GA优化BP神经网络

BP算法具有寻优精确的特点,而遗传算法具有很强的宏观搜索能力和良好的全局优化性能。因此将遗传算法与BP网络相结合,先用遗传算法进行寻优,缩小搜索范围,再利用BP网络进行精确求解,可以达到全局寻优和快速高效的目的。在分析GABP理论可行性的基础上,以一个简单的函数y=1/x为例,直观地展示了GABP的优点。     

基于MapReduce的GA-BP神经网络算法并行化设计及实现

为提高BP神经网络算法的运行效率,利用遗传算法和并行编程思想,提出了Hadoop平台下基于MapReduce的遗传算法优化BP神经网络的并行化设计及实现方法。利用遗传算法优化BP神经网络的初始权值和阈值,提高算法分类准确率;采用MapReduce并行编程模型实现算法的并行化处理,解决BP神经网络在处理大规模样本数据集时存在的硬件开销和通信开销大的问题。选用Caltech256图像数据集,与传统的串行遗传算法优化BP神经网络算法实验对比,验证了并行化GA BP神经网络算法的优越性。     

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。     

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。     

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。     

基于自适应差分遗传算法的BP神经网络优化

针对遗传算法在优化BP网络时出现收敛慢、预测能力有限等问题,提出一种用于优化BP神经网络的差分进化遗传算法。结合差分进化与遗传算法,首先对BP神经网络待优化参数编码,然后在经过遗传交叉和差分变异操作后,根据适应度值对种群规模进行自适应操作,以满足不同迭代阶段的要求。通过对测试函数进行仿真实验,结果表明,相比传统遗传算法,DE GA算法具有较好的稳定性和收敛速度,其优化后的BP网络预测精度保持在97%以上。     

BP算法的改进及在模式识别中的应用

主要分析了BP算法的特点以及在模式识别应用中存在的一些缺陷，研究了遗传算法和BP算法相结合的相关技术，设计并实现了一个遗传算法和BP算法相结合的BP—GA算法，并用一个经典实例说明该算法在模式识别中的应用．实验结果表明，基于BP—GA的模式识别系统有较好的泛化能力，较好地克服了网络单纯利用BP算法训练网络陷入局部极小值，导致网络训练失败的缺陷．     

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。     

基于改进神经网络模型的股指预测实证研究

针对BP神经网络容易陷入局部最小值以及网络收敛速率缓慢等问题,利用遗传算法优化网络权值和阈值,根据网络输出总误差变化对学习率进行动态调整,并运用改进的BP神经网络模型对上证指数进行预测分析.实证研究表明,改进的BP神经网络预测模型能够加快算法收敛速率,有效地提高预测精度.     

BP神经网络优化算法研究

为解决BP神经网络收敛速度慢和易陷入局部极小值的缺点,利用遗传算法(GA)和基因表达式编程(GEP)的各自特点,基于BP算法提出了两种改进算法:其一是GA-BP算法,即利用GA优化BP神经网络的权值和阈值;其二是GEP-BP算法,即利用GEP对BP网络进行调整,包括网络结构、权值和阈值。用样本数据进行了测试并与基本BP算法进行了比较,结果表明两种改进算法具有很强的可行性和高效性。     

基于改进遗传算法的无源滤波器优化设计

针对目前根据工程经验或简单的技术经济指标来设计无源滤波器的现状,以及现有优化设计方法中假设条件较多、寻优空间较小、寻优能力不强、对实际因素考虑不全面等问题,提出了一种改进的遗传设计方法.将无源滤波器的初期投资、无功功率补偿容量、滤波后电网谐波含量作为三个目标,利用遗传算法对无源滤波器的参数进行优化设计.通过适应度函数的阈值制约以及以不同概率进行染色体选择操作,使得种群朝三个目标最佳协调点的方向演化;为克服算法的早熟收敛问题也进行了有益探讨.最后对一个混合滤波实验系统进行了无源滤波参数的优化设计,并和传统的方法进行了比较.仿真和实验表明设计出的无源滤波器具有良好的综合性能.     

一种带随机选择机制的新型改进粒子群优化算法

标准粒子群优化算法对空间所有区域等概率搜索,降低了算法效率。借鉴遗传算法的思想,本文提出一种带随机选择机制的改进粒子群优化算法。该算法将适应值选择和粒子状态更新方程结合起来,通过赌轮算法选择机制使得粒子在适应值较小的区域尽可能的降低搜索概率,在最优解可能区域尽可能加大搜索强度,从而提高算法搜索效率。通过标准进化计算测试函数测试,实验结果表明对于复杂优化问题该算法优于标准粒子群优化算法和遗传算法。     

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。     

Creating IRT-Based Parallel Test Forms Using the Genetic Algorithm Method

In educational measurement, the construction of parallel test forms is often a combinatorial optimization problem that involves the time-consuming selection of items to construct tests having approximately the same test information functions (TIFs) and constraints. This article proposes a novel method, genetic algorithm (GA), to construct parallel test forms effectively. The sum of squared errors of the generated TIFs produced by GA were compared with those of the Swanson and Stocking method, and the Wang and Ackerman method. Experimental results show that tests constructed using GA yielded lower error, and an average improvement ratio above 90%.     

基于自适应遗传算法求解装箱问题

针对遗传算法在求解复杂优化问题时收敛速度慢,易陷入局部最优的不足,对标准遗传算法进行改进,将交叉概率和变异概率进行自适应调节,再结合移民策略,提出可自适应调节参数的改进遗传算法,应用该算法对装箱问题进行相应研究。     

优化OCSVM进行网络入侵检测的研究

OCSVM适合无监督情况下的孤立点检测,与入侵检测问题有很大的相似性.文章研究了OCSVM在网络入侵检测中的应用,探讨了模型优化的两个主要方面.提出的二阶段模型参数选取方法,能够比GA算法更快地搜索到近似全局最优参数;采用GA算法提取出22个TCP/IP连接的重要特征,比较了采用特征子集和全部特征的OCSVM的检测精度、训练测试时问.实验表明,给出的OCSVM模型优化方法,能够获得优异检测性能,具有更优的训练和检测效率,意味着可以应用到实时网络入侵检测系统.     

改进粒子群BP神经网络在高炉炉温预测中的应用

由于BP网络存在学习效率低、收敛速度慢、易陷入局部极小状态、适应能力较差等缺点,而粒子群优化（PSO）算法的收敛速度快（尤其是在进化初始阶段）,运算简单、易于实现,又没有遗传算法的编解码和杂交、变异等复杂运算,因此是一种很好的优化算法。但是,PSO算法也存在不足,该算法进化后期存在速度变慢以及早熟的现象。提出一种改进的粒子群BP神经网络对高炉炉温进行预测。通过调整粒子群算法中学习因子的自适应能力,提高算法的收敛速度和搜索全局最优的能力。通过仿真结果说明改进的粒子群算法要优于BP算法和标准的粒子群算法。     

基于混合选择策略的GA数值寻优

函数优化是遗传算法应用的一个方面,标准遗传算法通常采用的是轮盘赌选择、单点交叉和变异等基本操作算子,其缺点是全局收敛性差,易造成“不成熟”收敛现象。研究表明,GA的收敛性主要是由选择算子实现的,轮盘赌选择易产生较大的随机误差,基于期望值和轮盘赌的混合选择策略则能够改善此误差。仿真结果表明,混合选择能够有效地提高GA对全局最优解的搜索能力,较好地改善“早熟”现象的产生。     

空间军事系统研讨厅中德尔菲法与集成模型

对空间军事系统综合集成研讨厅体系中专家意见集成的方法进行研究.在德尔菲法基础上,建立了一种优化搜索机制.以专家一次性给出的原始意见为基础,构建专家意见集成的优化搜索模型,利用计算机的信息处理能力求解,获得既满足一致性要求,又具有一定可信度指标的结论.     

Optimal strategy of searching FPD weights scanning matrix using GA-PSO

This paper discusses a kind of optimal method used for searching flat panel display (FPD) scanning matrix. The method adopts bionic algorithm: genetic algorithm (GA) and particle swarm optimization (PSO) algorithm. The method using single GA is more time-consuming, and the search efficiency is low in later evolution; the PSO algorithm is easily falling into the local optimal solution and appears the premature convergent phenomenon. Hence, a hybrid approach of GAPSO is found to optimize the search for high grayscale weights scanning matrix. Finally in the acceptable time, it finds a weight scanning matrix (WSM) of 256 gray scales with Matlab, whose scanning efficiency reaches 94.73% and the linearity is very good.