲浪。Sci.253（24）（2007）9470-9475。[12] W.L.作者：Liu，W.J. Chen，T.K.蔡世雄谢世炎张，镍对硅衬底上化学镀Ni-Co-P合金初期生长行为的影响，应用。冲浪。Sci. 253（8）（2007）3843-3848。[13] W.L. Liu，S.H.谢文杰Chen，Y.C.许，镍钴磷化学镀层在铁基体上的生长行为，应用。冲浪。Sci. 255（2009）3880-3883。[14] 黄颖，施克，廖子君，王艳丽，王立，朱峰，玻璃纤维化学镀Ni-Co-P三元合金的研究，材料与工艺。Lett. 61（8-9）（2007）1742-1746。[15] M.M. 尤南，I.H.M.阿里，MT。陈晓，热处理对化学镀镍钴磷三元合金的影响，应用电化学学报。32（4）（2002）439-446。[16] 曾爱祥，熊伟豪，徐健，[Ag（NH3）2 ] +活化剂在空心微珠表面化学镀Ni-Co-P合金，材料与工艺。Lett. 59（4）（2005）524-528。[17] 庞建峰，李勤，王伟，徐啸天，翟建平，粉煤灰空心微珠化学镀Ni-Co-P三元合金的制备与表征，Surf.外套205（17-18）（2011）4237-4242。[18] 李永杰，王瑞，齐凤鸣，王春明，化学镀Ni-Co-P复合SiC粉体的制备、表征及微波吸收性能，应用。Sci. 254（15）（2008）4708-4715。[19] 杨文斌，付艳艳，安霞，张凯，吴志，化学镀Ni-Co-Fe-P复合石墨的微波吸收性能，合金材料学报。518（2012）6-10。[20] 陈晓，等.化学镀Ni-Co-P合金薄膜的制备及性能研究.应用化学学报，2000，24（1）：117 - 118. Sci. 258（20）（2012）7962-7967。[21] 杨颖，J.N.黄益忠，刘海，陈忠，化学镀Ni-Co-P金属与Sn-3.5Ag无铅焊料的界面反应，材料学报。 71（2014）69-79。[22] 陈文龙，陈文龙，等.催化剂在水溶液中的催化性能研究.北京：机械工程出版社，2000，24（3）：117 - 118. 氢能36（1）（2011）254-261。[23] 陈晓，等.化学镀镍钴磷合金扩散阻挡层的制备与性能研究.北京：电子科技大学出版社，2000，24（1）：117 - 118. Eng.87（3）（2010）387-390。[24] 阿曼尼Fetohi，R.M.Abdel Hameed，K.M.埃格拉尔河？哈提卜Souaya，Ni -P 和Ni -C o -P 涂 覆 的 铝 合 金 52 5 1 基 底 作 为 PE M 燃 料 电 池 应 用 的 金 属 双 极 板 ，In t . J. 氢能37（9）（2012）7677-7688。[25] Zhong Li ， Hongliang Li ， Lina Wang ， Tengyu Liu ， Tao Zhang ， GuixueWang ， Guangwen Xie ， Hydrogen generation from catalytic hydrolysis ofsodiumborohydride solution using supported amorphous alloy catalysts（[26] 李忠厚，陈志勇，刘莎莎，冯正，戴阿甘，镁合金化学镀Ni-P镀层的腐蚀与磨损性能，有色金属学报。中国科学院学报18（2008）819-824。[27] B.奥拉翁湾马宗达尔湾Ghosh，使用优化的沉积条件和退火改善化学镀镍-硼涂层的硬度，Mater. Des. 29（2008）1412-1418。[28] J. 德，N。Biswas，P.R.S.拉克什特森湾奥拉翁湾陈文，化学镀Ni-Cu-P镀层的优化设计， 中国 科 学技 术出 版 社， 2001 。 Eng. Appl. Sci.10（5）（2015）2273-2283。[29] B.S. Choudhury，R.S.森湾奥拉翁湾Majumdar，化学镀镍-磷镀层中镍和磷含量的统计研究，Surf. Eng.25（5）（2009）410- 414。[30] D.C. Montgomery，《实验设计与分析》，第七版，John Wiley&Sons Inc，2012.[31] M.Y. M Ahmed，N.秦，响应面和克里金代理在高超声速尖头钝体气动设计优化的比较，在：第13届国际航空航天科学和航空技术会议&：，ASAT-13，（论文：ASAT-13-AE-15），2009年。[32] 陈晓，等.钛铝氮化物（TiA 1 N）涂层硬度预测方法的研究.北京：机械工程出版社，2000，14（1）：117 - 118.内特尔专家系统（IJAE）5（1）（2014）1-14。[33] B. 奥拉翁湾马宗达尔湾高希，应用响应面法预测化学镀镍，材料。Des. 27（2006）1035-1045。[34] H.张文，机械系统设计中的差分进化和模拟退火算法，北京：机械工程出版社。J. 17（3）（2014）131-136。[35] R. Ghosh，D.K. Pratihar，S. Gupta，使用遗传算法实现非骨水泥型髋臼假体的最佳设计，Eng.Optim。（2014），http://dx.doi.org/10.1080/0305215X.2014.971779。[36] D.K. Pratihar，Soft Computing，第一版， 北京出版社有限公司、印度新德里，2008年，ISBN 978-81-7319-866-3。[37] K.德布，A.普拉塔普河阿加瓦尔，T. Meyarivan，一种快速和精英多目标遗传算法：NSGA II，IEEE Trans. 评价Comput. 6（2）（2002年）第182-197页。[38] R.王文，王文，等，基于教学优化算法的熔融沉积成型工艺优化，中国科学技术出版社，2001。 J. 19（1）（2016）587-603。[39] M. Balasubbareddy，S. Sivanagaraju，Chintalapudi V. Suresh，使用非支配排序混合布谷鸟搜索算法在实际约束存在下的多目标优化，Eng. Sci. J. 18（4）（2015）603-615。