压铸工艺参数GA-BP网络优化

针对遗传算法在全局寻优的特点和BP神经网络在局部精确搜索的特性,通过采用遗传算法优化神经网络初始权值,加速BP网络训练速度。通过算法比较和实例结果分析,表明该算法可以有效、可靠地运用铸造工艺参数优选中,并可方便地应用于专家系统。     

差分遗传算法收敛性研究

传统遗传算法全局搜索性能的不确定性和随机性,对种群的局部多样性造成影响,容易产生早熟收敛等问题。将差分思想应用到遗传算法中进行全局寻优,并通过测试函数将其与传统遗传算法的收敛性进行分析。结果表明,差分进化遗传算法降低了传统算法的时间复杂度和搜索的盲目性,并在一定程度上提高了种群的收敛速度和多样性。     

基于改进遗传算法的BP神经网络控制器

BP神经网络是一种按误差逆传播算法训练的多层前馈网络,其与遗传算法的结合可以得到一种拥有良好的全局优化搜索和局部时频特性的学习训练途径。针对BP网络的不足,提出了一种基于改进遗传算法的BP神经网络控制器,此方法可以克服基本遗传算法收敛速度慢,容易陷入"早熟"收敛,计算稳定性不好等一系列问题,进一步提高了BP神经网络控制器的性能。最后通过对轧制力模型的预报仿真,证明了控制器的有效性。     

基于改进三值量子遗传算法的多峰函数寻优

针对量子遗传算法在多峰函数寻优中出现早熟收敛及陷入局部极值等问题,提出一种改进的三值量子遗传算法.算法用三值量子非门来改变染色体基因的位置、用三值量子旋转门更新来完成进化搜索、用三值量子修正门对变异基因进行修正,增加了量子遗传算法中种群的多样性,扩大了算法的搜索空间;用动态调整旋转角策略来减少进化代数、缩短优化时间.通过对典型复杂函数的仿真实验并与其它算法相比较,结果表明该算法搜索空间大、搜索精度高,全局寻优性能优于普通遗传算法及量子遗传算法.     

基于遗传算法的BP神经网络在变压器超高频局部放电模式识别中的应用

本文针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法（Genetic Algorithms．GA）具有全局寻优的特点,将二者结合起来提出了一种混合算法：GA—BP算法,并将该算法成功应用于变压器超高频局部放电模式识别。将变压器油中局部放电超高频测量系统所得到的局部放电的特征量作为输入,分别用BP算法和混合算法进行模式识别。实验结果表明GA—BP算法具有收敛速度快、全局最优的优点．并且这种算法可以推广应用于其他实际系统中。     

一个遗传神经网络预测模型

BP算法是人工神经网络研究的一个常用方法，但从本质上说是属于局部寻优法，容易陷入局部极小点，且存在着学习速度与精度之间的矛盾；遗传算法是一种全局优化算法，具有并行计算能力．本文采用遗传算法来训练前向神经网络，建立一个基于遗传算法和BP算法的神经网络预测模型．试验结果表明它是一个成功较高的预测模型．     

基于遗传算法和BP神经网络的优化设计方法

随着生产规模的复杂化、多维化和非线性等复杂特性的增加，对生产中高效的优化技术要求也越来越迫切，利用并行遗传算法和BP网络的优点，提出采用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取，利用BP网络简单和可塑性强的优点来优化样本空间，以取得整体的优化效率。     

自适应邻居结构元胞遗传算法

为了达到元胞遗传算法全局搜索和局部寻优间的平衡,提出一种确定选择压力的自适应方法,其基本思想是：首先根据优秀个体与个体总数之比动态设定邻居结构半径,然后由邻居结构半径和种群网格半径计算出比率,从而确定种群在不同阶段的选择压力。数值实验表明,这种方法可以兼顾算法的全局搜索和局部寻优能力,获得质量较高的解。     

一种混合遗传算法在手机基站定位技术中的应用研究

人们对于位置服务的需求推动定位技术的不断发展,当前手机基站定位技术也有了较大改善。文章主要详述TDOA的双曲线定位技术,根据遗传算法全局寻优和最速下降法高效搜索的优点,提出在TDOA技术中引入结合最速下降法的混合遗传算法的思想,经过多代遗传最终得到最优解,以达到精确快速计算得到位置坐标的目的。     

改进量子粒子群BP神经网络参数优化及应用

针对现有BP神经网络选取权值和阈值不精确问题,采用改进量子粒子群优化算法优化BP神经网络权值和阈值。首先在改进的量子粒子群优化算法中,采用双层多种群优化策略提高整个种群的寻优能力,然后在每个子群中使用混沌反向学习和Levy飞行增强子群寻优能力,最后利用改进的量子粒子群优化BP神经网络权值和阈值。实验结果表明,改进的量子粒子群优化算法能有效提高BP神经网络的全局寻优能力和收敛性,对数控高速铣削加工的铣削力进行准确预测。     

基于DSP的遗传算法系统平台设计

DSP具有强大的信息处理能力,其处理系统在工程上应用非常广泛。针对工程应用中大量数据需现场处理复杂问题的情况,论文提出采用全局搜索效果较佳的遗传算法来对问题进行寻优。系统在TMS320C6201硬件平台上创建具有遗传算法来处理复杂问题的应用环境,并对处理数据量较大以及适应度函数计算较为复杂的图像匹配问题在系统环境中进行功能验证。实验结果表明系统整体方案具有一定的可行性。     

基于规则的前馈神经网络的混沌梯度下降耦合学习算法

提出用规则判断由于BP神经网络学习过程中因梯度搜索产生的局部极小，并利用具有全局寻优的特点的混沌优化算法，使学习过程能有效地逃离局部极小，即，梯度下降进研“粗搜索”、混沌优化法进行“细搜索”及建立规则将两者结合起来，就构成了本文的基本混沌梯度下降的前馈神经网络学习算法。这种算法有效地利用了梯度下降算法的快速性和混沌寻优的全局性，将该算法应用于铜锍吹炼过程智能决策支持系统模型库中的模型学习，产生了良好的应用效果。     

基于遗传算法的自动组卷系统设计

自动组卷系统是计算机辅助教学的重要组成部分,而遗传算法以其全局寻优和智能搜索的特性,得到了广泛的运用。根据自动组卷系统的特点,将遗传算法合理应用于自动组卷中,在遗传算法中,设计了双种群机制,并以试卷难度、试卷区分度、试卷的估计用时、知识点分布为基础构造适应度函数,通过轮盘赌选择方法、多点交叉和变异,较好地解决了自动组卷的多重目标寻优问题。     

智能优化算法优化BP神经网络的函数逼近能力研究

在工程应用中经常遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方法精确建模。BP神经网络可以描述这些非线性系统的输入输出映射关系,但其自身也存在较明显的缺陷。应用遗传算法和粒子群算法对BP神经网络进行优化,可弥补BP神经网络寻优时的缺陷。通过实例比较分析,两种优化算法有效提高了拟合精度。     

遗传算法实现试题库智能组卷方法研究

智能组卷方法是当今各大高校及相关单位试题库系统中的核心内容.本文提出了一种基于遗传算法解决组卷问题的改进方法,该算法以其具有的自适应全局寻优和智能搜索技术且收敛速度快的特点解决了传统组卷中编码太长、适应度函数值计算困难等问题,建立和描述了组卷问题的染色体结构和适应度函数,设计了问题的遗传操作,为进一步完善网络试题库的建设奠定了坚实的基础.     

遗传算法优化BP神经网络预测股指研究

股票价格受众多不确定性因素影响。为更精准地预测股票指数,首先利用具有良好非线性寻优能力的遗传算法优化BP网络初始权值阈值设置,然后构建一个以开盘价、最高价、最低价、收盘价、成交量、收盘价近5日移动平均线MA等6个输入变量、以下一天6个变量为输出变量的股指预测模型。对观察期内上证综指实证研究表明,经遗传算法优化后的BP 网络对股票指数预测平均误差为0.1%,其中成交量预测值比单纯BP神经网络算法误差减少0.71%,同时收敛速度得到提高。     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。     

用于约束非线性全局优化的混沌退火神经网络

混沌神经网络具有全局搜索能力 ,但其运用至今主要局限于组合优化 .通过对普通 Hopfield优化网络引入混沌噪声退火过程 ,提出了一种用于约束非线性全局优化的混沌退火神经网络 ,它易于实现 ,原理简明 ,应用广泛 .对很复杂的测试函数的数字试验表明 ,该模型能够高效、可靠地搜索到全局最优 ,其性能超过遗传算法 GAMA S     

免疫遗传算法在BP网络结构优化中的应用

免疫遗传算法是基于免疫原理的改进遗传算法，它能克服遗传算法易早熟、搜索效率低、不能很好保持个体的多样性等缺点。本文将免疫遗传算法用于BP网络结构优化设计中，仿真实验结果表明，该方法有很好的效果。     

基于神经网络—遗传算法的双层隔振系统复合振动控制

针对实际应用中双层隔振系统参数时变,不易建模的特性,提出了将遗传算法及神经网络应用于双层隔振系统的复合振动控制策略。该方法利用遗传算法在线计算作用于隔振系统上的控制力,利用神经网络模拟隔振系统的动力特性,代替隔振系统进行动力分析,该系统充分发挥了遗传算法及神经网络各自的优点。其中,遗传算法采用与单纯形相结合的混合遗传算法,结合了遗传算法良好的全局收敛性和单纯形算法的优秀的局部搜索能力,提高了搜索速度与精度,神经网络采用了一种学习速率可自适应调整的BP算法,提高了神经网络的收敛速度。仿真结果表明了该方法的有效性。