基于AHGA+BP的神经网络混合学习策略

在自适应递阶遗传算法(AHGA)中融入BP操作可以在对神经网络结构进行优化的同时,充分利用遗传算法的全局寻优能力在大范围内搜索可能的误差极值区域,并利用BP算法沿误差最速下降方向在极值点附近快速搜索,从而达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测,表明了混合学习策略在较大程度上改进了神经网络的学习性能和泛化能力。

基于加速混合遗传算法搜索复杂边坡的最危险滑动面

基于简化Bishop条分法分析复杂边界边坡的稳定性,以圆弧滑裂面与边坡面的左右交点的两个X坐标——XL和XR以及滑裂面圆心坐标的Y坐标——Y0作为设计变量,提出一种加速混合遗传算法(AHGA)对设计变量进行优化。该方法是通过把无约束优化的Powell算法作为一个与遗传算法的选择、交叉和变异平行的算子,嵌入到改进的实数编码遗传算法中而得到的,它同时具有两个方法的优点,有较强的自适应能力,使得收敛速度加快,还有可能搜索到最优化问题的全局最优解。通过一高速公路边坡工程实例验证,加速混合遗传算法(AHGA)搜索到的圆弧滑动面与现场勘察结果很吻合,优于简单遗传算法(SGA)。

加速混合遗传算法在搜索边坡最危险滑动面中的应用

基于简化Janbu条分法,提出一种加速混合遗传算法,在无需对边坡最危险滑动面的几何形状进行假设的前提下,自由搜索最危险任意形状滑动面,并计算其对应的最小安全系数。该方法是通过把无约束优化的Powell算法作为一个与遗传算法的选择、交叉和变异平行的算子,嵌入到改进的实数编码遗传算法中而得到的,它同时具有两种方法的优点:(1)有较强的自适应能力,使得收敛速度加快;(2)还有可能搜索到最优化问题的全局最优解。首先通过一算例验证加速混合遗传算法的准确性,然后应用于一工程实例。与现场勘察结果对照表明,加速混合遗传算法搜索到的最危险滑动面与实际情况吻合得很好,优于简单遗传算法。

地下洞室地表非线性沉降模型参数确定新方法

根据随机介质理论构建地下洞室地表非线性沉降模型,把 DFP 变尺度算法作为一个与遗传算法的选择、交叉和变异平行的算子,嵌入到改进浮点编码遗传算法中,从而获得基于 DFP 算法和改进浮点编码遗传算法的加速混合遗传算法(AHGA),该方法既保留了 DFP 算法和改进浮点编码遗传算法的优点,又使收敛速度较快,还有可能搜索到最优化问题的全局优化解。通过某地下洞室地表沉降的工程实例分析表明,加速混合遗传算法不仅能解决地下洞室地表非线性沉降模型参数确定问题,而且优化结果优于其它方法。